Notas Calculo 2 ITAM

Clculo II
Notas de Clase
Lorena Zogaib
7 de enero de 2013
Contenido
Contenido 2
Prlogo 4
1 El Espacio R
n
5
1.1 Vectores 5
1.2 Curvas paramtricas. Vector tangente a una curva paramtrica 34
1.3 Rectas en el espacio. Segmento de recta 42
1.4 Planos e hiperplanos 51
1.5 Conjuntos abiertos, cerrados, acotados, compactos, convexos 64
2 Funciones de varias variables 80
2.1 Dominio e imagen. Representacin geomtrica 80
2.2 Conjuntos de nivel 83
2.3 Supercies cuadrticas 86
2.4 Lmites y continuidad 94
3 Diferenciacin 102
3.1 Derivadas parciales. Interpretacin geomtrica 102
3.2 Diferenciabilidad. Linealizacin y diferenciales 109
3.3 Regla de la cadena 114
3.4 Diferenciacin implcita 118
3.5 Vector gradiente. Derivada direccional. Recta normal y plano
tangente 123
3.6 Funciones homogneas. Teorema de Euler 134
4 Funciones cncavas y cuasicncavas 142
4.1 Polinomio de Taylor de orden 2. Matriz hessiana 142
2
4.2 Funciones cncavas y funciones convexas 148
4.3 Funciones cuasicncavas y funciones cuasiconvexas 154
5 Optimizacin 165
5.1 Optimizacin libre. Criterio del Hessiano 165
5.1.1 Condiciones necesarias de primer orden 167
5.1.2 Condiciones sucientes de segundo orden 170
5.2 Optimizacin con restricciones de igualdad. Multiplicadores de
Lagrange 176
5.2.1 Condiciones necesarias de primer orden. Signicado del
multiplicador de Lagrange 177
5.2.2 Condiciones sucientes de segundo orden 184
5.2.3 El caso multidimensional 186
5.2.4 Cualicacin de las restricciones: cundo falla el mtodo
de los multiplicadores de Lagrange? 189
5.3 Optimizacin con restricciones de desigualdad. Condiciones de
Kuhn-Tucker 193
5.3.1 Problemas de maximizacin 194
5.3.2 Problemas de minimizacin 215
5.3.3 Cualicacin de las restricciones: cundo fallan las
condiciones de Kuhn-Tucker? 221
5.4 Teorema de la envolvente 223
5.4.1 Optimizacin libre 224
5.4.2 Optimizacin restringida 236
6 Temas selectos de clculo avanzado 242
6.1 Funciones de R
n
en R
m
242
6.2 Regla de la cadena en el caso general 249
6.3 Teorema general de la funcin implcita 250
6.4 Teorema del punto jo 255
A Cnicas 258
B Teoremas de concavidad para funciones en R
n
262
Bibliografa 269
3
Prlogo
Este documento constituye un material de apoyo para el curso de Clculo II para
las carreras de Economa y Direccin Financiera en el ITAM. Se trata de una
recopilacin de mis notas de clase, con el n de agilizar la discusin de los temas
en el aula. El material se presenta en estricto apego al orden del temario vigente,
aunque es discutido bajo un enfoque personal y en un lenguaje un tanto coloquial.
Estas notas no pretenden sustituir la lectura de la bibliografa seleccionada para
el curso. Estn basadas en el material extrado precisamente de esos textos, as
como de documentos y libros escritos por mis colegas y amigos del Departamento
de Matemticas del ITAM. En particular, tom prestados varios conceptos y
ejemplos de topologa del documento Matemticas IV, elaborado por Guillermo
Pastor. Asimismo, para algunos temas de optimizacin me bas en el libro Mtodos
Dinmicos en Economa: Otra Bsqueda del Tiempo Perdido, de Hctor Lomel
y Beatriz Rumbos. Muy especialmente, estoy en deuda con Knut Sydsaeter, de la
Universidad de Oslo, quien fue el autor de una coleccin maravillosa de textos de
matemticas para economistas. l fue mi maestro, aunque nunca tuve el privilegio
de conocerlo. Estuve a punto de hacerlo, en un taller de matemticas que l iba a
impartir en Mxico. Desafortunadamente, Sydsaeter falleci en un accidente en
octubre de 2012, faltando una semana para su visita a este pas.
Se espera que el estudiante resuelva una gran variedad de ejercicios sobre el
tema, que no han sido incluidos en este documento debido a su extensin. Al
respecto, el estudiante puede utilizar el documento de trabajo Clculo II, Cuaderno
de Ejercicios, Lorena Zogaib, Departamento de Matemticas, ITAM, enero 7 de
2013.
Agradezco todas las sugerencias y correcciones que he recibido de mis colegas
y varias generaciones de estudiantes. Me han enriquecido mucho los comentarios
de mis amigos Carmen Lpez y Ramn Espinosa. Igualmente importantes
han sido las observaciones de las varias generaciones de alumnos que han
consultado estas notas. Especialmente, estoy muy agradecida con el Lic. Francisco
Contreras Marroqun, quien estudi Ciencia Poltica en el ITAM, por sus valiosas
aportaciones en relacin con el captulo de Optimizacin.
De antemano ofrezco una disculpa al lector por los errores y omisiones que
encuentre en este texto. Siempre sern bienvenidas las correcciones y cualquier
comentario que me hagan llegar.
Lorena Zogaib
4
Captulo 1
El Espacio R
n
1.1 Vectores
Considera los precios p
1
, p
2
, . . . , p
n
de n bienes. Conviene representar este
conjunto de precios por
(p
1
, p
2
, . . . , p
n
) o bien
_
_
_
_
p
1
p
2
.
.
.
p
n
_
_
_
_
Un conjunto ordenado de nmeros como ste, que se caracteriza no slo por
los elementos que lo constituyen sino por el orden en que estn colocados, se
llama un vector o n-vector. Nota que un vector con una sola componente es
un simple nmero real, tambin denominado un escalar. La representacin
del lado izquierdo se conoce como vector rengln, mientras que la del lado
derecho es un vector columna. Por lo general utilizaremos la representacin
de vector rengln a lo largo de este texto, con excepcin de algunos temas de
los captulos 3 y 6.
Hay varias maneras cortas de designar el vector de precios (p
1
, p
2
, . . . , p
n
),
por ejemplo,
p = (p
1
, p
2
, . . . , p
n
), p = (p
1
, p
2
, . . . , p
n
), p = (p
1
, p
2
, . . . , p
n
), . . .
La primera de stas,
p , utiliza una echita encima del nombre del vector,

y esto est relacionado con su signicado geomtrico, como discutiremos
un poco ms adelante en esta seccin. Aqu adoptaremos precisamente esa
notacin para designar cualquier n-vector arbitrario (a
1
, a
2
, . . . , a
n
), es decir,
a = (a
1
, a
2
, . . . , a
n
),

a R
n
.
Los nmeros a
1
, a
2
, . . . , a
n
se llaman las componentes escalares del vector
a , y decimos que a
i
es la i-sima componente de
a . La notacin
a R
n
indica que cada una de las n componentes del vector
a es un escalar en el
campo de los reales, R.
5
Captulo 1 El Espacio R
n
Operaciones con vectores
Denicin. Dos vectores

a y

b son iguales o equivalentes si todas sus
componentes son iguales, en ese caso escribimos
a =
b .
Si el nmero de componentes, su valor numrico o su distribucin son diferentes,
decimos que
a =
b .
Ejemplo:
Sean
x = (x, y, z) y
a = (1, 0, 3). Se tiene entonces que
x =
a si y slo
si x = 1, y = 0 y z = 3.
Denicin. Sean
a = (a
1
, a
2
, . . . , a
n
),
b = (b
1
, b
2
, . . . , b
n
) R
n
y R
a) El producto del escalar con el vector
a es el vector
a R
n
, dado por
a = (a
1
, a
2
, . . . , a
n
)
= (a
1
, a
2
, . . . , a
n
).
b) La suma de los vectores
a y
b es el vector
a +
b R
n
, dado por
a +
b = (a
1
, a
2
, . . . , a
n
) + (b
1
, b
2
, . . . , b
n
)
= (a
1
+ b
1
, a
2
+ b
2
, . . . , a
n
+ b
n
).
Ejemplo:
Sean
a = (3, 2, 5) y
b = (3, 0, 3). As,

2
a = 2(3, 2, 5) = (6, 4, 10),
a +
b = (3, 2, 5) + (3, 0, 3) = (0, 2, 8).

Denicin. Sean
a = (a
1
, a
2
, . . . , a
n
),
b = (b
1
, b
2
, . . . , b
n
) R
n
. La resta o
diferencia de
a y
b es el vector
b R
n
, dado por
b =

a + (1)
b
= (a
1
b
1
, a
2
b
2
, . . . , a
n
b
n
).
6
1.1 Vectores
Ejemplo:
Sean
a = (3, 2, 5) y
b = (3, 0, 3). As,
b = (3, 2, 5) (3, 0, 3) = (6, 2, 2).

Denicin. Para cada
a R
n
la diferencia
a es el vector nulo o vector

cero
0 , dado por
0 = (0, 0, . . . , 0).
Nota que
b =
0

a =
b .
Denicin. Si

a
1
,
a
2
, . . . ,
a
m
R
n
y
1
,
2
, . . . ,
m
R, entonces el
n-vector
a
1
+
2
a
2
+ +
m
a
m
se llama una combinacin lineal de los vectores
a
1
,
a
2
, . . . ,
a
m
.
Ejemplo:
Sean
a = (3, 2, 5) y
b = (3, 0, 3). As,

3
a 5
b = 3(3, 2, 5) 5(3, 0, 3) = (9, 6, 15) + (15, 0, 15) = (24, 6, 0).

Reglas de adicin de vectores y multiplicacin por escalares
Si
a ,
b ,
c R
n
y , R, entonces
1.
_
a +
b
_
+
c =
a +
_
b +
c
_
2.
a +
b =
b +
a
3.
a +
0 =
0 +
a =
a
4.
a + (
a ) = (
a ) +
a =
0
5. ( + )
a =
a +
a
6.
_
a +
b
_
=
a +
b
7. (
a ) = ()
a
8. 1
a =
a
7
n
Ejemplo:
Dados
a ,
b R
n
halla un vector
x R
n
tal que 3
x + 2
a = 5
b .
Usando las reglas anteriores, se tiene
3
x + 2
a + (2
a ) = 5
b + (2
a )
3
x +
0 = 5
b 2
a
3
x = 5
b 2
a
_
1
3
_
3
x =
_
1
3
_
_
5
b 2
a
_
1
x =
5
3
b
2
3
x =
5
3
b
2
3
a .
Interpretacin geomtrica de los vectores en el plano R
2
La palabra vector proviene del latn y signica transporte. Por esa razn, un
vector se asocia con un desplazamiento. Podemos describir ese desplazamiento en
el plano xy por la distancia dirigida a
1
que se mueve en la direccin del eje x y
por la distancia dirigida a
2
que se mueve en la direccin del eje y. Entendemos por
distancia dirigida al hecho de que a
1
> 0 si se desplaza hacia la derecha del punto
inicial y a
1
< 0 si se desplaza hacia la izquierda. Similarmente, se tiene a
2
> 0 si
el desplazamiento es hacia arriba o a
2
< 0 si es hacia abajo.
Geomtricamente, esta translacin se puede visualizar como una echa o
segmento de recta dirigido de un punto A a otro punto B, que denotamos por
AB. Si desplazamos la echa paralelamente a s misma, de tal manera que su

nuevo origen sea A
y el nuevo destino B
, la echa resultante
describir
el mismo desplazamiento, porque sus componentes x y y siguen siendo a
1
y a
2
,
respectivamente.
De esta manera, se tiene que
AB =
.
8
1.1 Vectores
As, desde el punto de vista geomtrico, decimos que dos vectores son iguales
o equivalentes si tienen la misma direccin y longitud (dados por las mismas
componentes a
1
y a
2
). En consecuencia, es claro que
AB =
BA.
Denicin. Dados dos puntos A(x
1
, y
1
) y B(x
2
, y
2
) del plano R
2
, el vector
v
que va de A a B es el vector
v =
AB = (x
2
x
1
, y
2
y
1
).
Ejemplos:
1. Si A(1, 1), B(2, 1) y
v =
AB es el vector que va de A a B, entonces
v = (2 1, 1 1) = (1, 2).
2. Si C(1, 0), D(3, 3) y
w =
DC es el vector que va de D a C, entonces
w = (1 (3), 0 (3)) = (2, 3).

3. Si E(3, 2), F(1, 1) y
u =
EF es el vector que va de E a F, entonces
u = (1 (3), 1 (2)) = (2, 3).

Observamos que los vectores
w y
u son iguales, puesto que estn descritos por

las mismas componentes, es decir, la misma direccin y magnitud, a pesar de tener
asociados diferentes puntos de origen y destino. De hecho, los vectores
w y
u son
tambin iguales al vector
r =

OP que va del origen de coordenadas O(0, 0) al
punto P(2, 3).
9
n
De acuerdo con la denicin, la multiplicacin de un vector
v por un escalar
c es un nuevo vector, c
v , cuyas componentes son las componentes de

v
multiplicadas cada una por el factor c. Geomtricamente, el vector c
v es paralelo
a
v , con las siguientes caractersticas: i) si c > 0, entonces c
v es un vector en el
mismo sentido que
v , y si c < 0, su sentido es opuesto, ii) si |c| > 1, entonces c
v
es un vector de magnitud mayor que
v , y si |c| < 1, su magnitud es menor.

Por ejemplo, si
v = (1, 2), entonces

a) 3
v = 3(1, 2) = (3, 6)
b)
v = (1, 2) = (1, 2)
c) 2
v = 2(1, 2) = (2, 4)
Denicin. Dos vectores no nulos
a y
b son paralelos si son mltiplos entre

s, es decir, si existe un escalar = 0 tal que
b =
a . Que los vectores
a y
b
sean paralelos se denota por
b .
10
1.1 Vectores
Ejemplo:
El vector

v
1
=
_
1
5
,
3
5
_
es paralelo al vector

v
2
=
_
1
3
, 1
_
, ya que
v
1
=
3
5
v
2
.
Por otra parte, sabemos de la denicin que la suma
v
1
+
v
2
de dos vectores
v
1
y
v
2
es la suma de sus componentes, como se muestra en la siguiente gura.
El vector suma
v
1
+
v
2
se construye ms fcilmente a partir del mtodo del
paralelogramo, as como el mtodo del tringulo, ilustrados en la siguiente gura.
La siguiente gura muestra la suma de los vectores

a = (1, 2) y
b = (2, 1), dada por
a +
b = (1, 2) + (2, 1) = (1 + 2, 2 + 1) = (1, 1).

11
n
Asimismo, combinando las dos operaciones anteriores, se puede construir
cualquier combinacin lineal de vectores en R
2
. Por ejemplo, para
v
1
= (1, 1) y
v
2
= (2, 3), la siguiente gura muestra la combinacin lineal
2
v
2
+ 3
v
1
= 2(2, 3) + 3(1, 1) = (4, 6) + (3, 3) = (7, 3).
Por ltimo, sabemos que el vector resta
v
1
v
2
se construye como la suma
de vectores
v
1
+ (
v
2
), como se muestra en las guras de la izquierda. Esto
equivale a decir que la resta
v
1
v
2
es el vector que une las puntas de los
vectores
v
1
y
v
2
, en direccin de
v
2
hacia
v
1
, como se muestra en las guras
de la derecha.
Un resultado muy til es que la suma

v
1
+
v
2
y la resta

v
1

v
2
pueden
asociarse con las diagonales del paralelogramo formado al unir los vectores
v
1
y
v
2
, de la manera que se muestra en la siguiente gura.
12
1.1 Vectores
Existe una representacin alternativa para los vectores en el plano, utilizando
los llamados vectores base. Estos ltimos son vectores en trminos de los cuales
podemos expresar cualquier otro vector. En el caso de R
2
se necesitan dos vectores
base, no paralelos, para poder generar cualquier vector en el plano. La base ms
simple es la base cannica, dada por los vectores = (1, 0) y = (0, 1), mostrados
en la siguiente gura.
Denicin. Cualquier vector
v = (x, y) R
2
se puede expresar como
v = x + y ,
con = (1, 0) y = (0, 1).
Denicin. Si
v = x + y , entonces los vectores x y y son los vectores

componentes o componentes vectoriales de

v en las direcciones y ,
respectivamente. Los nmeros x y y son las componentes escalares de
v en las
direcciones y , respectivamente.
Ejemplo:
Por ejemplo, si
v = 3 + 2 , entonces
i) 3 es la componente vectorial de
v en la direccin
ii) 2 es la componente vectorial de
v en la direccin
13
n
iii) 3 es la componente escalar de
v en la direccin
iv) 2 es la componente escalar de
v en la direccin
Interpretacin geomtrica de los vectores en el espacio R
3
Los resultados anteriores pueden extenderse fcilmente para vectores en el
espacio R
3
, como se presenta a continuacin.
Denicin. Dados dos puntos A(x
1
, y
1
, z
1
) y B(x
2
, y
2
, z
2
) en el espacio, el
vector
v que va de A a B es el vector
v =
AB = (x
2
x
1
, y
2
y
1
, z
2
z
1
).
Por otra parte, la base cannica en R
3
son los vectores
= (1, 0, 0), = (0, 1, 0),

k = (0, 0, 1),
mostrados en la siguiente gura.
14
1.1 Vectores
En trminos de estos vectores base, cualquier vector
v = (x, y, z) en R
3
puede
expresarse como
v = x + y + z
k.
Ejemplos:
1. Dibuja el vector
v = + 2 + 3
k
2. Dibuja los vectores
a = + 2 ,
b = 3
k y
c =
a +
b .
Norma de un vector en R
n
Como ya se mencion, una de las dos caractersticas de un vector es su longitud,
tambin conocida como su norma. Para vectores en R
n
la norma se determina a
partir del teorema de Pitgoras generalizado, como se dene a continuacin.
Denicin. La norma, o magnitud, de un vector
v = (x
1
, x
2
, . . . , x
n
) R
n
es
el nmero real no negativo
v dado por
v =
_
x
2
1
+ x
2
2
+ . . . + x
2
n
.
15
n
En particular, se tienen los siguientes casos:
i) si
v = x + y R
2
, entonces
v =
_
x
2
+ y
2
.
ii) si
v = x + y + z
k R
3
, entonces
v =
_
x
2
+ y
2
+ z
2
.
Cabe sealar que la norma de un vector
v = x en R es simplemente su valor
absoluto, ya que
v =
x
2
= |x|.
Ejemplos:
1. Si
u = + , entonces
u =
1
2
+ 1
2
=
2.
2. Si
v = 3 + 4 , entonces
v =
_
(3)
2
+ 4
2
=
25 = 5.
3. Si
w = + 2 3
k, entonces
w =
_
(1)
2
+ 2
2
+ (3)
2
=
14.
16
1.1 Vectores
Nota que existe una innidad de vectores con una misma norma dada. Por
ejemplo, todos los siguientes vectores poseen norma 5.
v
1
= 5
v
2
= 3 + 4
v
3
= 5
v
4
= 3 + 4
v
5
= 3 4
Las cabezas de todos estos vectores describen
una circunferencia de radio 5.
Propiedades de la norma
Sean
v ,
w R
n
y sea c R. Entonces,
a)
v 0
b)
v = 0

v =
0
c) c
v = |c|
v
d)
v +
v +
w Desigualdad del tringulo

Las propiedades a) y b) establecen que la norma de un vector es no negativa,
y slo es cero si v es el vector nulo. La propiedad c) establece que se preserva la
escala al calcular la norma del mltiplo de un vector; as, por ejemplo, la expresin
3
v = |3|
v = 3
v
establece que la norma 3
v del triple de un vector
v , es el triple de su norma,
3
v . Por ltimo, la propiedad d), o desigualdad del tringulo, establece que la

hipotenusa de un tringulo mide menos que la suma de sus catetos (guras de la
izquierda) y slo es igual a la suma de estos cuando son paralelos (gura de la
derecha).
v +
w <
v +
v +
w =
v +
w
17
n
As, por ejemplo, de acuerdo con la propiedad d), para vectores arbitrarios
v ,
w,
se tiene
3
v 5
w = 3
v +5
w ,
3
v 5
w = 3
v 5
w .
Denicin. La distancia euclidiana d(A, B) entre dos puntos A(a
1
, a
2
, . . . , a
n
)
y B(b
1
, b
2
, . . . , b
n
) en R
n
est dada por
d(A, B) =
_
(b
1
a
1
)
2
+ (b
2
a
2
)
2
+ + (b
n
a
n
)
2
.
Esta es una generalizacin del teorema de Pitgoras en n dimensiones. Ms
generalmente, si denotamos por
a = (a
1
, a
2
, . . . , a
n
) al vector
OA que va del
origen al punto A(a
1
, a
2
, . . . , a
n
) y por
b = (b
1
, b
2
, . . . , b
n
) al vector
OB que va
del origen al punto B(b
1
, b
2
, . . . , b
n
), entonces la distancia d(A, B) entre los puntos
A y B es la norma del vector que los une, es decir,
d(A, B) = d(
a ,
b ) =
_
_
_
a
_
_
_ =
_
_
_
b
_
_
_.
Propiedades de la distancia euclidiana
Sean
a ,
b ,
c R
n
. Entonces,
a) d(
a ,
b ) 0
b) d(
a ,
b ) = 0

a =
b
c) d(
a ,
b ) = d(
b ,
a ) Simetra
d) d(
a ,
b ) + d(
b ,
c ) d(
a ,
c ) Desigualdad del tringulo

