gica Nacional

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

2. Ecuaciones diferenciales 1o parte

2.1. Ecuaciones Diferenciables . . . . . . . . . . . . . .
2.2. Grado . . . . . . . . . . . . . . . . . . . . . . . . .
2.3. Soluciones de una EDO . . . . . . . . . . . . . . .
2.4. Ecuaciones Diferenciales de Variables Separables .
2.5. Ecuaci
on Diferencial Ordinaria Lineal de 1o Orden
2.6. Familias de curvas . . . . . . . . . . . . . . . . . .
2.6.1. Familias de curvas ortogonales . . . . . . .

.
.
.
.
.
.
.

.
.
.
.
.
.
.

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

7. Funciones Compuestas e Implcitas

7.1. Funci
on definida implcitamente . .
7.2. Teorema de Cauchy-Dini . . . . . .
7.3. Funci
on Compuesta . . . . . . . .
7.4. Regla de la Cadena . . . . . . . . .

.
.
.
.

.
.
.
.

.
.
.
.

49
49
50
50
51

.
.
.
.
.

52
52
53
54
56
60

.
.
.
.

.
.
.
.

8. Polinomio de Taylor y Extremos

8.1. Polinomio de Taylor . . . . . . . . . .
8.2. M
aximos y mnimos de una funcion . .
8.2.1. Criterio de la derivada primera
8.2.2. Criterio de la derivada segunda
8.3. Extremos condicionados . . . . . . . .

.
.
.
.

.
.
.
.
.

.
.
.
.

.
.
.
.
.

.
.
.
.

.
.
.
.
.

.
.
.
.

.
.
.
.
.

.
.
.
.

.
.
.
.
.

.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

9. Integral de Lnea y Funci

on Potencial
9.1. Integral de Riemann . . . . . . . . . . . . . . . . . . .
9.2. Curva regular a trozos, curva de jordan . . . . . . . .
9.3. Integral de lnea . . . . . . . . . . . . . . . . . . . . .
9.4. Campos conservativos . . . . . . . . . . . . . . . . . .
9.5. Teorema de la independencia del camino . . . . . . . .
9.6. Condici
on necesaria para la existencia de funcion potencial . . . . . . . . . . . . . . . . . . . . . . . . . . .
9.7. Condici
on de suficiencia para la existencia de funcion
potencial . . . . . . . . . . . . . . . . . . . . . . . . . .

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

11.Integrales de Superficie y Flujo

11.1. Definici
on para superficie parametrica . . . . . . . . .
11.2. Caso superficie grafica de campo escalar . . . . . . . .
11.3. Caso superficie definida implcitamente . . . . . . . . .

76
76
77
78

12.C
alculo de Masa, momentos, y centro

79

13.Teoremas de Green, Stokes y Gauss

13.1. Campos irrotacionales, solenoidales, y armonicos . . .

82
83

14.Ecuaciones Diferenciales 2o parte

14.1. Ecuaci
on diferencial ordinaria homogenea . . . .
14.2. Ecuaci
on diferencial total exacta . . . . . . . . .
14.2.1. Convertible a exacta con factor integrante
14.3. Ecuaci
on diferencial lineal de 2o orden . . . . . .
14.3.1. Resolucion de la homogenea asociada . . .
14.3.2. Como encontrar una solucion particular .
14.4. Lneas de campo . . . . . . . . . . . . . . . . . .

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.

El conjunto A se describio por extension, mientras que el conjunto B

por comprensi
on.
Si un elemento pertenece a un conjunto se lo denota con
Siguiendo con el ejemplo: casa A, 11 B.

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.

Operaciones con conjuntos

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:

A D = {(casa, 1), (arbol, 1), (vaca, 1),

(casa, 1), (arbol, 1), (vaca, 1)}

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.

Ejemplo 4. Por ejemplo, una relaci

on de A en D podra ser:
R = {(casa, 1), (arbol, 1), (casa, 1)}
Definici
on 8. Una relaci
on R de A en s mismo se dice que es
reflexiva, si xRx para todo x A
sim
etrica, si xRy implica yRx para todos x, y A
antisim
etrica, si xRy y yRx implica que y = x para todos
x, y A
transitiva, si xRy y yRz implica que xRz para todos x, y, z A
Definici
on 9. Una relaci
on R de A en s mismo que es reflexiva,
simetrica y transitiva, se dice que es una relaci
on de equivalencia,
y se suele denotar .
Si R es una relaci
on de equivalencia en A, dado x A, el conjunto
de los los y A tales que xRy se llama la clase de equivalencia de
x, y se denota
[x] = {y A : yRx}
Ejemplo 5. Por ejemplo, en Z, la relaci
on xRy sii 3|y x es una
relaci
on de equivalencia. Bajo esta relaci
on de equivalencia se tiene
que 5 11, pues 3|(11 5) = 6. Esta relaci
on de equivalencia tiene
tres clases de equivalencias

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.

2. Si (a, b) y (a, c) pertenecen a R, entonces b = c. Es decir que el

elemento con el que se relaciona es u
nico.
Definici
on 15. Dados dos conjuntos A y B, y una relaci
on funcional
R entre ellos, a la terna (A, B, R) se la llama funci
on de A en B,
y se la denota f : A B. Al conjunto A se lo llama dominio de la
funci
on, y al conjunto B codominio.
En vez de escribir (a, b) R se suele escribir b = f (a).
Ejemplo 9. Siguiendo con los mismos conjuntos de los ejemplos anteriores, podemos definir una funci
on

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

donde u = (u1 , . . . , un ) y v = (v1 , . . . , vn ) Rn .

Tambien se lo conoce como producto punto, o producto escalar.
Luego Rn con el producto forma un espacio con producto interno.

2.
2.1.

Ecuaciones diferenciales 1o parte

Ecuaciones Diferenciables

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.

Soluciones de una EDO

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

2.4. Ecuaciones Diferenciales de Variables Separables

Definici
on 26. Una EDO se dice que es de variables separables si
mediante operaciones algebraicas se la puede llevar a la forma
y0 =

p(x)
q(y)

o, usando la notacion de Leibniz

q(y)dy = p(x)dx
Para resolverla, es decir encontrar su SG, basta con integrar ambos
miembros (es decir hallar una primitiva), y agregar una constante
arbitraria en un lado de la igualdad.
Z

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

Buscamos una SP de la misma (no hace falta la constante arbitraria),

obtenemos
u = e

p(x)dx

Ahora reemplazamos la SP de u encontrada en la EDO y nos queda

e

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

Esta vez queremos la SG de v (por eso va la constante arbitraria)

Z
v=

q(x)e

p(x)dx

16

dx + C

Finalmente reemplazamos u y v (no olvidar distribuir el parentesis)

y = uv

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.

