Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Universidad Tecnolo
Teora
An
alisis Matem
atico II
Damian Silvestre
17 de diciembre de 2013
Resumen
Este es un apunte teorico cuyo proposito es ser de utilidad a
los alumnos que esten cursando la materia Analisis Matematico II.
Est
a dirigida
El mismo puede ser descargado desde el blog http://analisis2.wordpress.com.
Se trata de un trabajo en proceso, es decir que no esta terminado,
y adem
as no pretende sustituir la bibliografa, solo complementarla.
Cualquier error, comentario o sugerencia que pueda mejorar estas
notas ser
an bien recibidas. Pueden escribirme en la seccion Teora en
dicho blog (preferentemente), o a mi direccion de correo electronico
dsilvestre@frba.utn.edu.ar.
Historial de versiones:
(Versi
on 1) 24 de Mayo de 2013: Primera version.
(Versi
on 2) 17 de Agosto de 2013: Correcciones varias. Se agradece
la lectura del apunte al profesor Victor Carnevali.
(Versi
on 3) 17 de Diciembre de 2013: Varios cambios. Mejore el
formato del documento utilizando el paquete de LATEX amsthm.
Agregue el metodo de variacion de parametros y la demostracion
cartesiana de que las lineas de campo son ortogonales a las lineas
equipotenciales en R2 . Agrupe las formulas de masa, momentos
y centro en un par de tablas.
Indice
1. Nociones previas
1.1. Conjuntos . . . . . . . . .
1.2. Subconjuntos . . . . . . .
1.3. Igualdad de conjuntos . .
1.4. Operaciones con conjuntos
1.5. Producto cartesiano . . .
1.6. Cardinal . . . . . . . . . .
1.7. Relaciones . . . . . . . . .
1.8. Funciones . . . . . . . . .
1.9. Estructuras algebraicas .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
4
4
5
5
5
6
6
6
8
10
.
.
.
.
.
.
.
.
.
.
.
.
.
.
12
12
13
13
14
15
17
18
3. Nociones de Topologa
3.1. Espacio eucldeo . . . . . . . . . . . . . . . . .
3.2. Entorno . . . . . . . . . . . . . . . . . . . . . .
3.3. Clasificaci
on topologica de puntos de Rn . . . .
3.4. Clasificaci
on topologica de subconjuntos de Rn
3.5. Conjunto acotado . . . . . . . . . . . . . . . . .
3.6. Conjunto conexo . . . . . . . . . . . . . . . . .
3.6.1. Conjunto arco-conexo . . . . . . . . . .
3.6.2. Conjunto conexo por poligonales . . . .
3.6.3. Conjunto convexo . . . . . . . . . . . .
3.6.4. Conjunto smplemente conexo . . . . . .
3.7. Clasificaci
on de funciones . . . . . . . . . . . .
3.8. Conjuntos de nivel . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
21
21
21
22
23
23
23
24
25
25
26
26
27
4. Lmite y Continuidad
4.1. Lmite . . . . . . . . . . . . . . . . . . . . .
4.1.1. Como probar que un lmite no existe
4.1.2. Como probar que un lmite existe . .
4.2. Continuidad . . . . . . . . . . . . . . . . . .
4.2.1. Propiedades de funciones contnuas .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
27
27
28
29
30
31
.
.
.
.
.
.
.
.
.
.
5. Derivabilidad
5.1. Derivada de funcion vectorial . . . . . . . . . . . . . .
5.1.1. Interpretacion geometrica . . . . . . . . . . . .
5.2. Derivadas parciales, direccionales, y respecto a un vector
5.2.1. Propiedad de homogeneidad . . . . . . . . . . .
5.2.2. Derivadas parciales sucesivas . . . . . . . . . .
5.2.3. Teorema de Schwarz . . . . . . . . . . . . . . .
5.2.4. Funci
on clase C 1 . . . . . . . . . . . . . . . . .
5.3. Curvas y Superficies . . . . . . . . . . . . . . . . . . .
32
32
32
33
35
37
37
38
39
6. Diferenciabilidad
6.1. Definici
on de funcion diferenciable . . . . . . . .
6.2. Diferenciabilidad implica Derivabilidad . . . . . .
6.3. Diferenciabilidad implica Continuidad . . . . . .
6.4. Gradiente . . . . . . . . . . . . . . . . . . . . . .
6.5. El gradiente es normal al conjunto de nivel . . .
6.6. Direcciones de derivada maxima, mnima y nula .
6.7. C 1 implica diferenciable . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
40
43
43
45
46
46
47
49
.
.
.
.
.
.
.
.
.
.
.
.
49
49
50
50
51
.
.
.
.
.
52
52
53
54
56
60
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
62
62
63
63
64
65
10.Integrales M
ultiples
10.1. Teorema de Fubini en R2 . . . . . . . . . . . . . . .
10.2. Teorema de cambio de variables . . . . . . . . . . . .
10.3. Coordenadas cartesianas y polares en R2 . . . . . . .
10.4. Coordenadas cartesianas, cilndricas y esfericas en R3
68
72
72
72
74
.
.
.
.
67
67
76
76
77
78
12.C
alculo de Masa, momentos, y centro
79
82
83
83
83
85
85
87
89
92
95
1.
1.1.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Nociones previas
Conjuntos
Definici
on 1. Un conjunto1 es una colecci
on de objetos. Un elemento puede pertenecer o no a un conjunto.
Ejemplo 1. Algunos ejemplos de conjuntos son
1. A = {casa, arbol, vaca}
2. B = {x R : x 23}
3. C = {2, 4, 77}
4. D = {1, 1}
1
Al definir un conjunto como una coleccion, tengo que definir que es una coleccion. En
realidad no vamos a definir un conjunto, sino que los vamos a manejar de manera intuitiva
como una agrupaci
on de objetos.
1.2.
Subconjuntos
Definici
on 2. Si todos los elementos de un conjunto B pertenecen
tambien a otro conjunto A, decimos que el primero es un subconjunto
del segundo, y denotamos dicha relaci
on por B A
Siguiendo con el ejemplo: D B
1.3.
Igualdad de conjuntos
Definici
on 3. Si A B y B A decimos que A = B.
1.4.
Definici
on 4. La uni
on de dos conjuntos A y B, se denota A B,
y es el conjunto cuyos elementos pertenecen a A o a B o a ambos.
La intersecci
on de dos conjuntos A y B, se denota A B, y es el
conjunto de elementos que pertenecen tanto a A como a B
La diferencia de dos conjuntos A y B, se denota A B, y es el
conjunto de los elementos de A que no est
an en el conjunto B.
Si interpretamos un conjunto A como subconjunto de otro conjunto U
dado (universal), la diferencia U A la denominamos complemento
de A y lo denotamos por Ac ,
Ejemplo 2. Algunos ejemplos de operaciones entre conjuntos
E =AB
F = B C = {2, 4}
B C = {x R : (x 23) (x 6= 2) (x 6= 4)}
Considerando D B tenemos Dc = {x R : x 23 x 6=
1 x 6= 1} = {x B : x 6= 1 x 6= 1}
1.5.
Producto cartesiano
Definici
on 5. Dados dos conjuntos A y B, el conjunto de todos los
pares ordenados (a, b) con a A y b B, se lo llama producto cartesiano de A con B, y se lo denota A B.
Siguiendo con el ejemplo:
1.6.
Cardinal
Definici
on 6. Si un conjunto A tiene una cantidad finita de elementos, decimos que es un conjunto finito, y llamamos cardinal a la
cantidad de elementos que posee. En caso contrario decimos que es un
conjunto infinito.
Lo denotamos por |A| o por #A
Ejemplo 3. Siguiendo con nuestros ejemplos
|A| = 3
|C D| = 5
|B| =
#R =
1.7.
Relaciones
Definici
on 7. Una relaci
on entre un conjunto A y otro conjunto
B es smplemente un subconjunto del producto cartesiano A B. Si
(x, y) R lo denotamos xRy.
0 = {0 + 3k : k Z}
1 = {1 + 3k : k Z}
2 = {2 + 3k : k Z}
Uniendo todas las clases de equivalencias, obtenemos el conjunto completo
Z=012
Definici
on 10. Una relaci
on R de A en s mismo que es reflexiva,
antisimetrica y transitiva, se dice que es una relaci
on de orden, y
se suele denotar .
Ejemplo 6. Por ejemplo en Z la relaci
on xRy sii x|y (x divide a y)
es una relaci
on de orden.
Definici
on 11. Si es una relaci
on de orden en A, y si x, y A,
entonces decimos que x e y son comparables si se cumple que x
y o bien que y x. En caso contrario decimos que x e y son no
comparables.
Ejemplo 7. Por ejemplo, si en Z tomamos la relaci
on x y sii x|y,
entonces 3 y 5 son elementos no comparables, pues 3 6 |5 y 5 6 |3.
Definici
on 12. Una relaci
on de orden en la que x y o y x para
todo x, y A se dice que es una relaci
on de orden total.
Es decir que un orden total es una relacion de orden en la que todo
par de elementos es comparable.
Ejemplo 8. Por ejemplo, en R la relaci
on xRy sii x y es una
relaci
on de orden total.
Definici
on 13. Sea una relaci
on de orden en A, y sea x A.
Entonces
si y x implica que y = x, decimos que x es un elemento
maximal de A.
si y x implica que y = x, decimos que x es un elemento
minimal de A.
si x y para todo y A, decimos que x es el m
aximo de A.
si x y para todo y A, decimos que x es el mnimo de A.
1.8.