A un conjunto con una funcin distancia d : R que satisface estas
propiedades se le llama espacio mtrico. En particular, el espacio R
n
es un espacio
mtrico.
18
1.1 Vectores
Denicin. Un vector unitario u es un vector con norma igual a 1, es decir,
u = 1.
En el caso de R
2
, los vectores unitarios son todos aquellos que pueden dibujarse
dentro de una circunferencia de radio 1 y centro en el origen, como es el caso de
los siguientes vectores.

a =
1
2
+
1
b =
3
5

4
5

= = a =
_
_
_
b
_
_
_ = 1.
Como la norma de un vector unitario es, por denicin, siempre igual a 1, su
nica caracterstica importante es su direccin. De ah que los vectores unitarios
son conocidos tambin como vectores de direccin. En el caso particular de un
vector unitario en el plano, u R
2
, su direccin se dene como el ngulo !
que ste determina con el eje x, medido en la direccin contraria al giro de las
manecillas del reloj. As, cualquier vector unitario en R
2
,
u = x + y ,
donde u =
_
x
2
+ y
2
= 1, puede expresarse como
u = cos ! + "#n! ,
en donde se ha utilizado que
cos ! =
x
1
= x, "#n! =
y
1
= y.
19
n
Ejemplos:
1. Determina la direccin del vector unitario a =
1
2
+
1
2
.
En este caso, cos ! =
1
2
y "#n! =
1
2
. Por lo tanto,
! = cos
1
_
1
2
_
= "#n
1
_
1
2
_
=
$
4
,
en donde cos
1
x y "#n
1
x denotan ngulo cuyo coseno es y ngulo cuyo
seno es, que son las funciones inversas de las funciones coseno y seno.
2. Determina la direccin del vector unitario

b = .
En este caso, cos ! = 1 y "#n! = 0. Por lo tanto,
! = cos
1
(1) = "#n
1
(0) = $.
Cualquier vector no nulo,
v R
n
, puede escribirse siempre en trminos del
vector unitario v que apunta en la misma direccin que
v , de acuerdo con
v =
v v.
De esta manera, el vector unitario v del vector no nulo
v =
0 est dado por el

cociente
v =

v
v
.
Ejemplos:
1. Calcula el vector unitario a del vector
a = 3 + 4 .
Como
a =
_
(3)
2
+ 4
2
= 5, por lo tanto,
a =

a
a
=
3 + 4
5
=
3
5
+
4
5
.
20
1.1 Vectores
2. Calcula el vector unitario x del vector
x = 2 + 3
k.
Como
x =
_
1
2
+ (2)
2
+ 3
2
=
14, por lo tanto,

x =

x
x
=
2 + 3
14
=
1
14

2
14
+
3
14
k.
3. Encuentra un vector
v con magnitud (norma) igual a 5 y que tenga la misma

direccin que el vector
w que va del punto A(1, 2, 1) al punto B(2, 0, 3).

De acuerdo con el enunciado es claro que
v = 5 w, con w el vector de direccin

de
w =
AB.
Para calcular w, notamos primero que
w =

AB = ((2) (1), 0 2, 3 1) = (1, 2, 2)
= 2 + 2
k.
Como
w =
_
(1)
2
+ (2)
2
+ 2
2
= 3, por lo tanto,
w =

w
w
=
2 + 2
k
3
=
1
3

2
3
+
2
3
k.
De este modo,
v = 5 w = 5
_
1
3

2
3
+
2
3
k
_
=
5
3

10
3
+
10
3

k.
Adems del producto por un escalar, c
v , con c R y
v R
n
existen otros
dos productos importantes que involucran vectores, comnmente conocidos como
el producto punto y el producto cruz, que se denen a continuacin.
21
n
Producto punto
Denicin. El producto escalar o producto punto,
b , de dos vectores
a y
b en el plano R
2
, o en el espacio R
3
, es el escalar
b =
a
_
_
_
b
_
_
_cos !,
donde ! es el ngulo entre
a y
b , con 0 ! $.
Observa que

a
b no es un vector, sino un escalar. Geomtricamente,
b representa el producto de la norma de cualquiera de los dos vectores por

la componente del otro vector en la direccin de ste, como se muestra en las
siguientes guras.
b =
a
__
_
_
b
_
_
_cos !
_

a
b =
_
_
_
b
_
_
_(
a cos !)
La siguiente tabla resume algunos casos especiales.
!

a
b =
a
_
_
_
b
_
_
_cos !
Vectores paralelos 0
a
_
_
_
b
_
_
_ valor mximo
Vectores perpendiculares

2
0
Vectores antiparalelos $
a
_
_
_
b
_
_
_ valor mnimo
Observa que, de acuerdo con la denicin, el producto punto es conmutativo, es
decir,
b =
a .
22
1.1 Vectores
Denicin. Decimos que dos vectores no nulos
a y
b son perpendiculares si
y slo si

a
b = 0. Que los vectores
a y
b sean perpendiculares se denota por
b .
Ejemplos:
1. Calcula el producto punto de los vectores
a = y
b = 2 en R
2
.
Sabemos que
a =

2 y
_
_
_
b
_
_
_ = 2. De la gura se observa que el ngulo
entre
a y
b es 135
, es decir, ! =
3$
4
. As,
b =
a
_
_
_
b
_
_
_ cos
_
3$
4
_
= (
2)(2)
_
2
_
= 2.
a = 3 y
b = +
3 en R
2
.
Sabemos que
a = 3 y
_
_
_
b
_
_
_ = 2. De la gura se observa que el ngulo entre
a y
b es 60
. As,
b =
a
_
_
_
b
_
_
_ cos
_
$
3
_
= (3)(2)
_
1
2
_
= 3.
23
n
a = 2 + y
b = 3
k en R
3
.
Sabemos que
a =

5 y
_
_
_
b
_
_
_ = 3. De la gura se observa que el ngulo
entre
a y
b es 90
, es decir, ! =
$
2
. As,
b =
a
_
_
_
b
_
_
_ cos
_
$
2
_
= (
5)(3) (0) = 0.
En general, la expresin
b =
a
_
_
_
b
_
_
_ cos ! puede resultar poco prctica
para calcular el producto punto de
a y
b , ya que requiere conocer el ngulo

! entre
a y
b . Por esta razn, a continuacin desarrollaremos una expresin

alternativa para calcular
b a partir de las componentes de estos vectores, que

suele ser la informacin que se tiene disponible.
Para este n consideramos dos vectores
a y
b , as como su vector diferencia,
c =

b
a . Estos tres vectores determinan un tringulo, cuyos catetos estn

relacionados entre s por la ley de los cosenos, dada por
c
2
=
a
2
+
_
_
_
b
_
_
_
2
2
a
_
_
_
b
_
_
_cos !,
24
1.1 Vectores
en donde ! denota el ngulo entre
a y
b . Nota que esta igualdad se reduce al

teorema de Pitgoras en el caso particular ! = $%2 . El trmino
a
_
_
_
b
_
_
_cos ! en
el lado derecho es precisamente el producto punto
b entre
a y
b , es decir,
c
2
=
a
2
+
_
_
_
b
_
_
_
2
2a
b,
de modo que
b =

a
2
+
_
_
_
b
_
_
_
2
c
2
2
.
Para el caso particular de vectores
a = a
1
+a
2
y
b = b
1
+b
2
en R
2
, el vector
c =
a est dado por
c = (b
1
a
1
) + (b
2
a
2
) , de modo que
b =
(a
2
1
+ a
2
2
) + (b
2
1
+ b
2
2
)
_
(b
1
a
1
)
2
+(b
2
a
2
)
2
2
.
Desarrollando cuadrados en el numerador es posible simplicar varios trminos,
quedando simplemente,
b = a
1
b
1
+ a
2
b
2
.
De esta manera, el clculo de
b se reduce a multiplicar trmino a trmino las

componentes escalares de
a y
b . Similarmente, es posible demostrar que en el

caso de vectores
a = a
1
+ a
2
+ a
3
k y
b = b
1
+ b
2
+ b
3
k en R
3
el producto
punto est dado por
b = a
1
b
1
+ a
2
b
2
+ a
3
b
3
.
El resultado anterior puede extenderse muy fcilmente para cualesquiera dos
vectores en R
n
, como se enuncia en el siguiente teorema.
Teorema. El producto escalar, o producto punto,

a
b , de dos vectores
a = (a
1
, a
2
, . . . , a
n
) y
b = (b
1
, b
2
, . . . , b
n
) en R
n
es el escalar
b = a
1
b
1
+ a
2
b
2
+ + a
n
b
n
.
Ejemplos:
1. Calcula
y , si
x = (1, 3, 0) y
y = (2, 1, 3).
En este caso,
y = (1)(2) + (3)(1) + (0)(3) = 5.

25
n
2. Demuestra que los vectores
u = 2 + 3 y
v = 6 + 4 son perpendiculares
entre s.
Como
v = (2)(6) + (3)(4) = 0,
por lo tanto
v .
3. Escribe el ingreso & = p
1
'
1
+ p
2
'
2
+ + p
n
'
n
como un producto punto de
vectores.
El ingreso & puede expresarse como & =
' , donde
p = (p
1
, p
2
, . . . , p
n
) es
el vector de precios y
' = ('
1
, '
2
, . . . , '
n
) es el vector de cantidades.
4. Sean

a = + 2 + 3
k y

b = 4 +

k. Calcula el vector
v =
_
_
_
b
_
_
_
_
b
_
a.
Por una parte, como
b = 3 + 3 + 2
k, por lo tanto,
_
_
_
b
_
_
_ =
9 + 9 + 4 =
22.
Por otra parte,
b = 4 2 + 3 = 5.
Por ltimo, como
a =
1 + 4 + 9 =
14, por lo tanto

a =
1
14
_
+2 + 3
k
_
.
De esta manera,
v =
_
_
_
b
_
_
_
_
b
_
a =
_
22
_
(5)
_
1
14
_
+2 + 3
k
_
_
=
_
5
_
11
7
_
+
_
10
_
11
7
_
+
_
15
_
11
7
_
k.
5. Encuentra un vector

w R
2
que tenga norma 5 y sea perpendicular a
v = 3 + 2 .
Sea
w = x + y el vector que buscamos, representado en la siguiente gura.

26
1.1 Vectores
De acuerdo con el enunciado,
w debe satisfacer las siguientes dos condiciones
w =
_
x
2
+ y
2
= 5,
v = (3)(x) + (2)(y) = 0.
De la segunda condicin se tiene y = 3x%2, que sustituido en la primera
condicin implica
_
x
2
+
9
4
x
2
= 5.
De este modo, x =
10
13
. As, existen dos vectores
w
1
y
w
2
que satisfacen las
condiciones del problema,
w
1
=
10
13

15
13
y
w
2
=
10
13
+
15
13
.
Leyes del producto escalar
Para todos
a ,
b ,
c ,
d R
n
y R se cumplen las siguientes propiedades:
1.
a 0 y
a = 0 si y slo si
a =
0 .
2.
b =
a
3. (
a )
b =
a
_
b
_
=
_
b
_
4.
a (
b +
c ) =
b +
c
5. (
a +
b ) (
c +
d ) =
c +
d +
c +
d
6.
a
_
_
_
b
_
_
_ Desigualdad de Cauchy-Schwarz
De la propiedad 6 se sigue un resultado interesante. Para ello, reescribimos la
desigualdad de Cauchy-Schwarz de la siguiente manera
a
_
_
_
b
_
_
_
a
_
_
_
b
_
_
_

a
a
_
_
_
b
_
_
_
a
_
_
_
b
_
_
_
a
_
_
_
b
_
_
_cos !
a
_
_
_
b
_
_
_
1 cos ! 1,
que permite generalizar el concepto de ngulo entre dos vectores en el espacio R
n
,
como lo establece la siguiente denicin.
Denicin. El ngulo ! entre dos vectores no nulos
a ,
b R
n
est dado por
! = cos
1
_
_

a
a
_
_
_
b
_
_
_
_
_
, 0 ! $.
27
n
Ejemplos:
1. Encuentra el ngulo entre los vectores
x = + y
y = .
Como
x =
2,
y = 1 y
y = 1, por lo tanto ! = cos

1
_
1
2
_
=
$
4
.
2. Encuentra el ngulo entre los vectores
x = 2 y
y = 2 + 3
k.
Como
x =

5,
y =

14 y

x

y = 0, por lo tanto
! = cos
1
_
0
14
_
=

2
. Concluimos entonces que
y .
Por otra parte, en relacin con el concepto de perpendicularidad, y en
vista que los vectores base cannicos en R
3
son todos unitarios, es decir,
= =
_
_
_
k
_
_
_ = 1, se obtiene el siguiente resultado:
= =

k
k = 1
=
k =

k = 0
Utilizando este resultado, junto con la propiedad 5 del producto escalar, podemos
llevar a cabo una diversidad de manipulaciones algebraicas. Por ejemplo, sin hacer
uso de la ley de los cosenos podemos demostrar que
b = a
1
b
1
+ a
2
b
2
+ a
3
b
3
,
para
a y
b en R
3
, de la siguiente manera:
b =
_
a
1
+ a
2
+ a
3
k
_
_
b
1
+ b
2
+ b
3
k
_
= a
1
b
1
( ) + a
1
b
2
( ) + a
1
b
3
_

k
_
+a
2
b
1
( ) + a
2
b
2
( ) + a
2
b
3
_

k
_
+a
3
b
1
_
k
_
+ a
3
b
2
_
k
_
+ a
3
b
3
_
k
_
= a
1
b
1
+ a
2
b
2
+ a
3
b
3
.
Asimismo, tomando en cuenta que el producto punto de un vector
a consigo
mismo est dado por
a =
a cos 0 =
a (1) =
a
2
, se
tiene
a =
a .
28
1.1 Vectores
As, por ejemplo,
2
u 3
v
2
= (2
u 3
v ) (2
u 3
v )
= 4 (
u ) 6 (
v ) 6 (
u ) + 9 (
v )
= 4
u
2
12 (
v ) + 9
v
2
.
Producto cruz
Como ya vimos, el producto punto es una operacin que se lleva a cabo
entre vectores en R
n
en general, cuyo resultado es un escalar. A continuacin
deniremos un segundo producto entre vectores, pero que slo est denido para
vectores en el espacio R
3
. Este ltimo se conoce como producto cruz o producto
vectorial, que da como resultado ya no un escalar sino un vector en R
3
.
Denicin. El producto vectorial o producto cruz,
b , de dos vectores
a ,
b R
3
es el vector
b =
_
a
_
_
_
b
_
_
_ "#n!
_
n,
donde ! es el ngulo entre
a y
b , con 0 ! $, y n es un vector unitario,

perpendicular a los vectores
a y
b , construido con la regla de la mano derecha.

Geomtricamente, el vector
b es un vector perpendicular a
a y a
b , cuyo
sentido est determinado por la regla de la mano derecha, ilustrada en la gura
anterior. De acuerdo con esta regla, el producto cruz no es conmutativo, es decir,
b =
a ;
sin embargo,
b y
a estn relacionados por
b =
_
a
_
.
29
n
La norma del vector
b , a saber,
_
_
_
b
_
_
_ =
a
_
_
_
b
_
_
_ "#n!, representa
el rea del paralelogramo denido por los vectores
a y
b .
ar#a = (ba"#) (a()ura)
=
a
__
_
_
b
_
_
_ "#n!
_
=
a
_
_
_
b
_
_
_ "#n!
=
_
_
_
b
_
_
_
Si ambos vectores son paralelos ("#n! = 0), entonces los vectores no generan
rea, de modo que
b =
0 .
Denicin. Decimos que dos vectores no nulos
a ,
b R
3
son paralelos si y
slo si
b =
0 .
Con base en la denicin del producto cruz, es claro entonces que
= =

k
k =
0
=

k, =
k = ,

k =
k = ,
k =
30
1.1 Vectores
Leyes del producto vectorial
Para todos
a ,
b ,
c R
3
y , R se cumplen las siguientes propiedades:
1.
a =
0
2.
b =
_
a
_
3. (
a ) (
b ) = ()
_
b
_
4.
a (
b +
c ) =
b +
c
5. (
b +
c )
a =
a +
a
El clculo del producto cruz a partir de
b =
a
_
_
_
b
_
_
_ "#n! n no resulta
prctico en general. Por ello, es til contar con una expresin alternativa, que
permita calcular este producto, en trminos de las componentes de ambos vectores.
Para este n consideramos dos vectores
a = a
1
+a
2
+a
3
k y
b = b
1
+b
2
+b
3
k
en R
3
, y utilizamos las propiedades 4 y 5 del producto cruz, de la siguiente manera:
b =
_
a
1
+ a
2
+ a
3
k
_
_
b
1
+ b
2
+ b
3
k
_
= a
1
b
1
( ) + a
1
b
2
( ) + a
1
b
3
_

k
_
+ a
2
b
1
( ) + a
2
b
2
( ) + a
2
b
3
_

k
_
+a
3
b
1
_
k
_
+ a
3
b
2
_
k
_
+ a
3
b
3
_
k
_
= (a
2
b
3
a
3
b
2
) (a
1
b
3
a
3
b
1
) + (a
1
b
2
a
2
b
1
)
k.
Esta ltima igualdad puede reescribirse como el determinante de una matriz de
3 3, cuyo primer rengln consiste en los vectores base de R
3
, el segundo, en las
componentes del vector
a , y el tercero, en las componentes del vector
b .
Frmula del determinante. Si
a = a
1
+ a
2
+ a
3
k y
b = b
1
+ b
2
+ b
3
k,
entonces
b =
*

+

k
a
1
a
2
a
3
b
1
b
2
b
3
.
31
n
Ejemplos:
1. Calcula
a , si
a = 3 + 2 y
b = 2 + 3
k.
a =
*

+

k
1 2 3
3 2 0
2 3
2 0
1 3
3 0
+

k
1 2
3 2
= 6 + 9 + 4
k.
2. Encuentra un vector unitario que sea perpendicular al plano determinado por los
puntos P(1, 1, 0), ,(2, 1, 1) y -(1, 1, 2).
Como se muestra en la gura, con estos tres puntos podemos construir dos
vectores paralelos al plano, dados por
a =

P, = + 2
k,
b =

P- = 2 + 2 + 2
k.
El vector perpendicular
n puede tomarse como
n =
b , es decir,
n =
b =
*

+

k
1 2 1
2 2 2
= 6 + 6
k.
Como
n =
36 + 36 =
72 = 6
2, por lo tanto,
n =

n
n
=
1
2
+
1
k.
Nota que otra posible respuesta es n =
1
2

1
k.
3. Encuentra el rea del tringulo P,- del problema 2.
Sabemos que
_
_
_
b
_
_
_ representa el rea del paralelogramo denido por los
vectores
a y
b . Como el rea del tringulo P,- es la mitad del rea del

32
1.1 Vectores
paralelogramo, se tiene
ar#a
PQR
=
_
_
_
b
_
_
_
2
=
6
2
2
= 3
2.
Para concluir, denimos el triple producto escalar,
a (
c ), que es una
operacin que se lleva a cabo entre tres vectores en R
3
, dando como resultado un
escalar.
Denicin. El triple producto escalar

a (
c ) de tres vectores
a = a
1
+ a
2
+ a
3
k,
b = b
1
+ b
2
+ b
3
k y
c = c
1
+ c
2
+ c
3
k en R
3
es el
escalar
a (
c ) =
a
1
a
2
a
3
b
1
b
2
b
3
c
1
c
2
c
3
.
Geomtricamente, el valor absoluto
a (
c )
del triple producto escalar
a (
c ) representa el volumen del paraleleppedo determinado por los

vectores
a ,
b y
c .
v.(u/#n = ( ar#a d# (a ba"#)(a()ura)
=
__
_
_
c
_
_
_
_
(
a cos 0)
=
c
_
a
_
c
_
Cuando
a (
c )
= 0 los tres vectores no generan volumen, de modo que
a ,
b y
c son coplanares (estn en el mismo plano).