Familias de curvas ortogonales

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

y luego las mismas son ortogonales sii se cumple

1
y20 (x0 ) = y0 (x
0)
1

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

||~v || = ~v ~v = v12 + v22 + . . . vn2

y dados v, w Rn , definimos su distancia como

d(v, w) = ||w v|| =

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

Llamamos entorno (o entorno abierto) de centro x0 y radio r al conjunto

E(x, r) = {y Rn : d(x, y) < r}
Llamamos entorno cerrado de centro x0 y radio r al conjunto
E[x, r] = {y Rn : d(x, y) r}
Llamamos entorno reducido de centro x y radio r a
E 0 (x, r) = E(x, r) {x}

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=

Punto clausura (o adherencia): Si existe un entorno tal que

E(x, r) A 6=
Punto de acumulaci
on (o punto lmite): Si para todo entorno
del punto, E(x, r) (A {x}) 6= .
Equivalentemente, si para todo entorno reducido del punto, E 0 (x, r)
A 6=
Punto aislado: Si existe un entorno tal que E(x, r) A = {x}
Definici
on 36. Sea A Rn . Entonces definimos
El interior de A como el conjunto de sus puntos interiores, lo denotamos A

22

La clausura de A como el conjunto de sus puntos de clausura, lo

denotamos A
El conjunto derivado de A como el conjunto de todos sus puntos
de acumulaci
on, lo denotamos A0
Observaci
on 3.1. Dado A Rn , se cumple que A A A.

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

Intuitivamente, un conjunto conexo es aquel formado por una sola

pieza, que no se puede dividir.

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

Ejemplo 18. Siguiendo con el ejemplo, los conjuntos A, B, C son

todos arco-conexos.
Observaci
on 3.3. Todo conjunto arco-conexo es conexo, pero no vale
la vuelta, es decir hay conjuntos conexos que no son arco-conexos.
Definici
on 42. Si es un camino de a a b, y es un camino de b
a c, definimos la yuxtaposici
on de y como el camino :
n
[0, 1] R de a a c definido por
(
(t)
( )(t) =
(2t 1)

3.6.2.

t [0, 21 ]
t [ 12 , 1]

Conjunto conexo por poligonales

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.

Conjunto smplemente conexo

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

0 < ||x x0 || <

entonces
||f (x) l|| < 
Esta definici
on nos interesa solo a nivel teorico, pues en la practica los
ejercicios de lmites los podemos resolver usando las propiedades de
las funciones contnuas.
Para funciones vectoriales y campos vectoriales es u
til el siguiente
teorema:
Teorema 4.2. Sea f : A Rn Rm con funciones coordenadas
f = (f1 , . . . , fm ) y x0 A0 , entonces el lmite lmxx0 f (x) existe si
y s
olo si existen todos los lmites lmxx0 fi (x) = li con 1 i m, y
en dicho caso el lmite de f es lmxx0 f (x) = (l1 , . . . , lm )

4.1.1.

Como probar que un lmite no existe

Primero necesitamos esta

Definici
on 51. Sea A Rn y sea x A0 . Un camino que pasa
por x0 es un subconjunto B A tal que x0 B 0 (es decir el punto x0
es punto de acumulaci
on tambien de B).
Dada una funci
on f , para probar que no existe el lmite cuando x
tiende a x0 , suele resultar muy u
til la siguiente
Proposici
on 4.3. Sea f : A Rn R, si existe el lmite lmxx0 f (x) =
l y si B A es un camino que pasa por x0 , y si g : B Rn R es
la restricci
on de f a B, entonces tambien existe lmxx0 g(x) = l.
Esto nos da un criterio para determinar cuando un lmite no existe:
podemos probar por distintos caminos, y si por alguno de ellos el
lmite no existe, o por dos de ellos existen pero dan valores distintos,
entonces el lmite de la funcion original no existe, ya que de otra forma
debera existir y ser iguales.
Observaci
on 4.4. Aunque pruebe por 727 caminos y todos coincidan en el lmite, esto no alcanza para asegurar que el lmite de la

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

Como Lyx 6= Lxy no existe el lmite pedido.

4.1.2.

Como probar que un lmite existe

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.

Propiedades de funciones contnuas

Las siguientes funciones son contnuas en todo su dominio

Funciones polin
omicas, de cualquier cantidad de variables. Ejem2
plo: x + 3xy + z 3 es una funcion contnua en R3
La funci
on exponencial f (x) = ex es contnua en R
Las funciones trigonometricas sin(x) y cos(x) son contnuas en
R
Proposici
on 4.9. Supongamos que las funciones g, h : A Rn Rm
son contnuas en x0 A.
Entonces son contnuas en x0 las siguientes funciones
f =gh
Si adem
as m = 1, es decir se trata de campos escalares, tiene sentido
multiplicarlos, y es contnua la funci
on
f =gh
y tambien tiene sentido dividirlos en los puntos donde no se anula el
denominador, y en dichos puntos el cociente es una funci
on contnua,
es decir en los puntos donde h(x0 ) 6= 0 es contnua la funci
on
f = g/h
Para analizar la continuidad de una funcion vectorial o de un campo
vectorial, suele ser u
til la siguiente
Observaci
on 4.10. Si f : A Rn Rm tiene funciones coordenadas
f = (f1 , f2 , . . . , fm ) entonces f es contnua en x0 si y solo s cada
componente fi es contnua en x0 para todo 1 i m.
Tambien resulta muy u
til el siguiente
Teorema 4.11. Si f : A Rn Rm es contnua en x0 y g : B
Rm Rp es contnua en y0 = f (x0 ), y si existe la funci
on compuesta
h = g f (es decir f (A) B), entonces h es contnua en x0 .

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

si dicho lmite existe. Sin

o, se dice que f no es derivable en dicho
punto.
Si es derivable en todo el dominio tiene sentido definir la funcion
derivada f 0 (t) que a cada punto t0 le asigna la derivada de la funci
on f . Cuando decimos que f es derivable, sin aclarar el punto, nos
referimos a que es derivable en todo su dominio.
Para calcular la derivada suele ser u
til la siguiente
Observaci
on 5.1. Si f (t) = (f1 (t), f2 (t), . . . , fn (t)) entonces f es
derivable si y s
olo si todas sus funciones coordenadas fi son derivables, y en ese caso el valor de la derivada viene dada por g 0 (t) =
(g10 (t), g20 (t), . . . , gn0 (t))

5.1.1.

Interpretaci
on geom
etrica

Si f : [a, b] Rn es la parametrizacion de una curva C, y si ademas f

es derivable en t0 , entonces f 0 (t0 ) es un vector tangente a dicha curva
en el punto f (t0 ).