Funciones
Definici
on 14. Una relaci
on R entre A y B se dice que es una
relaci
on funcional si cumple que
1. Para todo a A existe b B tal que (a, b) R. Es decir todo
elemnto del dominio se relaciona con uno del codominio.
f :A B
f (casa)
f (arbol)
21
f (arbol)
21
f (vaca)
12
Definici
on 16. Se denomina conjunto imagen de la funci
on f al
conjunto
f (A) = {b B : a A tal que f (a) = b}
Si X A llamamos imagen de X por f al conjunto
f (X) = {b B : x X tal que f (x) = b}
Si Y B llamamos preim
agen de Y por f al conjunto
f 1 (Y ) = {a A : f (a) Y }
Observamos que en ning
un momento en la definicion de funcion se requiere tener una expresi
on tipo f
ormula para calcular los elementos de
la imagen. Comprender esto es importante para los temas de derivada de funci
on definida implcitamente por una ecuacion, y ecuaciones
diferenciales, que vienen luego en la materia.
Definici
on 17. Sean f : A B y g : B C dos funciones. Observar
que existe una u
nica funci
on h : A C tal que h(x) = g(f (x)).
Decimos que h es la funci
on compuesta de f con g y la denotamos
h = g f.
1.9.
Estructuras algebraicas
Definici
on 18. Un grupo es un conjunto G con una funci
on :
G G G tal que
1. Es asociativa, para todo a, b, c G se tiene (a b) c = a (b g)
2. Existe elemento neutro e G tal que e g = g e = g (para todo
g G)
3. Existe elemento inverso g 1 G para cada g G de forma tal
que g g 1 = g 1 g = e
Si adem
as cumple ser conmutativa, es decir que para todo a, b G
se tiene a b = b a, se dice que es un grupo abeliano o conmutativo
y se suele usar la notaci
on aditiva (+ para la funci
on, a para el
inverso).
Un monoide, es como la definici
on de grupo, pero s
olo satisface 1. y
2. (no requiere 3, es decir no requiere inversos)
Ejemplo 10. (Z, +) y (R {0}, ) son grupos conmutativos.
(R22 , ) es un monoide (no conmutativo), donde R22 representa las
matrices de 2 2 con coeficientes reales, y es la multiplicaci
on de
matrices.
Definici
on 19. Un anillo es un conjunto R con dos funciones + :
R R R y : R R R, tales que
1. (R, +) es grupo conmutativo.
2. (R, ) es un monoide.
3. La multiplicaci
on se distribuye sobre la suma, es decir dados
a, b, c R se tiene a (b + c) = ab + ac y (b + c) a = ba + ca
10
Si adem
as resulta que la multiplicaci
on es conmutativa, se dice que es
un anillo conmutativo.
Ejemplo 11. Algunos ejemplos de anillos
1. (R22 , +, ) es un anillo no conmutativo.
2. (Z, +, ) es un anillo conmutativo.
Definici
on 20. Un cuerpo es un conjunto K con dos funciones + :
K K K, y : K K K tales que (K, +, ) es un anillo
conmutativo y adem
as (K {0}, ) es grupo conmutativo.
Ejemplo 12. Algunos ejemplos de cuerpos
(Q, +, )
(R, +, )
(C, +, )
Observar que (Z, +, ) no es un cuerpo, en particular 2 no tiene inverso
multiplicativo en Z.
Definici
on 21. Un espacio vectorial es un conjunto V y un cuerpo
K con una funci
on + : V V V y una funci
on : K V V tal
que
1. (V, +) es grupo conmutativo.
2. 1 v = v para todo v V
3. a(bv) = (ab)v para todo a, b K y v V
4. k(v + w) = kv + kw para todo k K y v, w V
5. (k + q)v = kv + qv para todo k, q K y v V
Ejemplo 13. V = (Rn , +, R, ) es un espacio vectorial. Es el principal
espacio vectorial con el que trabajamos en esta materia.
Definici
on 22. Un espacio con producto interno es un espacio
vectorial V sobre el cuerpo K (que debe ser R o C) y con una funci
on
h, i : V V K tal que para todo u, u0 , v V y K se tiene
1. hu + u0 , vi = hu, vi + hu0 , vi
11
2. hu, vi = hu, vi
3. hu, vi = hv, ui
4. hv, vi > 0 si v 6= 0
Ejemplo 14. En Rn podemos definir el producto interno usual como
uv =
n
X
ui vi = u1 v1 + u2 v2 + . . . + un vn
i=1
2.
2.1.
Definici
on 23. Una ecuaci
on diferencial (ED) es una ecuaci
on en
la que intervienen una o m
as variables independientes, una variable
dependiente y sus derivadas hasta un cierto orden.
Se las clasifica como EDO o EDP de la siguiente forma:
Si interviene m
as de una variable independiente, se dice que es
una ecuaci
on diferencial a derivadas parciales (EDP).
Si s
olo interviene una variable independiente, se dice que es una
ecuaci
on diferencial ordinaria (EDO).
En este curso s
olo vamos a trabajar con ecuaciones diferenciales
ordinarias. Las mismas pueden expresarse genericamente como
F (x, y, y 0 , y 00 , . . . , y (n) ) = 0
Llamamos orden de una EDO al orden de la derivada de mayor
orden que interviene en la ecuaci
on diferencial.
Ejemplo 15. y 00 + 8xy 0 13y = 1 es una EDO de 2o orden.
12
2.2.
Grado
Definici
on 24. Decimos que una EDO tiene forma polin
omica si
la podemos expresar de la siguiente forma:
pn (x)(y (n) )an + . . . + p1 (x)(y 0 )a1 + p0 (x)y a0 = q(x)
donde an , . . . , a0 N
En dicho caso, el grado de la EDO es el del exponente de la derivada
de mayor orden.
Por ejemplo, (y 000 )2 + y 00 + (y 0 )3 = x tiene grado 2.
2.3.
Definici
on 25. Una soluci
on de una EDO es una funci
on que satisface dicha ecuaci
on.
Podemos clasificar tres grupos de soluciones
1. La soluci
on general (SG) de una EDO, es una familia de funciones que verifican la EDO y que posee tantas constantes arbitrarias como el orden de la EDO.
Simb
olicamente la podemos expresar como
F (x, y, c1 , . . . , cn ) = 0
2. Una soluci
on particular (SP) es una funci
on que verifica la
EDO y que se puede obtener asignando valores a las constantes
arbitrarias de la SG.
3. Una soluci
on singular (SS) es una funci
on que verifica la EDO
pero no se deduce de la SG asignando valores a sus constantes.
Ejemplo 16. En el siguiente gr
afico representamos las soluciones de
la ecuaci
on diferencial xy 0 = y + x cos2 (y/x), y resaltamos en azul la
soluci
on particular que satisface y(1) = 4
13
p(x)
q(y)
Z
q(y)dy =
p(x)dx + C
14
2.5. Ecuaci
on Diferencial Ordinaria Lineal de
o
1 Orden
Definici
on 27. Una ecuaci
on diferencial se dice que es una ecuaci
on
diferencial lineal de orden n si se puede expresar de la forma
y (n) + an1 y n1 + . . . + a1 (x)y 0 + a0 (x)y = g(x)
Si g(x) 0 es la funci
on constante 0, se dice que la EDO es lineal
homog
enea.
Un caso particular es la ecuacion diferencial lineal de 1o orden
Definici
on 28. Una ecuaci
on diferencial se dice lineal de 1er orden
se puede expresar como
y 0 + p(x)y = q(x)
Proposici
on 2.1. Dada la ecuaci
on diferencial lineal de 1o orden
y 0 + p(x)y = q(x)
Su soluci
on general es
y=e
p(x)dx
Z
q(x)e
p(x)dx
dx + Ce
p(x)dx
Demostraci
on. Hay varios metodos de resolucion para una EDO lineal
de 1o orden.
Uno f
acil es el siguiente: empezamos por realizar la sustitucion
y = uv
con lo cual nos queda
y 0 = u0 v + uv 0
15
reemplazamos
u0 v + uv 0 + p(x)uv = q(x)
Ahora sacar factor com
un v (o u, la relacion es en principio simetrica)
v[u0 + p(x)u] + uv 0 = q(x)
Imponemos la condici
on de que lo que multiplica a v sea cero
u0 + p(x)u = 0
Nos queda una EDO en u de variables separables
Z
du
=
u
Z
p(x)dx
p(x)dx
p(x)dx 0
v = q(x)
Y nos qued
o una EDO en v de variables separables, la resolvemos
Z
Z
dv =
q(x)e
p(x)dx
dx
q(x)e
p(x)dx
16
dx + C
y=e
p(x)dx
Z
q(x)e
p(x)dx
dx + Ce
p(x)dx
Como se podr
a imaginar, no es sencillo recordar dichar formula, es
por eso que se aconseja en cambio recordar el metodo de resolucion,
es decir recordar sustituir y = uv y hacer los mismos pasos.
2.6.
Familias de curvas
Definici
on 29. Dada una ecuaci
on en la que interviene una variable
independiente, una variable dependiente, y n constantes arbitrarias
c1 , . . . , cn R, llamamos familia de curvas (de orden n) a las curvas que se obtienen de asignarle valores a las constantes arbitrarias.
Simb
olicamente la podemos expresar una familia de curvas de la forma
F (x, y, c1 , . . . , cn ) = 0
Cuando encontramos la SG de una EDO E de orden n, la misma viene
expresada por una familia de curvas F de orden n.
Las funciones que son solucion, quedan expresadas por una ecuacion
que define a y implcitamente en funcion de x.
No siempre es posible o conveniente explicitar dichas funciones.
Recprocamente, dada una familia de curvas F de orden n, podemos
buscar una EDO E de orden n tal que dicha familia sea su SG.
17
2.6.1.
Definici
on 30. Sean C1 y C2 en R2 dos curvas que se cortan en
A = (x0 , y0 ), es decir tal que A C1 C2 . Decimos que C1 y C2
son curvas ortogonales en A si admiten vector tangente en dicho
punto, y los mismos son ortogonales (o equivalentemente, si admiten
rectas tangentes en dicho punto, y las mismas son ortogonales).