33
n
1.2 Curvas paramtricas. Vector tangente a una curva paramtrica
Una manera frecuente de denir una curva en el plano R
2
es la representacin
cartesiana, en donde la curva es el conjunto de puntos P(x, y) que satisfacen una
ecuacin de la forma y = 1(x).
Existen otras maneras para representar una curva en R
2
, que pueden resultar
ms convenientes que la cartesiana, dependiendo del tipo de simetras de la
curva o la naturaleza de sus posibles aplicaciones. Aqu nos interesa la llamada
representacin paramtrica, que adems de proporcionar una informacin ms
detallada que en la forma cartesiana, puede extenderse fcilmente al caso general
de curvas en R
n
.
La representacin paramtrica de una curva en el plano R
2
expresa las
coordenadas x y y de cada punto de la curva como funciones de una tercer variable,
digamos ), que juega el papel de variable exgena o parmetro. Al ir cambiando de
valores el parmetro ), se van generando nuevos puntos (x()), y())) de la curva,
como se muestra en las siguientes guras.
La gura de la izquierda muestra la evolucin de cada una de las coordenadas x())
y y()) al incrementarse ). La gura de la derecha presenta el mismo razonamiento
pero en un lenguaje vectorial, considerando para cada ) la evolucin del vector de
posicin
r ()) = x()) + y()) .

34
Denicin. Una curva paramtrica es una funcin vectorial,
r : 2 R R
n
,
que a cada nmero ) 2 le asigna un nico vector
r ()) R
n
.
De acuerdo con nuestra discusin anterior, en el caso del plano R
2
una curva
paramtrica se representa mediante una funcin vectorial
r : R R
2
, de la forma
r ()) = x()) + y()) ,

en donde x y y son funciones del parmetro ) en R. Similarmente, en el caso del
espacio R
3
una curva paramtrica se representa mediante una funcin vectorial
r : R R
3
, de la forma
r ()) = x()) + y()) + z())
k,
en donde x, y y z son funciones del parmetro ) en R. Un argumento similar
se sigue para curvas en R
n
, n 4. Cabe mencionar, por ltimo, que la
parametrizacin de una curva no es nica, como se ilustra en el ejemplo 2 a
continuacin.
Ejemplos:
1. Identica la curva
r ()) = x()) + y()) en R

2
, con
x()) = 1 + )
y()) = 2 + ), ) R.
Asignando diferentes valores al parmetro ) se obtiene la recta mostrada en la
gura.
Efectivamente, al eliminar el parmetro ) en el sistema x = 1 + ), y = 2 + ), se
obtiene la ecuacin cartesiana de esta curva, dada por la recta
y = x + 1.
35
n
r (") = x(") + y(") en R

2
, con
x(") = 1 "
y(") = 2 ", " R.
Eliminando el parmetro " en el sistema x(") = 1 ", y(") = 2 ", se obtiene
la ecuacin cartesiana y = x + 1, de modo que se trata de la misma curva que
en ejemplo 1.
r (!) = x(!) + y(!) en R

2
, con
x(!) = r cos !
y(!) = r "#n!, 0 ! < 2$, r > 0 constante.
Aqu no es fcil eliminar el parmetro ! mediante mtodos algebraicos. En lugar
de esto, conviene utilizar identidades trigonomtricas, de la siguiente manera.
Tomando en cuenta que cos
2
! +"#n
2
! = 1, se tiene
_
x
r
_
2
+
_
y
r
_
2
= 1. As, la
ecuacin cartesiana de la curva en este caso corresponde a la circunferencia
x
2
+ y
2
= r
2
,
como se muestra en la gura. Ah se ilustra cmo se van generando los puntos
de esta curva a medida que va cambiando el parmetro !.
r (!) = x(!) + y(!) + z(!)
k en R
3
, con
x(!) = cos !
y(!) = "#n!
z(!) = 3, 0 ! < 2$.
Para la curva
r (!) = cos ! + "#n! + 3
k, 0 ! < 2$, las primeras dos

componentes describen una circunferencia, mientras que la tercera permanece
constante (igual a 3). As, la curva correspondiente es una circunferencia que
36
est elevada 3 unidades en el eje vertical.
r (!) = cos ! + "#n! + !
k en R
3
, con 0 ! < .
Para esta curva, las primeras dos componentes describen una circunferencia,
mientras que la tercera se incrementa continuamente de manera lineal. La curva
obtenida se conoce como hlice (espiral), como se ilustra en la gura.
6. Como una aplicacin a economa, considera el problema de maximizacin de
la utilidad u(x
1
, x
2
) correspondiente a una canasta (x
1
, x
2
) de dos bienes, con
precios jos p
1
y p
2
. Si se dispone de un ingreso &, se tendr una restriccin
presupuestal dada por p
1
x
1
+ p
2
x
2
= &. Esto nos lleva a un problema de
optimizacin restringida, de la forma
maximizar u(x
1
, x
2
)
sujeto a p
1
x
1
+ p
2
x
2
= &.
Como veremos en el captulo 5, el ptimo (x
1
, x
2
) de este problema ocurre en
el punto de tangencia de la recta presupuestal p
1
x
1
+ p
2
x
2
= & con alguna
curva de indiferencia de la funcin u, lo que se conoce como la condicin de
equimarginalidad.
37
n
De esta manera, la canasta ptima depende del nivel de ingreso &, es decir,
(x
1
, x
2
) = (x
1
(&), x
2
(&)).
Aqu el ingreso & es un parmetro que al cambiar de valor hace que el punto
ptimo (x
1
(&), x
2
(&)) se mueva a lo largo de distintas curvas de indiferencia. La
trayectoria que sigue la canasta ptima como funcin del parmetro & se conoce
como curva de ingreso-consumo o senda de expansin del consumo.
La curva de ingreso-consumo es la curva paramtrica
r : R R
2
que para
cada valor del ingreso & R
+
le asigna una canasta ptima
r R
2
, dada por
r (&) = x
1
(&) + x
2
(&) .
Como una curva paramtrica
r ()) es funcin del parmetro ), tiene sentido

preguntarse sobre su razn de cambio o derivada, d
r %d), con respecto al parmetro

). Para ello, primero necesitaramos denir los conceptos de lmite y continuidad,
cuya denicin formal omitiremos aqu.
Denicin. Sea
r ()) una funcin vectorial, con
r : R R
n
. La derivada de
r ()) con respecto a ) es la funcin vectorial d
r %d) dada por

d
r ())
d)
= lm
t0
r () + ))
r ())
)
,
cuando este lmite existe.
Como se ilustra en la siguiente gura, de esta denicin se sigue que el vector
d
r %d) es un vector tangente a la curva
r ()), para cada ).

38
Observa que el vector tangente d
r %d) no necesariamente es perpendicular a la

curva
r ()) en cada valor del parmetro ).

El clculo de la derivada d
r %d) es muy sencillo. Por ejemplo, para una funcin

vectorial
r ()) = 1()) + 3()) + 4())
k en R
3
, se tiene
d
r ())
d)
= lm
t0
r () + ))
r ())
)
= lm
t0
_
1() + )) + 3() + )) + 4() + ))

k
_
_
1()) + 3()) + 4())
k
_
)
= lm
t0
1() + )) 1())
)
+ lm
t0
3() + )) 3())
)
+ lm
t0
4() + )) 4())
)

k
=
d1())
d)
+
d3())
d)
+
d4())
d)

k,
siempre y cuando 1, 3 y 4 sean todas funciones diferenciables de ).
Teorema. Sea
r ()) = 1
1
())#
1
+ 1
2
()) #
2
+ . . . + 1
n
())#
n
una funcin vectorial
en R
n
, con (1
1
, 1
2
, . . . , 1
n
) : R R derivables y #
1
, . . . #
n
la base cannica en R
n
.
La derivada de
r ()) con respecto a ) es la funcin vectorial d
r %d) dada por

d
r ())
d)
=
d1
1
())
d)
#
1
+
d1
2
())
d)
#
2
+ . . . +
d1
n
())
d)
#
n
.
Ejemplos:
1. Encuentra la derivada de
r ()) =
_
)#
3(t1)
_
+ () ln )) , ) > 0, en ) = 1.
Para cada ) > 0 la derivada d
r ())%d) es la funcin vectorial

d
r ())
d)
= (1 3)) #
3(t1)
+ (1 + ln )) .
As, en ) = 1 se tiene
d
r ())
d)
t=1
= 2 + .
2. Encuentra un vector tangente a la circunferencia
r (!) = cos ! + "#n! en el

punto correspondiente a ! = 0. Ilustra con una gura.
Por una parte, el punto correspondiente a ! = 0 es
r(0) = .
39
n
Por otra parte, la derivada d
r (!)%d! es la funcin vectorial

d
r (!)
d!
= "#n! + cos ! ,
que en ! = 0 es el vector
d
r (!)
d!
=0
= .
Por lo tanto, el vector tangente a la curva

r (!) en el punto

r (0) = es
r

(0) = , como se ilustra en la gura.
Reglas de diferenciacin de curvas paramtricas
Sean
u : R R
n
,
v : R R
n
y : R R funciones diferenciables de ).
Sean k R y
c R
n
constantes. Entonces se cumplen las siguientes propiedades:
1.
d
c
d)
=
0
2.
d [k
u ())]
d)
= k
d
u ())
d)
3.
d [
u ()) +
v ())]
d)
=
d
u ())
d)
+
d
v ())
d)
4.
d [())
u ())]
d)
= ())
d
u ())
d)
+
d())
d)

u ())
5.
d [
u ())
v ())]
d)
=
u ())
d
v ())
d)
+
d
u ())
d)

v ())
6.
d [
u ())
v ())]
d)
=
u ())
d
v ())
d)
+
d
u ())
d)

v ())
40
Como una consecuencia de la regla 5 se sigue que si

r ()) es una funcin
vectorial con norma constante, ||
r ())|| = c (c constante), entonces
r
d
r
d)
= 0.
Demostracin:
Sea
r ()) una funcin vectorial tal que ||
r ())|| = c, con c un real no negativo.

Por lo tanto,
||
r ())||
2
= c
2
r ())
r ()) = c
2
d [
r ())
r ())]
d)
= 0
r ())
d
r ())
d)
+
r ())
d
r ())
d)
= 0
2
r ())
d
r ())
d)
= 0
r ())
d
r ())
d)
= 0.
En otras palabras, si la trayectoria

r ()) tiene norma constante, el vector de
posicin
r es ortogonal al vector tangente d
r %d), para cada ).

As, por ejemplo, para el caso de una trayectoria circular
r ()) = (cos )) + ("#n)) ,

que siempre presenta norma constante
||
r ())|| =
cos
2
) + "#n
2
) = 1,
se tiene
r ())
d
r ())
d)
= (cos ) + "#n) ) ("#n) + cos ) )
= "#n) cos ) + "#n) cos ) = 0.
41
n
1.3 Rectas en el espacio. Segmento de recta
Estamos acostumbrados a escribir la ecuacin de la recta como y = /x + b,
donde / representa la pendiente o direccin de la recta y b su ordenada al origen.
Sin embargo, esta forma para la ecuacin de la recta slo es vlida para rectas
en el plano R
2
. En el caso general de rectas en R
n
su ecuacin ya no puede
expresarse en trminos de una sola pendiente, sino que es necesario tomar en
cuenta la orientacin de la recta en relacin con cada uno de los n diferentes ejes
coordenados (cosenos directores). Una manera sencilla de introducir la orientacin
es utilizando vectores, lo que nos llevar a una representacin paramtrica para la
recta, como se expone a continuacin.
Para encontrar la ecuacin de una recta 5 en el espacio general R
n
basta con
proporcionar algn punto conocido P
0
de la recta y un vector
v que sea paralelo

al conjunto de puntos P de la recta.
La recta 5 es el lugar geomtrico de todos los puntos P en R
n
tales que
P
0
P es
paralelo al vector de direccin
v R
n
, es decir,
P
0
P
v .
Esto que implica que ambos vectores son mltiplos entre s, de modo que existe
algn escalar ) R, tal que
P
0
P = )
v .
Esta ltima ecuacin puede expresarse de manera alternativa, introduciendo un
origen de coordenadas, O, a partir del cual los puntos P
0
y P estn localizados por
los vectores de posicin
x
0
=
OP
0
y

x =
OP.
42
De esta manera, se tiene
P
0
P =
x
0
,
de modo que la ecuacin de la recta se convierte en
x
0
= )
v ,
o, equivalentemente,
x =
x
0
+ )
v .
Denicin. La ecuacin vectorial paramtrica de la recta en R
n
que contiene
al punto
x
0
R
n
y es paralela al vector no nulo
v R
n
es
x =
x
0
+ )
v ,
donde
x R
n
y ) R.
La ecuacin vectorial paramtrica de una recta tambin puede escribirse en
trminos de sus componentes escalares. En el caso particular de una recta en R
3
, si
v = a + b + c
k denota el vector de direccin,
x
0
= x
0
+ y
0
+ z
0
k el punto
conocido y
x = x + y + z
k el punto libre de la recta, la ecuacin vectorial
x =
x
0
+ )
v se convierte en
x+y +z
k = (x
0
+y
0
+z
0
k)+)( a+b +c
k) = (x
0
+ a))+(y
0
+ b)) +(z
0
+ c))
k.
Igualando trmino a trmino ambos lados de la ecuacin se obtienen tres
ecuaciones escalares, conocidas como las ecuaciones paramtricas de la recta.
Denicin. Las ecuaciones escalares paramtricas de la recta en R
3
que
contiene al punto P
0
(x
0
, y
0
, z
0
) y es paralela al vector no nulo
v = a + b + c
k
son
x = x
0
+ a), y = y
0
+ b), z = z
0
+ c), ) R.
Similarmente, las ecuaciones escalares de una recta en R
2
son
x = x
0
+ a), y = y
0
+ b), ) R.
Ejemplos:
1. Escribe la ecuacin vectorial paramtrica de la recta en R
2
que contiene al punto
x
0
= + 2 y es paralela al vector
v = + . Luego escribe las ecuaciones

escalares paramtricas de esta recta.
La ecuacin vectorial es
x =
x
0
+ )
v = ( + 2 ) + ) ( + ), esto es
x = ( + 2 ) + ) ( + ) , ) R.
43
n
Las ecuaciones escalares son
x = 1 + ), y = 2 + ), ) R.
Observa que sta es la misma recta que la del ejemplo 1 de la seccin 1.2.
2. Halla las ecuaciones paramtricas de la recta en R
3
con la informacin dada:
a) Contiene al punto P(1, 2, 7) y es paralela al vector
v = 5 + 3
k.
En este caso, se tiene simplemente
x = 1 + 5), y = 2 + 3), z = 7 ), ) R.
b) Contiene al origen y es paralela al vector
v = 4 3 .
Como el origen es el punto O(0, 0, 0), por lo tanto las ecuaciones son
x = 4), y = 3), z = 0, ) R.
c) Contiene al punto ,(1, 2, 3) y es paralela al eje y.
Podemos tomar
v = (o cualquier mltiplo de ste), de modo que

x = 1, y = 2 + ), z = 3, ) R.
3. Encuentra las ecuaciones paramtricas de la recta en R
3
que contiene los
puntos A(2, 1, 4) y B(1, 0, 3). Asimismo, proporciona algunos otros puntos
contenidos en esta recta.
Podemos tomar, por ejemplo,
v =
AB =
k, y el punto conocido puede

ser tanto A como B. As, cualquiera de las siguientes respuestas es vlida
x = 2 + ), y = 1 ), z = 4 ), ) R,
x = 1 + ), y = ), z = 3 ), ) R.
Por otra parte, para obtener cualquiera de los puntos de esta recta basta con
asignar valores arbitrarios al parmetro ). As, por ejemplo, si en la primer
respuesta tomamos ) = 2 obtenemos el punto P
1
(0, 1, 2), o bien, si tomamos
) = 1 generamos el punto P
2
(3, 2, 5), etc. Nota que el punto A se obtiene
cuando ) = 0, y el punto B, cuando ) = 1.
4. Encuentra las ecuaciones paramtricas de la recta tangente a la curva
r () = +
2
en R
2
, en el punto con = 1.
Primero notamos que un punto conocido

x
0
de la recta tangente es,
precisamente, su punto de tangencia con la curva
r () en = 1, es decir,
x
0
=
r (1) = (1, 1).