32

En este caso tiene sentido la siguiente

Definici
on 54. Sea f : [a, b] Rn parametrizaci
on de una curva C,
y derivable en t0 . Entonces la recta tangente a C en x0 = f (t0 ) es
de ecuaci
on parametrica
x = f (t0 ) + f 0 (t0 )
con R.
Adem
as el plano normal a C en x0 es de ecuaci
on cartesiana
(x f (x0 )) f 0 (t0 ) = 0

5.2. Derivadas parciales, direccionales, y respecto a un vector

Definici
on 55. Sea f : A Rn Rm y x0 A , y sea v Rn .
Entonces definimos la derivada de f en x0 respecto al vector v
como
fv0 (x0 ) = lm

h0

f (x0 + hv) f (x0 )

h

si dicho lmite existe.

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

Llamamos propiedad de homogeneidad de la derivada a la siguiente

proposici
on
Proposici
on 5.3. Si existe la derivada direccional f 0 (x0 , v) y k R,
k 6= 0, entonces

35

f 0 (x0 , kv) = kf 0 (x0 , v)

Demostraci
on. Por definicion
f (x0 + hkv) f (x0 )
h0
h

f 0 (x0 , kv) = lm
multiplico y divido por k 6= 0

= k lm

h0

f (x0 + hkv) f (x0 )

hk

Sustituyo u = hk y cuando h 0 se tiene que u 0, luego

f (x0 + uv) f (x0 )
u0
u

= k lm
Finalmente

= kf 0 (x0 , v)

De la propiedad de homogeneidad se desprende facilmente el siguiente

Corolario 5.4. Sea f derivable en x0 , entonces
f 0 (x0 , v) = f 0 (x0 , v)
f 0 (x0 , v) = ||v||f 0 (x0 , v) (donde v =

v
||v|| )

Demostraci
on. Para el primero basta tomar k = 1. Para el segundo
k = ||v||.

36

5.2.2.

Derivadas parciales sucesivas

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)

Es decir las derivadas sucesivas mixtas de orden k son iguales.

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.

Dicha curva puede parametrizarse por

39

g : R R2
g(t)

a(t sin(t), 1 cos(t))

la cual es derivable en todo su dominio, su derivada es

g 0 (t) = a(1 cos(t), sin(t))
Calculemos algunos puntos de la curva

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

f ((0, 0) + h(a, b)) f (0, 0)

h
f (ha, hb) f (0, 0)
h0
h
lm

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

f ((0, 0), (a, b)) =

a2
b

b 6= 0
b=0

Pero esta funci

on no es contnua en (0, 0) pues f (0, 0) = 0, pero si nos
restringimos al camino y = x2 tenemos

lm

x0 y=x2

x2
= 1 6= 0
x0 x2

f (x, y) = lm

41

Por lo tanto la funci

on no es contnua en (0, 0).
La idea de esta secci
on es generalizar la idea de derivada de Analisis 1
en un nuevo concepto que vamos a llamar diferenciabilidad, de forma
tal que este nuevo concepto implique continuidad, as como lo haca
el concepto de derivabilidad en una variable.
Primero recordemos la definicion de funcion derivable en un punto de
An
alisis 1.
Definici
on 60. Una funci
on escalar f : A R R es derivable en
x0 A si existe el siguiente lmite
f (x0 + h) f (x0 )
h0
h

f 0 (x0 ) = lm
Pero esto equivale a pedir

f (x0 + h) f (x0 ) hf 0 (x0 )

=0
h0
h
lm

O sea es derivable sii existe una funcion escalar : A R tal que

f (x0 + h) f (x0 ) f 0 (x0 )h = h(h)
con
lm (h) = 0

h0

Por otro lado, la expresion f 0 (x0 )h es una transformacion lineal T :

R R, h T (h).
Por lo tanto podemos decir que f es derivable sii existe una transformaci
on lineal T : R R y un campo escalar : A R tales
que
f (x0 + h) f (x0 ) = T (h) + h(h)
con

42

lm (h) = 0

h0

Ahora s estamos en condiciones de definir funcion diferenciable en un

punto:

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.

Diferenciabilidad implica Derivabilidad

Teorema 6.1. Sea el campo vectorial f : A Rn Rm diferenciable

en x0 , entonces f es derivable en x0 , y adem
as las derivadas valen
f 0 (x0 , v) = Df (x0 ) v
Demostraci
on. Como f es diferenciable en x0 existen una transformaci
on lineal T : Rn Rm y un campo vectorial : Rn Rm tales
que

43

f (x0 + h) f (x0 ) = T (h) + ||h||(h)

Considerando h = k
v
f (x0 + k
v ) f (x0 ) = T (k
v ) + ||k
v ||(k
v)
f (x0 + k
v ) f (x0 ) = kT (
v ) + |k|(k
v)
dividiendo por k y tomando lmite k 0
f (x0 + k
v ) f (x0 )
|k|
= lm T (
v) +
(k
v)
k0
k0
k
k
lm

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

Al diferencial T de f en x0 lo vamos a denotar tambien df . Y a la

matriz [T ] asociada al diferencial la vamos a llamar la matriz jacobiana de f en x0 , y la denotamos Df .

6.3.

Diferenciabilidad implica Continuidad

Teorema 6.3. Sea el campo vectorial f : A Rn Rm diferenciable

en x0 A , entonces f es contnuo en x0 .
Demostraci
on. Como f es diferenciable en x0 existen una (
unica)
n
m
transformaci
on lineal T : R R y un campo vectorial : A Rm
tales que
f (x0 + h) f (x0 ) = T (h) + ||h||(h)
Tomando lmite h 0
lm f (x0 + h) f (x0 ) = lm T (h) + ||h|| (~h)
|{z} |{z}
h0 | {z }

h0

O sea
lm f (x0 + h) f (x0 ) = 0

h0

lm f (x0 + h) = f (x0 )

h0

Sustituyendo x = x0 + h queda h = x x0 , y cuando h 0 se tiene

x x0 , reemplazando:

45

lm f (x) = f (x0 )

xx0

lo cual nos dice que el lmite existe y es igual al valor de la funcion en

el punto, o sea que f es contnua en x0 .

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

El gradiente es normal al conjunto de niv-

Observaci
on 6.5. Sea el campo escalar f : A Rn R diferenciable

en x0 A , y sea k R, entonces f (x0 ) es perpendicular al conjunto

de nivel k de f .
Demostraci
on. El conjunto de nivel k de f son los x A tales que
f (x) = k
Sea g : [a, b] Rn la parametrizacion de una curva includa en el
conjunto de nivel, es decir que g([a, b]) Ck (f ), tal que g(t0 ) = x0 y
g 0 (t0 ) 6= 0.