Es decir, si g1 : [a, b] R2 y g2 : [c, d] R2 son parametrizaciones
regulares de C1 y C2 respectivamente, tal que g1 (t1 ) = g2 (t2 ) = A,
entonces g10 (t1 ) g20 (t2 ) = 0
Dos familias de curvas F1 y F2 se dicen familias de curvas ortogonales, si para toda C1 F1 , C2 F2 , resultan ser curvas ortogonales
para todo punto de intersecci
on A C1 C2 .
Los siguientes gr
aficos representan familias de curvas ortogonales.
18
Proposici
on 2.2. Dos familias de curvas F1 , F2 son ortogonales sii
sus respectivas ecuaciones diferenciales E1 , E2 est
an relacionadas por
la ecuaci
on
y20 =
1
y10
Demostraci
on. (Enfoque Cartesiano)
Sabemos que si tenemos dos rectas que pasan por (x0 , y0 ) de ecuaciones
y1 y0 = m1 (x x0 )
y2 y0 = m2 (x x0 )
entonces las mismas son ortogonales sii m2 = 1/m1 .
Sean las curvas C1 F1 , C2 F2 de ecuacion
y1 = y1 (x)
y2 = y2 (x)
Las mismas admiten recta tangente en (x0 , y0 )
y = y1 (x0 ) + m1 (x x0 )
|{z}
y10 (x0 )
y = y2 (x0 ) + m2 (x x0 )
|{z}
y20 (x0 )
19
Demostraci
on. (Enfoque parametrico)
Dadas las curvas C1 F1 , C2 F2 de ecuaciones
y = y1 (x)
y = y2 (x)
Las podemos parametrizar como
g1 (t) = (t, y1 (t))
g2 (t) = (t, y2 (t))
Luego podemos encontrar vectores tangentes a cada una derivando
g10 (t) = (1, y10 (t))
g20 (t) = (1, y20 (t))
y estos son ortogonales sii su producto escalar es cero
g10 (t) g20 (t) = 0
(1, y10 (t)) (1, y20 (t)) = 0
1 + y10 (t)y20 (t) = 0
Finalmente,
y20 (t) = y01(t)
1
20
3.
3.1.
Nociones de Topologa
Espacio eucldeo
Definici
on 31. Llamamos espacio eucldeo, a un espacio vectorial
sobre R con un producto interno.
Definici
on 32. Definimos el producto interno usual de Rn (o
producto escalar) de la siguiente manera: dados v, w Rn , su producto
interno usual es
~v w
~ = v 1 w1 + v 2 w2 + . . . + v n wn
El espacio eucldeo en el que vamos a trabajar en esta materia es
Rn con el producto interno usual. De ahora en mas cada vez que se
mencione Rn lo vamos a pensar como un espacio eucldeo.
El producto interno nos permite definir las nociones de norma de un
vector, distancia entre dos vectores, y angulo entre dos vectores, como
mostramos a continuaci
on
Definici
on 33. Dado v Rn , definimos su norma como
q
p
(w1 v1 )2 + (w2 v2 )2 + . . . + (wn vn )2
y su
angulo como
cos() =
3.2.
~v w
~
||~v || ||w||
~
Entorno
Definici
on 34. Dados x Rn y r > 0
21
3.3.
Clasificaci
on topol
ogica de puntos de Rn
Definici
on 35. Sea A Rn , y x Rn , entonces decimos que x
respecto de A es
Punto interior: Si existe E(x, ) A.
Punto exterior: Si existe E(x, ) Rn A. Equivalentemente
E(x, ) A = .
Punto frontera: Si no es punto interior ni exterior. Es decir
que para todo > 0 se tiene E(x, )A 6= y E(x, )(Rn A) 6=
22
3.4. Clasificaci
on topol
ogica de subconjuntos
n
de R
Definici
on 37. Sea A Rn , decimos que A es un conjunto
Abierto: Si A = A . Es decir si todos los puntos del conjunto son
interiores.
Cerrado: Si A = A. Es decir si todos los puntos de clausura
pertenecen al conjunto. Equivalentemente
El conjunto contiene a todos sus puntos frontera.
El conjunto contiene a todos sus puntos de acumulaci
on.
El complemento del conjunto es abierto.
Observaci
on 3.2. Un conjunto puede no ser ni abierto ni cerrado.
Por ejemplo [0, 1) R.
Adem
as un conjunto puede ser abierto y cerrado a la vez. Por ejemplo
y Rn .
3.5.
Conjunto acotado
Definici
on 38. Un conjunto A Rn se dice que es un conjunto
acotado si el mismo est
a contenido en alg
un entorno del origen, es
decir si A E(0, r) para alg
un r > 0.
3.6.
Conjunto conexo
23
Definici
on 39. Una escisi
on de un conjunto X Rn son dos conjuntos disjuntos abiertos A, B tales que X A B. Decimos que la
misma es no trivial si A X 6= y B X 6= .
Un conjunto X Rn es un conjunto conexo si no admite escisiones
no triviales.
En caso contrario decimos que es disconexo.
Ejemplo 17. Para ejemplificar esta parte vamos a utilizar estos tres
conjuntos
A = Rn
B = S 1 = {(x, y) R2 : x2 + y 2 = 1}
C = D2 (4, 4) = {(x, y) R2 : (x 4)2 + (y 4)2 1}
Los tres conjuntos A, B y C son conjuntos conexos.
En cambio D = B C es disconexo, pues si X = E((0, 0), 2)) y
Y = E((4, 4), 2) se tiene X e Y abiertos, y disjuntos, D X Y ,
X D 6= , Y D 6= , luego se trata de una escisi
on no trivial y el
conjunto D es disconexo.
3.6.1.
Conjunto arco-conexo
Definici
on 40. Si a, b Rn , un camino de a a b es una funci
on
: [0, 1] Rn contnua, tal que (0) = a y (1) = b
Por ejemplo, si a, b Rn el camino recto entre a y b es la funcion
: [0, 1] Rn tal que
(t) = ta + (1 t)b
La imagen de dicho camino es el segmento de recta
[a, b] = {ta + (1 t)b : t [0, 1]}
Definici
on 41. Un conjunto A Rn se dice que es un conjunto
arco-conexo si para todos los a, b A existe un camino que une a
con b dentro del conjunto, es decir tal que ([0, 1]) A.
24
3.6.2.
t [0, 21 ]
t [ 12 , 1]
Definici
on 43. Una poligonal es la yuxtaposici
on de una cantidad
n
k N finita de caminos rectos i : [xi1 , xi ] R con 1 i k.
Definici
on 44. Un conjunto A Rn se dice que es un conjunto
conexo por poligonales si para todo a, b A existe una poligonal
que comienza en a, termina en b, y est
a contenida en A.
Observaci
on 3.4. Una poligonal es un caso particular de un camino.
Por lo tanto si un conjunto es conexo por poligonales, entonces tambien es arco-conexo, pero no vale la vuelta.
Ejemplo 19. En los ejemplos, los conjuntos A y C son conexos por
poligonales, aunque el conjunto B (que es arco-conexo) no es conexo
por poligonales.
3.6.3.
Conjunto convexo
Definici
on 45. Un conjunto A Rn se dice que es un conjunto
convexo si para todo a, b A el camino recto que los une no se sale
del conjunto, es decir [a, b] A.
Observaci
on 3.5. Un camino recto es un caso particular de una
poligonal, por lo tanto un conjunto convexo tambien es conexo por
poligonales.
25
3.6.4.
Esta es la noci
on m
as compleja de conexidad que vemos. Intuitivamente, un conjunto es smplemente conexo si toda curva cerrada simple (curva de Jordan) se puede deformar contnuamentehasta llegar
a un punto. En R2 esto sera equivalente a decir que el conjunto no
tiene ag
ujeros.
M
as formalmente, si denotamos S 1 al crculo unitario de R2 y D2 al
disco unitario de R2 , es decir
S 1 = {(x, y) R2 : x2 + y 2 = 1}
D2 = {(x, y) R2 : x2 + y 2 1}
entonces se tiene la siguiente
Definici
on 46. Un conjunto X es un conjunto smplemente conexo
si es arco-conexo, y adem
as toda funci
on contnua f : S 1 X se
puede extender a una funci
on contnua F : D2 X tal que F restringida a S 1 es f , y tal que la im
agen de F no se sale del conjunto,
es decir F (D2 ) X.
3.7.
Clasificaci
on de funciones
Definici
on 47. Sea f una funci
on de la forma f : A Rn Rm .
Entonces
Si n = m = 1 decimos que f es una funci
on escalar.
Si n = 1 y m > 1 decimos que f es una funci
on vectorial.
Si n > 1 y m = 1 decimos que f es un campo escalar.
Si n > 1 y m > 1 decimos que f es un campo vectorial.
Tiene sentido decir que las funciones mas generales que estudiamos son
los campos vectoriales, y que las otras son casos particulares, y que
la funci
on escalar es la que se estudio en Analisis 1. En esta materia
26
generalizamos a m
as de una dimension tanto en el dominio como el
codominio de las funciones.
3.8.
Conjuntos de nivel
Definici
on 48. Sea f : A Rn R un campo escalar, y sea k R
El conjunto de nivel k de f es la preim
agen de k por f , es decir
Ck (f ) = f 1 (k) = {x A : f (x) = k}
An
alogamente, definimos el conjunto de positividad
Definici
on 49. Sea f : A Rn R un campo escalar.
El conjunto de positividad de f es la preimagen del conjunto de
todos los reales positivos, es decir
C + (f ) = f 1 ((0, +)) = {x A : f (x) > 0}
4.
4.1.
