Documente Academic
Documente Profesional
Documente Cultură
Vectorial
2 Derivación 31
1 Definiciones y Teoremas Básicos . . . . . . . . . . . . . . . . . . . . . . . . . 31
2 Regla de la Cadena . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3 El Teorema de la Función Implı́cita . . . . . . . . . . . . . . . . . . . . . . . 41
4 Optimización . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
5 Coordenadas Curvilineas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
6 Operadores Diferenciales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
3
Chapter 1
1 Clase 1
En los cursos de cálculo diferencial y cálculo integral se estudian funciones reales de variable
real, es decir, funciones cuyo argumento es un único número real al igual que su resultado.
Usualmente estas funciones se denotan f : R → R. En ocasiones queremos ser más especı́ficos
y escribimos f : A → B donde A y B son subconjuntos de R. Para este tipo de funciones ten-
emos un mundo de conceptos y teoremas entre los que se encuentran el dominio, codominio
y rango de una función. Las nociones de ser continua, diferenciable, integrable. Teoremas
como el teorema del valor intermedio, el teorema del valor medio, el teorema del valor ex-
tremo, el teorema fundamental del cálculo, etc. Nuestro propósito es estudiar estos mismos
conceptos en un contexto más general, el de funciones vectoriales de variable vectorial, es
decir, f : A ⊂ Rm → B ⊂ Rn .
Frecuentemente será necesario para nosotros diferenciar entre un único número real (un
escalar) y un vector que contiene varios números reales. Por esta razón adoptamos la siguiente
Notación 1. Si una letra denota un vector se escribe con una flecha encima. Por ejemplo,
si x ∈ Rn escribiremos ~x. Si queremos hacer referencia a las entradas del vector ~x escribimos
~x = (x1 , x2 , · · · , xn )
4
CHAPTER 1. FUNCIONES VECTORIALES DE VARIABLE VECTORIAL 5
Usando esta notación también podemos determinar si una función es de valor vectorial con
variable real, de valor real con variable vectorial, etc.
f (x) denota una función real de variable real (nadie tiene flecha).
f~(x) denota una función vectorial de variable real (solo la f tiene flecha). Es decir,
esta función recibe un único número real y produce un vector.
f (~x) denota una función real (o escalar) de variable vectorial (solo la x tiene flecha). Es
decir, esta función recibe un vector y produce un número real. A éste tipo de funciones
se les llama también campos escalares.
f~(~x) denota una función vectorial de variable vectorial (ambos tienen flecha). Es decir,
esta función recibe un vector y produce otro vector (no necesariamente del mismo
tamaño). Una función de este estilo también es llamada un campo vectorial
Las funciones de valor vectorial se pueden interpretar como vectores de funciones, ası́ que
también escribiremos frecuentemente
f~ = (f1 , f2 , · · · , fn )
si f toma valores en Rn . En esta escritura cada fi es una función escalar de variable escalar
o vectorial.
Ejemplo 1.1. Sea f~ la función definida por la fórmula
√
~ 1 2 xyzw
f (x, y, z, w) = , y ln(w − 1), tan(x + y + z + w), 1 − xw, e
1 − xz
En este caso f recibe 4 variables reales (un vector de R4 ) y retorna 5 valores reales (un vector
de R5 ), es decir que tenemos una función f~ : A ⊂ R4 → B ⊂ R5 . Para esta función podemos
escribir f~ = (f1 , f2 , f3 , f4 , f5 ) donde
1
f1 (x, y, z, w) = , f2 (x, y, z, w) = y ln(w2 − 1), f3 (x, y, z, w) = tan(x + y + z + w),
1 − xz
√
f4 (x, y, z, w) = 1 − xw, f5 (x, y, z, w) = exyzw
Ejemplo 1.2. Un ejemplo lineal: Sea A la siguiente matriz
1 2 3
A=
4 5 6 2×3
Ejemplo 1.3. El ejemplo anterior sigue funcionando para cualquier matriz de cualquier
tamaño. Si A es una matriz de tamaño m × n, entonces define una función f~ : Rn → Rm .
Las funciones definidas por fórmulas pueden presentar restricciones sobre los valores que
pueden tomar las variables. Algunos ejemplos tı́picos de esto son:
Si se tiene un logaritmo ln(), el argumento debe ser estrictamente mayor que cero
> 0.
Ejemplo 1.4. Un ejercicio tı́pico es encontrar el dominio de una función definida por una
fórmula. Consideremos nuevamente la función del ejemplo 1.1
√
~ 1 2 xyzw
f (x, y, z, w) = , y ln(w − 1), tan(x + y + z + w), 1 − xw, e
1 − xz
Para que esta función tenga sentido necesitamos que cada una de las componentes esté bien
definida. Vamos a analizar cada una de las componentes para ver qué restricciones imponen
sobre el dominio:
f1 (x, y, z, w) = 1−xz
1
. En este caso tenemos un cociente, de donde obtenemos la re-
stricción 1 − xz =
6 0 o lo que es equivalente 1 6= xz.
f2 (x, y, z, w) = y ln(w2 − 1). Acá tenemos un logaritmo, por lo tanto es necesario que
w2 − 1 > 0 o equivalentemente que w2 > 1. Notemos que w2 > 1 siempre que w > 1 o
w < −1, de manera que tenemos la restricción w ∈ (−∞, −1) ∪ (1, ∞).
√
x − y. Acá requerimos que x − y ≥ 0 de manera que x ≥ y.
En la gráfica el dominio está marcado con azul. Los puntos en rojo no están incluidos en el
dominio.
CHAPTER 1. FUNCIONES VECTORIALES DE VARIABLE VECTORIAL 8
En general, si queremos calcular el dominio de una función definida por una fórmula, uti-
lizamos el siguiente resultado
f~ = (f1 , f2 , · · · , fn ),
Ran(f~) = {f~(~x) ∈ Rn ~x ∈ A}
En palabras: el rango de f~ son todos los puntos ~y ∈ Rn a los cuales puedo llegar mediante
la función, es decir, existe un elemento del dominio ~x ∈ A tal que f~(~x) = ~y .
Calcular el rango de una función puede ser muy difı́cil. Más adelante veremos técnicas que
nos permitiran calcular el rango en algunas situaciones.
Ejemplo 1.7. Sea f : R2 → R la función dada por f (x, y) = x2 + y 2 . Esta gráfica se conoce
como un paraboloide circulary es una superficie contenida en R3 .
Para finalizar hablaremos rápidamente del álgebra de funciones. La teorı́a se puede encontrar
en la página del curso.
2 Clase 2
En esta clase vamos a hablar de tres maneras diferentes de determinar un conjunto: de man-
era explı́cita, de manera implı́cita y de manera paramétrica. Cada una de estas maneras
tiene sus ventajas y desventajas dependiendo del propósito que tengamos.
Antes de definir las tres maneras de determinar un conjunto necesitamos la noción de preim-
agen de un conjunto bajo una función.
CUIDADO! No se debe confundir esta notación con la notación de la función inversa. Note-
mos además que la preimagen es un subconjunto del dominio de la función.
f −1 (b1 ) = {a2 , a4 }
f −1 (b2 ) = φ
f −1 {b1 , b4 } = {a2 , a3 , a4 , a5 }
f −1 (B) = A
Ejemplo 2.2. Sea f : R → R, f (x) = sin(x). Para calcular la preimagen de un punto
s ∈ R trazamos la recta horizontal y = s sobre la gráfica de sin(x) y miramos los puntos de
intersección. Las coordenadas x de los puntos de intersección forman el conjunto f −1 (s).