46

Entonces podemos componer g con f y obtenemos

f (g(t)) = k
Aplicando el teorema 7.2 (la regla de la cadena, que vamos a ver
despues) se tiene
f (g(t)) g 0 (t) = 0
Es decir que f (x0 ) g 0 (t0 ) = 0, o sea que f (x0 ) g 0 (t0 ).
Pero g 0 (t0 ) es un vector director de la recta tangente una curva que
est
a includa en el conjunto de nivel, es decir es paralelo al conjunto
de nivel, y por lo tanto el gradiente es normal al conjunto de nivel.

6.6. Direcciones de derivada m

axima, mnima
y nula
Proposici
on 6.6. Sea f : A Rn R es diferenciable en x0 y
f (x0 ) 6= 0. Entonces:
Existe una u
nica direcci
on de m
axima derivada direccional y es
f (x0 )
rmax = ||f (x0 )|| . El valor de dicha derivada es ||f (x0 )||.
Existe una u
nica direcci
on de mnima derivada direccional y es
rmin = rmax . El valor de dicha derivada es ||f (x0 )||.
Si adem
as n = 2, entonces existen exactamente dos direcciones
de derivada direccional nula, y si f (x0 ) = (a, b) entonces las
(b,a)
mismas son r1 = ||(b,a)||
y r2 = r1
Demostraci
on. Como f es diferenciable en x0 , por la observacion 6.4
sabemos que f es derivable en x0 y
fv0 (x0 ) = f (x0 ) v

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

Teorema 6.7. Sea el campo escalar f : A Rn Rm con A abierto.

Si f C 1 , entonces f es diferenciable en todo x A.
Observaci
on 6.8. Una funci
on f puede ser diferenciable y a
un as f 6
1
C .
Por ejemplo, la siguiente funcion es diferenciable en R, pero su derivada f 0 (x) no es contnua en el origen.
(
x2 sin( x1 ) si x 6= 0
f (x) =
0
si x = 0

7.
7.1.

Funciones Compuestas e Implcitas

Funci
on definida implcitamente

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

Teorema 7.1. Teorema de Cauchy-Dini Sea F : A Rn+1 R con

A abierto y F C 1 , y sea la ecuaci
on F (x1 , . . . , xn , y) = 0.
Sea adem
as P = (a1 , . . . , an , y0 ) A, tal que F (P ) = 0, y Fy0 (P ) 6= 0.
Entones la ecuaci
on define implcitamente a y como funci
on de x1 , . . . , xn
en un entorno de Py = (a1 , . . . , an ), y resulta que f es diferenciable
en Py , y adem
as
fx0 i (Py ) =

Fx0 i (P )
Fy0 (P )

Este teorema nos garantiza bajo ciertas condiciones la existencia de

una funci
on definida implcitamente, es decir que exista f : Ay
E(Py , ) Rn R tal que F (x1 , . . . , xn , f (x1 , . . . , xn )) = 0
En particular, esto nos permite el gradiente f (Py ) de la siguiente
manera


Fx0 1 (P ) Fx0 2 (P )
Fx0 n (P )
f (Py ) = 0
, 0
,..., 0
Fy (P )
Fy (P )
Fy (P )
=

7.3.

1
Fy0 (P )

Fx0 1 (P ), Fx0 2 (P ), . . . , Fx0 n (P )

Funci
on Compuesta

Definici
on 65. Sean f : A Rn Rm y g : B Rm Rp tales que
f (A) B.

50

Entonces existe una u

nica la funci
on h : A Rp tal que h(x) =
g(f (x)).
A dicha funci
on h la llamamos la funci
on compuesta de f con g,
y la denotamos como
h=gf
Notar que esta definici
on es un poco mas general que la definicion
17, por cuanto no se pide que el codominio de la primera sea igual al
dominio de la segunda, solo que la imagen de la primera este includo
en el dominio de la segunda.
Al mismo tiempo es m
as particular que aquella definicion, pues la
primera se refiere funciones entre conjuntos en general, mientras que
la segunda es entre subconjuntos de Rn .

7.4.

Regla de la Cadena

Teorema 7.2. Sean f : A Rn Rm diferenciable en x0 A ,

y g : B Rm Rp diferenciable en y0 = f (x0 ) B , tales que
f (A) B
Entonces la funci
on compuesta h : A Rp es diferenciable en x0 ,
y adem
as el diferencial de h en x0 es igual a la composici
on de los
diferenciales de f en x0 con el de g en y0 , de la siguiente manera
dh(x0 ) = dg(y0 ) df (x0 )
O lo mismo expresado matricialmente, la matriz jacobiana de la compuesta es igual al producto de las matrices jacobianas de la siguiente
manera
Dh(x0 ) = Dg(y0 ) Df (x0 )

51

8.
8.1.

Polinomio de Taylor y Extremos

Polinomio de Taylor

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

df(x0 ,y0 ) (x x0 , y y0 ) = fx0 (x0 , y0 )(x x0 ) + fy0 (x0 , y0 )(y y0 )

O escribiendo (u, v) = (x x0 , y y0 )
df(x0 ,y0 ) (u, v) = fx0 (x0 , y0 )u + fy0 (x0 , y0 )v
En cada punto (x, y) su diferencial es
df(x,y) (u, v) = fx0 (x, y)u + fy0 (x, y)v
Ahora definimos el diferencial segundo de f en (x, y), como el diferencial del diferencial, es decir

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

T1 (u, v) = f (x0 , y0 ) + df(x0 ,y0 ) (u, v)

= f (x0 , y0 ) + fx0 (x0 , y0 )u + fy0 (x0 , y0 )v

52

Y el polinomio de Taylor de segundo grado de f en (x0 , y0 ) es

1 2
d f(x0 ,y0 ) (u, v)
2!
= f (x0 , y0 ) + fx0 (x0 , y0 )u + fy0 (x0 , y0 )v +

1  00
00
00
fxx (x0 , y0 )u2 + 2fxy
(x0 , y0 )uv + fyy
(x0 , y0 )v 2
+
2!

T2 (u, v) = f (x0 , y0 ) + df(x0 ,y0 ) (u, v) +

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!

El polinomio de Taylor sirve para aproximar la funcion en un entorno

del punto donde fue calculada. Es decir si f C k y Tk (u) es el polinomio de grado k de f en x0 , entonces
f (x) Tk (x x0 )
para x cerca de x0 .

8.2.

M
aximos y mnimos de una funci
on

Sabemos que R es un conjunto totalmente ordenado (ver definicion

12), y por lo tanto cualquier subconjunto B R tambien hereda un
orden total.
Tiene sentido entonces para B R preguntar si tiene un maximo o
un mnimo.
Por ejemplo, si A = (0, 1], entonces A tiene un maximo y es el elemento
1 A, pero no tiene ning
un mnimo.
Definici
on 67. Sea f : A Rn R un campo escalar, y sea Y =
Im(f ) R el conjunto imagen de f .
Si Y tiene un m
aximo, decimos que es el m
aximo absoluto de f .
Si Y tiene un mnimo, decimos que es el mnimo absoluto de f .