44
Por otra parte, sabemos que un vector tangente a la curva

r () es
d
r ()%d = + 2 , para cada R. As, la direccin

v de la recta
tangente a la curva en = 1 puede tomarse como
v =
d
r ()
d
=1
= (1, 2).
As, las ecuaciones paramtricas de la recta tangente a
r () en = 1 son
x = 1 + )
y = 1 + 2), ) R.
La siguiente gura muestra la curva
r () y su recta tangente 5 en = 1. En
este ejemplo, la curva paramtrica es la parbola y = x
2
, como se deduce a
partir de x = y y =
2
.
5. Encuentra las ecuaciones paramtricas de los ejes de coordenadas en R
3
.
Como lo muestra la gura, una posible representacin para las ecuaciones
paramtricas de los ejes coordenados est dada por:
i) Eje x: O(0, 0, 0), v =
x = ), y = 0, z = 0, ) R.
ii) Eje y: O(0, 0, 0), v =
x = 0, y = ), z = 0, ) R.
iii) Eje z: O(0, 0, 0), v =

k
x = 0, y = 0, z = ), ) R.
45
n
Por ltimo, como sucede con cualquier representacin paramtrica, las
ecuaciones paramtricas de la recta no admiten una nica representacin. Esto se
debe a que cualquier punto de la recta puede seleccionarse como el punto conocido
P
0
, y que cualquier mltiplo del vector de direccin
v es tambin paralelo a la
recta. As, por ejemplo, la recta representada por las ecuaciones
x = 1 + )
y = 1 ), ) R,
es la misma que la descrita por cualquiera de las siguientes ecuaciones:
x = 2 + "
y = ", " R,
x = u
y = 2 u, u R,
x = 1 3w
y = 1 + 3w, w R.
Una forma alternativa de la ecuacin de la recta, vlida en general para rectas
en R
n
, es la llamada forma simtrica, que se discute a continuacin para el caso
de rectas en R
3
. Para obtener la forma simtrica de la ecuacin de la recta, se
despeja el parmetro ) en cada una de las tres ecuaciones x = x
0
+a), y = y
0
+b),
z = z
0
+ c), es decir,
) =
x x
0
a
, ) =
y y
0
b
) =
z z
0
c
,
y luego se igualan entre s (claro est, suponiendo que a = 0, b = 0 y c = 0), como
se dene a continuacin.
Denicin. La forma simtrica de la ecuacin de la recta en R
3
que contiene al
punto P
0
(x
0
, y
0
, z
0
) y es paralela al vector
v = a + b + c
k, con a = 0, b = 0 y
c = 0, es
x x
0
a
=
y y
0
b
=
z z
0
c
.
46
Por ejemplo, la forma simtrica de las ecuaciones
x = 1 + 3), y = 4), z = 5 2), ) R,
est dada por
x 1
3
=
y
4
=
z + 5
2
.
Nota que esta ltima no es una ecuacin, sino ms bien son tres ecuaciones, a
saber,
x 1
3
=
y
4
,
y
4
=
z + 5
2
y
x 1
3
=
z + 5
2
.
Cuando alguna de las componentes del vector
v es igual a cero, es posible an

contar con una forma simtrica para la ecuacin de la recta correspondiente, de la
siguiente manera:
caso: forma simtrica:
a = 0
y y
0
b
=
z z
0
c
, x = x
0
b = 0
x x
0
a
=
z z
0
c
, y = y
0
c = 0
x x
0
a
=
y y
0
b
, z = z
0
Vale la pena sealar que en el caso particular de rectas en R
2
la correspondiente
forma simtrica,
x x
0
a
=
y y
0
b
,
puede reescribirse como
y =
b
a
(x x
0
) + y
0
,
que es precisamente la ecuacin punto-pendiente de la recta (/ = b%a), con la que
seguramente ests familiarizado. No olvides, sin embargo, que este resultado slo
es vlido para rectas en R
2
. As, por ejemplo, para la recta
x = 1 + 3)
y = 2 5), ) R,
cuya ecuacin en su forma simtrica es
x 1
3
=
y + 2
5
,
se obtiene la ecuacin cartesiana
y =
5
3
x
1
3
.
47
n
Segmento de recta
Hemos visto ya que las ecuaciones paramtricas de una recta en el espacio
contienen un parmetro libre, ) R. Cada vez que ) toma un valor diferente en los
reales, se genera un nuevo punto a lo largo de la recta innita. Sin embargo, si en
lugar de tener la condicin ) R, el parmetro ) se limitara a tomar valores dentro
de un intervalo )
1
) )
2
en los reales, entonces ste ya no generara todos los
puntos de la recta innita, sino tan slo un segmento de la recta.
Denicin. Dada la recta 5 en R
n
x
0
R
n
y es paralela
al vector no nulo
v R
n
, la ecuacin
x =
x
0
+ )
v , )
1
) )
2
,
con )
1
y )
2
jos, determina un segmento de la recta 5.
Ejemplo:
Halla la ecuacin del segmento de recta que une los puntos P(3, 2, 3) y
,(1, 1, 4).
Lo ms sencillo es denir el vector de direccin

v como

v =

P, =
4 3 +7
k. De esta manera, el segmento de recta que une los puntos P y , queda

descrito por las ecuaciones
x = 3 + 4), y = 2 3), z = 3 + 7), 0 ) 1.
En efecto, cuando ) = 0 se obtiene el punto P, cuando ) = 1 se obtiene el punto ,
y para 0 < ) < 1 se generan todos los puntos intermedios entre P y ,.
Interseccin de rectas
Dos rectas en el espacio pueden intersecarse en un nico punto, en una innidad
de puntos (rectas coincidentes), o puede no haber interseccin (rectas paralelas
dentro de un mismo plano, o bien, rectas en diferentes planos). El procedimiento
48
para encontrar el punto de interseccin entre una recta 5
1
, con parmetro ), y
una segunda recta 5
2
, con parmetro ", consiste en igualar trmino a trmino sus
ecuaciones paramtricas para encontrar los valores de ) y " en los que ocurre dicha
interseccin. El punto de interseccin se obtiene tras sustituir los valores obtenidos
para ) y " en las ecuaciones paramtricas de 5
1
y 5
2
, como se muestra en los
siguientes ejemplos.
Ejemplos:
1. Encuentra el punto de interseccin de las siguientes rectas:
5
1
=
_
(x, y) R
2
|x = ), y = 2 ), ) R
_
5
2
=
_
(x, y) R
2
|x = 1 + ", y = 1 + ", " R
_
.
En el punto de interseccin de las rectas 5
1
y 5
2
sus coordenadas x y y deben
ser iguales, es decir,
) = 1 + " y 2 ) = 1 + ".
Resolviendo el sistema de ecuaciones simultneas en ) y " se obtienen los
valores
) = 1 y " = 2.
Finalmente, sustituyendo estos valores en las ecuaciones paramtricas, se
obtiene que la interseccin ocurre en
x = 1 y y = 1.
5
1
=
_
(x, y) R
2
|x = ), y = ), ) R
_
5
2
=
_
(x, y) R
2
|x = ", y = 1 + ", " R
_
.
49
n
Igualando sus coordenadas x y y, obtenemos
) = " y ) = 1 + ".
Resolviendo el sistema de ecuaciones simultneas en ) y " se obtiene una
inconsistencia (1 = 0), de modo que las rectas no se intersecan.
5
1
=
_
(x, y) R
2
|x = ), y = ), ) R
_
5
2
=
_
(x, y) R
2
|x = 1 ", y = 1 ", " R
_
.
Igualando sus coordenadas x y y, obtenemos
) = 1 " y ) = 1 ".
Las dos ecuaciones son idnticas, de modo que el sistema tiene solucin
mltiple. En otras palabras, las rectas coinciden en todos sus puntos.
5
1
=
_
(x, y, z) R
3
|x = 2 + 3), y = 4 2), z = 1 + 4), ) R
_
5
2
=
_
(x, y, z) R
3
x 6
4
=
y + 2
2
=
z + 3
2
_
.
50
1.4 Planos e hiperplanos
Escribimos la ecuacin de la segunda recta en forma paramtrica, como
5
2
=
_
(x, y, z) R
3
|x = 6 + 4", y = 2 + 2", z = 3 2", " R
_
,
de modo que el punto de interseccin se obtiene de
2 + 3) = 6 + 4", 4 2) = 2 + 2" y 1 + 4) = 3 2".
Este es un sistema de 3 ecuaciones simultneas con 2 incgnitas, por lo que
debemos vericar cuidadosamente que sea consistente. En este ejemplo s lo es,
obtenindose los valores
) = 0 y " = 1.
De este modo, el punto de interseccin es
x = 2, y = 4 y z = 1.
5
1
=
_
(x, y, z) R
3
|x = 3 + u, y = 2 4u, z = u, u R
_
5
2
=
_
(x, y, z) R
3
|x = 4 w, y = 3 + w, z = 2 + 3w, w R
_
.
Igualando sus coordenadas x, y y z, obtenemos
3 + u = 4 w, 2 4u = 3 + w y u = 2 + 3w.
Este sistema de 3 ecuaciones con 2 incgnitas es inconsistente, lo que implica
que no existe un punto de interseccin. A diferencia de las rectas en el plano,
aunque 5
1
y 5
2
no son rectas paralelas stas no se intersecan ya que cada una
pertenece a un plano diferente.
Se trata de encontrar la ecuacin del plano $ en el espacio R
3
que contiene a un
punto conocido P
0
y es perpendicular a un vector normal no nulo,
n . En ese caso,
$ es el conjunto de puntos P para los cuales se cumple que
P
0
P
n .
51
n
En otras palabras,
P
0
P = 0.
Introduciendo un origen de coordenadas, O, se puede denir los vectores
x =
OP
y
x
0
=
OP
0
, de modo que
P
0
P =
x
0
. As, la condicin anterior se convierte
en
n (
x
0
) = 0.
Denicin. La ecuacin del plano que contiene al punto

x
0
R
3
y es
perpendicular al vector no nulo
n R
3
es
n (
x
0
) = 0.
La forma
n (
x
0
) = 0 para la ecuacin del plano puede reescribirse en
trminos ms simples si se conocen las componentes de los vectores
n y
x
0
. En
efecto, si se sabe que
n = a +b +c
k,
x
0
= x
0
+y
0
+z
0
k y
x = x +y +z
k,
entonces
x
0
= (x x
0
) + (y y
0
) + (z z
0
)
k.
De esta manera, la ecuacin del plano est dada por
n (
x
0
) =
_
a + b + c
k
_
_
(x x
0
) + (y y
0
) + (z z
0
)
k
_
= a(x x
0
) + b(y y
0
) + c(z z
0
) = 0.
Denicin. La ecuacin cartesiana del plano en R
3
P
0
(x
0
, y
0
, z
0
) y es perpendicular al vector no nulo
n = a + b + c
k es
a(x x
0
) + b(y y
0
) + c(z z
0
) = 0.
52
Por ejemplo, la ecuacin del plano que contiene al punto P(1, 0, 3) y es
perpendicular al vector
n = 5 + 2
k se obtiene de
(5)(x 1) + (1)(y 0) + (2)(z (3)) = 0.
Llevando a cabo las operaciones algebraicas correspondientes, esta ecuacin se
reduce a
5x + y 2z = 11.
De acuerdo con el resultado anterior, la ecuacin de un plano en R
3
siempre
puede llevarse a la forma general
ax + by + cz = d,
donde a, b y c son las componentes del vector normal al plano, y d = ax
0
+by
0
+cz
0
es una constante.
Ejemplos:
1. Proporciona tres puntos contenidos en el plano 3x + 2y + 4z = 12 en R
3
.
Los puntos se obtienen simplemente al encontrar tres valores x, y y z que
satisfagan la ecuacin 3x + 2y + 4z = 12. Por ejemplo, estn los puntos
P
1
(2, 3, 0), P
2
(0, 0, 3) y P
3
(0, 2, 4).
2. Encuentra la ecuacin del plano que contiene a los puntos A(1, 1, 1), B(2, 1, 3)
y C(3, 2, 1).
Aqu el vector normal

n puede construirse como el producto cruz de
cualesquiera dos vectores no paralelos en el plano. Por ejemplo, si se consideran
los vectores
AB = + 2
k y
AC = 2 +
se tiene
n =
AB
AC = 2 + 4 +

k.
El punto conocido P
0
(x
0
, y
0
, z
0
) puede ser cualquiera de los tres puntos dados.
Por ejemplo, si se considera el punto A(1, 1, 1) se llega a que la ecuacin del
plano es
(2) (x 1) + (4) (y 1) + (1)(z 1) = 0,
53
n
o bien,
2x + 4y + z = 3.
Nota que el resultado es independiente de la seleccin del punto, o si tomaste
cualquier otro mltiplo del vector normal
n .
3. Encuentra la ecuacin del plano que contiene al punto P
0
(2, 3, 1) y a la recta 5 :
x = 1 + ), y = 1 ), z = ), ) R.
Primero notamos que el punto P
0
(2, 3, 1) no est contenido en la recta. Si lo
estuviera, existira una innidad de planos que la contendran. Ahora considera
un vector
v
1
que va del punto P
0
a cualquier punto P en la recta 5, de modo
que
v
1
no es paralelo a su vector de direccin,
v
2
= +

k. Entonces,
podemos construir un vector normal

n al plano como el producto cruz,
n =
v
1
v
2
, entre los vectores
v
1
y
v
2
. En particular, escogiendo al punto
P(1, 1, 0) de la recta 5, entonces
v
1
=
P
0
P = 2
k, de modo que
n =
v
1
v
2
= 3 + 3
k.
Por tanto, la ecuacin del plano es
(3)(x 1) + (0) (y 1) + (3)(z 0) = 0,
o bien,
x z = 1.
4. Encuentra la ecuacin del plano que contiene al punto P(1, 2, 3) y es paralelo al
plano 5x 3y + 2z = 11.
Como lo muestra la gura, si un plano $
1
, con vector normal
n
1
, es paralelo
a otro plano $
2
, con vector normal
n
2
, entonces los vectores
n
1
y
n
2
son
tambin paralelos entre s.
54
De este modo, el vector normal
n al plano que buscamos puede escogerse

simplemente como

n = 5 3 + 2
k, que es el vector normal al plano

5x 3y + 2z = 11. As, la ecuacin del plano es
(5)(x 1) + (3) (y 2) + (2)(z 3) = 0,
o bien,
5x 3y + 2z = 5.
5. Encuentra la ecuacin del plano que contiene al punto P(1, 1, 1) y es normal a
la recta
x 1
2
= y + 1 =
z
2
.
Como lo muestra la gura, si un plano $ con vector normal
n es perpendicular
a una recta 5 con vector de direccin
v , entonces los vectores
n y
v son
paralelos entre s.
De este modo, el vector normal
n al plano que buscamos puede escogerse

simplemente como
n = 2 + 2
k, que es el vector de direccin de la recta

x 1
2
= y + 1 =
z
2
. As, la ecuacin del plano es
(2)(x 1) + (1) (y 1) + (2)(z 1) = 0,
o bien,
2x + y 2z = 1.
6. Un lindo ejemplo de planos en economa es el de una restriccin presupuestal,
de la forma
p
1
'
1
+ p
2
'
2
+ p
3
'
3
= &, (p
1
, p
2
, p
3
, & constantes)
que representa un plano en el espacio de cantidades '
1
'
2
'
3
, con vector normal
dado por el vector de precios
p = (p
1
, p
2
, p
3
).
55
n
7. Otro ejemplo bonito es el de la ecuacin de costo lineal
C = w5 + r6,
para cada nivel de trabajo 5 y de capital 6, con precios unitarios dados por el
salario w y la tasa de inters r, respectivamente. Nota que la ecuacin para el
costo presenta la forma
w5 + r6 C = 0,
que representa un plano en el espacio 56C, con vector normal
n = (w, r, 1).
Por lo general, la grca de un plano de la forma ax + by + cz = d en R
3
se construye a partir de las intersecciones de ste con los ejes coordenados. Por
ejemplo, la siguiente gura muestra la grca del plano 3x + 2y + 4z = 12.
Una grca como la anterior presupone que los coecientes a, b, c y d en la
ecuacin ax +by +cz = d son todos diferentes de cero. A continuacin se muestra
la grca de algunos casos especiales, en donde uno o varios de los coecientes
a, b o c pueda ser igual a cero.
c = 0 ax + by = d
(z libre)
b = 0 ax + cz = d
(y libre)
56
a = 0 by + cz = d
(x libre)
a = b = 0 cz = d
(x, y libres)
a = c = 0 by = d
(x, z libres)
b = c = 0 ax = d
(y, z libres)
Ejemplos:
1. Dibuja los siguientes planos en R
3
:
a) 2x + 3y = 6
57
n
b) x + z = 1
c) z = 4
d) y = 3
2. Encuentra las ecuaciones de los planos coordenados en R
3
.
En cada caso, podemos tomar como punto conocido el origen 0(0, 0, 0), y como
vector normal alguno de los vectores base, obteniendo
vector normal ecuacin del plano:
plano xy n =

k z = 0
plano yz n = x = 0
plano xz n = y = 0
58
Interseccin de rectas con planos
La interseccin de una recta 5 y un plano $ puede ocurrir en un nico punto, en
todos los puntos de la recta, o puede no existir interseccin.
Los siguientes ejemplos ilustran el procedimiento para obtener el (los) punto (s)
de interseccin de una recta con un plano.
Ejemplos:
1. Encuentra el punto de interseccin de la recta 5 y el plano $, si
5 =
_
(x, y, z) R
3
| x = 1 3), y = 5), z = 2 + ), ) R
_
$ =
_
(x, y, z) R
3
| x + 2y 3z = 3
_
.
Sustituimos x = 1 3), y = 5) y z = 2 + ) en la ecuacin del plano, es decir
(1 3)) + 2 (5)) 3 (2 + )) = 3,
de donde se obtiene ) = 2. Es decir, la interseccin ocurre cuando el parmetro
) es igual a 2, y esto ocurre en el punto
x = 1 3(2) = 5
y = 5(2) = 10
z = 2 + (2) = 4.
En otras palabras, la recta y el plano se intersecan en el punto P(5, 10, 4).
5 =
_
(x, y, z) R
3
| x = 3, y = 4, z = 2 + ), ) R
_
$ =
_
(x, y, z) R
3
| 2x + 5y = 10
_
.
Sustituimos x = 3, y = 4 en 2x + 5y, obteniendo 2(3) + 5 (4) = 26 = 10, de
modo que no hay interseccin entre la recta y el plano.
59
n
5 =
_
(x, y, z) R
3
| x = 1 + ), y = 1 ), z = ), ) R
_
$ =
_
(x, y, z) R
3
| x z = 1
_
.
Sustituimos x = 1 + ), y = 1 ) y z = ) en la ecuacin del plano, obteniendo
(1 + )) ()) = 1,
que se cumple para todo ). Es decir, la interseccin ocurre a lo largo de toda la
recta.
Interseccin de planos con planos
La interseccin de dos planos $
1
y $
2
puede ocurrir a lo largo de una recta 5, en
todos los puntos de los planos (planos coincidentes) o puede no existir interseccin.
Los siguientes ejemplos ilustran el procedimiento para obtener los puntos de
interseccin de dos planos.
Ejemplos:
1. Encuentra los puntos de interseccin de los planos
$
1
=
_
(x, y, z) R
3
| 2x + 4y + 4z = 8
_
$
2
=
_
(x, y, z) R
3
| x + 3y z = 1
_
.
Las ecuaciones 2x + 4y + 4z = 8 y x + 3y z = 1 forman un sistema de 2
ecuaciones con 3 incgnitas. As, de existir solucin, sta tendr una variable
libre, digamos z. Para proceder, despejamos x de la segunda ecuacin,
x = 1 3y + z,
y la sustituimos en la primera ecuacin, obteniendo
y = 5 + 3z.
60
Sustituyendo este valor de y en la ecuacin x = 1 3y + z, se obtiene
x = 14 8z.
As, la solucin es
x = 14 8z
y = 5 + 3z
z libre.
Esta ltima puede escribirse en forma paramtrica, deniendo z = ). Se obtiene,
entonces,
x = 14 8)
y = 5 + 3)
z = ), ) R.
As, los planos $
1
y $
2
se intersecan en la recta x = 14 8), y = 5 + 3),
z = ), ) R.
$
1
=
_
(x, y, z) R
3
| 5x 7y + 4z = 18
_
$
2
=
_
(x, y, z) R
3
| 10x 14y + 8z = 24
_
.
Si multiplicamos la primera ecuacin por 2 al resultado le restamos la segunda
ecuacin, obtenemos que 0 = 12, lo cual es inconsistente. As, los planos $
1
y
$
2
no se intersecan.
$
1
=
_
(x, y, z) R
3
| 5x 7y + 4z = 18
_
$
2
=
_
(x, y, z) R
3
| 10x 14y + 8z = 36
_
.
Si multiplicamos la primera ecuacin por 2 y al resultado le restamos la segunda
ecuacin, obtenemos que 0 = 0, lo cual signica que los planos se intersecan en
todos sus puntos, es decir, se trata de planos coincidentes.
61
n
Ecuacin paramtrica del plano
Adems de la representacin cartesiana que ya vimos, la ecuacin del
plano tambin admite una representacin paramtrica, que presentaremos muy
brevemente.
Denicin. La ecuacin vectorial paramtrica del plano que contiene al punto
x
0
y a los vectores no nulos
u y
v que no son paralelos es
x =
x
0
+ )
u + "
v ,
donde ", ) (, ).
Para pasar de la ecuacin cartesiana del plano a su ecuacin paramtrica, se
parametrizan dos de las tres variables, x, y o z, como se muestra a continuacin.
Ejemplo:
Encuentra la ecuacin paramtrica del plano x + 2y z = 3 en R
3
.
Simplemente podemos proponer la parametrizacin y = ) y z = ", de modo que
x = 3 2) + "
y = )
z = ", ), " R.
Estas ecuaciones pueden expresarse en forma vectorial como
_
_
x
y
z
_
_
=
_
_
3
0
0
_
_
+ )
_
_
2
1
0
_
_
+ "
_
_
1
0
1
_
_
, ), " R,
que es de la forma
x =
x
0
+)
u +"
v , con
x
0
= 3,
u = 2 + y
v = +
k.
Por ltimo, cabe sealar que
v = +2
k es precisamente el vector normal
n al plano x + 2y z = 3.
62
Hiperplanos
La forma
n (
x
0
) = 0 para la ecuacin del plano no se limita al espacio
tridimensional R
3
, sino que es vlida para espacios R
m
de dimensin mayor
(/ > 3). En este caso, al plano se le denomina hiperplano.
Denicin. La ecuacin del hiperpano que contiene al punto
x
0
R
m
y es
perpendicular al vector no nulo
n R
m
es
n (
x
0
) = 0.
En particular, si P
0
(x
0
1
, x
0
2
, . . . , x
0
m
) y

n = (a
1
, a
2
, . . . , a
m
), la ecuacin
cartesiana del hiperplano es
a
1
(x
1
x
0
1
) + a
2
(x
2
x
0
2
) + + a
n
(x
m
x
0
m
) = 0.
Ejemplos:
1. La ecuacin del hiperplano en R
4
que contiene al punto P
0
(1, 2, 0, 3) y es
normal al vector
n = (5, 2, 3, 1) est dada por