CHAPTER 1. FUNCIONES VECTORIALES DE VARIABLE VECTORIAL 11
En la gráfica, s toma valores entre −1 y 1. Vemos los puntos de intersección en azul y sus
coordenadas x en rojo.
A continuación escribimos las preimágenes de algunos puntos y subconjuntos de R bajo
f (x) = sin(x)
f −1 (1) = { π2 , − 3π
2
, 5π
2
, − 7π
2
,···}
f −1 (2) = φ
f −1 ([−1, 1]) = R
f −1 (R) = R
Ejemplo 2.3. Sea f : R2 → R la función dada por f (x, y) = x2 + y 2 . En este caso la gráfica
de la función es un subconjunto de R3 .
Para calcular la preimagen de un punto usamos un método análogo al del ejemplo anterior
con ligeras diferencias. En este ejemplo en vez de cortar con rectas horizontales cortamos
con planos horizontales, es decir, planos cuya ecuación es z = s con s constante. La in-
tersección del plano con la gráfica produce un conjunto de puntos (azul) y la proyección de
CHAPTER 1. FUNCIONES VECTORIALES DE VARIABLE VECTORIAL 12
Decimos que S está descrito de forma explı́cita si existe alguna función f (o f~) tal que
S = Graf(f ).
Decimos que S está descrito de manera implı́cita si existe alguna función f (o f~) tal
que S = f −1 (c) para algún c en el codominio de f .
Decimos que S está descrito de manera paramétrica si existe alguna función f (o f~)
tal que S = rango(f ).
Ejemplo 2.4. Sea S el hemisferio norte del cı́rculo con centro en el origen y radio 2 contenido
en R2 . Vamos a describir este conjunto de las tres maneras posibles:
√
Explı́citamente Si f : [−2, 2] → R es la función f (x) = 4 − x2 , entonces
√
S = {(x, 4 − x2 ) x ∈ [−2, 2]} = Graf(f ).
Por otro lado, otra forma de describir a S de manera paramétrica es mediante la función
√
β~ : [−2, 2] → R2 definida por β(t)
~ = (t, 4 − t2 ).
Proposición 2.1. Si S es un conjunto que puede ser descrito de manera explı́cita por la
función f~ : A ⊂ Rm → Rn , es decir, S = Graf(f~), entonces las siguientes son descripciones
(no las únicas) implı́citas y paramétricas para S
CHAPTER 1. FUNCIONES VECTORIALES DE VARIABLE VECTORIAL 13
Entonces S = rango(~h).
f~(x, y) = (3xy, x2 y 3 )
descrito explı́citamente por f~. Entonces una forma de describir a S de manera implı́cita es
mediante la función ~g : R4 → R2 definida por
Notemos que g −1 (0, 0) es el conjunto de puntos que satisface z = 3xy y w = x2 y 3 , es decir los
puntos de la forma (x, y, 3xy, x2 y 3 ), que es precisamente la gráfica de f~, es decir g −1 (0, 0) = S.
3 Clase 3
En esta clase continuaremos hablando de conjuntos definidos de manera explı́cita, implı́cita
y paramétrica.
Ejemplo 3.1. Sea ~g : R → R2 dada por ~g (t) = (cos(t), sin(t)). Comparemos los conjuntos
rango(~g ) y Graf(~g ).
El rango de ~g es un subconjunto de R2 :
rango(~g ) = {(cos(t), sin(t)) ∈ R2 t ∈ R}
CHAPTER 1. FUNCIONES VECTORIALES DE VARIABLE VECTORIAL 14
Si llamamos x = cos(t) y y = sin(t) notamos que todos los puntos en el rango de ~g son
puntos (x, y) que satisfacen la ecuación x2 + y 2 = cos2 (t) + sin2 (t) = 1, es decir que el
rango de ~g es la circunferencia de radio 1.
La gráfica de ~g es un subconjunto de R3 :
Graf(~g ) = {(t, cos(t), sin(t)) ∈ R3 t ∈ R}
El rango es
La gráfica es
Graf(~g ) = {(t, sin(2t) cos(t), sin(2t) sin(t)) ∈ R3 t ∈ R}
La respuesta es que S no se puede describir de manera explı́cita pero sı́ se puede descomponer
en dos conjuntos que pueden ser descritos de manera explı́cita, es decir, S =pS1 ∪ S2 donde
S1 es el hemisferio
p norte y S2 es el hemisferio sur. Si tomamos f1 (x, y) = 1 − x2 − y 2 y
f2 (x, y) = − 1 − x2 − y 2 tenemos que
S1 = Graf(f1 ) y S2 = Graf(f2 ).
Hacer una descripción implı́cita de S es muy fácil: tomamos α : R3 → R tal que α(x, y, z) =
x2 + y 2 + z 2 . Entonces S = α−1 (1).
CHAPTER 1. FUNCIONES VECTORIALES DE VARIABLE VECTORIAL 16
Una descripcióm paramétrica de S se puede hacer de la siguiente manera: Sea C = [0, 2π] ×
[0, π] ⊂ R2 . Definimos β : C ⊂ R2 → R3 como
A continuación describimos algunas superficies tı́picas en R3 . Para ver las gráficas y otros
detalles les recomiendo mirar el repaso de superficies cuádricas que aparece en esta página.
Ejemplo 3.4. Una elipsoide está formada por los puntos de R3 que satisfacen la ecuación
x2 y 2 z 2
+ 2 + 2 =1
a2 b c
En el caso a = b = c = r tenemos una esfera de radio r.
Ejemplo 3.5. Un cono elı́ptico está formado por los puntos de R3 que satisfacen la ecuación
x2 y 2 z 2
+ 2 − 2 =0
a2 b c
El menos antes de z 2 se puede mover a cualquiera de las otras dos variables, esto tiene el
efecto de cambiar la posición del cono.
Ejemplo 3.6. Un paraboloide elı́ptico está formado por los puntos de R3 que satisfacen la
ecuación
x2 y 2
z= 2+ 2
a b
Ejemplo 3.7. Un paraboloide hiperbólico está formado por los puntos de R3 que satisfacen
la ecuación
x2 y 2
z= 2− 2
a b
El menos se puede poner antes de la x, esto cambia la posición de la superficie.
Ejemplo 3.8. Un hiperboloide está formado por los puntos de R3 que satisfacen la ecuación
x2 y 2 z 2
+ 2 − 2 = ±1
a2 b c
El signo del 1 determina si el hiperboloide tiene una hoja (+) o dos (−),
4 Clase 4
En esta clase hablaremos de algunos conceptos básicos de topologı́a. El objetivo de esta
clase es que ustedes aprendan a identificar los puntos interiores y frontera de un subconjunto
de Rn . Este contenido también lo pueden estudiar del documento llamado ”Nociones de
Topologı́a del Espacio Euclidiano” que pueden encontrar acá.
CHAPTER 1. FUNCIONES VECTORIALES DE VARIABLE VECTORIAL 17
Primero hablaremos de la estructura de espacio métrico que tiene Rn , es decir, de qué manera
se miden distancias en Rn . Con este propósito definiremos 3 conceptos básicos:
1. El producto puntoo escalar: Dados dos vectores en Rn , el producto punto entre
ellos dos produce un escalar. La fórmula es la siguiente:
x1 y1
n
x2 y2 X
• = x1 y1 + x2 y2 + · · · + xn yn = xi y i
.. ..
. . i=1
xn yn
El producto punto sirve para determinar el ángulo entre dos vectores; en particular
sabemos que dos vectores son ortogonales (perpendiculares) si su producto punto es
cero.