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.

Criterio de la derivada primera

Antes de enunciar el criterio, vamos a necesitar esta

Definici
on 70. Sea f : A Rn R. Un punto crtico de f es un
elemento x0 A tal que o bien f no es diferenciable en x0 , o bien es
diferenciable en x0 pero f (x0 ) = 0.
Si x0 es punto crtico, pero f (x0 ) no es extremo, decimos que (x0 , f (x0 ))
es punto silla.

54

Ahora si enunciamos el criterio de la derivada primera

Teorema 8.3. Criterio de la derivada primera
Sea f : A Rn R, f C 1 , entonces una condici
on necesaria para
que f (x0 ) sea extremo, es que x0 sea punto crtico.
Es decir que el criterio de la derivada primera nos dice que si x0 A
es punto crtico, entonces o bien f (x0 ) es extremo, o bien (x0 , f (x0 ))
es punto silla.
Demostraci
on. Sea g(t) = x0 + tv para un versor v Rn , y considero
la composici
on
h(t) = f (g(t))
Como g(0) = x0 y f presenta un extremo en x0 , entonces h presenta
un extremo en 0.
Adem
as como f es diferenciable en x0 y g es diferenciable en 0, entonces por la regla de la cadena h es diferenciable en 0 y
h0 (0) = f (g(0))g 0 (0)
Y por el criterio de la derivada primera (de Analisis 1) sabemos que
debe cumplirse
h0 (0) = 0
O sea que
f (g(0)) g 0 (0) = 0
Pero g 0 (0) = v, luego nos queda
f (x0 ) v = 0
y como f es diferenciable en x0

55

f (x0 ) v = fv0 (x0 ) = 0

En particular tomando v un versor can
onico de Rn vemos que todas
las derivadas parciales son nulas, y por lo tanto f (x0 ) = 0 como
queramos probar.

8.2.2.

Criterio de la derivada segunda

Antes de enunciar el criterio de la derivada segunda nos va a ser u

til
la siguiente
Definici
on 71. Sea f : A Rn R, f C 2 .
La matriz Hessiana es la matriz jacobiana del gradiente de f . Es
decir:
fx001 x1
fx00 x
2 1
Hf =
...
fx00n x1

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

Teorema 8.7. Criterio de la derivada segunda

Sea f : A Rn R, f C 2 y x0 A punto crtico. Entonces
si la matriz hessiana de f en x0 es definida positiva (Ver 72), la
funci
on presenta un mnimo relativo f (x0 ), y si es definida negativa,
la funci
on presenta un m
aximo relativo f (x0 ).
Si la matriz est
a semidefinida (positiva o negativa), el criterio no decide.
Si la matriz no est
a definida, no hay extremo, es decir que (x0 , f (x0 ))
es punto silla.
Combinando el criterio 8.6 de Sylvester con el criterio 8.7 de la derivada segunda, podemos construir el criterio del Hessiano
Teorema 8.8. Criterio del Hessiano
Sea f : A Rn R, f C 2 y x0 A punto crtico.
Sean las n submatrices Mp = (aij )1i,jp con 1 p n, y sean
det(Mp ) sus menores principales.
Entonces
Si det(Mp ) > 0 para 1 p n, f (x0 ) es mnimo relativo.
Si (1)p det(Mp ) > 0 para 1 p n, f (x0 ) es m
aximo relativo.
Si alg
un det(Mp ) = 0, el criterio no decide.
En cualquier otro caso, el punto (x0 , f (x0 )) es un punto silla.
Ejemplo 22. Veamos el caso particular n = 3. Sea f : A R3 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
00

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

Si det(Hf (x0 )) > 0 hay extremo, pues el producto de los dos

autovalores es positivo, es decir que son ambos positivos o ambos
negativos.
00 (x ) > 0, f (x ) es m
En este caso si fxx
nimo relativo, y si
0
0
00 (x ) < 0, f (x ) es m
fxx
a
ximo
relativo.
0
0
00 (x ) = 0 no puede darse, pues si det(H(f x )) =
El caso fxx
0
0
00 f 00 (f 00 )2 > 0, entonces f 00 f 00 > (f 00 xy)2 > 0, lo cual
fxx
yy
xy
xx yy
00 6= 0
implica que fxx
Si det(Hf (x0 )) < 0 entonces (x0 , f (x0 )) es punto silla, pues el
producto de los dos autovalores es negativo, es decir que son de
signo contrario.

59

Si det(Hf (x0 )) = 0 entonces el criterio no decide, habr

a que
averiguar de otra forma si se produce extremo o punto silla.

8.3.

Extremos condicionados

Supongamos que queremos maximizar un campo escalar f (x, y), sujeto

a una restricci
on g(x, y) = 0.
Un metodo consiste, cuando es posible, en despejar x o y (o alguna
expresi
on) de la ecuaci
on g(x, y) = 0 de forma tal de reemplazarla en
la funci
on f (x, y) para que quede en funcion de una variable.
Otra posibilidad sera parametrizar la curva g(x, y) = 0, digamos mediante la funci
on vectorial r(t), luego componer h = f r y maximizar
dicha compuesta h(t) = f (r(t)) que es una funcion de una variable.
Pero si ninguno de los metodos anteriores funciona, debemos recurrir
a los multiplicadores de Lagrange:
Definimos la funci
on de Lagrange:
L(, x, y) = g(x, y) + f (x, y)
Los puntos crticos (restringidos) los hallamos calculando su gradiente
e igualando a cero:
L(, x, y) = (0, 0, 0)
de donde

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

El criterio del hessiano restringido en este caso dice que

Si H3 < 0 hay mnimo relativo
Si H3 > 0 hay m
aximo relativo.
En general, si hay m restricciones, se consideran los menores principales de tama
no i 2m + 1.
Si m es par y Hi > 0 para todo i hay mnimo relativo. Y si Hi <
0, Hi+1 > 0, Hi+2 < 0, . . . hay maximo relativo.
Si m es impar y Hi < 0 para todo i hay mnimo relativo. Y si Hi >
0, Hi+1 < 0, Hi+2 > 0, . . . hay maximo relativo.
Ejemplo 24. Analizar los extremos de f (x, y) = x2 + y 2 sujeto a
x = 0.
Primero definimos la funci
on de Lagrange
L(, x, y) = x + x2 + y 2
Ahora buscamos los puntos crticos
L(, x, y) = (x, + 2x, 2y) = (0, 0, 0)
de donde

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

9. Integral de Lnea y Funci

on Potencial
9.1.

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

donde el nfimo y el supremo se calcula sobre todas las particiones

posibles.
Rb
Si son iguales, se nota a f dx y se dice que f es Riemann-integrable
en [a, b], y lo denotamos f R

9.2.