Lmite y Continuidad
Lmite
Definici
on 50. Dado el campo vectorial f : A Rn Rm y x0
punto de acumulaci
on de A, si existe l Rm tal que para todo entorno
E(l, ) existe un entorno reducido E (x0 , ), tal que f (E (x0 , )A)
E(L, ), entonces decimos que el lmite de f cuando x tiende a x0
es l, y lo denotamos escribiendo
lm f (~x) = l
~
xx~0
Observaci
on 4.1. La definici
on anterior es equivalente a la definici
on cl
asica de lmite, que expresa que existe lmite l Rm si para
todo > 0 existe un > 0 tal que para todo x A, si
27
4.1.1.
28
funci
on original exista. Es decir dicha condici
on es necesaria pero no
suficiente. Siempre podra haber otro camino por el cual el lmite de
distinto o no exista. Por lo tanto este criterio sirve para probar que
un lmite no existe, pero no sirve para probar que un lmite exista.
Claro, a no ser que tome por camino a todo A, o a B(x0 , r) A por
ejemplo.
Otra herramienta para determinar cuando un lmite no existe son los
lmites laterales: si estos no coinciden el lmite de la funcion original
no existe.
2
+y )
Ejemplo: Sea f (x, y) = sin(x
. Analizar la existencia de lmite de
x2 +y 2
f en (0, 0).
i
h
2 +y 4 )
lmx0 lmy0 sin(x
2
2
x +y
2
)
= lmx0 sin(x
= 1 = Lyx
x2
i
h
2 +y 4 )
lmy0 lmx0 sin(x
x2 +y 2
= lmy0
sin(y 4 )
y2
= lmy0
4y 3 cos(y 4 )
2y
= lmy0
4y 2 cos(y 4 )
2
= 0 = Lxy
4.1.2.
Una forma que funciona a veces es utilizar el siguiente teorema, familiar desde An
alisis 1
Proposici
on 4.5. Sean f, g, h : A Rn R, y x0 A0 .
Si f = g h con g acotada, es decir g(A) un conjunto acotado, y h
infinitesimo, es decir lmxx0 h(x) = 0 entonces el lmite de f cuando
x x0 existe y es cero, es decir lmxx0 f (x) = 0
Tambien es u
til la siguiente
29
Proposici
on 4.6. Supongamos que existen los lmites lmxx0 g(x) =
l1 y lmxx0 h(x) = l2 .
Entonces si f = g h, se tiene que lmxx0 f (x) = l1 l2 .
Y si f = g h, se tiene que lmxx0 f (x) = l1 l2 .
Otra tecnica que puede servir es la de relizar un cambio de varibles que
2 +y 2 )
reduzca la cantidad de variables. Por ejemplo, si f (x, y) = sin(x
,
x2 +y 2
entonces el lm(x,y)(0,0) f (x, y) = 0, pues realizando la sustitucion
u = x2 + y 2 se tiene que cuando (x, y) (0, 0) entonces u 0
(pues x2 + y 2 es contnua), y por lo tanto el lmite pedido equivale a
=1
lmu0 sin(u)
u
4.2.
Continuidad
Definici
on 52. Dado un campo vectorial f : A Rn Rm , y un
punto x0 A, decimos que f es contnua en x0 si para todo E(f (x0 ), )
existe un E(x0 , ) tal que f (E(x0 , ) A) E(f (x0 ), )
Observaci
on 4.7. La definici
on anterior es equivalente a la definici
on cl
asica de continuidad: Para todo > 0 existe un > 0 tal que
para todo x A, si
||x x0 || <
entonces
||f (x) f (x0 )|| <
Observaci
on 4.8. Tambien es equivalente a la siguiente definici
on:
Si x0 es punto aislado, entonces f es contnua en x0 (basta tomar el
que hace que el punto sea aislado).
De lo contrario, x0 es un punto de acumulaci
on de A, en este caso f
es contnua en x0 sii se cumplen las siguientes
1. Existe f (x0 ) (en realidad esto ya lo estamos pidiendo cuando
decimos x0 A)
2. Existe lm f (x) = l
xx0
3. f (x0 ) = l
30
4.2.1.
31
5.
5.1.
Derivabilidad
Derivada de funci
on vectorial
Definici
on 53. Dada la funci
on vectorial f : A R Rn y t0 A ,
entonces la derivada de f en t0 se define como
f 0 (t0 ) = lm
h0
f (t0 + h) f (t0 )
h
5.1.1.
Interpretaci
on geom
etrica
32
h0
33
Si adem
as v es un versor, es decir si ||v|| = 1, decimos que dicho
lmite es la derivada direccional de f respecto a la direcci
on v.
Si adem
as v es un versor can
onico de Rn , es decir si
(
1 i=j
v = ei = ij =
,
0 i 6= j
decimos que dicho lmite es la derivada parcial de f respecto a xi
Otras notaciones equivalente son
fv0 (x0 ) = f 0 (x0 , v) = Dv f (x0 ) = f
v (x0 )
p
Ejemplo 20. Dada f (x, y) = 3 x2 y 2 . Calculemos las derivadas
parciales de f en (1, 0)
Cuando queremos hacer una derivada parcial, y pensamos las dem
as
variables como constantes, si podemos aplicar la regla de la cadena
de An
alisis 1 (verificar hip
otesis), decimos que estamos aplicando la
regla pr
actica. En este caso
2x
fx0 (x, y) = p
2 3 x2 y 2
2y
fy0 (x, y) = p
2 3 x2 y 2
Luego
fx0 (1, 0) =
1
1
=
31
2
fy0 (1, 0) =
0
=0
31
Podemos interpretar la derivadas direccional respecto a v como la pendiente de una recta tangente a la gr
afica de z = f (x, y) en la direcci
on
de v.
En el siguiente gr
afico se representa la gr
afica de z = f (x, y), y su
recta tangente en (1, 0, f (1, 0)) en la direcci
on de y. Vemos que la
34
recta resulta ser horizontal, lo que concuerda con que fy0 (1, 0) = 0 es
decir que tiene pendiente nula.
Definici
on 56. Dada f : A Rn Rm ,
Decimos que f es derivable respecto a v Rn , sin aclarar el punto,
si lo es para todo x Rn .
Decimos que f es derivable en x0 A , sin aclarar el vector, si lo
es respecto a todo v Rn .
Decimos que f es derivable, sin aclarar ni el punto ni el vector, si
lo es para todo x A y respecto a todo v Rn .
El siguiente teorema es u
til para derivar funciones vectoriales o campos
vectoriales coordenada a coordenada.
Teorema 5.2. Sea f : A Rn Rm con x0 A y v Rn , tal que
f = (f1 , . . . , fm ). Entonces f es derivable en x0 respecto a v si y s
olo
s cada funci
on coordenada es derivable en x0 respecto a v, y en dicho
0 (x ), f 0 (x ), . . . , f 0 (x )).
caso se tiene fv0 (x0 ) = (f1v
0
mv 0
2v 0
5.2.1.
Propiedad de homogeneidad
35
f 0 (x0 , kv) = lm
multiplico y divido por k 6= 0
= k lm
h0
= k lm
Finalmente
= kf 0 (x0 , v)
v
||v|| )
Demostraci
on. Para el primero basta tomar k = 1. Para el segundo
k = ||v||.
36
5.2.2.
Definici
on 57. Sea f : A Rn Rm . Supongamos esta funci
on es
derivable respecto a xi , entonces podemos definir la funci
on derivada
parcial fx0 i : A Rn . Supongamos ahora que esta nueva funci
on es
derivable respecto a xj . Podemos definir entonces la funci
on derivada
segunda parcial
fx00i xj : A Rm
A la misma tambien la llamamos la derivada sucesiva respecto a
xi xj .
An
alogamente, si f es k veces derivable, podemos definir la funci
on
derivada sucesiva respecto a xi1 xi2 . . . xik
fx(k)
i xi
1
...xik
: A Rm
Si est
an definidas las funciones derivadas sucesivas fx00i xj y fx00j xi , decimos que estas son derivadas sucesivas mixtas.
An
alogamente, si f es k veces derivable, y : {1, 2, . . . , k} {1, 2, . . . , k}
(k)
(k)
es una permutaci
on, decimos que fxi1 xi2 ...xik y fxi(1) xi(2) ...xi(k) son
derivadas sucesivas mixtas de orden k.
5.2.3.
Teorema de Schwarz
En palabras sencillas, lo que dice el teorema de Schwarz es que bajo ciertas condiciones, no importa en que orden derivemos va a dar
lo mismo. Es decir que bajo esas condiciones nos garantiza que las
derivadas sucesivas mixtas son iguales.
Teorema 5.5. Sea el campo escalar f : A Rn R, si existen
fx00i xj , fx00j xi y son contnuas en un entorno del punto x0 A entonces
fx00i xj (x0 ) = fx00j xi (x0 )
es decir las derivadas sucesivas mixtas son iguales.
37
No es f
acil encontrar ejemplos de funciones cuyas derivadas sucesivas
mixtas no sean iguales.
En 1873 el matem
atico H.A. Schwarz produjo el siguiente ejemplo
(
x2 arctan(y/x) y 2 arctan(x/y) x 6= 0, y 6= 0
f (x, y) =
0
en otro caso
Para esta funci
on en (0, 0) se tiene que
00
00
fxy
(0, 0) = 1 6= fyx
(0, 0) = +1
5.2.4.
Funci
on clase C 1
Definici
on 58. Si f : A Rn Rm con A abierto, es tal que posee
todas sus derivadas parciales y son contnuas en A, entonces decimos
que f es de clase C 1 y lo denotamos
f C1
Del mismo modo si tiene todas sus derivadas parciales segundas y son
contnuas decimos que f C 2 .
An
alogamente se dice que f C k si sus derivadas parciales de orden
k existen y son contnuas en el abierto A.
Observaci
on 5.6. Si f : A Rn R, f C 2 , para cualquier
x A se cumplen las hip
otesis del teorema 5.5 (de Schwarz), es decir
fx00i xj (x) = fx00j xi (x).