Con esta noción de distancia podemos definir unos conjuntos que serán de vital importancia
en topologı́a: las vecindades abiertas de un punto. Si p~ ∈ Rn y r es un real positivo,
denotamos la vecindad (o bola) abierta de radio r con centro en p~ por V (~p, r). Este conjunto
es
V (~p, r) = {~x ∈ Rn d(~x, p~) < r}
En bajas dimensiones estos conjuntos son fáciles de reconocer:
En dimensión 1 (estamos en R), la bola abierta de radio r y centro p es el intervalo
(p − r, p + r). Notemos que los extremos del intervalo no están incluidos.
La razón por la cual V (~p, r) se llama una bola abierta es porque en todos los casos, sin
importar la dimensión, lo que se obtiene es el análogo de lo que conocemos por una bola,
la palabra abierta se refiere al hecho de que estos conjuntos no contienen su frontera. A
continuación definiremos rigurosamente a qué nos referimos con la frontera de un conjunto
(entre otras cosas).
Este conjunto está comprendido por la circunferencia de radio 1 y todo lo que está por fuera
de ella. Los puntos interiores son precisamente aquellos que cumplen la condición x2 +y 2 > 1,
es decir,
Int(S) = {(x, y) ∈ R2 x2 + y 2 > 1}
Noten que el interior del conjunto S no es lo mismo que lo que está adentro de la circunfer-
encia. El exterior de S es
Ext(S) = {(x, y) ∈ R2 x2 + y 2 < 1}
y la frontera es
∂S = {(x, y) ∈ R2 x2 + y 2 = 1}
CHAPTER 1. FUNCIONES VECTORIALES DE VARIABLE VECTORIAL 19
En este caso ningún punto es interior a S porque S no puede contener ninguna bola abierta.
Es decir que Int(S) = φ. El exterior de S es
S = {(x, y) ∈ R2 x2 + y 2 > 1 o x2 + y 2 < 1},
Ejemplo 4.3. Para los intervalos [a, b], (a, b], [a, b) y (a, b) se tiene
Ext([a, b]) = Ext((a, b]) = Ext([a, b)) = Ext((a, b)) = (−∞, a) ∪ (a, ∞)
∂([a, b]) = ∂((a, b]) = ∂([a, b)) = ∂((a, b)) = {a, b}
Ejemplo 4.4. El conjunto de los números enteros es Z = {0, ±1, ±2, ±3, ±4, · · · } ⊂ R.
Para este conjunto tenemos que ningún punto es interior ya que Z no puede contener ningún
intervalo. Es decir que IntZ = φ. El exterior de Z es
El exterior es
Ext(S) = {(x, y, z ∈ R3 ) z 2 > x2 + y 2 }
La frontera es
∂S = {(x, y, z ∈ R3 ) z 2 = x2 + y 2 }
y la frontera es ∂S = S.
Advertencia: Más adelante veremos otra noción de frontera de un conjunto que en ocasiones
difiere con la que acabamos de ver, en su momento haremos la distinción pertinente.
5 Clase 5
En esta clase continuamos hablando de nociones de topologı́a. Empezaremos definiendo qué
son los puntos de acumulación de un conjunto. Luego veremos qué significa que un conjunto
sea abierto o cerrado. Veremos muchos ejemplos.
Definición 5.1. Sea S ⊂ Rn . Los puntos de acumulación de S son los puntos de Rn para
los cuales cualquier vecindad abierta contiene infinitos puntos de S. El conjunto de puntos
de acumulación de S será denotado Acum(S). En notación de conjunto tenemos
Acum(S) = {~p ∈ Rn para todo r > 0, V (~p, r) ∩ S es infinito}
En el dibujo vemos que el origen no puede ser punto de acumulación de S ya que existe por lo
menos una vecindad (la verde) que no contiene infinitos puntos del conjunto. Por otro lado,
las vecindades de los puntos de las circunferencias (por ejemplo la roja y la azul) siempre
tendrán infinitos puntos del conjunto S. Tenemos entonces que el conjunto de puntos de
acumulación de S es la unión de las dos circunferencias, es decir,
Acum(S) = {(x, y) ∈ R2 x2 + y 2 = 1} ∪ {(x, y) ∈ R2 x2 + y 2 = 4}.
Vemos que cualquier punto en el interior debe ser punto de acumulación ya que cualquier
vecindad siempre tiene infinitos puntos de S (por ejemplo, la vecindad roja). Con los puntos
de la frontera pasa lo mismo (observen la vecindad verde), de manera que también son puntos
de acumulación. En conclusión
Acum(S) = {(x, y) ∈ R2 x2 + y 2 ≤ 1}
En este punto tenemos que dado un conjunto S podemos encontrar otros conjuntos asociados
Int(S), Ext(S), ∂S = F ront(S) y Acum(S). Dependiendo de cómo sean los conjuntos Int(S)
y F ront(S) diremos que el conjunto S es abierto, cerrado o ninguna de las dos cosas:
Es posible que no se cumpla ninguna de las dos condiciones anteriores, es decir, es posible
que un conjunto no sea abierto ni cerrado.
Ejemplo 5.4. La terminologı́a anterior coincide con lo que conocemos sobre los intervalos.
Int(a, b] = Int[a, b) = (a, b), de manera que (a, b] y [a, b) no son abiertos. Además
F ront(a, b] = F ront[a, b) = {a, b}. Como (a, b] y [a, b) no contienen la frontera, no son
cerrados.
Determinar para cada conjunto si es abierto, cerrado o ninguna de las dos opciones.
Teorema 5.1. Antes de continuar con ejemplos y ejercicios mencionamos algunos hechos
sobre conjuntos abiertos y cerrados:
1. En Rn los únicos conjuntos que son abiertos y cerrados a la vez son el mismo Rn y el
conjunto vacı́o.
√
1 p
2
p
2
f (x, y) = , x + y, ln(|x| + 1), x + 1 − y, y + 1 − x)
(x − 1)2 + (y − 1)2
6 Clase 6
En esta clase haremos una breve descripción de los sistemas de coordenadas en R2 y en R3 .
Además hablaremos un poco de lı́mites.
6.1 Coordenadas en R2
En R2 trabajaremos con dos sistemas de coordenadas: las cartesianas y las polares.
En coordenadas cartesianas cada punto es determinado por una pareja de números (x, y). x
representa la distancia que se debe recorrer horizontalmente desde el origen y y la distancia
que se debe recorrer verticalmente para ubicar el punto. En este sistema las ecuaciones
de la forma x = c determinan lineas verticales y las ecuaciones y = c determinan lineas
horizontales.
En coordenadas polares cada punto del plano se puede determinar con dos números (r, θ). Al
trazar el segmento de recta desde el punto al origen se forma un ángulo con el eje horizontal
positivo, este ángulo es el número θ medido en radianes. El número r es la distancia del punto
al origen. En este sistema de coordenadas los puntos pueden tener muchas represnetaciones
diferentes. Las ecuaciones de tipo r = c son circunferencias con centro en el origen y radio c.
Las ecuaciones θ = c son semirrayos que parten desde el origen.
Ejemplo 6.2. El punto 4, π4 en coordenadas polares es la intersección de la circunferencia
r = 4 y la semi-recta θ = π4 .
x = r cos θ, y = r sin θ
p y
r= x2 + y 2 , tan θ =
x
6.2 Coordenadas en R3
En coordenadas cartesianas cada punto es representado por tres números (x, y, z). Las ecua-
ciones de tipo x = c determinan planos paralelos al plano yz, las de tipo y = c son planos
paralelos al plano xz y las de tipo z = c sonplanos paralelos al plano xy.