5(x
1
1) + 2(x
2
(2)) + 3(x
3
0) (x
4
3) = 0,
es decir,
5x
1
+ 2x
2
+ 3x
3
x
4
= 2.
2. Un ejemplo en economa est dado por el hiperplano presupuestal,
p
1
x
1
+ p
2
x
2
+ + p
n
x
n
= &,
o bien
x = &,
cuyo vector normal es el vector de precios,
p = (p
1
, p
2
, . . . , p
n
).
63
n
1.5 Conjuntos abiertos, cerrados, acotados, compactos, convexos
Aqu presentaremos algunas nociones bsicas de topologa, necesarias para
comprender el signicado de los teoremas y conceptos que veremos ms adelante
en el curso, particularmente en el tema de optimizacin de funciones en varias
variables.
Denicin. Dado un punto
x
0
R
n
y un nmero real 0 > 0 la vecindad
7
x
0
) con centro en
x
0
y radio 0 es el conjunto de todos los puntos
x R
n
cuya distancia a
x
0
es menor que 0, es decir,
7
x
0
) = {
x R
n
| ||
x
0
|| < 0 } .
Ejemplos:
1. Una vecindad en R es el conjunto 7
(x
0
) = { x R | | x x
0
| < 0 }, que
representa un intervalo abierto en los reales, con radio 0 y centro en x
0
.
| x x
0
| < 0
0 < x x
0
< 0
x
0
0 < x < x
0
+ 0
2. Una vecindad en R
2
es el conjunto 7
x
0
) = {
x R
2
| ||
x
0
|| < 0 },
que representa los puntos dentro de un crculo de radio 0 y centro en
x
0
.
||
x
0
|| < 0
_
(x x
0
)
2
+ (y y
0
)
2
< 0
(x x
0
)
2
+ (y y
0
)
2
< 0
2
64
3. Una vecindad en R
3
es el conjunto 7
x
0
) = {
x R
3
| ||
x
0
|| < 0 },
que representa los puntos dentro de una esfera de radio 0 y centro en
x
0
.
||
x
0
|| < 0
_
(x x
0
)
2
+ (y y
0
)
2
+ (z z
0
)
2
< 0
(x x
0
)
2
+ (y y
0
)
2
+ (z z
0
)
2
< 0
2
Con base en los ejemplos anteriores, es claro por qu a una vecindad tambin se
le llama bola abierta.
Denicin. Sea A R
n
y sea
x
0
R
n
. Decimos que:
a)
x
0
es un punto interior de A si existe un nmero 0 > 0 tal que la vecindad
7
x
0
) est totalmente contenida en A.
b)
x
0
es un punto exterior de A si existe un nmero 0 > 0 tal que la vecindad
7
x
0
) no contiene puntos de A.
c)
x
0
es un punto frontera de A si para todo nmero 0 > 0 la vecindad 7
x
0
)
contiene puntos de A y puntos fuera de A. Los puntos frontera de A pueden, o no,
pertenecer a A.
As, por ejemplo, si A = {(x, y) R
2
| x
2
+ y
2
1 } , entonces el conjunto de
puntos interiores (PI), puntos exteriores (PE) y puntos frontera (PF) de A son los
conjuntos:
P& = {(x, y) R
2
| x
2
+ y
2
< 1 }
PE = {(x, y) R
2
| x
2
+ y
2
> 1 }
PF = {(x, y) R
2
| x
2
+ y
2
= 1 }
65
n
Nota que los conjuntos P&, PE y PF anteriores se mantienen igual si en lugar
de A se considera el conjunto B = {(x, y) R
2
| x
2
+ y
2
< 1 } .
Ejemplos:
1. A = R
2
+
= {(x, y) R
2
| x 0 y y 0 }.
2. A = R
2
++
= {(x, y) R
2
| x > 0 y y > 0 }.
66
3. A = {(x, y) R
2
| xy = 0 }.
4. A = {(x, y) R
2
| 1 x < 5 y 1 y < 3 }.
5. A = {(x, y) R
2
| x
2
+ y
2
> 1 }.
6. A = {x R | a < x b } .
67
n
7. A = {(x, y) R
2
| a < x b } .
8. A = {(x, y) R
2
| a < x b, y = 0 }.
Denicin. Sea A R
n
. Se dice que A es un conjunto abierto si A est
formado exclusivamente por puntos interiores, es decir, si para todo
x A existe
7
x ) tal que 7
x ) A.
En otras palabras, se dice que A es un conjunto abierto cuando ninguno de sus
puntos frontera pertenece a A.
Ejemplos:
1. A = {x R | 1 < x < 2 } es abierto: sus puntos frontera son x = 1 y x = 2, y
ninguno de estos pertenece a A.
68
2. A = { (x, y) R
2
| 1 < x < 2 } es abierto: sus puntos frontera son todos
aquellos sobre las rectas x = 1 y x = 2, y ninguno de estos pertenece a A.
3. A = { (x, y) R
2
| 1 < x < 2, y = 0 } no es abierto: todos los puntos de A
son puntos frontera.
4. A = {(x, y) R
2
| x
2
+ y
2
< 1 } {(2, 2)} no es abierto: A contiene un punto
frontera, que es el punto (2, 2).
Teorema. a) La unin de conjuntos abiertos es un conjunto abierto. b) La
interseccin nita de conjuntos abiertos es un conjunto abierto.
En relacin con el inciso b) de este ltimo teorema es importante entender por
qu se requiere que la interseccin sea nita, y no innita, para garantizar que el
69
n
conjunto resultante de la unin sea un conjunto abierto. Para ello, considera como
ejemplo el conjunto de intervalos &
n
denidos por
&
n
=
_
1
n
,
1
n
_
,
para todo n 8. Es claro que cada &
n
es un conjunto abierto; sin embargo la
interseccin de todos los conjuntos &
n
es el conjunto
nN
&
n
= &
1
&
2
&
n
= {0} ,
que no es un conjunto abierto (el nico elemento del conjunto es 0, que es un punto
frontera).
Denicin. Sea A R
n
. Se dice que A es un conjunto cerrado si para todo
punto que no pertenece a A es posible encontrar una vecindad que no contenga
puntos de A.
Teorema. Un conjunto es cerrado si y slo si contiene a todos sus puntos
frontera.
Ejemplos:
1. A = {x R | 1 x 2 } es cerrado: sus puntos frontera son x = 1 y x = 2,
y ambos pertenecen a A.
70
2. A = { (x, y) R
2
|(x 2)
2
+ (y 2)
2
1 } es cerrado: sus puntos frontera
son todos los puntos de la circunferencia, que pertenecen a A.
3. A = { (x, y) R
2
|(x 2)
2
+ (y 2)
2
= 1 } es cerrado: todos sus puntos son
frontera.
4. A = {(x, y) R
2
| x
2
+ y
2
1 } {(2, 2)} es cerrado: A contiene toda su
frontera, que consiste en los puntos de la circunferencia, junto con el punto
(2, 2).
5. A = R
2
+
= {(x, y) R
2
| x, y 0 } es cerrado: A contiene a toda su frontera,
que son los ejes coordenados, en su parte no negativa.
71
n
6. A = {x R| x 2 } es cerrado: A contiene a toda su frontera, que es el punto
x = 2.
No necesariamente un conjunto debe ser abierto o cerrado. Exis-
ten conjuntos que no son ni abiertos ni cerrados, como es el caso de
A = {(x, y) R
2
| 1 x < 5 y 1 y < 3 }, ya que ste contiene al-
gunos de sus puntos frontera (de modo que no es abierto), pero no los contiene a
todos ellos (de modo que no es cerrado).
Teorema. Un conjunto es cerrado si y slo si su complemento es abierto.
A partir de este teorema se puede demostrar que existen dos (y slo dos)
conjuntos que son abiertos y cerrados a la vez, que son el conjunto R
n
y el conjunto
vaco, . Para ello, nota primero que R
n
es el complemento de , y viceversa. El
argumento es el siguiente. Por una parte, R
n
es abierto, ya que no contiene puntos
frontera. En consecuencia, es cerrado. Por otra parte, es abierto, ya que no
contiene puntos frontera (de hecho, no contiene ningn punto). En consecuencia,
R
n
es cerrado.
Teorema. a) La interseccin de conjuntos cerrados es un conjunto cerrado.
b) La unin nita de conjuntos cerrados es un conjunto cerrado.
De acuerdo con el inciso b) de este teorema, slo se puede asegurar que la unin
de cerrados es un conjunto cerrado cuando el nmero de estos conjuntos es nito.
El siguiente ejemplo ilustra cmo la unin innita de conjunto cerrados puede
72
resultar en un conjunto abierto. Considera el conjunto de intervalos &
n
denidos
por
&
n
= [n, n],
para todo n 8. Es claro que cada &
n
es un conjunto cerrado. La unin de todos
ellos es el conjunto
nN
&
n
= &
1
&
2
&
n
= R,
que es un conjunto abierto (el conjunto de los reales no contiene puntos frontera).
Denicin. Un conjunto A R
n
es un conjunto acotado si existe una vecindad
con centro en el origen que contiene totalmente a A, es decir, si existe 0 > 0 tal que
A 7
0).
En otras palabras, un conjunto es acotado si no contiene puntos arbitrariamente
alejados del origen.
Ejemplos:
1. A = {(x, y) R
2
| 1 < x < 2 , 1 < y < 2 } es acotado: cualquier vecindad
7
0) de radio 0 >
8 contiene totalmente los puntos de A.

2. A = {x R | 1 < x 2 } es acotado: cualquier vecindad 7
(0) de radio 0 > 2

contiene totalmente los puntos de A.
73
n
3. A = R
2
+
= { (x, y) R
2
| x 0, y 0 } no es un conjunto acotado, pero s es
cerrado.
Los ejemplos anteriores muestran que un conjunto puede, o no, ser acotado,
independientemente de si es abierto, cerrado o ninguno de estos.
n
es un conjunto compacto si ste es cerrado y
acotado.
Ejemplos:
1. A = {x R | 1 x 2 } es compacto, ya que es cerrado y acotado.
2. A = {x R | 1 < x 2 } no es compacto, ya que es acotado, pero no cerrado.
3. A = {(x, y) R
2
| 1 x 2 , 1 y 2 } es compacto, ya que es cerrado y
acotado.
74
4. A = {(x, y) R
2
| 1 x 2 } no es compacto, ya que es cerrado, pero no
acotado (la variable y es libre).
n
es un conjunto convexo si para cualquier par
de puntos
x ,
y A el segmento de recta que los une tambin est en A, es decir,

si
)
x + (1 ))
y A,
para todo 0 ) 1.
En esta denicin, nota que la expresin
)
x + (1 ))
y =
y + )(
y ),
conocida como combinacin convexa, es la ecuacin paramtrica de la recta que
contiene al punto
y y est en la direccin
y ; al limitar el dominio de ), entre

0 y 1, se obtiene el segmento de recta entre los puntos
x y
y .
75
n
Ejemplos:
1. A = {x R | 1 x 2 } es convexo.
2. A = {x R | 1 < x 2 } es convexo.
3. A = {x R | 1 x 2 } {x R | 3 x 4 } no es convexo.
4. A = {(x, y) R
2
| x + y = 1} es convexo.
5. A = {(x, y) R
2
| x
2
+y
2
1} es convexo.
76
6. A = {(x, y) R
2
| x
2
+y
2
= 1} no es convexo.
Los conjuntos convexos son muy importantes en economa. Por ejemplo,
similarmente al ejemplo 4, tenemos que las canastas (x, y) en R
2
+
que satisfacen una
restriccin presupuestal de la forma & = p
x
x + p
y
y, con &, p
x
y p
y
jos, forman un
conjunto convexo. Como un segundo ejemplo podemos considerar las preferencias
de un consumidor, dadas por el conjunto P =
_
(x, y) R
2
+
| u(x, y) u
0
_
de las canastas (x, y) que dan una utilidad u mayor o igual a un valor u
0
. Si
suponemos que P es convexo y
x ,
y P, entonces cualquier canasta intermedia
z = )
x + (1 ))
y , 0 ) 1, tambin dar una utilidad mayor o igual a u

0
.
u(
x ) u
0
y u(y) u
0
u(z) u
0
Los siguientes ejemplos ilustran la demostracin formal de que un conjunto es
convexo.
Ejemplos:
1. Demuestra que el conjunto A = { (x, y) R
2
| x + y = 1 } es convexo.
Sean
x
1
= (x
1
, y
1
),

x
2
= (x
2
, y
2
) A. Por lo tanto,
x
1
+ y
1
= 1 y x
2
+ y
2
= 1.
77
n
Sea
z = )
x
1
+ (1 ))
x
2
, con 0 ) 1, de modo que
z = )(x
1
, y
1
) + (1 ))(x
2
, y
2
)
= ()x
1
+ (1 ))x
2
, )y
1
+ (1 ))y
2
)
= (z
1
, z
2
).
As,
z
1
+ z
2
= )x
1
+ (1 ))x
2
+ )y
1
+ (1 ))y
2
= )(x
1
+ y
1
) + (1 ))(x
2
+ y
2
)
= )(1) + (1 ))(1) = 1,
de donde concluimos que
z = (z
1
, z
2
) A. Por lo tanto, A es convexo.
2. Demuestra que el conjunto A = { (x, y) R
2
| a x b } es convexo.
Sean
x
1
= (x
1
, y
1
),

x
2
= (x
2
, y
2
) A. Por lo tanto,
a x
1
b y a x
2
b.
Sea
z = )
x
1
+ (1 ))
x
2
, con 0 ) 1, de modo que
z = )(x
1
, y
1
) + (1 ))(x
2
, y
2
)
= ()x
1
+ (1 ))x
2
, )y
1
+ (1 ))y
2
)
= (z
1
, z
2
).
Como ) 0 y 1 ) 0, por lo tanto
)a )x
1
)b y (1 ))a (1 ))x
2
(1 ))b.
Sumando ambas expresiones tenemos
)a + (1 ))a )x
1
+ (1 ))x
2
)b + (1 ))b,
es decir,
a )x
1
+ (1 ))x
2
b,
y, por lo tanto,
a z
1
b.
78
As,
z = (z
1
, z
2
) A, de modo que A es convexo.
Teorema. La interseccin de conjuntos convexos es un conjunto convexo.
Demostracin:
Sean A y B dos conjuntos convexos. Si A B = , entonces A B es
convexo (el vaco es un conjunto convexo). Supongamos que A B = y sean
x ,
y A B. Por lo tanto,
x ,
y A y
x ,
y B. Sea
z = )
x + (1 ))
y ,
con 0 ) 1. Como A es convexo y
x ,
y A, por lo tanto
z = )
x + (1 ))
y A.
Como B es convexo y
x ,
y B, por lo tanto
z = )
x + (1 ))
y B.
Por lo tanto,
z A B,
de modo que A B es convexo.
Por ltimo, nota que la unin de dos conjuntos convexos no es un conjunto
convexo, en general.
79
Captulo 2
Funciones de varias variables
En este captulo extenderemos la denicin de funcin al caso de varias
variables, presentando diversos conceptos relacionados, tales como el de
conjuntos de nivel de la funcin. Posteriormente, presentaremos algunas
supercies cuadrticas de inters. Concluiremos estudiando los conceptos de
lmite y continuidad.
2.1 Dominio e imagen. Representacin geomtrica
Denicin. Sea 2 R
n
. Una funcin real, o campo escalar, 1 : 2 R,
es una regla de correspondencia que a cada elemento (x
1
, x
2
, . . . , x
n
) 2
le asigna un nico nmero w = 1(x
1
, x
2
, . . . , x
n
) R. El conjunto 2 es el
dominio de f y R es el contradominio de f.
En la expresin w = 1(x
1
, x
2
, . . . , x
n
), los elementos (x
1
, x
2
, . . . , x
n
) 2
son las variables independientes, y w R es la variable dependiente. As,
por ejemplo, para la funcin 1 : R
2
R, denida por 1(x, y) = x
2
+ y
2
,
las variables independientes son todas las parejas (x, y) R
2
y la variable
dependiente es z R, que depende de las anteriores a travs de z = x
2
+ y
2
.
Cuando el dominio de una funcin 1(x
1
, x
2
, . . . , x
n
) no se especica
a priori, debe entenderse como tal al conjunto ms grande de elementos
(x
1
, x
2
, . . . , x
n
) R
n
para los que 1 toma valores en R (por ejemplo, que no
se divida por cero o se extraiga la raz cuadrada de un nmero negativo). A
este conjunto se le conoce como el dominio natural D
f
de 1, dado por
D
f
= { (x
1
, x
2
, . . . , x
n
) R
n
| 1(x
1
, x
2
, . . . , x
n
) R } .
Por otra parte, la imagen o rango &
f
de la funcin 1 es el conjunto de valores
w en el contradominio, R, obtenidos al aplicar la regla 1 a los elementos de
D
f
, es decir,
&
f
= { w R | w = 1(x
1
, x
2
, . . . , x
n
), para todo (x
1
, x
2
, . . . , x
n
) D
f
} .
80
2.1 Dominio e imagen. Representacin geomtrica
Ejemplos:
1. Sea z = 1(x, y), con 1(x, y) =
1
x
2
+ y
2
una funcin en R
3
. El dominio natural
D
f
se obtiene al pedir que el denominador sea diferente de cero (x
2
+ y
2
= 0).
As,
D
f
=
_
(x, y) R
2

x
2
+ y
2
= 0
_
= R
2
\{(0, 0)}.
Como 1 slo puede tomar valores positivos, entonces su imagen &
f
es el
conjunto
&
f
= { z R | z > 0 } = R
+
.
2. Sea z = 1(x, y), con 1(x, y) =
1
_
9 x
2
y
2
una funcin en R
3
. Para
encontrar D
f
pedimos que el denominador sea diferente de cero (9x
2
y
2
= 0)
y el radicando sea no negativo (9 x
2
y
2
0), es decir, 9 x
2
y
2
> 0. As,
D
f
=
_
(x, y) R
2