M
as generalmente, si f C k , y : {1, 2, . . . , k} {1, 2, . . . , k} es
una permutaci
on, entonces
fx(k)
i xi
1
...xik
= fx(k)
i
x
...xi(k)
(1) i(2)
38
5.3.
Curvas y Superficies
Definici
on 59. Un subconjunto C Rn decimos que es una curva si
existe una funci
on vectorial contnua g : [0, 1] Rn , tal que g([0, 1]) =
C. A la funci
on g se la llama parametrizaci
on de la curva.
Sea g(t) la parametrizaci
on de una curva, si adem
as g C 1 y existe
0
~
g (t0 ) 6= 0 decimos que x0 = g(t0 ) es un punto regular de la curva C. Si todos los puntos x0 C de la curva son puntos regulares,
decimos que C es una curva regular.
Un subconjunto de R3 decimos que es una superficie si existe un
campo vectorial contnuo g : A R2 R3 , con A conexo, tal que
g(A) = S. A la funci
on g se le dice la parametrizaci
on de la superficie
.
Sea g(u, v) la parametrizaci
on de una superficie, si adem
as g C 1
0
0
y existe gu (u0 , v0 ) gv (u0 , v0 ) 6= 0 decimos que x0 = g(u0 , v0 ) es un
punto regular de la superficie . Si todos los puntos x0 de la
superficie son regulares, decimos que es una superficie regular.
Ejemplo 21. La cicloide es la curva que se genera al hacer girar una
circunferencia de radio a > 0 sobre el eje de las x, como se ilustra en
la siguiente imagen.
39
g : R R2
g(t)
X0 = g(0) = (0, 0)
X1 = g(/2) = a(/2 1, 1)
X2 = g() = a(, 2)
X3 = g(2) = a(2, 0)
Veamos cuales de ellos son regulares
g 0 (0) = a(0, 0)
g 0 (/2) = a(1, 1)
g 0 () = a(2, 0)
g 0 (2) = a(0, 0)
Por lo tanto los puntos X1 y X2 son regulares, y los puntos X0 y
X3 no lo son (se dice que son singulares). Adem
as en X2 el vector
tangente es horizontal, de hecho la recta tangente en dicho punto es
la recta horizontal de ecuaci
on y = 2a
6.
Diferenciabilidad
En An
alisis 1, si una funcion era derivable en un punto, entonces
tambien era contnua en el.
40
En An
alisis 2, nuestra definicion de funcion derivable en un punto,
para funciones de m
as de una variable, es tal que puede ser derivable
en un punto (en toda direccion y sentido), y a
un as no ser contnua
en el.
Hay muchos ejemplos donde esto ocurre, veamos uno sencillo:
(
x2 /y y 6= 0
Dada f (x, y) =
, veamos si es derivable en (0, 0). Sea
0
y=0
v = (a, b), luego
lm
h0
Si b = 0
00
=0
h0
h
lm
Si b 6= 0
lm
h0
h2 a2
hb
0
=
a2
b
Luego la funci
on es derivable en (0, 0) y sus derivadas valen
(
0
a2
b
b 6= 0
b=0
lm
x0 y=x2
x2
= 1 6= 0
x0 x2
f (x, y) = lm
41
f 0 (x0 ) = lm
Pero esto equivale a pedir
h0
42
lm (h) = 0
h0
6.1.
Definici
on de funci
on diferenciable
Definici
on 61. Un campo vectorial f : A Rn Rm se dice que es
una funci
on diferenciable en x0 A si existe una trasnformaci
on
lineal T : Rn Rm y un campo vectorial : B(x0 , ) A Rm tales
que
f (x0 + h) f (x0 ) = T (h) + ||h||(h)
con
lm (h) = 0
h0
A la transformaci
on lineal asociada T la llamamos el diferencial de
f en x0 .
Esta definici
on tiene concecuencias importantes. Veremos algunas de
ellas en las siguientes secciones.
6.2.
43
Y como T (
v ) no depende de k, y como
|k|
k
es acotada y 0, se tiene
f 0 (x0 , v) = T (
v)
Corolario 6.2. Sea un campo vectorial f : A Rn Rm diferenciable en x0 A , y sea T una transformaci
on lineal que cumple lo
pedido, entonces dicha transformaci
on lineal es u
nica, y adem
as
T (ei ) = f 0 (x~0 , ei )
Demostraci
on. Por el teorema anterior f 0 (x~0 , v) = T (
v ). Haciendo
v = ei tenemos f 0 (x~0 , ei ) = T (ei ).
Para ver que la transformacion lineal es u
nica, como {ei }1in es una
n lo puedo escribir en forma u
base de Rn , cualquier vector x
R
nica
Pn
n Rm es
e
,
luego
si
T
:
R
como combinaci
on lineal x =
i=1 i i
P
una transformaci
on lineal debe cumplirPT (x) = ni=1 i T (ei ), y por
n
0
lo visto recien debe cumplir T (x) =
i=1 i f (x0 , ei ), con lo cual
qued
o completamente determinada, es decir la transformacion lineal
es u
nica.
Definici
on 62. Sea f : A Rn Rm diferenciable en x0 A , de
la forma f = (f1 , f2 , . . . , fm ), y sea T : Rn Rm el diferencial de f
en x0 .
Sea [T ] la matriz asociada a la transformaci
on lineal T respecto a las
n
m
bases can
onicas de R y R . La misma se expresa poniendo en sus
columnas los transformados de la base can
onica, es decir las derivadas
parciales de f en x0 , es decir que
44
0
f1,e
1
0
f2,e
1
[T ] =
...
0
fm,e
1
0
f1,e
2
0
f2,e2
...
...
0
f1,e
n
0
f2,e
n
0
fm,e
2
0
. . . fm,e
n
6.3.
h0
O sea
lm f (x0 + h) f (x0 ) = 0
h0
lm f (x0 + h) = f (x0 )
h0
45
lm f (x) = f (x0 )
xx0
6.4.
Gradiente
Definici
on 63. Sea el campo escalar f : A Rn Rm , y x0
A , si existen las derivadas parciales de f en x0 , definimos el vector
gradiente f (x0 ) de f en x0 como el vector cuyas coordenadas son
las derivadas parciales de f en x0 , es decir como
f (x0 ) = (fe0 1 (x0 ), fe0 2 (x0 ), . . . , fe0 n (x0 ))
Observaci
on 6.4. Sea el campo escalar f : A Rn Rm , diferenciable en x0 A , y sea v Rn . El teorema 6.1 nos dice en este caso
que
fv0 (x0 ) = f (x0 ) v
6.5.
el
Observaci
on 6.5. Sea el campo escalar f : A Rn R diferenciable
46
47
Pero
f (x0 ) v = ||f (x0 )|| ||v|| cos()
| {z } |{z} | {z }
cte
=1 [1,1]
donde es el
angulo entre f (x0 ) y v.
Para que dicha derivada sea maxima se requiere cos() = 1, por lo
tanto el valor m
aximo que toma es ||f (x0 )||, y esto ocurre cuando el
f (x0 )
angulo es 0, es decir cuando v = rmax = ||f
(x0 )||
Por la propiedad de homogeneidad, la mnima derivada direccional es
||f (x0 )|| y ocurre en la direccion v = rmin = rmax
Finalmente, supongamos que n = 2, y buscamos las direcciones de
derivada direccional nula, es decir tales que
fv0 (x0 ) = 0 = f (x0 ) v
Es decir estamos buscando los versores normales a f (x0 ).
Dado el vector f (x0 ) = (a, b), una forma facil de encontrar un vector
normal es intercambiar las coordenadas y cambiarle el signo a una.
Luego dividimos por la norma y obtuvimos un versor normal. El otro
es smplemente el opuesto aditivo. Es decir las direcciones de derivada
direccional nula son
vnul1 =
(b, a)
||(a, b)||
y
vnul2 = vnul1
48
6.7.
C 1 implica diferenciable
7.
7.1.
Definici
on 64. Dada una funci
on F : A Rn+1 R, decimos que la
ecuaci
on F (x1 , x2 , . . . , xn , y) = 0 define implcitamente a y como
funci
on de x1 , . . . , xn en B si existe una funci
on f : B Rn R
tal que F (x1 , . . . , xn , f (x1 , . . . , xn )) = 0, para B Ay donde Ay es la
proyecci
on de A sobre x1 , . . . , xn
Ejemplo: F : R3 R, F (x, y, z) = x2 + y 2 z. La ecuacion correspondiente es x2 +y 2 z = 0. Como existe f : R2 R, f (x, y) = x2 +y 2 tal
que F (x, y, f (x, y)) = 0, la ecuacion define implcitamente a z como
funci
on de x, y.
Otro ejemplo: F : R3 R, F (x, y, z) = x2 + y 2 + z 2 1. La ecuacion
correspondiente es x2 + y 2 + z 2 = 1.
Sea D2 = p
{(x, y) R2 : x2 + y 2 1}. Como existe f : D2 R2 R,
f (x, y) = 1 x2 + y 2 tal que F (x, y, f (x, y)) = 0, la ecuacion define
implcitamente a z como funcion de x, y.
Notar que glob
almente la relacion entre x, y y z no es funcional,
pues por ejemplo tanto el (0, 0, 1) como el (0, 0, 1) satisfacen la
49
ecuaci
on, pero f (0, 0) debe tener una u
nica imagen. En particular,
la funci
on definida implcitamente no tiene porque ser u
nica, otra fun2
ci
on definida
p implcitamente por la misma ecuacion es g : D2 R ,
2
2
g(x, y) = 1 x y
7.2.
Teorema de Cauchy-Dini
Fx0 i (P )
Fy0 (P )
7.3.
1
Fy0 (P )
Funci
on Compuesta
Definici
on 65. Sean f : A Rn Rm y g : B Rm Rp tales que
f (A) B.
50
7.4.
Regla de la Cadena
51
8.
8.1.
Sea f : A R2 R, f C 2 , (x0 , y0 ) A.