Las coordenadas cilı́ndricas son la extensión del sistema de coordenadas polares a R3 . Cada
punto se determina por tres números (r, θ, z). Los n’umeros (r, θ) determinan cual es la
proyección del punto en el plano xy y z determina la altura. Las ecuaciones de tipo r = c
determinan cilindros de radio c con eje a lo largo del eje z. Las ecuaciones de tipo θ = c
determinan semiplanos cuya frontera es el eje z. Las ecuaciones tipo z = c determinan planos
paralelos al plano xy.
r = 5, el semiplano θ = π4 y el plano z = 3.
Para pasar de coordenadas cartesianas a cilı́ndricas y viceversa usamos las mismas ecuaciones
anteriores.
CHAPTER 1. FUNCIONES VECTORIALES DE VARIABLE VECTORIAL 27
En coordenadas esféricas tenemos números (r, θ, ϕ). Una ecuación de tipo r = c define una
esfera con radio c. Una ecuación de tipo θ = c define un semiplano con frontera el eje z. Una
ecuación de tipo ϕ = c define un cono.
el semiplano θ = π2 y el cono ϕ = π6 .
Para obtener las coordenadas cartesianas de un punto a partir de sus coordenadas esféricas
usamos las fórmulas
Si tenemos las coordenadas cartesianas y queremos las esféricas usamos las siguientes fórmulas:
p
2 2 2 2 y x2 + y 2
r = x + y + z , tan(θ) = , tan(ϕ) =
x z
En el caso en que los lı́mites laterales no existen o son diferentes decimos que el lı́mite no
existe
Si lim− f (x) 6= lim+ f (x), entonces lim f (x) no existe.
x→a x→a x→a
Esta definición es suficiente en el caso de una sola variable ya que solo existen dos trayectorias
posibles para acercarse a a, por la izquierda o por la derecha. Al analizar la situación con dos
(o más) variables vemos que existen múltiples (de hecho infinitas) formas en que podemos
CHAPTER 1. FUNCIONES VECTORIALES DE VARIABLE VECTORIAL 28
acercarnos a un punto (a, b). Basados en esta idea formulamos el siguiente procedimiento
para determinar si un lı́mite existe o no:
1. Probar algunas trayectorias diferentes que se acerquen al punto. En R2 las trayectorias
usualmente tienen la forma y = g(x) o x = h(y). Cuidado! Es absolutamente necesario
que la trayectoria escogida pase por el punto.
2. Si existen por lo menos dos trayectorias bajo las cuales los lı́mites difieren, decimos que
el lı́mite no existe.
3. Si todas las trayectorias probadas producen el mismo valor, no podemos concluir que
el lı́mite sı́ existe, pero empezamos a sospechar que sı́. En este caso debemos usar
otros métodos para probar la existencia del lı́mite. Por ejemplo, usar el teorema de
compresión o hacer cambios de coordenadas (a polares en R2 o a cilı́ndricas o esféricas
en R3 ).
Veamos algunos ejemplos de lı́mites que no existen:
Ejemplo 6.6. Calcular
x2 − y 2
lim .
(x,y)→(0,0) x2 + y 2
Si y = 0 tenemos
x2 − y 2 x2
lim = lim =1
(x,y)→(0,0) x2 + y 2 x→0 x2
y=0
Como los lı́mites por trayectorias difieren, concluimos que el lı́mite no existe.
Ejemplo 6.7. Calcular
xy
lim .
(x,y)→(0,0) x2 + y 2
CHAPTER 1. FUNCIONES VECTORIALES DE VARIABLE VECTORIAL 29
Consideraremos trayectorias:
Si x = 0 o y = 0 tenemos
xy xy
lim = lim = 0.
(x,y)→(0,0) x2 + y 2 (x,y)→(0,0) x2 + y 2
x=0 y=0
xy x2 1
lim = lim =
(x,y)→(0,0) x2 + y 2 x→0 x2 + x2 2
y=x
Como los lı́mites por trayectorias difieren, concluimos que el lı́mite no existe.
Consideraremos trayectorias:
Si x = 0 o y = 0 tenemos
xy 2 xy 2
lim = lim = 0.
(x,y)→(0,0) x2 + y 4 (x,y)→(0,0) x2 + y 4
x=0 y=0
Probaremos con trayectorias que sean lineas rectas que pasan por el origen, es decir,
rectas cuya ecuación es y = mx donde m es la pendiente de la recta:
xy 2 x(mx)2 m2 x3 m2 x
lim = lim = lim = lim =0
(x,y)→(0,0) x2 + y 4 x→0 x2 + (mx)4 x→0 x2 + m4 x4 x→0 1 + m4 x2
y=mx
Vemos que las trayectorias rectas no producen resultados diferentes, probaremos con
una trayectoria cuadrática: x = y 2
xy 2 y4 1
lim 2 4
= lim 4 4
=
(x,y)→(0,0) x + y y→0 y + y 2
x=y 2
Como los lı́mites por trayectorias difieren, concluimos que el lı́mite no existe.
Ahora nos enfrentaremos a un lı́mite que sı́ existe. Para eso necesitaremos el teorema de
compresión
Teorema 6.1. Sea f (x, y) una función y L ∈ R. Si existe otra función g(x, y) tal que
CHAPTER 1. FUNCIONES VECTORIALES DE VARIABLE VECTORIAL 30
0 ≤ |f (x, y) − L| ≤ g(x, y)
2.
lim g(x, y) = 0
(x,y)→(a,b)
lim f (x, y) = L
(x,y)→(a,b)
una función más sencilla. Para esto notamos que x2 ≤ x2 + y 2 , de donde obtenemos que
3x2 y 2 2 2
= 3x |y| ≤ 3(x + y )|y| = 3|y|.
x2 + y 2 x2 + y 2 x2 + y 2
lim 3|y| = 0,
(x,y)→(0,0)
3x2 y
lim = 0.
(x,y)→(0,0) x2 + y 2
Chapter 2
Derivación
∂f
(a, b) = fx (a, b) = la derivada parcial de f respecto a x en el punto (a, b)
∂x
∂f
(a, b) = fy (a, b) = la derivada parcial de f respecto a y en el punto (a, b)
∂y
31
CHAPTER 2. DERIVACIÓN 32
Las derivadas parciales son precisamente las derivadas direccionales en las direcciones ~u =
(1, 0) y ~u = (0, 1).
Ejemplo 1.1. Sea f (x, y) = x2 + xy + y 2 . Calcular las derivadas parciales respecto a ambas
variables en el punto p~ = (2, 3). Además calcular la derivada direccional en la dirección
~u = (−2, 1) en el mismo punto.
∂f f (2, 3 + h) − f (2, 3)
(2, 3) = lim
∂y h→0 h
2 + (2) ∗ (3 + h) + (3 + h)2 − (22 + 2 ∗ 3 + 32 )
2
= lim
h→0 h
4 + 6 + 2h + 9 + 6h + h2 − 4 − 6 − 9
= lim
h→0 h
2
h + 8h
= lim
h→0 h
=8
CHAPTER 2. DERIVACIÓN 33
Esta forma de calcular derivadas parciales y direccionales es ineficiente, más adelante veremos
formas mejores de hacer esto.
Definición 1.3. Sea f : R2 → R una función de dos variables. Si las derivadas parciales fx
y fy existen en un punto (a, b), tenemos la siguiente ecuación de un plano que contiene al
punto (a, b):
z = f (a, b) + fx (a, b)(x − a) + fy (a, b)(y − b).
El plano anterior será tangente a la superficie definida por la función f en algunos casos
(no siempre). Cuando este plano sea tangente a la superficie diremos que la función es
diferenciable en el punto (a, b). A continuación damos una definición rigurosa de esto
Definición 1.4. Sea f una función de dos variables (x, y). Diremos que la función es difer-
enciable en el punto (a, b) si
El lı́mite anterior dice que cuando nos acercamos al punto (a, b) el plano z = f (a, b) +
fx (a, b)(x − a) + fy (a, b)(y − b) y la superficie z = f (x, y) son casi indistinguibles el uno del
otro.