x
2
+ y
2
< 9
_
.
Como 1 slo puede tomar valores negativos y no mayores que 1%3, entonces
su imagen &
f
es el conjunto
&
f
= { z R | z 1%3 } .
3. Sea z = 1(x, y), con 1(x, y) = ln(x + y) una funcin en R
3
. En este caso,
D
f
=
_
(x, y) R
2
| x + y > 0
_
&
f
= { z R } = R.
4. Sea w = 1(x, y, z), con 1(x, y, z) =
xln z
y
una funcin en R
4
. En este caso,
D
f
=
_
(x, y, z) R
3
| y = 0, z > 0
_
&
f
= { w R } = R.
5. Sea w = 1(x, y, z), con 1(x, y, z) = 1
_
1 x
2
y
2
una funcin en R
4
. En
este caso,
D
f
=
_
(x, y, z) R
3

x
2
+ y
2
1
_
&
f
= { w R | 0 w 1 } .
En economa hay varios ejemplos de funciones, como las que se presentan a
continuacin.
81
Captulo 2 Funciones de varias variables
1. Las funciones de produccin Cobb-Douglas, P : R
2
+
R, dadas por
P(5, 6) = A5
6
1
,
en donde P denota la produccin, 5 el trabajo y 6 el capital, y donde A > 0 y
0 < < 1 son constantes.
2. Una funcin de costo lineal, C : R
2
+
R, dada por
C(5, 6) = w5 + r6,
donde C denota el costo, 5 el trabajo y 6 el capital, y donde w > 0 y r > 0
denotan el salario y la tasa de inters, respectivamente.
3. Las funciones de utilidad, u : R
n
++
R, dadas por
u(x
1
, x
2
, . . . , x
n
) =
1
ln x
1
+
2
ln x
2
+ +
n
lnx
n
= ln(x
1
1
x
2
2
. . . x
n
n
),
en donde u denota la utilidad para una canasta (x
1
, x
2
, . . . , x
n
) de n bienes, con
x
i
> 0, y donde cada
i
es constante, con 0 <
i
< 1 y
1
+
2
+. . . +
n
= 1.
Geomtricamente, la funcin 1 : 2 R
n
R representa un objeto en
R
n+1
. Si n = 1, la ecuacin y = 1(x) representa una curva en R
2
. Si n = 2,
la ecuacin z = 1(x, y) representa una supercie en R
3
. Si n 3, la ecuacin
w = 1(x
1
, x
2
, . . . , x
n
representa una hipersupercie en R
n+1
(sin representacin
grca).
Ejemplos:
1. La ecuacin 2x + 3y + 6z = 12 puede pensarse como una funcin lineal
1 : R
2
R, dada por z = 1(x, y) = 2
1
3
x
1
2
y, cuya grca corresponde a
un plano en R
3
.
D
f
=
_
(x, y) R
2
_
= R
2
&
f
= { z R } = R.
82
2.2 Conjuntos de nivel
2. La ecuacin x
2
+ y
2
+ z
2
= 4, con z 0, puede pensarse como una funcin
1 : D
f
R
2
R, dada por z = 1(x, y) =
_
4 x
2
y
2
, cuya grca
corresponde a la parte superior de una esfera en R
3
.
D
f
=
_
(x, y) R
2

x
2
+ y
2
4
_
&
f
= { z R |0 z 2 } .
Denicin. Un conjunto de nivel de una funcin w = 1(x
1
, x
2
, . . . , x
n
) en R
n+1
es
el conjunto de puntos (x
1
, x
2
, . . . , x
n
) D
f
tales que 1 toma un valor constante c,
es decir,
1(x
1
, x
2
, . . . , x
n
) = c.
En particular, si n = 2 el conjunto es una curva de nivel y si n = 3 es una supercie
de nivel.
Los conjuntos de nivel pertenecen al mismo espacio que el dominio de la
funcin. As, si 1 est en R
n+1
, sus conjuntos de nivel estn en R
n
.
83
Ejemplos:
1. Identica los conjuntos de nivel de la funcin z = 1(x, y), con 1 : R
2
R
denida por 1(x, y) = x
2
+ y
2
. Cul de estos contiene al punto P(3, 4)?
Como veremos en la seccin 2.3, la supercie z = x
2
+ y
2
es un paraboloide en
R
3
, segn se ilustra en la gura de la izquierda. En la gura de la derecha se
muestran algunas de sus curvas de nivel en R
2
, dadas por las circunferencias
x
2
+ y
2
= c, con centro en el origen y radio
c, c 0.
La curva de nivel de 1 que contiene a P(3, 4) es tal que (3)
2
+(4)
2
= 25 = c.
As, la curva de nivel buscada es x
2
+ y
2
= 25.
2. Sea 2 =
_
(x, y) R
2
+
| x + y 2
_
. Identica los conjuntos de nivel de la
funcin z = 1(x, y), con 1 : 2 R denida por 1(x, y) = 2 x y.
La supercie z = 2 x y representa la porcin del plano x + y + z = 2
correspondiente al primer octante de R
3
, como se muestra en la gura de la
izquierda. En la gura de la derecha se muestran algunas de sus curvas de nivel
en R
2
, dadas por los segmentos de recta x + y = 2 c, con 0 c 2.
84
3. Identica los conjuntos de nivel de la funcin y = 1(x), con 1 : R R
denida por 1(x) = x + 1.
La curva y = x + 1 representa una recta en R
2
, como se muestra en la gura de
la izquierda. En la gura de la derecha se muestran algunos de sus conjuntos de
nivel en R, dados por los puntos x = c 1 en R.
4. Identica los conjuntos de nivel de la funcin w = 1(x, y, z), con 1 : R
3
R
denida por 1(x, y, z) = x
2
+ y
2
+ z
2
.
La funcin w = x
2
+ y
2
+ z
2
representa una hipersupercie en R
4
, de modo
que no podemos representarla grcamente. Sus conjuntos de nivel son las
supercies en R
3
, dadas por las esferas x
2
+y
2
+z
2
= c con centro en el origen
y radio
c, c 0.
5. Identica los conjuntos de nivel de la funcin de produccin Cobb-Douglas
, = P(5, 6), con P : R
2
+
R denida por P(5, 6) = 5
1/2
6
1/2
.
La supercie , = 5
1/2
6
1/2
tiene la forma de una tienda de campaa en
R
3
, como se ilustra en la gura de la izquierda. En la gura de la derecha se
muestran algunas de sus curvas de nivel en R
2
, o isocuantas, que representan
hiprbolas de la forma 6 = c
2
%5 en R
2
+
, con c > 0.
85
6. Identica los conjuntos de nivel de la funcin de utilidad u = u(x, y), con
u : R
2
++
R denida por u(x, y) =
1
2
ln x +
1
2
ln y.
Nota que u(x, y) = ln
_
x
1/2
y
1/2
_
, de modo que u es el logaritmo de una funcin
como la del ejemplo 5. Sus curvas de nivel en R
2
, o curvas de indiferencia, son
hiprbolas de la forma y = d%x, con d = #
2c
, que son similares a las del ejemplo
anterior, pero estn en otra escala.
7. Determina la supercie de nivel de la funcin 1(x, y, z) = ln(2 x y) en R
4
que contiene al punto P(1, 0, 3).
Las supercies de nivel de 1 son los planos x +y = 2 #
c
en R
3
. En particular,
el plano que contiene al punto P(1, 0, 3) es tal que 1 + 0 = 2 #
c
, es decir,
c = 0. As, la supercie de nivel buscada es x + y = 1 (con z libre).
2.3 Supercies cuadrticas
Denicin. Una supercie es un conjunto de puntos en R
3
que satisfacen una
relacin de la forma F(x, y, z) = 0.
As, por ejemplo, la ecuacin x
2
y
2
+ z
2
= 1 representa una supercie en R
3
.
Cabe sealar que no toda supercie es una funcin, como veremos a lo largo de
esta seccin.
86
Denicin. Las trazas de una supercie en R
3
son las curvas formadas por la
interseccin de la supercie con cada uno de los planos coordenados.
Por ejemplo, para el plano 2x + y + 3z = 12 en R
3
, su traza xy es la curva
2x + y = 12,
obtenida de la interseccin esta supercie con el plano z = 0. Similarmente, su
traza yz es
y + 3z = 12,
obtenida a partir de la interseccin con el plano x = 0, y su traza xz es
2x + 3z = 12,
obtenida a partir de la interseccin con el plano y = 0.
Algunas supercies famosas en R
3
A) Planos
Como ya vimos, un plano $ es cualquier conjunto de puntos de la forma
$ =
_
(x, y, z) R
3
| ax + by + cz = d
_
,
donde a, b, c, d son constantes. En la siguiente gura se muestra la grca del
plano, para a, b, c, d = 0.
87
B) Esferas
Una esfera 2 de radio r y centro en (x
0
, y
0
, z
0
) es cualquier conjunto de puntos
de la forma
2 =
_
(x, y, z) R
3

(x x
0
)
2
+ (y y
0
)
2
+ (z z
0
)
2
= r
2
_
.
Claramente, si r = 0 el nico elemento de 2 sera el punto (x
0
, y
0
, z
0
).
Por ejemplo, la ecuacin (x 1)
2
+ y
2
+ (z + 3)
2
= 4 representa una esfera de
radio 2 y centro en el punto (1, 0, 3).
C) Cilindros
Denicin. Dada una curva plana C y una lnea recta 5 que interseca a C y que
no est en el plano de sta, el conjunto de todas las rectas que son paralelas a 5 y
que intersecan a C se llama cilindro. A C se le conoce como la curva generatriz
del cilindro.
En el caso particular de un cilindro paralelo a alguno de los ejes coordenados, la
ecuacin correspondiente al cilindro no contiene a la variable de ese eje.
Ejemplos:
1. Esboza la grca de x
2
+ z
2
= 1 en R
3
.
Como en esta ecuacin no aparece la variable y, se trata de una supercie en
donde esa variable es libre. La ecuacin representa un cilindro circular que
88
se extiende a lo largo del eje y, cuya curva generatriz C es la circunferencia
x
2
+ z
2
= 1.
2. Esboza la grca de z = y
2
en R
3
.
Como en esta ecuacin no aparece la variable x, se trata de una supercie en
donde esa variable es libre. La ecuacin representa un cilindro parablico que
se extiende a lo largo del eje x, cuya curva generatriz C es la parbola z = y
2
.
3. Esboza la grca de y = "#nx en R
3
.
Como en esta ecuacin no aparece la variable z, se trata de una supercie en
donde esa variable es libre. La ecuacin representa un cilindro senoidal, cuya
curva generatriz C es la funcin y = "#nx, y que se extiende a lo largo del eje z:
89
D) Supercies cuadrticas
Para estudiar las supercies cuadrticas se necesita conocer el tema de cnicas.
El lector puede encontrar una breve discusin sobre las ecuaciones y grcas de las
cnicas en el Apndice A.
Denicin. Una supercie cuadrtica es la grca en R
3
de una ecuacin de
segundo grado en las variables x, y, z, de la forma
Ax
2
+ By
2
+ Cz
2
+ Dxy + Eyz + Fxz + 9x + :y + &z + ; = 0,
con A, B, . . . , ; constantes, y en donde A = 0, B = 0 o C = 0.
Las esferas y algunos tipos de cilindros son casos particulares de supercies
cuadrticas, como se muestra en los siguientes ejemplos.
Ejemplos:
1. La ecuacin y
2
+4z
2
= 4 describe a un cilindro elptico, que corre a lo largo del
eje x.
2. La ecuacin x
2
y
2
= 1 describe a un cilindro hiperblico, que corre a lo
largo del eje z.
A continuacin presentamos algunas de las supercies cuadrticas ms notables,
que en general no representan funciones en R
3
. Se discutirn los casos ms
simples, en donde las supercies estn centradas en el origen, o bien, tendrn a
los ejes coordenados como eje de simetra. En todos los casos, supondremos que
a, b, c = 0.
90
1. Elipsoide:
x
2
a
2
+
y
2
b
2
+
z
2
c
2
= 1.
Traza xy: Elipse
x
2
a
2
+
y
2
b
2
= 1
Traza xz: Elipse
x
2
a
2
+
z
2
c
2
= 1
Traza yz: Elipse
y
2
b
2
+
z
2
c
2
= 1
Curvas de nivel (z = 6, |6| < |c| ):
Elipses
x
2
a
2
_
1
6
2
c
2
_ +
y
2
b
2
_
1
6
2
c
2
_ = 1
2. Paraboloide elptico:
z
c
=
x
2
a
2
+
y
2
b
2
.
Traza xy: El origen
Traza xz: Parbola z =
_
c
a
2
_
x
2
Traza yz: Parbola z =
_
c
b
2
_
y
2
Curvas de nivel (z = 6):
Elipses
x
2
a
2
_
6
c
_ +
y
2
b
2
_
6
c
_ = 1
Cuando a = b se trata de un paraboloide circular o paraboloide de revolucin.
Otras representaciones estn dadas por las ecuaciones
x
a
=
y
2
b
2
+
z
2
c
2
(simetra
con respecto al eje x) y
y
b
=
x
2
a
2
+
z
2
c
2
(simetra con respecto al eje y).
91
3. Hiperboloide de una hoja:
x
2
a
2
+
y
2
b
2

z
2
c
2
= 1.
Traza xy: Elipse
x
2
a
2
+
y
2
b
2
= 1
Traza xz: Hiprbola
x
2
a
2

z
2
c
2
= 1
Traza yz: Hiprbola
y
2
b
2

z
2
c
2
= 1
Elipses
x
2
a
2
_
1 +
6
2
c
2
_ +
y
2
b
2
_
1 +
6
2
c
2
_ = 1
Otras representaciones son
z
2
c
2
+
y
2
b
2

x
2
a
2
= 1 y
x
2
a
2
+
z
2
c
2

y
2
b
2
= 1.
4. Hiperboloide de dos hojas:
z
2
c
2

x
2
a
2

y
2
b
2
= 1
Traza xy: No existe
Traza xz: Hiprbola
z
2
c
2

x
2
a
2
= 1
Traza yz: Hiprbola
z
2
c
2

y
2
b
2
= 1
Curvas de nivel (z = 6, |6| |c| ):
Elipses
x
2
a
2
_
6
2
c
2
1
_ +
y
2
b
2
_
6
2
c
2
1
_ = 1
x
2
a
2

y
2
b
2

z
2
c
2
= 1 y
y
2
b
2

x
2
a
2

z
2
c
2
= 1.
92
5. Paraboloide hiperblico:
z
c
=
x
2
a
2

y
2
b
2
Traza xy: Rectas
y
b
=
x
a
Traza xz: Parbola z =
_
c
a
2
_
x
2
Traza yz: Parbola z =
_
c
b
2
_
y
2
Hiprbolas
x
2
a
2
_
6
c
_
y
2
b
2
_
6
c
_ = 1
x
a
=
y
2
b
2

z
2
c
2
y
y
b
=
x
2
a
2

z
2
c
2
.
6. Cono elptico:
x
2
a
2
+
y
2
b
2
=
z
2
c
2
Traza xy: El origen
Traza xz: Rectas z =
_
c
a
_
x
Traza yz: Rectas z =
_
c
b
_
y
Elipses
x
2
a
2
_
6
2
c
2
_ +
y
2
b
2
_
6
2
c
2
_ = 1
Cuando a = b se trata de un cono circular.
y
2
b
2
+
z
2
c
2
=
x
2
a
2
y
x
2
a
2
+
z
2
c
2
=
y
2
b
2
.
93
2.4 Lmites y continuidad
En esta seccin deniremos los conceptos de lmite y continuidad, necesarios para
establecer el signicado de diferenciabilidad para funciones de varias variables,
que se presenta en el captulo 3. Aunque los resultados que aqu presentamos
son vlidos en general para funciones cuyo dominio est en R
n
, los ejemplos y
mtodos discutidos se centrarn al caso de funciones con dominio en R
2
.
El concepto de lmite para funciones de varias variables es una extensin al de
funciones de una variable. La siguiente gura ilustra el signicado geomtrico de
que una funcin de dos variables, z = 1(x, y), tenga un lmite 5 cuando el punto
(x, y) tiende a un punto dado (x
0
, y
0
) en el dominio de 1.
Cuando ese lmite 5 existe, utilizamos la notacin
lm
(x,y)(x
0
,y
0
)
1(x, y) = 5.
Desde el punto de vista formal, el lmite de 1 se dene de la siguiente manera.
Denicin. Sea 1 una funcin denida en todo punto
x del interior de una

vecindad con centro en
x
0
, excepto quiz en
x
0
. Se dice que f tiene lmite 5
cuando
x tiende a
x
0
, y se escribe
lm

x

x
0
1(
x ) = 5,
si para cada nmero < > 0 existe un correspondiente nmero 0(<) > 0 tal que para
todo x en el dominio de 1
0 < ||
x
0
|| < 0 |1(
x ) 5| < <.
94
Cabe sealar que la denicin de lmite tambin se aplica al caso de puntos
frontera
x
0
que no estn en el dominio, siempre y cuando los puntos
x s lo estn.
Ejemplos:
1. Demuestra formalmente que lm
(x,y)(0,0)
x = 0.
Para cada nmero < > 0 arbitrario queremos encontrar un correspondiente
nmero 0(<) tal que
0 <
< 0 |x0| < <,

es decir,
0 <
_
x
2
+ y
2
< 0 |x| < <.
Para ello, nota que
|x| =
x
2

_
x
2
+ y
2
< 0,
por lo que simplemente puedes tomar
0(<) = <.
(x,y)(0,0)
x
2
_
x
2
+ y
2
= 0.
Para cada < > 0 buscamos una 0(<) tal que
0 <
< 0
x
2
_
x
2
+ y
2
0
< <,
es decir,
0 <
_
x
2
+ y
2
< 0
x
2
_
x
2
+ y
2
< <.
Para ello, nota que
0 <
x
2
_
x
2
+ y
2

x
2
+ y
2
_
x
2
+ y
2
=
_
x
2
+ y
2
< 0,
95
por lo que puedes tomar
0(<) = <.
(x,y)(0,0)
2x
2
y
x
2
+ y
2
= 0.
Para cada < > 0 buscamos una 0(<) tal que
0 <
< 0
2x
2
y
x
2
+ y
2
0
< <,
es decir,
0 <
_
x
2
+ y
2
< 0
2x
2
y
x
2
+ y
2
< <.
Como
0 |y| =
_
y
2

_
x
2
+ y
2
< 0,
por lo tanto,
2x
2
y
x
2
+ y
2
2x
2
y
x
2
= 2 |y| < 20.