Sabemos que el diferencial de f en cada punto (x0 , y0 ) A es de la
forma
d2 f(x,y) (u, v) = d(df(x,y) (u, v)) = d(fx0 (x, y)u + fy0 (x, y)v)
00
00
00
00
= fxx
(x, y)u2 + fxy
(x, y)uv + fyx
(x, y)vu + fyy
(x, y)v 2
00
00
00
= fxx
(x, y)u2 + 2fxy
(x, y)uv + fyy
(x, y)v 2
donde en el u
ltimo paso usamos el teorema 5.5 (de Schwarz).
Con esta notaci
on vamos a definir entonces el polinomio de Taylor
Definici
on 66. Sea f : A R2 R, f C 2 , (x0 , y0 ) A.
El polinomio de Taylor de primer grado de f en (x0 , y0 ) es
52
M
as generalmente, si f : A Rn R, f C k , x0 A, y llamando
u = x x0 , el polinomio de Taylor de f de grado k en x0 es
Tk (u) = f (x0 ) + dfx0 (u) +
1 2
1
d fx0 (u) + . . . + dk fx0 (u)
2!
k!
8.2.
M
aximos y mnimos de una funci
on
53
Definici
on 68. Sea f : A Rn R un campo escalar, x0 A,
E = E(x0 , ) un entorno de x0 de radio > 0, y g = f |E , es decir la
funci
on f restringida al entorno E, y sea YE = Im(g) la imagen de
la funci
on as restringida.
Si YE tiene un m
aximo, decimos que es un m
aximo relativo de f
relativo a x0 .
Si YE tiene un mnimo, decimos que es un mnimo relativo de f
relativo a x0 .
Definici
on 69. Llamamos extremos a los m
aximos y mnimos (absolutos y relativos) de f .
Observaci
on 8.1. Las definiciones anteriores las podemos expresar
tambien de la siguiente manera.
Sea el campo escalar f : A Rn R, y x0 A, entonces:
f (x0 ) es el m
aximo absoluto de f si f (x) f (x0 ) para todo x A
f (x0 ) es el mnimo absoluto de f si f (x) f (x0 ) para todo x A
f (x0 ) es m
aximo relativo de f relativo a x0 si f (x) f (x0 ) para
todo x A E(x0 , ) para alg
un > 0
f (x0 ) es mnimo relativo de f relativo a x0 si f (x) f (x0 ) para
todo x A E(x0 , ) para alg
un > 0
Observaci
on 8.2. Todos los extremos se definieron en sentido amplio. La definici
on en sentido estricto es an
aloga pero cambiando
por < y por >, y analizando A {x0 } para extremos absolutos,
y (A {x0 }) E(x0 , ) para extremos relativos.
8.2.1.
54
55
8.2.2.
fx001 x2
fx002 x2
fx00n x2
. . . fx001 xn
. . . fx002 xn
00
. . . fxn xn
Observaci
on 8.4. Por el teorema 5.5 (de Schwarz), la matriz Hessiana debe ser simetrica.
Teorema 8.5. Sea M Rnn una matriz cuadrada y simetrica.
Entonces M tiene autovalores 1 , 2 , . . . , n R, es decir tiene todos
sus autovalores y son reales.
Definici
on 72. Sea M Rnn una matriz cuadrada y simetrica con
coeficientes reales.
Sabemos por el teorema 8.5 que todos sus autovalores 1 , . . . , n son
reales.
Decimos que M es una matriz definida positiva, si todos sus autovalores son positivos, es decir i > 0 para 1 i n.
Decimos que M es una matriz semidefinida positiva, si todos sus
autovalores son no negativos, es decir i 0 para 1 i n.
56
Decimos que M es una matriz definida negativa, si todos sus autovalores son negativos, es decir i < 0 para 1 i n.
Decimos que M es una matriz semidefinida negativa, si todos sus
autovalores son no positivos, es decir i 0 para 1 i n.
Decimos que M es una matriz no definida, si no es definida positiva, ni semidefinida positiva, ni definida negativa, ni semidefinida
negativa. Es decir si tiene autovalores tanto positivos como negativos.
Teorema 8.6. Criterio de Sylvester
Sea M Rnn una matriz cuadrada y simetrica.
Sean las n submatrices Mp = (aij )1i,jp con 1 p n.
A sus determinantes det(Mp ) con 1 p n se los conoce somo sus
menores principales.
El criterio de Sylvester dice que
M es definida positiva sii todos sus menores principales son positivos, es decir det(Mp ) > 0 para 1 p n
M es definida negativa sii sus menores principales son de la
forma det(M1 ) < 0, det(M2 ) > 0, det(M3 ) < 0, . . ., es decir
(1)p det(Mp ) > 0 para 1 p n. Es decir van intercambiando
signo empezando por negativo.
No lo encontre en la bibliografa, y no estoy seguro de si sera cierto,
pero se me ocurre que a lo mejor tambien es cierto lo siguiente:
M es semidefinida positiva sii todos sus menores principales son
no negativos, es decir det(Mp ) 0 para 1 p n
M es semidefinida negativa sii sus menores principales son de
la forma det(M1 ) 0, det(M2 ) 0, det(M3 ) 0, . . ., es decir
(1)p det(Mp ) 0 para 1 p n.
M es no definida sii tiene menores principales tanto positivos
como negativos.
Ahora si enunciamos el criterio de la derivada segunda
57
00 (x ) f 00 (x )
fxx (x0 ) fxy
0
xz 0
00 (x ) f 00 (x ) f 00 (x )
Hf (x0 ) = fyx
0
yy 0
yz 0
00 (x ) f 00 (x ) f 00 (x )
fzx
0
0
zy
zz 0
Calculamos los menores principales de f , es decir los siguientes determinantes (se entiende, todas las funciones evaluadas en x0 )
58
00
H1 = fxx
00
00
fxx fxy
H2 = 00
00
fyx fyy
00
00
00
fxx fxy
fxz
00
00
00
fyz
H3 = fyx fyy
f 00 f 00 f 00
zx
zy
zz
Entonces si H1 , H2 , H3 > 0 la matriz est
a definida positiva, y por lo
tanto f (x0 ) es mnimo relativo.
Y si H1 < 0, H2 > 0, H3 < 0 la matriz est
a definida negativa, y por
lo tanto f (x0 ) es m
aximo relativo.
Si alg
un Hi = 0, el criterio no decide. En cualquier otro caso el punto
(x0 , f (x0 )) es punto silla.
Ejemplo 23. Ahora veamos el caso particular n = 2. Sea f : A
R2 R, f C 2 y x0 A punto crtico de f . Queremos saber si f (x0 )
es extremo relativo. Sea Hf (x0 ) la matriz hessiana de f en x0
Hf (x0 ) =
00 (x ) f 00 (x )
fxx
0
xy 0
00 (x ) f 00 (x )
fyx
0
yy 0
00 (x ) y H = det(Hf (x )).
Los menores principales de f son H1 = fxx
0
2
0
59
8.3.
Extremos condicionados
g(x, y) = 0
gx0 + fx0 = 0
gy0 + fy0 = 0
Para cada punto crtico restringido podemos analizar si es extremo
analizando geometricamente la funcion, o usando el hessiano restringido:
60
0 gx0
gy0
00
00
fxy
H = gx0 fxx
0
00
00
gy fyx fyy
x = 0
+ 2x = 0
2y = 0
El u
nico punto crtico es (, x, y) = (0, 0, 0). Ahora veamos el hessiano
61
0 1 0
H = 1 2 0
0 0 2
Como H3 = 2 < 0 hay mnimo relativo f (0, 0) = 0
Integral de Riemann
Recordemos la definici
on de la integral de Riemann
Definici
on 73. Sea [a, b] R un intervalo compacto, y sea P = {a =
x0 < x1 < . . . < xn = b} una partici
on de [a, b]. Sea f una funci
on
acotada en [a, b].
Notamos
mi =
nf
f (x)
x[xi1 ,xi ]
Mi =
sup
f (x)
x[xi1 ,xi ]
4xi = xi xi1
Las sumas superior e inferior de Riemann son
Sp (f ) =
n
X
Mi 4xi
i=1
sp (f ) =
n
X
i=1
62
mi 4xi
Luego definimos
b
f dx = nf Sp (f )
p part
f dx = sup sp (f )
a
p part
9.2.
Definici
on 74. Una curva C Rn decimos que es regular a trozos
si puede escribirse como C = ki=1 Ci donde cada Ci es una curva
regular, y el extremo final de una coincide con el inicial de la siguiente.
Es decir si cada curva Ci est
a parametrizada por gi : [ai , bi ] Rn ,
entonces gi (bi ) = gi+1 (ai+1 )
Una curva C es simple si admite una parametrizaci
on inyectiva.
Una curva C es cerrada si admite una parametrizaci
on g : [a, b] Rn
tal que g(a) = g(b)
Una curva C se dice cerrada simple, o curva de Jordan, si admite
una parametrizaci
on g : [a, b] Rn tal que es inyectiva en [a, b) y
g(a) = g(b)
9.3.
Integral de lnea
Definici
on 75. Dada una curva C Rn con parametrizaci
on g :
n
n
[a, b] R , y dado un campo escalar f : A R R contnuo, tal
que C A , definimos el diferencial de curva escalar como
63
dc = ||g 0 (t)||dt
y definimos la integral de f sobre C como
b
f (g(t))||g 0 (t)||dt
f dc =
a
Long(C) =
dc =
C
||g 0 (t)||dt
Z
f dc =
f (g(t)) g 0 (t)dt
9.4.
Campos conservativos
64
Definici
on 76. Dado f : A Rn Rn , con A abierto y f C 1 .
Si existe : A Rn R, C 2 , tal que
= f
decimos que f es un campo conservativo, y que es su funci
on
potencial.