Para funciones de más variables este lı́mite es inmenso. Lo que haremos es escribir todo de
manera vectorial, para eso definimos el gradiente de una función:
Definición 1.5. Sea f una función de dos variables (x, y). El gradiente de la función f se
denota ∇f y es el vector que tiene como componentes las derivadas parciales de f respecto
CHAPTER 2. DERIVACIÓN 34
El gradiente puede ser evaluado en un punto (a, b): ∇f (a, b) = (fx (a, b), fy (a, b)).
Usando el gradiente podemos definir qué significa que una función de muchas variables sea
diferenciable sin escribir demasiado:
Acá ~h es un vector de Rn que tiende al vector ~0, ∇f (~p) · ~h es un producto punto y ||~h|| es la
norma de ~h.
Ejemplo 1.2. Sea f (x, y) = x2 + xy + y 2 . Probar que f es diferenciable en el punto (2, 3).
Antes de trabajar con este lı́mite necesitamos las derivadas parciales fx (2, 3) y fy (2, 3), que
son justamente las que calculamos en el ejemplo 1.1. Tenemos entonces
(2 + h1 )2 + (2 + h1 ) ∗ (3 + h2 ) + (3 + h2 )2 − 22 − 2 ∗ 3 − 32 − 7h1 − 8h2
lim p
(h1 ,h2 )→((0,0) h21 + h22
4 + 4h1 + h21 + 6 + 3h1 + 2h2 + h1 h2 + 9 + 6h2 + h22 − 4 − 6 − 9 − 7h1 − 8h2
= lim p
(h1 ,h2 )→((0,0) h21 + h22
h21 + h1 h2 + +h22
= lim p
(h1 ,h2 )→((0,0) h21 + h22
siones grandes y calcular lı́mites en una o varias variables. A continuación veremos algunos
teoremas que facilitan este tipo de cálculos en algunos casos (no todos).
Tenemos que
∂f ∂f
fx = = 2x + y y fy = = x + 2y.
∂x ∂y
Luego fx (2, 3) = 2 ∗ 2 + 3 = 7 y fy (2, 3) = 2 + 2 ∗ 3 = 8. Comparen este procedimiento con
el realizado en el ejemplo 1.1.
De manera que
D~u f (2, 3) = (7, 8) · (−2, 1) = (7) ∗ (−2) + (8) ∗ (1) = −14 + 8 = −6.
CHAPTER 2. DERIVACIÓN 36
Estos teoremas son muy útiles en la mayorı́a de los casos, pero hay situaciones especiales
donde no funcionan y debemos recurrir a las definiciones, como en el siguiente ejemplo.
Para calcular las derivadas parciales, direccionales o verificar diferenciabilidad de esta función
en cualquier punto diferente de (0, 0), sı́ se pueden utilizar los teoremas. Si queremos calcu-
lar las derivadas parciales, direccionales y verificar diferenciabilidad justo en (0, 0), debemos
recurrir a las definiciones y calcular los lı́mites. Les queda como ejercicio.
Hasta el momento solo hemos trabajado con funciones que toman valores en R, es decir,
funciones que tienen una sola componente. La generalización a funciones de más componentes
es sencilla:
f~ = (f1 , · · · , fm ).
Notemos que la definición anterior implica que m lı́mites diferentes deben ser iguales a cero.
Todos estos lı́mites se puede combinar en uno solo si se escriben de manera matricial. Con
este propósito hacemos la siguiente definición:
Con la matriz Jacobiana podemos escribir de manera compacta qué significa ser diferenciable
para uno función de varias componentes:
CHAPTER 2. DERIVACIÓN 37
2 Regla de la Cadena
Recordemos como funciona la regla de la cadena en el curso de cálculo diferencial. Supong-
amos que tenemos dos funciones f, g : R → R. La compuesta f ◦ g está definida por
g f
R R R
f ◦g
La regla de la cadena sirve para calcular la derivada de funciones compuestas y está dada
por la siguiente fórmula (escribimos la fórmula en las dos notaciones más frecuentes):
df df dg
(f ◦ g)0 (x) = f 0 (g(x))g(x), = .
dx dg dx
Para funciones de varias variables y varias componentes la regla de la cadena sigue siendo
cierta, con la diferencia de que las derivadas involucradas ya no son números sino matri-
ces. Inicialmente notemos que para componer funciones necesitamos que las funciones sean
compatibles. Supongamos que tenemos funciones
~g f~
n m k
R R R Rl
~g f~
n m k
R R 6= R Rl
Para poder hacer la composición f~ ◦ ~g necesitamos entonces que el codominio de ~g sea igual
al dominio de f~
CHAPTER 2. DERIVACIÓN 38
~g f~
Rn Rm Rl
f~ ◦ ~g
El producto que aparece en la fórmula anterior es un producto de matrices, veamos que los
tamaños de las matrices son compatibles
De manera que en la regla de la cadena, los tamaños de las matrices cumplen la condición
de compatibilidad necesaria para poder multiplicar
h i h i
D(f~ ◦ ~g )(~x) = Df~(~g (~x)) [D~g (~x)]m×n
l×n l×m
g f
R2 R1 R3
f ◦g
4x3 y 6 6x4 y 5
2x2 y 3
2t
Df (t) = cos(t) Df (g(x, y)) = Df (x2 y 3 ) = cos(x2 y 3 )
2 3
et 3×1
ex y 3×1
g f
R R2 R
f ◦g
CHAPTER 2. DERIVACIÓN 40
dz ∂z dx ∂z dy
= + (2.1)
dt ∂x dt ∂y dt
∂z ∂z
Para utilizar la expresión anterior recuerden que ∂x
y ∂y
deben ser evaluadas en la función
interna.
3 +5xy+y 3
Ejemplo 2.2. Sean g(t) = (x(t), y(t)) = (2 cos(t), 2 sin(t)) y z = f (x, y) = x 10
. Calcu-
∂z ∂z
lamos la derivada de la función compuesta, empezamos calculando ∂x y ∂y :
∂z 3x2 + 5y ∂z 5x + 3y 2
= , =
∂x 10 ∂y 10
Evaluamos las derivadas parciales en g(t), es decir, reemplazamos x(t) = 2 cos(t) y y(t) =
2 sin(t):
∂z 12 cos2 (t) + 10 sin(t) ∂z 10 cos(t) + 12 sin2 (t)
= , = .
∂x 10 ∂y 10
dx dy
Luego calculamos dt
y dt
dx dy
= −2 sin(t), = 2 cos(t).
dt dt
Finalmente tenemos la derivada
dz ∂z dx ∂z dy
= +
dt ∂x dt ∂y dt
2
12 cos (t) + 10 sin(t) 10 cos(t) + 12 sin2 (t)
= (−2 sin(t)) + (2 cos(t))
10 10
Proposición 2.2. Sean g : R2 → R2 y f : R2 → R funciones diferenciables tales que
Finally we get
∂z ∂z ∂x ∂z ∂y ∂z ∂z ∂x ∂z ∂y
= + , = + (2.2)
∂s ∂x ∂s ∂y ∂s ∂t ∂x ∂t ∂y ∂t
Ejemplo 2.3. Sean z = ex sin(y), x = st2 y y = s2 t.
Pregunta: Dada una descripción implı́cita de un conjunto, ¿se puede encontrar una
descripción explı́cita? Es decir, si un conjunto está definido como conjunto de nivel, ¿puedo
encontrar una función cuya gráfica sea ese conjunto?