Curva regular a trozos, curva de jordan

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

Definimos la longitud de C como la integral de la funci

on constante
1, es decir
Z

Long(C) =

dc =
C

||g 0 (t)||dt

Dada la misma curva C con misma parametrizaci

on g, y dado el campo
vectorial f : A Rn Rn contnuo, tal que C A , definimos el
diferencial de curva vectorial como
dc = g 0 (t)dt
y definimos la integral de f sobre C en este caso tambien llamado
circulaci
on como
Z

Z
f dc =

f (g(t)) g 0 (t)dt

En ambos casos decimos que se trata de la integral sobre la curva C

desde g(a) hasta g(b)

9.4.

Campos conservativos

Dado un campo vectorial f : A Rn Rn , con A abierto y f

C 1 , podemos preguntarnos si en realidad se trata del gradiente de un
campo escalar : A Rn R, C 2 , tal que = f . Esto motiva
la siguiente

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.

Teorema de la independencia del camino

Teorema 9.1. Sea el campo vectorial conservativo f : A Rn Rn ,

y sea : A Rn R su funci
on potencial.
Sea C A una curva regular con parametrizaci
on g : [a, b] Rn .
Entonces
Z
f dc = (g(b)) (g(a))
C

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

Ahora consideramos la funcion compuesta h = g, h(t) = (g(t)).

La misma existe puesto que la curva esta en el dominio de .
Como g C 1 por ser la parametrizacion de una curva regular, y
C 2 por ser funci
on potencial de f , ambas son diferenciables, y
podemos aplicar el teorema de la regla de la cadena
h0 (t) = (g(t)) g 0 (t)
reemplazando en la integral
Z

Z
f dc =

h0 (t)dt

y por el teorema fundamental del calculo de Analisis 1

Z

h0 (t)dt = h(b) h(a)

Pero h = (g(t)), finalmente

Z
f dc = (g(b)) (g(a))
C

Es decir que la integral de f sobre la curva C no depende del camino,

sino s
olamente de los puntos inicial g(a) y final g(b) de la curva.
Corolario 9.2. Si f es conservativo, la integral sobre cualquier curva
cerrada da cero.
Demostraci
on. Como C es cerrada g(a) = g(b), y como f es conservativo se tiene

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

de forma que f = , es decir que el campo f es conservativo.

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)

(x,y)[xi1 ,xi ][yj1 ,yj ]

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

M(i,j) 4xi 4yj

j=1 i=1

sp (f ) =

m X
n
X

m(i,j) 4xi 4yj

j=1 i=1

Luego definimos
ZZ
f dxdy = nf Sp (f )
p part

ZZ
f dxdy = sup sp (f )
p part

donde el nfimo y el supremo se calcula sobre todas las particiones

posibles.
Si son iguales,
se dice que f es Riemann-integrable en R = [a, b][c, d],
RR
se nota R f dxdy, y se dice que es la integral doble de f sobre R.
La definici
on para funciones de la forma f : R R3 R es an
aloga.
Definici
on 78. Sea f : A R2 R, con A acotado y f acotada.
Por ser A acotado, el mismo se encuentra dentro de un rect
angulo
R = [a, b] [c, d], es decir A R.
Definimos la funci
on h : R R como
(
f (x, y)
h(x, y) =
0

si (x, y) A
si (x, y) 6 A

Luego definimos la integral de f sobre A como

69

ZZ

ZZ
f dxdy =

hdxdy

si dicha integral existe.

La definici
on para funciones de la forma f : A R3 R es an
aloga.
Definici
on 79. Sea A R2 acotada. Definimos su
area como
ZZ
dxdy

area(A) =
A

Sea H R3 acotada. Definimos su vol

umen como
ZZZ
vol(H) =

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.

Teorema de cambio de variables

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)

f (g(u, v))||det(Dg(u, v))||dudv

B

Ahora enunciamos la version del teorema para R3

Teorema 10.5. Sea f : A R3 R contnua, y g : U R3 R3
biyectiva, g C 1 , y (x, y, z) = g(u, v, w), y sea A = g(B), entonces

ZZZ

ZZZ
f (x, y, z)dxdydz =
A=g(B)

10.3.

f (g(u, v, w))||det(Dg(u, v, w))||dudvdw

B

Coordenadas cartesianas y polares en R2

Son los cambios de variables mas utilizados en R2

72

Definici
on 81. Las coordenadas cartesianas corresponde a la funci
on identidad de R2

g : R2 R2
g(u, v)

(u, v)

En este caso se tiene

|det(Dg)| = 1
Las lneas coordenadas son rectas paralelas a los ejes cartesianos.

Definici
on 82. Las coordenadas polares corresponde al campo vectorial

g : [0, +) [0, 2) R2
g(, )

( cos(), sin())

En este caso se tiene

|det(Dg)| =
Las lneas coordenadas son circunferencias con centro en el origen, y
semirectas que parten del origen.

73

10.4. Coordenadas cartesianas, cilndricas y esf

eri3
cas en R
Son los cambios de variables mas utilizados en R3
Definici
on 83. Las coordenadas cartesianas corresponde a tomar
la funci
on identidad de R3

g : R3 R3
g(u, v, w)

(u, v, w)

En este caso se tiene

|det(Dg)| = 1
Las superficies coordenadas son planos paralelos a los planos coordenados.

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)

En este caso se tiene

|det(Dg)| =
Las superficies coordenadas son cilindros sobre el eje z, semiplanos
que parten del eje z, y planos paralelos al xy.

Ejemplo 28. Calcular el vol

umen del cuerpo H definido como
(
x2 + y 2 1
p
H=
0 z x2 + y 2
A continuaci
on representamos gr
aficamente el cuerpo H. Observar que
son los puntos dentro de un cil
pndro de radio 1 sobre el eje z, y entre
el plano z = 0 y el cono z = x2 + y 2

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

g : [0, +) [0, 2) [0, ] R3

g(, , )

( cos() sin(), sin() sin(), cos())

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.

Integrales de Superficie y Flujo

Definici
on para superficie param
etrica

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

ds = ||gu0 (u, v) gv0 (u, v)||dudv

y la integral de f sobre como
ZZ

ZZ

f (g(u, v))||gu0 (u, v) gv0 (u, v)||dudv

f ds =
B

Definimos el
area de la superficie como la integral de la funci
on
constante 1, es decir
ZZ

ZZ

area() =

||gu0 (u, v) gv0 (u, v)||dudv

ds =

Dada la misma superficie (orientable) con misma parametrizaci

on
g, y dado el campo vectorial f : A R3 R3 contnuo, tal que
A , definimos el diferencial de superficie vectorial como
ds = (gu0 (u, v) gv0 (u, v))dudv
y definimos la integral de f sobre en este caso tambien llamado
flujo como
ZZ

ZZ

f (g(u, v)) (gu0 (u, v) gv0 (u, v))dudv

f ds =

En este caso decimos que se trata de la integral sobre la superficie

en la orientaci
on con vector normal gu0 (u, v) gv0 (u, v).