Ejemplo 25. No todos los campos vectoriales son conservativos
Por ejemplo f (x, y) = (y, x) no es conservativo. Si lo fuera, como
f C 1 se tendra una C 2 tal que = f , pero en ese caso
sera 0x = y y 0y = x. Se cumplen las hip
otesis del teorema de
Schwarz, por lo tanto 00xy = 00yx con lo cual llegamos a 1 = 1 lo cual
es absurdo, y por lo tanto f no es un campo conservativo.
Es f
acil construir ejemplos de campos conservativos, smplemente elegimos un campo escalar C 2 , y su gradiente es un campo conservativo. Por ejemplo si (x, y) = x2 + y 2 entonces se tiene que
(x, y) = f (x, y) = (2x, 2y) es un campo conservativo, cuya funci
on potencial es .
9.5.
Demostraci
on. Queremos calcular
Z
Z
f dc =
f (g(t)) g 0 (t)dt
65
Como f = se tiene
Z
Z
f dc =
(g(t)) g 0 (t)dt
Z
f dc =
h0 (t)dt
66
Z
f dc = (g(b)) (g(a)) = (g(a)) (g(a)) = 0
C
9.6. Condici
on necesaria para la existencia de
funci
on potencial
Teorema 9.3. Sea f : A Rn Rn conservativo con f C 1 ,
entonces su matriz jacobiana Df es contnua y simetrica.
Dicho de otra forma, si f C 1 tiene matriz jacobiana Df que o bien
no es continua, o bien no es simetrica (o ninguna de las dos), entonces
f no puede ser un campo conservativo.
Demostraci
on. Como f C 1 es claro que su matriz jacobiana debe
ser contnua, pues sus columnas son sus derivadas parciales.
Como f es conservativo, existe : A Rn R, C 2 tal que
= f .
Luego la matriz jacobiana de f debe ser la matriz hessiana de .
Luego por la observaci
on 8.4, la matriz jacobiana de f debe ser simetrica.
9.7. Condici
on de suficiencia para la existencia de funci
on potencial
Teorema 9.4. Sea f : A Rn Rn tal que cumple la condici
on
necesaria para que exista funci
on potencial (es decir tiene Df contnua
y simetrica). Si adem
as A es smplemente conexo, entonces f es conservativo.
Observaci
on 9.5. La condici
on de suficiencia (A smplemente conexo),
junto con la necesaria me garantizan que el campo es conservativo.
67
Pero que no se cumpla que A sea smplemente conexo no me garantiza que el campo f no sea conservativo. Hay funciones que no cumplen
la condici
on de suficiencia y a
un as son conservativos.
Ejemplo 26. Dado A = R2 {(0, 0)}. Cl
aramente A no es smplemente conexo. Ahora definimos
f : A R2
f (x, y)
(2x, 2y)
Existe el siguiente C 2
:A R
(x, y)
x2 + y 2
10.
Integrales M
ultiples
Definici
on 77. Sea f : R R2 R, con R = [a, b] [c, d] y f
acotada.
Sean Px = {a = x0 < x1 < . . . < xn = b} y Py = {c = y0 < y1 <
. . . < ym = d} particiones de [a, b] y [c, d]
Notamos
m(i,j) =
M(i,j) =
nf
f (x, y)
sup
(x,y)[xi1 ,xi ][yj1 ,yj ]
4xi = xi xi1
68
f (x, y)
4yj = yj yj1
Las sumas superior e inferior de Riemann son
Sp (f ) =
m X
n
X
j=1 i=1
sp (f ) =
m X
n
X
j=1 i=1
Luego definimos
ZZ
f dxdy = nf Sp (f )
p part
ZZ
f dxdy = sup sp (f )
p part
si (x, y) A
si (x, y) 6 A
69
ZZ
ZZ
f dxdy =
hdxdy
area(A) =
A
dxdydz
H
Definici
on 80. Una regi
on elemental tipo I de R2 es un subconjunto R R2 de la forma
R = {(x, y) R2 : a x b, f1 (x) y f2 (x)}
Esto tambien lo vamos a escribir como
(
axb
R=
f1 (x) y f2 (x)
An
alogamente, una regi
on elemental tipo II es de la forma
(
ayb
R=
f1 (y) x f2 (y)
En ambos casos f1 , f2 son funciones contnuas en el compacto [a, b].
Una regi
on elemental de R2 , es una regi
on elemental tipo I o bien
tipo II.
Una regi
on elemental tipo I de R3 es un subconjunto R R3 de
la forma
70
a x b
R = f1 (x) y f2 (x)
g1 (x, y) z g2 (x, y)
En total hay 3! = 6 tipos de regiones elementales en R3 , que se corresponden con las permutaciones de las tres variables x, y, z ya que
b
asicamente consiste en ordenar las variables.
De nuevo f1 , f2 , g1 , g2 son funciones contnuas, y por lo tanto acotadas.
Ejemplo 27. En R2 , supongamos que tenemos la regi
on R definida
por
(
0 x 2
R=
cos(x) y 2 + sin(x)
La podemos representar gr
aficamente de la siguiente manera
Esta regi
on R es una regi
on elemental tipo I.
Observaci
on 10.1. Como todas las funciones que definen una regi
on
elemental R son contnuas en un compacto, resultan ser acotadas, por
lo tanto R es un conjunto acotado, y como R es cerrado, resulta que
adem
as R es compacto.
71
Teorema de Fubini en R2
10.1.
El siguiente teorema nos permite calcular ciertas integrales dobles realizando dos integrales simples iteradas.
Teorema 10.2. Sea f : A R2 R contnua, con A regi
on elemen2
tal tipo I, de la forma A = {(x, y) R : a x b, f (x) y g(x)}
entonces
Z
ZZ
g(x)
f (x, y)dy
dx
f (x, y)dxdy =
a
f (x)
Observaci
on 10.3. Si A es una regi
on elemental tipo I y II, entonces
puedo cambiar el orden de integraci
on.
10.2.
Primero lo enunciamos en R2
Teorema 10.4. Sea f : A R2 R contnua, y g : U R2 R2
biyectiva, g C 1 , y (x, y) = g(u, v), y sea A = g(B), entonces
ZZ
ZZ
f (x, y)dxdy =
A=g(B)
ZZZ
ZZZ
f (x, y, z)dxdydz =
A=g(B)
10.3.
72
Definici
on 81. Las coordenadas cartesianas corresponde a la funci
on identidad de R2
g : R2 R2
g(u, v)
(u, v)
Definici
on 82. Las coordenadas polares corresponde al campo vectorial
g : [0, +) [0, 2) R2
g(, )
( cos(), sin())
73
g : R3 R3
g(u, v, w)
(u, v, w)
Definici
on 84. Las coordenadas cilndricas sobre el eje z corresponde a la funci
on
74
g : [0, +) [0, 2) R R3
g(, , z)
( cos(), sin(), z)
75
Calculamos su vol
umen
2
ZZZ
Z
d
dV =
V ol(H) =
Z
0
2
dz =
3
Definici
on 85. Las coordenadas esf
ericas sobre el eje z corresponde a la funci
on
En este caso
|det(Dg)| = 2 sin()
Las superficies coordenadas son esferas centradas en el origen, conos
centrados en el origen sobre el eje z, y semiplanos que parten del eje
z.
11.
11.1.
Definici
on 86. Dada una superficie R3 con parametrizaci
on
g : B R2 R3 , y dado un campo escalar f : A R3 R contnuo,
tal que A , definimos el diferencial de superficie escalar como
76
ZZ
f ds =
B
Definimos el
area de la superficie como la integral de la funci
on
constante 1, es decir
ZZ
ZZ
area() =
ds =
ZZ
f ds =
11.2.
Caso superficie gr
afica de campo escalar
77
11.3.
78
wx0 =
wy0
reemplazando
gx0 gy0 = (
G0x G0x
1
,
, 1) = 0 G
G0z G0z
Gz
ds =
G
dxdy
G0z
ds =
12.
tro
||G||
dxdy
|G0z |
C
alculo de Masa, momentos, y cen-
Veamos algunas f
ormulas para el calculo de masa, momentos y centro,
sobre curvas y regiones planas.
Sea C R2 una curva, y A R2 una region plana.
Sea : R2 R contnua la densidad de masa.
79
Concepto
M : Masa
Mx : Momento estatico
respecto al eje x
My : Momento estatico
respecto al eje y
G: Centro de masa
Ix : Momento de inercia
respecto al eje x
Iy : Momento de inercia
respecto al eje y
Curvas
R
R C dc
C ydc
R
C
xdc
1
MR(My , Mx )
2
C y dc
R
C
x2 dc
Region plana
RR
RR A dxdy
A ydxdy
RR
A xdxdy
M (My , Mx )
RR
2
A y dxdy
RR
Ax
2 dxdy
Ahora en R3 . Veamos algunas formulas para el calculo de masa, momentos y centro, sobre curvas en el espacio, regiones solidas, y supercicies.
Sea C R3 una curva, A R3 una region solida, y R3 una
superficie.
Sea : R3 R contnua la densidad de masa.