Ahora bien, aunque la esfera completa no puede ser descrita de manera explı́cita, hay trozos
de ella que sı́ son gráficas de funciones. En la figura se puede ver que al rededor del polo
norte N~ existe un parche (un trozo de esfera) que sı́ puede ser descrito de manera explı́cita
CHAPTER 2. DERIVACIÓN 42
ya que cualquier recta vertical corta el parche en un solo punto. Esto también es cierto para
el punto P~ . Sin embargo, vemos que para cualquier parche al rededor del punto Q ~ la prueba
de la recta vertical indica que ese parche no es la gráfica de una función, sin importar que
tan pequeño sea el parche.
Con la esfera es fácil determinar cuales son los puntos problemáticos, precisamente aquellos
que están en el ecuador (los que tienen coordenada z = 0). En general, hacer este tipo de
razonamiento gráfico es más difı́cil o imposible, ası́ que necesitamos otra forma de detectar
los puntos problemáticos. Esos puntos son precisamente aquellos donde el plano tangente a
la superficie es paralelo al eje z, en otras palabras, los puntos que satisfacen ∂f
∂z
= 0.
El ejemplo anterior muestra que en algunos casos el problema de encontrar una descripción
explı́cita de un conjunto de nivel puede resolverse localmente al rededor de ciertos puntos del
conjunto. El teorema de la función implı́cita nos proporciona un método para detectar los
puntos al rededor de los cuales se puede encontrar una descripción explı́cita, y ademas una
fórmula para calcular la derivada de la función que describe explı́citamente el conjunto.
Las primeras n columnas contienen las derivadas parciales de f~ respecto a las primeras
n variables ~x =h (xi1 , · · · , xn ), por tal razón denotaremos la submatriz formada por estas
~
columnas como ∂∂~fx . Similarmente, la matriz formada por las últimas m columnas será
h ~ i m×n
denotada por ∂∂~fy . Con esta notación tenemos
m×m
"" # " # #
∂ f~ ∂ f~
Df~ =
∂~x ∂~y
m×n m×m
Evaluamos la derivada en el punto que nos interesa, es decir el punto (~a, ~b) y nos enfocamos
en la matriz formada por las últimas m columnas
" #
∂ f~ ~
(~a, b) .
∂~y
m×m
La matriz anterior es cuadrada, por lo tanto es posible que sea invertible. En caso de que la
matriz sı́ sea invertible, el conjunto S puede ser descrito de manera explı́cita al rededor del
punto (~a, ~b). En otras palabras, existe una función ~g : A ⊂ Rn → Rm cuyas variables son
~x = (x1 , · · · , xn ) y cuyas componentes son ~y = (y1 , · · · , ym ), es decir
Noten que la conclusión es que las últimas m variables ~y se pueden escribir como función de
las n primeras ~x, en particular tenemos que ~g (~a) = ~b. Más aún, los puntos de la gráfica de ~g
son puntos de S, es decir que se satisface la ecuación
(y1 , · · · , ym ) no pueden escribirse como función de las (x1 , · · · , xn ), es decir que no existe
dicha función ~g y el conjunto S no puede ser descrito de manera explı́cita al rededor del
punto (~a, ~b).
x + y − eu + ev = 0, x2 + y 2 − u − v = 2.
F~ (x, y, u, v) = (x + y − eu + ev , x2 + y 2 − u − v).
1 + (−1) − e0 + e0 = 0, 12 + (−1)2 − 0 − 0 = 2.
1 1 −eu ev
DF~ =
2x 2y −1 −1
Las columnas rojas contienen las derivadas de F~ respecto a las variables x y y y las azules
contienen las derivadas respecto a las variables u y v. Como nos interesa despejar a u y v en
términos de x y y nos enfocamos en las columnas azules:
" #
∂ F~ −eu ev
=
∂(u, v) −1 −1
Evaluamos la matriz en el punto que nos interesa (x, y, u, v) = (1, −1, 0, 0), de donde obten-
emos la matriz " #
∂ F~
−1 1
(1, −1, 0, 0) =
∂(u, v) −1 −1
Para saber si la matriz es invertible calculamos el determinante
−1 1
det = (−1)(−1) − (−1)(1) = 2 6= 0.
−1 −1
CHAPTER 2. DERIVACIÓN 45
Esta función satisface que u(1, −1) = 0 y v(1, −1) = 0, es decir ~g (1, −1) = (0, 0). Si queremos
calcular la derivada de la función ~g usamos la fórmula 3.1:
−1
−eu ev
1 1
D~g = −
−1 −1 2x 2y
−1 − 2(1)e0 −1 − 2(−1)e0
−1 1 −3 1
D~g (1, −1) = 0 =−
e + e0 1 − 2(1)e0 1 − 2(−1)e0 2 −1 3
Ya que las componentes de ~g son precisamente u y v, las entradas de la derivada D~g son las
derivadas parciales de u y v respecto a x y y, es decir,
" #
∂u ∂u
−1) −1)
∂x
(1, ∂y
(1, 1 −3 1
D~g (1, −1) = ∂v ∂v =−
∂x
(1, −1) ∂y (1, −1) 2 −1 3
De lo anterior tenemos
∂u 3 ∂u 1 ∂v 1 ∂v 3
(1, −1) = , (1, −1) = − , (1, −1) = , (1, −1) = − .
∂x 2 ∂y 2 ∂x 2 ∂y 2
Supongamos ahora que en el ejemplo anterior nos hubieran preguntado si es posible escribir
las variables x y v en términos de y y u. En ese caso lo que cambia en la solución es en
cuales columnas de la derivada DF~ nos enfocamos. Las variables x y v corresponden a las
columnas 1 y 4 respecivamente:
1 1 −eu ev
DF~ =
2x 2y −1 −1
CHAPTER 2. DERIVACIÓN 46
4 Optimización
En esta sección trabajamos con funciones de una sola componente, es decir, funciones f :
A ⊂ Rn → R.
Los puntos extremos de una función son los puntos de máximo o mı́nimo de la función.
Nuestro objetivo en esta sección es aprender a detectar puntos extremos de una función.
Para esto necesitamos la noción de punto crı́tico
Definición 4.2. Los puntos crı́ticos de una función f son los puntos donde ∇f = ~0 y los
puntos donde por lo menos una de las derivadas parciales no existe.
El teorema anterior dice que si queremos buscar los puntos extremos de una función en un
conjunto abierto, los candidatos son los puntos crı́ticos de la función. Es decir que debemos
resolver el sistema de ecuaciones ∇f = ~0 y además encontrar los puntos donde no exista
al menos una de las derivadas parciales. Una vez tengamos los puntos crı́ticos debemos
determinar si son máximos, mı́nimos o ninguna de los dos opciones. Para esto utilizamos la
matriz Hessiana de la función.
Definición 4.3. Si para la función f (x1 , · · · , xn ) existen todas las derivadas parciales de
2f
segundo orden, la matriz Hessiana de f es la matriz que tiene la derivada ∂x∂i ∂x j
en la posición
CHAPTER 2. DERIVACIÓN 47
Teorema 4.2. Sea f : R2 → R una función con segundas derivadas parciales continuas.
Supongamos que (a, b) es un punto crı́tico de f y definimos
En el caso en que D > 0 aún tenemos que decidir si el punto es máximo o mı́nimo, para eso
utilizamos fxx (a, b):
Si fxx (a, b) > 0, la función es cóncava hacia arriba, lo que implica que (a, b) es un
mı́nimo.
Si fxx (a, b) < 0, la función es cóncava hacia abajo, lo que implica que (a, b) es un
máximo.