11.2.

Caso superficie gr
afica de campo escalar

Sea f : A R2 R, su conjunto grafica consiste en el conjunto

= {(x, y, z) A R : z = f (x, y)}
La misma la podemos parametrizar como

77

g(x, y) = (x, y, h(x, y))

Luego

gx0 = (1, 0, h0x )

gy0 = (0, 1, h0y )
gx0 gy0 = (fx0 , fy0 , 1)
Por lo tanto, el diferencial de superficie vectorial es
ds = (fx0 , fy0 , 1)dxdy
y el diferencial de superficie escalar es
q
ds = 1 + (fx0 )2 + (fy0 )2 dxdy

11.3.

Caso superficie definida implcitamente

Sea el campo escalar G : A R3 R, G C 1 y supongamos la

superficie corresponde al conjunto de nivel 0 de G. Es decir es la
superficie de ecuaci
on
G(x, y, z) = 0
y supongamos adem
as que G0z (x, y, z) 6= 0
Entonces por el teorema 7.1 de Cauchy-Dini, la ecuacion define implcitamente a z = w(x, y), con w diferenciable. Luego podemos parametrizar
de la siguiente forma
g(x, y) = (x, y, w(x, y))

78

gx0 = (1, 0, wx0 )

gy0 = (0, 1, wy0 )
gx0 gy0 = (wx0 , wy0 , 1)
Pero
G0x
G0z
G0y
= 0
Gz

wx0 =
wy0
reemplazando
gx0 gy0 = (

G0x G0x
1
,
, 1) = 0 G
G0z G0z
Gz

Por lo tanto, el diferencial de superficie vectorial es

ds =

G
dxdy
G0z

y el diferencial de superficie escalar es

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.

Teoremas de Green, Stokes y Gauss

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

Sea f : A R3 R3 , f C 1 , f = (P, Q, R), entonces definimos el

rotor de f como
rot(f ) = f = (Ry0 Q0z , Pz0 Rx0 , Q0x Py0 )
y la divergencia de f como
div(f ) = f = Px0 + Q0y + Rz0
Teorema 13.1. Teorema de Green
Dada una regi
on elemental A R2 con curva frontera C = A regular
o regular a trozos (autom
aticamente cerrada y simple, o sea de Jordan), y sea el campo vectorial f : B R2 R2 , f C 1 , f = (P, Q),
y con A B, entonces
I

ZZ

Q0x Py0 dxdy

f dc =
C + =A

Teorema 13.2. Teorema de Stokes

Dada una superficie (orientable) abierta R3 y su curva borde
C = regular/a trozos (autom
aticamente cerrada y simple), y sea
f : A R3 R3 , f C 1 con f = (P, Q, R), y con A, entonces
I

ZZ
f dc =

C + =

rot(f ) ds

Teorema 13.3. Teorema de la divergencia

82

Dada una regi

on elemental del espacio H R3 , y su superficie frontera
= H una superficie regular/a trozos (autom
aticamente cerrada y
3
3
1
simple), y sea f : A R R , f C , con f = (P, Q, R), y H A,
entonces
ZZZ

ZZ
f ds =

div(f )dxdydz

+ =H

13.1.

Campos irrotacionales, solenoidales, y arm

onicos

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.

Ecuaciones Diferenciales 2o parte

Ecuaci
on diferencial ordinaria homog
enea

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.

Convertible a exacta con factor integrante

Supongamos que queremos resolver una ecuacion diferencial de la forma

P (x, y)dx + Q(x, y)dy = 0
con P y Q definidos sobre A R2 smplemente conexo, pero tal que
Q0x Py0 6= 0.
La ecuaci
on diferencial no es total exacta, pero a lo mejor la podemos
convertir en total exacta multiplicando la ecuacion por una funcion

85

que llamaremos factor integrante, que la convierta en una ecuacion

diferencial total exacta. Luego la resolvemos como cualquier ecuacion
diferencial total exacta.
El problema ahora es como encontrar un factor integrante. Vamos
a trabajar s
olo con factores integrantes que dependen de una sola
variable, o bien x o bien y.
Proposici
on 14.1. Si Q0x Py0 6= 0 pero al dividirla por P o por Q
depende s
olamente de una variable, hay un factor integrante respecto
de esa variable.
Si hay factor integrante respecto a x el mismo es
R

(x) = e

Py0 Q0x
dx
Q

Si hay factor integrante respecto a y el mismo es

R

(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

que es el factor integrante respecto a y.

El caso de factor integrante respecto a x es analogo.

14.3.

Ecuaci
on diferencial lineal de 2o orden

Recordemos que en 27 habamos visto la definicion de la ecuacion

diferencial lineal de orden n. Y en 2.1 aprendimos a resolver la ecuacion
diferencial lineal de primer orden.
Ahora vamos a trabajar con las lineales de segundo orden.
Definici
on 92. Una ecuaci
on diferencial se dice lineal de segundo
orden si se la puede expresar como
y 00 + a(x)y 0 + b(x)y = g(x)
La misma se dice homogenea si g(x) es la funci
on constante cero.
En cualquier caso, la ecuaci
on diferencial homog
enea asociada
es
y 00 + a(x)y 0 + b(x)y = 0

87

Si a(x) = a y b(x) = b son funciones constantes, nos queda

y 00 + ay 0 + by = g(x)
y se dice que la ecuaci
on diferencial es a coeficientes constantes.
Nos proponemos resolver las ecuaciones diferenciales lineales de segundo orden a coeficientes constantes. Para ello nos va a ser de mucha
ayuda la siguiente
Proposici
on 14.2. Dada la ecuaci
on diferencial lineal de segundo
orden a coeficientes constantes
y 00 + ay 0 + by = g(x)
La soluci
on general viene dada por
y = yh + yp
donde yh es la soluci
on general de la homogenea asociada, y yp es una
soluci
on particular.
Demostraci
on. La familia y = yh + yp ya tiene dos constantes arbitrarias (las que provienen de yh ), y la ecuacion diferencial es de
segundo orden. Por lo tanto si satisface la EDO entonces debe ser su
SG.
Reemplazamos y = yh + yp y veamos que satisface la ecuacion diferencial.

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)

Por lo tanto satisface la ecuacion diferencial, y debe ser su solucion

general.

14.3.1.