80
Concepto
M : Masa
Mxy : Momento est
atico
respecto al plano xy
Mxz : Momento est
atico
respecto al plano xz
Myz : Momento est
atico
respecto al plano yz
G: Centro de masa
Mx : Momento est
atico
respecto al eje x
My : Momento est
atico
respecto al eje y
Mz : Momento est
atico
respecto al eje z
Ixy : Momento de inercia
respecto al plano xy
Ixz : Momento de inercia
respecto al plano xz
Iyz : Momento de inercia
respecto al plano yz
Ix : Momento de inercia
respecto al eje x
Iy : Momento de inercia
respecto al eje y
Iz : Momento de inercia
respecto al eje z
Curvas
R
R C dc
C zdc
Region solida
RRR
RRR A dxdydz
A zdxdydz
Superficie
RR
RR ds
zds
ydc
RRR
A ydxdydz
RR
C xdc
RRR
A xdxdydz
RR
1
yz , Mxz , Mxy )
MR(M
p
y 2 + z 2 dc
C
R
C
x2 + z 2 dc
R p
x2 + y 2 dc
C
RRR
A
x2 + z 2 dxdydz
RRR p
A
x2 + y 2 dxdydz
xds
1
(Myz , Mxz , Mxy )
M
RR p
y 2 + z 2 ds
RR
x2 + z 2 ds
RR p
x2 + y 2 ds
z 2 dc
RRR
Az
2 dxdydz
RR
2 ds
y 2 dc
RRR
Ay
2 dxdydz
RR
2 ds
x2 dc
RRR
2 dxdydz
RR
R
R
R
Ax
2
x ds
+ z 2 )dc
RRR
+ z 2 )dxdydz
RR
+ z 2 )ds
+ z 2 )dc
RRR
+ z 2 )dxdydz
RR
+ z 2 )ds
2
2
C (x + y )dc
RRR
2
2
A (x + y )dxdydz
RR
+ y 2 )ds
R
R
C (y
C (x
1
(M , M , M )
RRRM p yz xz xy
y 2 + z 2 dxdydz
A
yds
A (y
A (x
M
as generalmente:
El momento est
atico respecto a una recta (o plano) es la integral
de la distancia a la recta (o plano) por la densidad de masa.
El momento de inercia respecto a una recta (o plano) es la integral
de la distancia al cuadrado a la recta (o plano) por la densiad de masa.
81
(y
(x
(x
13.
Definici
on 87. Sea f : A R2 R2 , f C 1 , f = (P, Q), entonces
definimos el green de f como
green(f ) = Q0x Py0
El operador nabla corresponde a =
x , y , z
ZZ
f dc =
C + =A
ZZ
f dc =
C + =
rot(f ) ds
82
ZZ
f ds =
div(f )dxdydz
+ =H
13.1.
Definici
on 88. Sea A Rn un conjunto abierto.
Un campo vectorial f : A R3 R3 , f C 1 se dice irrotacional si
rot(f ) = 0
Un campo vectorial f : A R3 R3 , f C 1 se dice solenoidal si
div(f ) = 0
Un campo escalar f : A R3 R, f C 1 se dice arm
onico si
div(grad(f )) = 0
Teorema 13.4. Sea el campo escalar f : A R3 R, f C 2 ,
entonces rot(grad(f )) = 0, es decir los campos de gradientes son irrotacionales.
Sea el campo vectorial f : A R3 R3 con f C 2 , entonces
div(rot(f )) = 0, es decir los campos de rotores son solenoidales.
14.
14.1.
Definici
on 89. Una funci
on f : A Rn Rm se dice homog
enea
de grado k si
F (x) = k F (x)
Definici
on 90. Una ecuaci
on diferencial ordinaria se dice homogenea
si se puede expresar en la forma
83
y 0 = F (x, y)
donde F es una funci
on homog
enea de grado cero, es decir si
F (tx, ty) = F (x, y)
Para resolverla se hace la sustitucion y = zx, donde z depende de
x. Queda una ecuaci
on diferencial de variables separables en z que la
resolvemos, y finalmente volvemos a reemplazar z = xy .
Ahora con m
as detalle, para resolverla hacemos la sustitucion
y = zx
y0 = z0x + z
la reemplazamos en la ecuacion diferencial
z 0 x + z = F (x, zx)
como F es homogenea de grado 0
z 0 x + z = F (1, z)
restamos z de ambos lados
z 0 x = F (1, z) z
separo variables e integro
Z
dz
=
F (1, z) z
dx
+C
x
Esa es la soluci
on general de z, para obtener la solucion general de y
se reemplaza z = xy y listo.
84
14.2.
Ecuaci
on diferencial total exacta
Definici
on 91. Una ecuaci
on diferencial total exacta, es aquella que
se puede expresar como
P (x, y)dx + Q(x, y)dy = 0
con P y Q definidos sobre A R2 smplemente conexo, y tal que
Q0x Py0 = 0.
Para resolverla, empezamos por notar que por la condicion 9.4 (suficiente para la existencia de funcion potencial), sabemos que f = (P, Q)
es conservativo, y por lo tanto existe
: A R2 R
con C 2 y tal que
d(x, y) = P (x, y)dx + Q(x, y)dy
Luego la soluci
on general es de la forma
(x, y) = C
14.2.1.
85
(x) = e
Py0 Q0x
dx
Q
(y) = e
Q0x Py0
P
dy
Demostraci
on. Vamos a ver el caso de factor integrante respecto a y.
Supongamos que exite (y) tal que al multiplicar por la ecuacion diferencial la convierte en total exacta, por lo tanto
(y)P (x, y)dx + (y)Q(x, y)dy = 0
es total exacta, teniendo en cuenta que depende solo de y tenemos
Q0x [0 P + Py0 ] = 0
Q0x 0 P Py0 = 0
(Q0x Py0 ) = 0 P
86
Q0x Py0
0
=
P
Q0 P 0
Como xP y depende s
olo de y, esto es una ecuacion diferencial de
variables separable en , con 0 = d/dy, lo resolvemos
Z
d
=
Q0x Py0
dy
P
(y) = e
Q0x Py0
P
dy
14.3.
Ecuaci
on diferencial lineal de 2o orden
87
y = yh + yp
y 0 = yh0 + yp0
y 00 = yh00 + yp00
Reemplazo en
88
y 00 + ay 0 + by = g(x)
y obtengo
(yh00 + yp00 ) + a(yh0 + yp0 ) + b(yh + yp ) = g(x)
y 00 + ayh0 + byh + yp00 + ayp0 + byp = g(x)
|h
{z
} |
{z
}
0
g(x)
14.3.1.
Resoluci
on de la homog
enea asociada
89
Proposici
on 14.3. Dadas f1 , f2 : A R R, f1 , f2 C 1
Si el wronskiano de f1 y f2 es W 6= 0 entonces {f1 (x), f2 (x)} es LI.
Para resolver la ecuaci
on diferencial homogenea asociada
y 00 + ay 0 + by = 0
primero proponemos como solucion
y = ex
y 0 = ex
y 00 = 2 ex
ahora reemplazamos en la ecuacion homogenea asociada y obtenemos
2 ex + aex + bex = 0
sacamos factor com
un ex
ex [2 + a + b] = 0
y puesto que ex > 0 lo dividimos y obtenemos lo que se llama la
ecuaci
on caracterstica
2 + a + b = 0
Al resolverla puede darse solo uno de tres casos posibles
1o Caso: 1 , 2 reales y distintas. En este caso {e1 x , e2 x } ya es
linealmente independiente, y la SG es
y = c1 e1 x + c2 e2 x
90
y = c1 e1 x + c2 e2 x
y = c1 e(r+si)x + c2 e(rsi)x
y = erx [c1 esix + c2 esix ]
Recordemos la F
ormula de Euler que establece que
eis = cos(s) + i sin(s)
reemplazando en la SG
91
14.3.2.
propongo yp
ux2 + vx + w
ue2x + vex
u cos(2x) + v sin(2x)
92
(x)y10 (x)
(x)y20 (x)
(1)
(2)
derivando la ecuaci
on (1) obtenemos
y 0 = 0 y1 + y10 + 0 y2 + y20
para que se cumpla la ecuacion (2) pedimos
0 y1 + 0 y2 = 0
derivando (2)
y 00 = 0 y10 + y100 + 0 y20 + y200
Reemplazando en la ecuacion diferencial
y 00 + ay 0 + by = g(x)
93
(3)
obtenemos
lo cual impone
(4)
0 y1 + 0 y2 = 0
(5)
0 y10
(6)
0 y20
= g(x)
0
=
y10 y20
0
g(x)
94
y2
y20
y2
y20
y1
0
y 0 g(x)
1
0
=
y1 y2
y 0 y 0
1
2
Luego se integran ambos parametros para encontrar una primitiva de
cada una, y se reemplazan para obtener la solucion particular
y = (x)y1 (x) + (x)y2 (x)
14.4.
Lneas de campo
Definici
on 94. Dado un campo vectorial f : A Rn Rn , f
C 1 , una lnea de campo es una curva regular C A que admite una
parametrizaci
on g : [a, b] Rn tal que
g 0 (t) = f (g(t))
para todo a < t < b
Observaci
on 14.4. En R2 , dada f : A R2 R2 .
Si C es una lnea de campo de f = (P, Q) con la parametrizaci
on
g(t) = (x(t), y(t)), entonces debe cumplir
g 0 (t) = (x0 (t), y 0 (t)) = (P, Q) = f (g(t))
en notaci
on de Leibniz
95
Q
P
Otra forma de pensarlo: las lneas de campo son las curvas que en cada
punto tiene la misma pendiente que el campo (P, Q) que es y/x =
Q/P , por lo tanto satisfacen la ecuaci
on diferencial
y0 =
Q
P
Esto quiere decir que para encontrar la familia de las lneas de campo
de f , basta encontrar la soluci
on general de dicha ecuaci
on diferencial.
Teorema 14.5. Si f : A Rn Rn es un campo conservativo, y
: A Rn R es una funci
on potencial de f , es decir = f ,
entonces las lneas de campo de f son ortogonales a los conjuntos de
nivel de .
Demostraci
on. Consideremos el conjunto de nivel k de
Ck () = {x A : (x) = k}
Sea C1 A una curva includa en Ck () parametrizada por
h : [a, b] Rn
Sea C2 A una lnea de campo del campo f = , parametrizada
por
g : [c, d] Rn
Supongamos que ambas curvas se cruzan en h(t0 ) = g(u0 ) = x0 A
96
y0 =
Q
P
97
(1)
Qdy = P dx
o equivalentemente su ecuacion diferencial es
y0 =
P
Q
(2)
98