Ejemplo 4.1. Hallaremos los máximos, mı́nimos y puntos de silla de la función f (x, y) =
x4 + y 4 − 4xy + 1. Empezamos calculando ∇f :
4x3 − 4y =0
4y 3 − 4x =0
CHAPTER 2. DERIVACIÓN 48
Las soluciones de este sistema son los puntos crı́ticos de la función. Dividiendo todo por 4 y
pasando lo que esta restando a sumar obtenemos
x3 =y (4.1)
3
y =x (4.2)
Ahora calculamos la matriz Hessiana, para esto debemos calcular las segundas derivadas de
la función:
fx (x, y) = 4x3 − 4y
∂ ∂
∂x ∂y
fy (x, y) = 4y 3 − 4x
∂ ∂
∂x ∂y
12x2 −4
fxx (x, y) fyx (x, y)
Hf (x, y) = =
fxy (x, y) fyy (x, y) −4 12y 2
Debemos evaluar D(x, y) en cada punto crı́tico, si el determinante es positivo debemos además
evaluar fxx (x, y):
Para el punto (0, 0) tenemos D(0, 0) = −16 < 0. Por lo tanto este es un punto de silla
(no es máximo ni mı́nimo).
CHAPTER 2. DERIVACIÓN 49
Para el punto (−1, −1) tenemos D(−1, −1) = 144 > 0, es decir que tenemos un máximo
o un mı́nimo. Evaluando fxx (−1, −1) = 12 > 0, lo que indica que en este punto la
función es cóncava hacia arriba y el punto es un mı́nimo.
Para el punto (1, 1) encontramos D(1, 1) = 144 > 0 y fxx (1, 1) = 16 > 0, es decir que
este punto también es un mı́nimo.
Noten que el criterio de la matriz Hessiana no garantiza que los máximos o mı́nimos encon-
trados sean absolutos, solamente podemos garantizar que son locales. Resulta que no todas
las funciones tienen máximo o mı́nimo absoluto, sin embargo, bajo ciertas condiciones, se
puede garantizar que existen. El teorema del valor extremo habla de esas condiciones. Antes
de enunciar el teorema necesitamos la noción de compacidad:
Para hallar los puntos crı́ticos en el interior de K utilizamos el método descrito al comienzo
ce la sección (resolvemos el sistema ∇f = 0). Para encontrar puntos crı́ticos en la frontera
necesitamos una herramienta adicional, multiplicadores de Lagrange:
∇f (x1 , · · · , xn ) = λ∇g(x1 , · · · , xn )
g(x1 , · · · , xn ) = c
En el sistema anterior, λ es una variable real más, de manera que tenemos n + 1 variables y
n + 1 ecuaciones. Las soluciones de este sistema son los candidatos a ser máximos o mı́nimos
de la función f .
Ejemplo 4.2. Encontraremos los máximos y los mı́nimos absolutos de la función f (x, y) =
x2 +2y 2 en el interior del disco con centro en el origen y radio 1. En el dibujo se puede apreciar
que el mı́nimo de la función está en el origen y los máximos están en los puntos (0, −1) y (0, 1).
Vamos a verificar esto usando los métodos descritos en esta sección. Inicialmente buscamos
los puntos crı́ticos en el interior del disco, para eso resolvemos el sistema de ecuaciones
∇f (x, y) = (2x, 4y) = (0, 0). La solución de este sistema es obvia, x = 0 y y = 0, lo cual nos
indica que el origen es un punto crı́tico. Ahora bien, para determinar si es máximo a mı́nimo
usamos la matriz Hessiana:
de donde la matriz es
fxx (x, y) fyx (x, y) 2 0
Hf (x, y) = =
fxy (x, y) fyy (x, y) 0 4
El determinante es D = 8 > 0, por lo tanto (0, 0) sı́ es un punto extremo (máximo o mı́nimo).
Además fxx (0, 0) = 2 > 0, lo que indica que la función es cóncava hacia arriba en el origen
y tenemos un punto mı́nimo.
Nota: Si el punto crı́tico obtenido no está en el conjunto que nos interesa simplemente lo
ignoramos. En este caso el punto crı́tico claramente está dentro del disco de radio 1.
Ahora buscamos los puntos extremos en la frontera del disco unitario, es decir que tenemos
la restricción x2 + y 2 = 1. Sea g(x, y) = x2 + y 2 . Según el teorema de multiplicadores de
Lagrange, debemos resolver el sistema de ecuaciones ∇f = λ∇g junto con la restricción
g(x, y) = 1. Tenemos
2x =2λx (4.3)
4y =2λy (4.4)
x2 + y 2 =1 (4.5)
La ecuación (4.3) es equivalente a 2(1 − λ)x = 0, de manera que tenemos dos posibilidades
x = 0 o λ = 1.
En conclusión, (0, 0) es el mı́nimo absoluto. Los puntos (0, 1) y (0, −1) son máximos ab-
solutos. Los puntos (−1, 0) y (1, 0) son mı́nimos absolutos solo en la frontera del disco; al
considerar el disco completo estos puntos no son puntos extremos (ni mı́nimos ni máximos).
5 Coordenadas Curvilineas
Definición 5.1. Sea f~ : A ⊂ R3 → R3 una función inyectiva y de clase C 1 (por lo menos).
Supongamos que f tiene variables u, v, w y componentes x, y, z, es decir
Ejemplo 5.1. Sea A = {(ρ, θ, z) ρ ∈ (0, ∞), θ ∈ [0, 2π), z ∈ R}. Definimos F~ : A ⊂ R3 →
R3 por
F~ (ρ, θ, z) = (ρ cos θ, ρ sin θ, z) = (x, y, z).
En este caso decimos que (ρ, θ, z) son las coordenadas cilı́ndricas de (x, y, z).
Ejemplo 5.2. Sea A = {(r, θ, φ) r ∈ (0, ∞), θ ∈ [0, 2π), φ ∈ [0, π]}. Definimos F~ : A ⊂
R3 → R3 por
F~ (r, θ, z) = (r cos θ sin φ, r sin θ sin φ, r cos φ) = (x, y, z).
En este caso decimos que (r, θ, φ) son las coordenadas esféricas de (x, y, z).
u2 − v 2
F~ (u, v, z) = , uv, z = (x, y, z).
2
En este caso decimos que (u, v, z) son las coordenadas cilı́ndricas-parabólicas de (x, y, z).
Si se tiene un sistema de coordenadas curvilı́neas, f~(u, v, w) = (x, y, z), este sistema define
unas direcciones básicas en las cuales podemos movernos. Estas direcciones están determi-
nadas por las derivadas parciales respecto a cada una de las variables.
∂ F~ ∂ F~ ∂ F~
(ρ, θ, z) = (cos θ, sin θ, 0) , (ρ, θ, z) = (−ρ sin θ, ρ cos θ, 0) , (ρ, θ, z) = (0, 0, 1) .
∂ρ ∂θ ∂z
Estos vectores forman una base tangente del sistema de coordenadas. Las magnitudes de
estos vectores son llamadas factores de escala. En este ejemplo tenemos que los factores de
escala son respectivamente 1, ρ y 1. Frecuentemente es conveniente trabajar con vectores
unitarios, ası́ que normalizamos (dividimos por las magnitudes) estos vectores para obtener
la base tangente unitaria del sistema de coordenadas. Los vectores de esta base se denotan
~eρ , ~eθ , ~ez respectivamente. En este caso son
(cos θ sin φ, sin θ sin φ, cos φ), (−r sin θ sin φ, r cos θ sin φ, 0), (r cos θ cos φ, r sin θ cos φ, −r sin φ).