Resoluci
on de la homog
enea asociada

Veamos ahora como podemos resolver la ecuacion diferencial homogenea

asociada, que es de la forma
y 00 + ay 0 + by = 0
La soluci
on general de la homogenea asociada resulta ser un subespacio
de dimensi
on dos del espacio vectorial de las funciones C 2 de R en R.
Por lo tanto alcanza con encontrar una base de dicho subespacio, por lo
tanto si f1 , f2 son soluciones particulares y {f1 , f2 } es LI (linealmente
independiente), entonces la solucion general son sus combinaciones
lineales, es decir
y = C1 f1 + C2 f2
Definici
on 93. Dadas f1 , f2 : A R R, f1 , f2 C 1 . El wronskiano de f1 y f2 es el siguiente determinante


f1 f2 


W = 0
f1 f20 

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

2o Caso: 1 = 2 = reales e iguales. En este caso {ex , xex }

resulta linealmente independiente la SG es
y = c1 e1 x + c2 xe1 x
3o Caso: 1 = r + si, 2 = r si complejas conjugadas. En este
caso {e1 x , e2 x } ya es linealmente independiente. En principio
la SG es

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

y = erx [c1 (cos(sx) + i sin(sx)) + c2 (cos(sx) + i sin(sx))]

usando que cos(x) es par (es decir cos(x) = cos(x)) y que sin(x)
es impar (es decir sin(x) = sin(x))

y = erx [c1 (cos(sx) + i sin(sx)) + c2 (cos(sx) i sin(sx))]

y reagrupando
y = erx [(c1 + c2 ) cos(sx) + i(c1 c2 ) sin(sx)]
Llamando C1 = (c1 + c2 ) y C2 = i(c1 c2 ) obtenemos finalmente
la SG del tercer caso
y = arx [C1 cos(sx) + C2 sin(sx)]

91

14.3.2.

Como encontrar una soluci

on particular

Ahora nos faltara aprender a encontrar una solucion particular de la

ecuaci
on diferencial lineal no homogenea
y 00 + ay 0 + by = g(x)
El metodo de coeficientes indeterminados sirve cuando la funcion
g(x) es relativamente sencilla, que en este contexto significa combinaci
on lineal de polinomios, exponenciales o trigonometricas.
Consiste en tratar de adivinar la forma que debe tener la solucion, proponiendo como soluci
on una familia de funciones acorde al problema,
y luego se determinan los coeficientes.
Si la funci
on es polinomica, se propone una combinacion lineal
de polinomios generico, en principio del mismo grado.
Por ejemplo si g(x) = 2x2 , propongo yp = ux2 + vx + w
Si la funci
on es exponencial, se propone una combinacion lineal
de exponenciales.
Por ejemplo si g(x) = e2x + 2ex , propongo yp = ue2x + vex
Si la funci
on es trigonometrica, se propone una combinacion lineal de trigonometricas.
Por ejemplo si g(x) = cos(2x), propongo yp = u cos(2x)+v sin(2x)
Por ejemplo
g(x)
2x2
2x
e + 2ex
cos(2x)

propongo yp
ux2 + vx + w
ue2x + vex
u cos(2x) + v sin(2x)

Se reemplazan en la EDO y se averiguan los coeficientes indeterminados u, v, w, . . ..

En algunos casos puede pasar que la solucion propuesta ya sea solucion
de la homogenea asociada, en ese caso se va a llegar a un absurdo.
En ese caso lo que se puede hacer es multiplicar por x la solucion

92

propuesta y volver a intentar. Si sigue pasando puedo multiplicar por

x2 y volver a intentar, y as sucesivamente.
Veamos ahora el otro metodo, conocido como variaci
on de par
ametros, para encontrar una solucion particular de la ecuacion diferencial
lineal no homogenea
y 00 + ay 0 + by = g(x)
y supongamos que la solucion general de la homogenea asociada es
y = c1 y1 (x) + c2 y2 (x)
Este metodo consiste en buscar una solucion particular y que verifique
lo siguiente

y = (x)y1 (x) + (x)y2 (x)

y

(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

0 y10 + y100 + 0 y20 + y200 + a(y10 + y20 ) + b(y1 + y2 ) = g(x)

0 y10 + 0 y20 + (y100 + ay10 + by1 ) + (y200 + ay20 + by2 ) = g(x)

{z
}
|
{z
}
|
0

lo cual impone

0 y10 + 0 y20 = g(x)

(4)

juntando (3) y (4) obtenemos

0 y1 + 0 y2 = 0

(5)

0 y10

(6)

0 y20

= g(x)

que es un sistema de ecuaciones lineales en 0 y 0 .

Resumiendo, estamos buscando (x) y (x) para encontrar una soluci
on particular de la forma
y = (x)y1 (x) + (x)y2 (x)
y para ello imponemos
(
0 y1 + 0 y2 = 0
0 y10 + 0 y20 = g(x)
Lo resolvemos por cualquier metodo, por ejemplo lo escribo en forma
matricial

  0 

y1 y2

0
=
y10 y20
0
g(x)

94

y lo resuelvo con la regla de Cramer


 0

g(x)
0
= 
y1

y 0
1


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

(dx, dy) = (P, Q)dt

y por lo tanto
y0 =

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

Consideremos la compuesta w = h, se tiene que

w(t) = (h(t)) = k
Como ambas son diferenciables, por el teorema de la regla de la cadena
w0 (t0 ) = (h(t0 )) h0 (t0 ) = 0
como f = , y h(t0 ) = g(u0 )
f (g(u0 )) h0 (t0 ) = 0
Y como g es una lnea de campo, f (g(u0 )) = g 0 (u0 ), y por lo tanto
g 0 (u0 ) h0 (t0 ) = 0
Lo que muestra que estos vectores tangentes son ortogonales.
Tanto las lneas de campo como el conjunto de nivel eran genericos.
Es decir que las lneas de campo de f y los conjuntos de nivel de
son ortogonales en todo punto de interseccion.

En R2 tenemos el siguiente caso particular, que podemos demostrar

de una forma m
as cartesiana.
Teorema 14.6. Sea f : A R2 R2 un campo conservativo, y
una funci
on potencial de f , es decir tal que = f .
Entonces las lneas de campo de f son ortogonales a las lneas equipotenciales de .
Demostraci
on. Por la observacion 14.4, las lneas de campo de f son
la familia de curvas cuya ecuacion diferencial es

y0 =

Q
P

97

(1)

Por otro lado, si es una funcion potencial de f , es decir tal que

= f , entonces las lneas equipotenciales son la familia de curvas
(x, y) = C
Buscamos su ecuaci
on diferencial, diferenciando ambos miembros
0x (x, y)dx + 0y (x, y)dy = 0
usando que = (0x , 0y ) = (P, Q)
P dx + Qdy = 0

Qdy = P dx
o equivalentemente su ecuacion diferencial es

y0 =

P
Q

(2)

De (1) y (2) vemos que dichas familias de curvas son ortogonales. Es

decir las lneas de campo de f y las lneas equipotenciales de son
familias de curvas ortogonales.

98