De esta manera, puedes tomar
0(<) =
<
2
.
Propiedades de los lmites
Si lm

x

x
0
1(
x ) = 5
1
y lm

x

x
0
3(
x ) = 5
2
, entonces
1. Regla de la suma:
lm

x

x
0
[1(
x ) + 3(
x )] = 5
1
+ 5
2
2. Regla del mltiplo constante:
lm

x

x
0
[k 1(
x )] = k5
1
, k R
3. Regla del producto:
lm

x

x
0
[1(
x )3(
x )] = 5
1
5
2
4. Regla del cociente:
lm

x

x
0
_
1(
x )
3(
x )
_
=
5
1
5
2
, 5
2
= 0
5. Regla de la potencia:
lm

x

x
0
[1(
x )]
m/n
= [5
1
]
m/n
, /, n =, n = 0, si [5
1
]
m/n
R
96
Ejemplos:
1. lm
(x,y)(1,3)
(2x + y) = 2(1) + 3 = 1.
2. lm
(x,y)(3,4)
_
x
2
+ y
2
=
3
2
+ 4
2
= 5.
3. lm
(x,y)(1,0)
x
2
3xy
xy
2
2x + x
3
=
1 0
0 2 + 1
= 1.
4. lm
(x,y)(0,0)
x
2
xy
y
= lm
(x,y)(0,0)
_
(x
2
xy)
_
y
_
_
x +
y
_
_
x +
y
_
_
= lm
(x,y)(0,0)
_
x(x y)
_
x +
y
_
(x y)
_
= lm
(x,y)(0,0)
_
x
_
x +
y
_
= 0.
Prueba de las dos trayectorias para demostrar la no existencia de un lmite
Si una funcin 1(
x ) tiene lmites diferentes a lo largo de dos trayectorias

distintas a medida que
x tiende a
x
0
, entonces el lmite lm

x

x
0
1(
x ) no existe.
En el caso de funciones 1 de una variable, la no existencia del lmite se prueba
simplemente el lmite de 1 por las nicas dos trayectorias posibles, a saber, x x
0
y x x
+
0
, y mostrando que ambos lmites laterales son distintos:
lm
xx
0
1(x) = 5
1
= 5
2
= lm
xx
+
0
1(x)
97
La prueba de las dos trayectorias para el caso de funciones 1 de dos variables
presenta una mayor dicultad que en el caso anterior, ya que en este caso existe
una innidad de trayectorias posibles en el plano para llegar de (x, y) a (x
0
, y
0
).
Ejemplos:
1. Demuestra que no existe el lmite de 1(x, y) =
x
2
3y
2
x
2
+ 2y
2
en el punto (0, 0).
i) Tomando el lmite a lo largo del eje x (y = 0):
lm
(x,y)(0,0)
1(x, y) = lm
x0
1(x, 0)
= lm
x0
x
2
0
x
2
+ 0
= lm
x0
1 = 1.
ii) Tomando el lmite a lo largo del eje y (x = 0):
lm
(x,y)(0,0)
1(x, y) = lm
y0
1(0, y)
= lm
y0
0 3y
2
0 + 2y
2
= lm
y0
_
3
2
_
=
3
2
.
Como los lmites son distintos, no existe lm
(x,y)(0,0)
x
2
3y
2
x
2
+ 2y
2
.
98
xy
x
2
+ y
2
en el punto (0, 0).
i) Tomando el lmite a lo largo de los ejes coordenados:
lm
(x,y)(0,0)
1(x, 0) = 0 y lm
(x,y)(0,0)
1(0, y) = 0.
ii) Tomando el lmite a lo largo de las rectas y = /x:
lm
(x,y)(0,0)
1(x, y) = lm
x0
1(x, /x)
= lm
x0
x(/x)
x
2
+ (/x)
2
= lm
x0
/
1 + /
2
=
/
1 + /
2
= 0.
Como hay un lmite distinto para cada /, no existe lm
(x,y)(0,0)
xy
x
2
+ y
2
.
x
3
y
x
6
+ y
2
en el punto (0, 0).
i) Tomando el lmite a lo largo de los ejes coordenados:
lm
(x,y)(0,0)
1(x, 0) = 0 y lm
(x,y)(0,0)
1(0, y) = 0.
99
ii) Tomando el lmite a lo largo de las rectas y = /x:
lm
(x,y)(0,0)
1(x, y) = lm
x0
1(x, /x)
= lm
x0
x
3
(/x)
x
6
+ (/x)
2
= lm
x0
/x
2
x
4
+ /
2
= 0.
iii) Tomando el lmite a lo largo de las parbolas y = kx
2
:
lm
(x,y)(0,0)
1(x, y) = lm
x0
1(x, kx
2
)
= lm
x0
x
3
(kx
2
)
x
6
+ (kx
2
)
2
= lm
x0
kx
x
2
+ k
2
= 0.
iv) Tomando el lmite a lo largo de las cbicas y = x
3
:
lm
(x,y)(0,0)
1(x, y) = lm
x0
1(x, x
3
)
= lm
x0
x
3
(x
3
)
x
6
+ (x
3
)
2
= lm
x0
1 +
2
=

1 +
2
= 0.
Como el lmite es distinto para cada , no existe lm
(x,y)(0,0)
x
3
y
x
6
+ y
2
.
Denicin. Una funcin 1(
x ) es continua en un punto
x
0
, si
1. 1 est denida en
x
0
,
2. lm

x

x
0
1(
x ) existe,
3. lm

x

x
0
1(
x ) = 1(
x
0
).
La funcin es continua si lo es en cada punto de su dominio.
100
Ejemplos:
1. Muestra que 1(x, y) = 2xy
2
+ 3x es continua en (2, 1).
La funcin es polinomial, de modo que est denida para todo punto de
R
2
, y en particular en el punto (2, 1), con 1(2, 1) = 10. Por otra parte,
lm
(x,y)(2,1)
(2xy
2
+ 3x) = 10, de modo que el lmite existe. Por ltimo, como
lm
(x,y)(2,1)
(2xy
2
+ 3x) = 1(2, 1), por lo tanto 1(x, y) = 2xy
2
+ 3x es
continua en (2, 1).
2. Muestra que la siguiente funcin es continua en cada punto, excepto en el
origen:
1(x, y) =
_
_
_
x
3
y
x
6
+y
2
, (x, y) = (0, 0)
0 , (x, y) = (0, 0).
La funcin es continua en cada punto (x, y) = (0, 0), ya que sus valores estn
dados por una funcin racional de x y y. Sin embargo, como ya mostramos en
un ejercicio anterior, la funcin no tiene lmite en el origen. Por lo tanto, la
funcin es continua en cada punto, excepto en el origen.
101
Captulo 3
Diferenciacin
En este captulo extendemos el concepto de diferenciacin para el caso de
funciones de varias variables.
3.1 Derivadas parciales. Interpretacin geomtrica
Por simplicidad, aqu nos restringiremos al caso de funciones z = 1(x, y) con
dominio en R
2
, aunque los resultados pueden ser fcilmente generalizados al
caso de funciones con dominio en R
n
.
Denicin. La derivada parcial con respecto a x de la funcin continua
1(x, y) en un punto interior (x
0
, y
0
) de su dominio est dada por
>1
>x
(x
0
,y
0
)
= 1
x
(x
0
, y
0
) = lm
h0
1(x
0
+ 4, y
0
) 1(x
0
, y
0
)
4
,
cuando este lmite existe. Similarmente, la derivada parcial con respecto a y
de 1 en (x
0
, y
0
) est dada por
>1
>y
(x
0
,y
0
)
= 1
y
(x
0
, y
0
) = lm
k0
1(x
0
, y
0
+ k) 1(x
0
, y
0
)
k
.
102
Las derivadas parciales 1
x
y 1
y
dan la razn de cambio instantnea de la
funcin 1(x, y) en el punto (x
0
, y
0
), en las direcciones de los vectores base y ,
respectivamente. En otras palabras, la derivada parcial 1
x
es la pendiente de la recta
tangente a la curva z = 1(x, y
0
) en el punto P(x
0
, y
0
, 1(x
0
, y
0
)) del plano y = y
0
.
Asimismo, la derivada parcial 1
y
es la pendiente de la recta tangente a la curva
z = 1(x
0
, y) en el punto P(x
0
, y
0
, 1(x
0
, y
0
)) del plano x = x
0
.
A partir de la denicin, a continuacin determinamos la derivada parcial 1
x
de
la funcin 1(x, y) = x
2
y
3
:
> x
2
y
3
>x
= lm
h0
(x + 4)
2
y
3
x
2
y
3
4
= lm
h0
2x4y
3
+ 4
2
y
3
4
= lm
h0
_
2xy
3
+ 4y
3
_
= 2xy
3
.
Nota que este resultado es equivalente a obtener directamente la derivada de 1 con
respecto a x, como si y estuviera ja:
> x
2
y
3
>x
= y
3
> x
2
>x
= y
3
(2x) = 2xy
3
.
Es posible demostrar que esto es vlido en general, es decir, para determinar la
derivada parcial 1
x
de una funcin z = 1(x, y) simplemente se toma la derivada
de 1 con respecto a x, manteniendo jo el valor de y. Similarmente, para obtener
la derivada parcial 1
y
de la funcin, se toma la derivada de 1 con respecto a y,
manteniendo jo el valor de x.
Ejemplos:
1. Sea 1(x, y) = x
3
y +
2y
2
x
. Determina las derivadas parciales 1
x
y 1
y
.
Las derivadas parciales 1
x
y 1
y
estn dadas por
1
x
=
>
>x
_
x
3
y +
2y
2
x
_
= y
>
>x
_
x
3
_
+ 2y
2
>
>x
_
1
x
_
= 3x
2
y
2y
2
x
2
,
1
y
=
>
>y
_
x
3
y +
2y
2
x
_
= x
3
>
>y
(y) +
_
1
x
_
>
>y
_
2y
2
_
= x
3
+
4y
x
.
103
Captulo 3 Diferenciacin
2. Sea z = x"#n(xy). Determina las derivadas parciales z
x
y z
y
.
Las derivadas parciales z
x
y z
y
estn dadas por
z
x
=
> [x"#n(xy)]
>x
= x
_
> "#n(xy)
>x
_
+
_
>x
>x
_
"#n(xy)
= x(cos(xy) y) + 1 "#n(xy)
= xy cos(xy) + "#n(xy),
z
y
=
> [x"#n(xy)]
>y
= x
_
> "#n(xy)
>y
_
+
_
>x
>y
_
"#n(xy)
= x(cos(xy) x) + 0 "#n(xy)
= x
2
cos(xy).
3. Encuentra la pendiente de la recta tangente a la supercie z = 9 x
2
y
2
en el
punto P(2, 1, 4) del plano x = 2.
En otras palabras, aqu nos piden determinar >z%>y|
(2,1)
. Como
>z
>y
(2,1)
= 2y|
(2,1)
= 2,
por lo tanto la pendiente de la recta tangente en P(2, 1, 4) es 2.
4. Sea u(x
1
, x
2
) = ln(x
1
1
x
2
2
) la funcin de utilidad para una canasta de dos
bienes, con x
1,
x
2,
1
,
2
> 0. Encuentra las utilidades marginales u
x
1
y u
x
2
.
Las utilidades marginales estn dadas por
u
x
1
=
> ln(x
1
1
x
2
2
)
>x
1
=
> (
1
ln x
1
+
2
ln x
2
)
>x
1
=

1
x
1
,
u
x
2
=
> ln(x
1
1
x
2
2
)
>x
2
=
> (
1
ln x
1
+
2
ln x
2
)
>x
2
=

2
x
2
.
104
5. Sea P(5, 6) = 5
1/2
6
1/2
una funcin de produccin Cobb-Douglas. Encuentra
los productos marginales P
L
y P
K
.
En este caso, se tiene simplemente
P
L
=
>
_
5
1/2
6
1/2
_
>5
=
1
2
5
1/2
6
1/2
=
1
2
_
6
5
_
1/2
,
P
K
=
>
_
5
1/2
6
1/2
_
>6
=
1
2
5
1/2
6
1/2
=
1
2
_
5
6
_
1/2
.
6. Sea P(5, 6,
1
,
2
, ?) = (
1
5
+
2
6
)
1/
una funcin de produccin.
Encuentra las siguientes derivadas parciales: a) >P%>6, b) >P%>
1
y c)
>P%>?.
a) La parcial >P%>6 est dada directamente por
>P
>6
=
>(
1
5
+
2
6
)
1/
>6
=
1
?
(
1
5
+
2
6
)
(1/)1
>(
1
5
+
2
6
)
>6
=
1
?
(
1
5
+
2
6
)
(1/)1
_
2
?6
1
_
=
2
6
1
(
1
5
+
2
6
)
1
b) Similarmente, la parcial >P%>

1
es
>P
>
1
=
>(
1
5
+
2
6
)
1/
>
1
=
1
?
(
1
5
+
2
6
)
(1/)1
>(
1
5
+
2
6
)
>
1
=
1
?
(
1
5
+
2
6
)
(1/)1
(5
)
=
5
?
(
1
5
+
2
6
)
1
c) El clculo de >P%>? no es tan directo como en los dos incisos anteriores, ya

que la variable ? aparece tanto en la base como en la potencia. En consecuencia,
se necesita utilizar derivacin logartmica. Para ello, partimos de
ln P(5, 6) = ln(
1
5
+
2
6
)
1/
=
1
?
ln(
1
5
+
2
6
),
105
de modo que
1
P
>P
>?
=
1
?
>(
1
5
+
2
6
)%>?
(
1
5
+
2
6
)

1
?
2
ln(
1
5
+
2
6
)
=
1
?
1
5
ln 5 +
2
6
ln 6
(
1
5
+
2
6
)

1
?
2
ln(
1
5
+
2
6
),
en donde se utiliz la derivada de un producto y la frmula de la derivada de a
x
(para obtener >5
%>? y >6
%>?. Finalmente,
>P
>?
= P
_
1
?
1
5
ln 5 +
2
6
ln6
(
1
5
+
2
6
)

1
?
2
ln(
1
5
+
2
6
)
_
= (
1
5
+
2
6
)
1/
_
1
?
1
5
ln 5 +
2
6
ln 6
(
1
5
+
2
6
)

1
?
2
ln(
1
5
+
2
6
)
_
.
Similarmente al caso de funciones 1 : R R, es posible denir derivadas
parciales de orden superior y mixtas para funciones 1 : R
2
R. En este caso hay
4 posibles derivadas parciales de orden 2, dadas por
1
xx
=
>
>x
_
>1
>x
_
=
>
2
1
>x
2
, 1
xy
=
>
>y
_
>1
>x
_
=
>
2
1
>y>x
,
1
yx
=
>
>x
_
>1
>y
_
=
>
2
1
>x>y
, 1
yy
=
>
>y
_
>1
>y
_
=
>
2
1
>y
2
.
Similarmente, hay 8 posibles derivadas parciales de orden 3, del tipo
1
xxx
=
>
>x
_
>
>x
_
>1
>x
__
=
>
3
1
>x
3
, 1
xxy
=
>
>y
_
>
>x
_
>1
>x
__
=
>
3
1
>y>x
2
, etc...
y habran 2
n
posibles derivadas parciales de orden n.
Ejemplos:
1. Verica que z = ln(x
2
+ y
2
) satisface la ecuacin de Laplace,
>
2
z
>x
2
+
>
2
z
>y
2
= 0.
Como
>z
>x
=
2x
x
2
+ y
2
,
por lo tanto
>
2
z
>x
2
=
>
>x
_
2x
x
2
+ y
2
_
=
2(y
2
x
2
)
(x
2
+ y
2
)
2
.
106
Por otra parte, como
>z
>y
=
2y
x
2
+ y
2
,
por lo tanto
>
2
z
>y
2
=
>
>y
_
2y
x
2
+ y
2
_
=
2(x
2
y
2
)
(x
2
+ y
2
)
2
.
As,
>
2
z
>x
2
+
>
2
z
>y
2
=
2(y
2
x
2
)
(x
2
+ y
2
)
2
+
2(x
2
y
2
)
(x
2
+ y
2
)
2
= 0.
2. Encuentra todas las derivadas parciales de segundo orden de 4(r, !) = r
3
#
/2
.
Como
4
r
(r, !) = 3r
2
#
/2
4
(r, !) =
1
2
r
3
#
/2
,
por lo tanto,
4
rr
(r, !) =
>
>r
(4
r
) = 6r#
/2
4
r
(r, !) =
>
>!
(4
r
) =
3
2
r
2
#
/2
4
r
(r, !) =
>
>r
(4
) =
3
2
r
2
#
/2
4
(r, !) =
>
>!
(4
) =
1
4
r
3
#
/2
.
3. Encuentra todas las derivadas parciales de segundo orden de 1(x, y) = "#n(xy).
Como
1
x
(x, y) = y cos(xy), 1
y
(x, y) = xcos(xy)
por lo tanto,
1
xx
(x, y) =
>
>x
(1
x
) = y [y"#n(xy)] = y
2
"#n(xy),
1
xy
(x, y) =
>
>y
(1
x
) = y [x"#n(xy)] + cos(xy) = xy"#n(xy) + cos(xy),
1
yx
(x, y) =
>
>x
(1
y
) = x [y"#n(xy)] + cos(xy) = xy"#n(xy) + cos(xy),
1
yy
(x, y) =
>
>y
(1
y
) = x[x"#n(xy)] = x
2
"#n(xy).
107
En los ejemplos 2 y 3 obtuvimos que las derivadas mixtas son iguales (1
xy
= 1
yx
y 4
r
= 4
r
). Es ste un resultado general? El siguiente teorema establece bajo
qu condiciones se cumple esto.
Teorema sobre derivadas parciales mixtas.
1
Si 1(x, y) y sus derivadas
parciales 1
x
, 1
y
, 1
xy
y 1
yx
estn denidas a travs de una regin abierta que contiene
al punto (x
0
, y
0
), y si todas ellas son continuas en ese punto, entonces
1
xy
(x
0
, y
0
) = 1
yx
(x
0
, y
0
).
Ejemplo:
Determina
>
5
1
>x
2
>y
3
para la funcin 1(x, y) = x#
y
2
.
Te piden determinar 1
yyyxx
. Para ello, en principio, tendras que encontrar
primero 1
y
, luego 1
yy
, etc... Sin embargo, dada la forma funcional de 1 este
camino te resultar engorroso. En lugar de eso, aqu te conviene ms bien
encontrar las derivadas parciales en el orden 1
xxyyy
. Como 1
x
= #
y
2
, por lo tanto
1
xx
= 0, de modo que
1
xxyyy
=
>
5
1
>y
3
>x
2
= 0.
As,
>
5
1
>x
2
>y
3
=
>
5
1
>y
3
>x
2
= 0.
La mayora de las funciones de inters en economa satisfacen las condiciones
del teorema de Euler, de modo que no habr problemas si intercambias el orden de
derivacin en ellas. Sin embargo, en un problema matemtico en general esto no
necesariamente sucede. Al respecto, una funcin que no satisface las condiciones
del teorema es
1(x, y) =
_
_
_
xy(x
2
y
2
)
x
2
+y
2
, (x, y) = (0, 0)
0 , (x, y) = (0, 0).
Es posible demostrar que las segundas derivadas mixtas 1
xy
y 1
yx
son iguales en
todos los puntos del dominio, excepto en el origen. En este ltimo punto, se tiene
1
xy
(0, 0) = 1, mientras que 1
yx
(0, 0) = 1.
1
Este teorema se atribuye a diversos autores, tales como Clairaut, Young, Euler, Schwarz.
108
3.2 Diferenciabilidad. Linealizacin y diferenciales
Para comprender el concepto de diferenciabilidad de una funcin de varias
variables, recordemos primero qu signica que una funcin de una variable sea
diferenciable.
Sea 1 : D R R, con y = 1(x). Sea x
0
D y considera el cambio
y = 1(x
0
+ x) 1(x
0
)
de 1, al incrementarse x
0
en un valor x = x x
0
. Se dice que 1 es diferenciable
en x
0
si y est dado por
y = 1

(x
0
) x + < x,
donde < 0 a medida que x 0. Geomtricamente, esto signica que podemos
aproximar el cambio y en la altura de la curva y = 1(x) por el cambio 1

(x
0
) x
obtenido a partir de la pendiente 1

(x
0
) de la curva en x
0
, con un error < x que
decrece a medida que x se acerca a x
0
.
En ese caso, podemos aproximar
y

= 1

(x
0
) x,
de modo que
1(x
0
+ x)
= 1(x
0
) + 1

(x
0
) x.
El trmino del lado derecho de esta expresin se conoce como la linealizacin
5(x) de 1 en x
0
,
5(x) = 1(x
0
) + 1

(x
0
) x.
La ecuacin
y = 5(x) = 1(x
0
) + 1

(x
0
) x
es una ecuacin lineal de la forma y = y
0
+ /(x x
0
), con y
0
= 1(x
0
) y
/ = 1