Los factores de escala son respectivamente 1, r sin φ y r. De manera que los vectores tangentes
unitarios son
tenemos unos vectores tangentes en las direcciones en que aumentan las variables. Estos
vectores se obtienen derivando parcialmente respecto a cada variable
Si los factores de escala son diferentes de cero, podemos normalizar los vectores obteniendo
ası́ los vectores de la base tangente unitaria que denotamos por ~e:
1 ~ 1 ~ 1 ~
~eu = fu , ~ev = fv , ~ew = fw .
||f~u || ||f~v || ||f~w ||
Frecuentemente será de interés conocer si estos vectores son ortogonales entre sı́, para eso se
CHAPTER 2. DERIVACIÓN 54
Todo sistema de coordenadas en R3 tiene unas superficies y lı́neas asociadas. En los sistemas
usuales estas son bien conocidas:
CHAPTER 2. DERIVACIÓN 55
4 − v2
3
S= , 2v, z ∈ R v ≥ 0, z ∈ R .
2
Esta superficie es un cilindro cuya generatriz es una parábola y cuya directriz es el eje
z.
CHAPTER 2. DERIVACIÓN 56
4 − v2
3
, 2v, 1 ∈ R v ≥ 0
2
Cambios de Base
F~ = (F1 , F2 , F3 ) = F1 î + F2 ĵ + F3 k̂,
donde {î, ĵ, k̂} es la base canónica de R3 . Como vimos anteriormente, siempre que tenemos
un cambio de coordenadas f (u, v, w) tenemos otra base {~eu , ~ev , ~ew }. Los problemas que
queremos resolver son los siguientes:
Problema 1: Dado un campo vectorial escrito respecto a la base canónica {î, ĵ, k̂}, ¿cómo
se puede escribir este mismo campo respecto a la base {~eu , ~ev , ~ew }?.
Problema 2: Dado un campo vectorial escrito respecto a la base {~eu , ~ev , ~ew }, ¿cómo se
puede escribir este mismo campo respecto a la base canónica {î, ĵ, k̂}?.
y que la base tangente unitaria del nuevo sistema de coordenadas es ortogonal. El primer
paso es reemplazar las variables x, y y z por sus correspondientes valores en el nuevo sistema
de coordenadas. De esta manera obtenemos
A continuación construimos una matriz cuyas filas son los vectores de la nueva base
~eu −→
~ev −→
~ew −→ 3×3
Esta matriz es llamada la matriz de cambio de la base canónica a la base {~eu , ~ev , ~ew }. Para
obtener el campo vectorial en la nueva base multiplicamos la matriz por el campo vectorial
en la base canónica (escrito como columna). Es decir
~eu −→ F1 (f~(u, v, w))
~ev −→ F2 (f~(u, v, w))
~ew −→ 3×3 F3 (f~(u, v, w))
3×1
Queremos escribir este campo vectorial en coordenadas esféricas respecto a la base esférica
unitaria. Primero recordemos como es el cambio a coordenadas esféricas:
Lo anterior quiere decir que el campo vectorial en la base ésferica unitaria es simplemente
GM m
F~ (r, θ, φ) = − 2 ~er .
r
Si queremos ir de la base {~eu , ~ev , ~ew } a la base canónica, debemos multiplicar por la matriz
obtenida al poner los vectores {~eu , ~ev , ~ew } como columnas
~eu ~ev ~ew
↓ ↓ ↓ 3×3
Esta matriz es la matriz de cambio de la base {~eu , ~ev , ~ew } a la base canónica {î, ĵ, k̂}.
A continuación resolvemos el ejercicio 3a del taller.
cos θ − sin θ 0
sin θ cos θ 0
0 0 1
CHAPTER 2. DERIVACIÓN 59
Esto significa que el campo vectorial en coordenadas cilı́ndricas respecto a la base canónica
es
F~ (ρ, θ, z) = (ρ cos θ − ρ sin θ)î + (ρ sin θ + ρ cos θ)ĵ + 0k̂
Para convertir a coordenadas cartesianas recordamos que
x = ρ cos θ, y = ρ sin θ,
En resumen tenemos:
Para cambiar de la base canónica a la base cilı́ndrica multiplicamos por la matriz
cos θ sin θ 0
− sin θ cos θ 0
0 0 1
cos θ − sin θ 0
sin θ cos θ 0
0 0 1
Para cambiar de la base esférica ala base canónica multiplicamos por la matriz
6 Operadores Diferenciales
Acá definimos los operadores diferenciales gradiente, divergencia, rotacional y laplaciano.
Empezaremos con algo de notación
Por otro lado, el conjunto de todas las funciones F~ : A → Rn de clase C r se denota Xr (A),
es decir
Xr (A) = {F~ : A → Rn F~ es de clase C r }
La mayorı́a de ejemplos que veremos serán con campos escalares y vectoriales definidos en
R3 , es decir que trabajaremos principalmente con C r (R3 ) y Xr (R3 ).
Notemos que el gradiente toma campos escalares y los convierte en campos vectoriales de
clase 1 menor, es decir
Grad : C r (A) → Xr−1 (A)
CHAPTER 2. DERIVACIÓN 61
Notemos que la divergencia toma campos vectoriales y los convierte en campos escalares de
clase 1 menor, es decir
div : Xr (A) → C r−1 (A)
Notemos que el rotacional toma campos vectoriales y los convierte en otros campos vectoriales
de clase 1 menor, es decir
rot : Xr (A) → Xr−1 (A)
∂ 2f ∂ 2f
∇2 f = + ··· +
∂x1 ∂x1 ∂xn ∂xn
∂ 2f ∂ 2f ∂ 2f ∂ 2f ∂ 2f
∇2 f = + ∇2 f = + +
∂x∂x ∂y∂y ∂x∂x ∂y∂y ∂z∂z
Notemos que el laplaciano toma campos escalares y los convierte en otros campos escalares
CHAPTER 2. DERIVACIÓN 62
Cada uno de los operadores anteriores tiene interpretación geométrica (que pondré luego con
todo el detalle).
f (ρ, θ, z)
y un campo vectorial
F~ = F1~eρ + F2~eθ + F3~ez
en coordenadas y base cilı́ndricas. Entonces el gradiente es
∂f 1 ∂f ∂f
Gradf = ∇f = ~eρ + ~eθ + ~ez
∂ρ ρ ∂θ ∂z
La divergencia es
1 ∂ ∂F2 ∂
divF~ = (ρF1 ) + + (ρF3 )
ρ ∂ρ ∂θ ∂z
El rotacional es
~e ρ~e ~e
ρ θ z
1 ∂
rotF~ = ∂ρ ∂
∂θ
∂
∂z
ρ
F1 ρF2 F3
El laplaciano es
1 ∂ 2f ∂ 2f
2 1 ∂ ∂f
∇f= ρ + +
ρ ∂ρ ∂ρ ρ2 ∂θ2 ∂z 2
f (r, θ, φ)
y un campo vectorial
F~ = F1~er + F2~eθ + F3~eφ
en coordenadas y base esféricas. Entonces el gradiente es
∂f 1 ∂f 1 ∂f
Gradf = ∇f = ~er + ~eθ + ~eφ
∂r r sin φ ∂θ r ∂φ
CHAPTER 2. DERIVACIÓN 63
La divergencia es
1 1 ∂ 2 1 ∂F2 1 ∂
divF~ = (r F1 ) + + (sin φF3 )
r r ∂r sin φ ∂θ sin φ ∂φ
El rotacional es
~e r sin φ~e r~e
r θ φ
−1 ∂
rotF~ = 2 ∂r ∂
∂θ
∂
∂φ
r sin φ
F1 r sin φF2 rF3
El laplaciano es
∂ 2f
2 1 ∂ 2 ∂f 1 1 ∂ ∂f
∇f= 2 r + 2 2 2
+ 2 sin φ
r ∂r ∂r r sin φ ∂θ r sin φ ∂φ ∂φ