(x
0
), y representa la ecuacin de la recta tangente a la curva y = 1(x) en
el punto (x
0
, 1(x
0
)) de esa curva.
109
De esta manera, concluimos que una funcin 1(x) es diferenciable en un punto si
existe una recta tangente a la curva y = 1(x) en ese punto.
Ejemplo:
Analiza la diferenciabilidad de la funcin 1(x) = ln(1 + x) en el punto x = 0.
La linealizacin 5(x) de la funcin 1(x) = ln(1 + x) en x = 0 est dada por
5(x) = 1(0) + 1
(0)(x 0)
= ln(1 + 0) +
1
1 + 0
(x 0)
= x,
de donde
ln(1 + x) x, cuando x 0.
As, 1 es diferenciable en x = 0, ya que posee una recta tangente en el punto
(0, 0) dada por y = x.
Por ltimo, recordamos que para valores muy pequeos de x los incrementos
se convierten en diferenciales,
x dx, y dy,
de modo que el resultado y

= 1

(x
0
) x conduce a la expresin familiar para la
diferencial de y, dada por
dy = 1
(x
0
) dx.
110
Ahora generalizamos los resultados anteriores para el caso de una funcin
1 : D R
2
R, con z = 1(x, y), de la siguiente manera.
Denicin. Sea 1 : D R
2
R, con z = 1(x, y). Sea (x
0
, y
0
) D y
considere el cambio
z = 1(x
0
+ x, y
0
+ y) 1(x
0
, y
0
)
de 1, al incrementarse x
0
en un valor x = x x
0
y y
0
en un valor y = y y
0
.
Se dice que 1 es diferenciable en (x
0
, y
0
) si 1
x
(x
0
, y
0
) y 1
y
(x
0
, y
0
) existen y si el
cambio z satisface una ecuacin de la forma
z = 1
x
(x
0
, y
0
)x + 1
y
(x
0
, y
0
)y + <
1
x + <
2
y,
en donde <
1
, <
2
0 cuando x, y 0.
Esto signica que podemos aproximar el cambio z en la altura de la supercie
z = 1(x, y) por la suma de los cambios 1
x
(x
0
, y
0
)x + 1
y
(x
0
, y
0
)y obtenidos a
partir de las derivadas parciales en (x
0
, y
0
), con un error <
1
x +<
2
y que decrece
a medida que (x, y) se acerca a (x
0
, y
0
).
En ese caso, podemos aproximar
z

= 1
x
(x
0
, y
0
)x + 1
y
(x
0
, y
0
)y,
de modo que
1(x
0
+ x, y
0
+ y)
= 1(x
0
, y
0
) + 1
x
(x
0
, y
0
)x + 1
y
(x
0
, y
0
)y.
El trmino del lado derecho se conoce como la linealizacin 5(x, y) de 1 en
(x
0
, y
0
).
Denicin. La linealizacin de una funcin z = 1(x, y) en un punto (x
0
, y
0
)
de su dominio es la funcin
5(x, y) = 1(x
0
, y
0
) + 1
x
(x
0
, y
0
)(x x
0
) + 1
y
(x
0
, y
0
)(y y
0
).
111
La ecuacin
z = 5(x, y) = 1(x
0
, y
0
) + 1
x
(x
0
, y
0
)(x x
0
) + 1
y
(x
0
, y
0
)(y y
0
)
es una ecuacin lineal de la forma z = z
0
+ a(x x
0
) + b(y y
0
), con
z
0
= 1(x
0
, y
0
), a = 1
x
(x
0
, y
0
) y b = 1
y
(x
0
, y
0
), de modo que representa un
plano. Nota que la interseccin de este plano con el plano y = y
0
es la recta
z = 1(x
0
, y
0
) + 1
x
(x
0
, y
0
)(x x
0
), que es tangente a la supercie z = 1(x, y) en
el punto (x
0
, y
0
, 1(x
0
, y
0
)). Asimismo, la interseccin de este plano con el plano
x = x
0
es la recta z = 1(x
0
, y
0
) + 1
y
(x
0
, y
0
)(y y
0
), que tambin es tangente a la
supercie z = 1(x, y) en el punto (x
0
, y
0
, 1(x
0
, y
0
)). De esta manera, la ecuacin
z = 1(x
0
, y
0
) + 1
x
(x
0
, y
0
)(x x
0
) + 1
y
(x
0
, y
0
)(y y
0
)
es la ecuacin del plano tangente a la supercie z = 1(x, y) en el punto
(x
0
, y
0
, 1(x
0
, y
0
)) de esa supercie.
De esta manera, concluimos que una funcin 1(x, y) es diferenciable en un punto
si existe un plano tangente a la supercie z = 1(x, y) en ese punto.
Ejemplo:
Analiza la diferenciabilidad de la funcin 1(x, y) = x
2
xy +
1
2
y
2
+ 3 en el
punto (x, y) = (3, 2).
Encontremos la linealizacin 5(x, y) de la funcin 1 en (x, y) = (3, 2). Como
1(x, y) = x
2
xy +
1
2
y
2
+ 3, 1
x
(x, y) = 2x y, 1
y
(x, y) = x + y,
por lo tanto 1(3, 2) = 8, 1
x
(3, 2) = 4, 1
y
(3, 2) = 1, de modo que,
z = 5(x, y) = 1(3, 2) + 1
x
(3, 2)(x 3) + 1
y
(3, 2)(y 2)
= 8 + 4(x 3) 1(y 2) = 4x y 2.
As, 1 es diferenciable en (3, 2), ya que posee un plano tangente en el punto
(3, 2, 8), dado por su linealizacin,
z = 4x y 2.
112
Por ltimo, en analoga con el caso de funciones y = 1(x), en el cual el lmite
x 0 nos permiti pasar de y

= 1
(x
0
) x a dy = 1
(x
0
) dx, ahora tomamos
el lmite correspondiente x 0, y 0 para el caso de funciones z = 1(x, y).
En este caso
x dx, y dy, z dz,
que nos conduce a la expresin
dz = 1
x
(x
0
, y
0
)dx + 1
y
(x
0
, y
0
)dy,
conocida como la diferencial total.
Denicin. La diferencial total dz de una funcin diferenciable z = 1(x, y) en
un punto interior (x
0
, y
0
) de su dominio est dada por
dz = 1
x
(x
0
, y
0
)dx + 1
y
(x
0
, y
0
)dy.
La diferencial total puede utilizarse para aproximar el cambio en el valor de 1
cuando el punto (x
0
, y
0
) cambia a un valor cercano (x
0
+ dx, y
0
+ dy).
Ejemplos:
1. Sea z = 1(x, y), con 1(x, y) = x
2
#
3y
. Encuentra la diferencial total dz en el
punto (1, 0). Utiliza sta para estimar el cambio en z cuando x disminuye, de
x = 1 a x = 0.99, y y se incrementa, de y = 0 a y = 0.02.
Como
1
x
(x, y) = 2x#
3y
y 1
y
(x, y) = 3x
2
#
3y
,
por lo tanto, 1
x
(1, 0) = 2 y 1
y
(1, 0) = 3. De este modo, la diferencial total de 1
est dada por
dz = 2dx + 3dy.
En el punto inicial la funcin tiene un valor z = 1(1, 0) = 1. Al disminuir x
en dx = 0.99 1 = 0.01 y al incrementarse y en dy = 0.02 0 = 0.02, la
funcin cambia aproximadamente en
dz = 2(0.01) + 3(0.02) = 0.04.
En otras palabras, z cambia de 1 a 1.04, aproximadamente. Nota que el cambio
exacto de z est dado por
z
exacto
= (0.99)
2
#
3(0.02)
(1)
2
#
3(0)
= 0.0407,
de modo que la aproximacin obtenida resulta bastante buena en este caso.
113
2. Sea , = P(5, 6) la produccin, con P(5, 6) = 45
1/4
6
3/4
. Aproxima el
efecto que tendra sobre la produccin que el trabajo disminuya, de 5
0
= 625 a
5 = 623, y el capital se incremente, de 6
0
= 10 000 a 6 = 10 010.
La diferencial total d, en los niveles iniciales (5
0
,6
0
) = (625, 10 000) es
d, = P
L
(625, 10 000) d5 + P
K
(625, 10 000) d6.
Los productos marginales estn dados por
P
L
(5, 6) =
_
6
5
_
3/4
y P
K
(5, 6) = 3
_
5
6
_
1/4
,
de modo que P
L
(625, 10 000) = 8 y P
K
(625, 10 000) = 1.5. As, la diferencial
total de , en (625, 10 000) es
d, = 8 d5 1.5 d6.
Esta expresin permite aproximar el cambio en , ante un pequeo cambio en
los insumos (5, 6) alrededor de (625, 10 000). En particular, como d5 = 2 y
d6 = 10, por lo tanto
d, = 8(2) + 1.5(10) = 1.
As, la produccin decrece aproximadamente en 1. Es decir, como
P(625, 10 000) = 20 000, es de esperarse que
P
aprox
(623, 10 010) P(625, 10 000) + dP = 19 999.
Compara este resultado con el valor exacto de la produccin en los nuevos
niveles, dado por
P
exacta
(623, 10 010) = 4(623)
1/4
(10 010)
3/4
= 19 998.967 .
3.3 Regla de la cadena
En esta seccin mostramos cmo se generaliza la regla de la cadena para la
derivada de la composicin de funciones de varias variables. Para tal n, nos
ayudamos con los llamados diagramas de rbol, que son esquemas en los que
se especica la dependencia que guardan entre s las variables involucradas. A
continuacin, ilustramos la regla de la cadena a travs de varios ejemplos. En cada
caso, la gura de la izquierda representa el diagrama de rbol correspondiente y la
gura de la derecha muestra la dependencia nal de z, sin tomar en cuenta a las
variables intermedias.
114
A) Sea z = 1(x, y), con x = 3()), y = 4()).
dz
d)
=
>1
>x
d3
d)
+
>1
>y
d4
d)
Esta expresin, o equivalentemente
dz
d)
=
>1
>x
dx
d)
+
>1
>y
dy
d)
, se denomina la
derivada total de z con respecto a ). Compara sta con la diferencial total
dz =
>1
>x
dx +
>1
>y
dy de la seccin 3.2. Nota que la derivada total
dz
d)
se puede
expresar como un producto de matrices, de la forma
dz
d)
=
_
>1
>x
>1
>y
_
_
_
_
d3
d)
d4
d)
_
_
_.
B) Sea z = 1(x, y, )), con x = 3()), y = 4()).
dz
d)
=
>1
>x
d3
d)
+
>1
>y
d4
d)
+
>1
>)
o bien
dz
d)
=
_
>1
>x
>1
>y
>1
>)
_
_
_
_
_
_
_
d3
d)
d4
d)
1
_
_
_
_
_
_
115
C) Sea z = 1(x, y), con x = 3(), "), y = 4(), ").
>z
>)
=
>1
>x
>3
>)
+
>1
>y
>4
>)
>z
>"
=
>1
>x
>3
>"
+
>1
>y
>4
>"
o bien
_
>z
>)
>z
>"
_
=
_
>1
>x
>1
>y
_
_
_
_
>3
>)
>3
>"
>4
>)
>4
>"
_
_
_
D) Sea z = 1(x, y), con x = 3()), y = 4(), ").
>z
>)
=
>1
>x
d3
d)
+
>1
>y
>4
>)
>z
>"
=
>1
>y
>4
>"
o bien
_
>z
>)
>z
>"
_
=
_
>1
>x
>1
>y
_
_
_
_
d3
d)
0
>4
>)
>4
>"
_
_
_
E) Sea z = 1(x), con x = 3(), ").
>z
>)
=
d1
dx
>3
>)
>z
>"
=
d1
dx
>3
>"
o bien
_
>z
>)
>z
>"
_
=
_
d1
dx
__
>3
>)
>3
>"
_
116
F) Sea z = 1(x, )), con x = 3(), ").
>z
>)
=
>1
>x
>3
>)
+
>1
>)
>z
>"
=
>1
>x
>3
>"
o bien
_
>z
>)
>z
>"
_
=
_
>1
>x
>1
>)
_
_
_
>3
>)
>3
>"
1 0
_
_
Con este procedimiento podemos obtener la regla de la cadena para cualquier
otro caso. Slo debes tener cuidado en el uso correcto de derivadas ordinarias
(d%d)) o de derivadas parciales (>%>)) en cada etapa del proceso de derivacin.
Ejemplos:
1. Sea z = 1(x, y) = xy, donde x = 3()) = cos ) y y = 4()) = "#n). Encuentra
dz%d).
Primero notamos que >1%>x = y y >1%>y = x, de modo que
dz
d)
=
>1
>x
d3
d)
+
>1
>y
d4
d)
= y
d3
d)
+ x
d4
d)
.
Por otra parte, como d3%d) = "#n) y d4%d) = cos ), por lo tanto,
dz
d)
= ("#n))("#n)) + (cos ))(cos )) = "#n
2
) + cos
2
).
Nota que hubieras obtenido el mismo resultado al sustituir x = cos ) y y = "#n)
en z = xy y luego derivar el producto respecto a ).
2. Sea , = P(5, 6) una funcin de produccin, donde el trabajo 5()) y el capital
6()) son funciones del tiempo ). Encuentra una expresin que establezca cmo
cambia la produccin en el tiempo, d,%d).
Este caso es similar al anterior. Sin embargo, aqu desconocemos la dependencia
explcita de las variables, de modo que slo se tiene el resultado general
d,
d)
=
>P
>5
d5
d)
+
>P
>6
d6
d)
= P
L
d5
d)
+ P
K
d6
d)
.
117
3. Sea , = P(5, 6, )) una funcin de produccin que depende del tiempo, no
slo indirectamente, a travs del trabajo y el capital, 5()) y 6()), sino tambin
directamente (un ejemplo de esto sera , = A())5
1/2
6
1/2
). Encuentra una
expresin para d,%d).
Aqu slo hay que agregar el trmino >P%>) al resultado anterior, quedando
d,
d)
=
>P
>5
d5
d)
+
>P
>6
d6
d)
+
>P
>)
= P
L
d5
d)
+ P
K
d6
d)
+
>P
>)
.
4. Determina >x
c
%>p
x
, si
x
c
(p
x
, p
y
, u) = x
M
(p
x
, p
y
, &), con & = E(p
x
, p
y
, u).
En este caso, se tiene
>x
c
>p
x
=
>x
M
>p
x
+
>x
M
>&
>E
>p
x
,
que es conocida como la ecuacin de Slutsky.
3.4 Diferenciacin implcita
Seguramente recuerdas cmo obtener la derivada dy%dx cuando y y x estn
relacionadas a travs de una funcin implcita F(x, y) = 0. Por ejemplo,
determinemos dy%dx en la ecuacin
x#
xy
+ y 1 = 0,
que dene implcitamente a y como funcin de x. Para ello, derivas ambos lados
respecto a x, obteniendo
x #
xy
_
x
dy
dx
+ y 1
_
+ #
xy
1 +
dy
dx
= 0
dy
dx

_
x
2
#
xy
+ 1
_
= xy#
xy
#
xy
dy
dx
=
xy#
xy
+ #
xy
x
2
#
xy
+ 1
.
118
En el caso de una ecuacin implcita de la forma F(x, y, z) = 0, para obtener
las derivadas parciales >z%>x y >z%>y puedes seguir un procedimiento similar al
anterior Por ejemplo, consideremos la ecuacin
yz ln z = x + y,
que dene a z como una funcin implcita, diferenciable, de x y y. Para encontrar
>z%>x derivamos la ecuacin respecto a x, tomando a y ja, con lo cual se obtiene
y
>z
>x

1
z

>z
>x
= 1
>z
>x
_
y
1
z
_
= 1
>z
>x
=
z
yz 1
.
La derivada >z%>y se obtendra de manera anloga, obteniendo
>z
>y
=
z(1 z)
yz 1
.
A continuacin presentamos una tcnica alternativa para obtener estas derivadas
parciales, de una manera ms simple, utilizando la regla de la cadena.
Caso 1. Queremos encontrar la derivada dy%dx, suponiendo que la ecuacin
F(x, y) = 0 dene a y como una funcin implcita, diferenciable, de x. Para ello,
vamos a suponer que F(x, y) = 0 es la curva de nivel z = 0 de una funcin
z = F(x, y) en R
3
. As,
z = F(x, y) = 0
dz
dx
=
>F
>x
+
>F
>y
dy
dx
= 0
F
x
+ F
y
dy
dx
= 0
dy
dx
=
F
x
F
y
.
Teorema. Si F(x, y) es diferenciable, y la ecuacin F(x, y) = 0 dene a y
como una funcin implcita, diferenciable, de x, entonces
dy
dx
=
F
x
F
y
,
en todos los puntos de la curva F(x, y) = 0 en donde F
y
= 0.
119
Ejemplos:
1. Determina bajo qu condiciones la relacin x#
xy
+ y 1 = 0 dene a y como
funcin implcita, diferenciable, de x, y en ese caso encuentra dy%dx.
Denimos F(x, y) = x#
xy
+ y 1, de modo que F
x
= xy#
xy
+ #
xy
y
F
y
= x
2
#
xy
+ 1. La relacin F(x, y) = x#
xy
+ y 1 = 0 dene a y como
funcin implcita, diferenciable, de x en aquellos puntos sobre la curva tales que
F
y
= x
2
#
xy
+ 1 = 0 (que en este caso siempre se cumple). En ese caso,
dy
dx
=
F
x
F
y
=
xy#
xy
+ #
xy
x
2
#
xy
+ 1
.
2. Determina bajo qu condiciones la relacin x
2
+y
2
= 1 dene a y como funcin
implcita, diferenciable, de x, y en ese caso encuentra dy%dx.
Sea F(x, y) = x
2
+ y
2
1. La relacin F(x, y) = x
2
+ y
2
1 = 0 dene a y
como funcin implcita, diferenciable, de x cuando F
y
= 2y = 0, es decir, en
todos los puntos de la circunferencia en donde y = 0. En ese caso,
dy
dx
=
F
x
F
y
=
2x
2y
=
x
y
.
As, por ejemplo, la derivada
dy
dx
en el punto P
_
1%
2,1%
2
_
es
dy
dx
P
=
1%
2
1%
2
= 1.
Notamos que en los puntos con y = 0 la derivada se indetermina, de modo que
ah y no es funcin diferenciable de x.
3. Demuestra que, a lo largo de una isocuanta P(5, 6) = ,
0
(,
0
=const) de una
funcin de produccin , = P(5, 6) se cumple la relacin
d6
d5
=
P
L
P
K
(tasa
marginal de sustitucin tcnica).
120
Sea F(5, 6) = P(5, 6) ,
0
. La relacin F(5, 6) = P(5, 6) ,
0
= 0
dene a 6 como funcin implcita, diferenciable, de 5, si F
K
= P
K
= 0. En
ese caso,
d6
d5
=
F
L
F
K
=
P
L
P
K
.
Caso 2. Queremos encontrar las derivadas parciales >z%>x y >z%>y, si la
ecuacin F(x, y, z) = 0 dene a z como una funcin implcita, diferenciable, de x
y y. Para ello, vamos a suponer que F(x, y, z) = 0 es la supercie de nivel w = 0
de una funcin w = F(x, y, z) en R
4
. As,
w = F(x, y, z) = 0
>w
>x
=
>F
>x
dx
dx
+
>F
>z
>z
>x
= F
x
+ F
z
>z
>x
= 0
>w
>y
=
>F
>y
dy
dy
+
>F
>z
>z
>y
= F
y
+ F
z
>z
>y
= 0
>z
>x
=
F
x
F
z
,
>z
>y
=
F
y
F
z
.
Teorema. Si F(x, y, z) es diferenciable, y la ecuacin F(x, y, z) = 0 dene a z
como una funcin implcita, diferenciable, de x y y, entonces
>z
>x
=
F
x
F
z
,
>z
>y
=
F
y
F
z
,
en todos los puntos de la supercie F(x, y, z) = 0 en donde F
z
= 0.
Este teorema permite determinar fcilmente las derivadas parciales >z%>x y
>z%>y en una relacin implcita de la forma F(x, y, z) = 0, siempre y cuando F
sea diferenciable y su derivada parcial F
z
no se anule en el punto (x, y, z). Este
121
resultado es muy til, ya que podemos encontrar las derivadas >z%>x y >z%>y sin
necesidad de conocer la funcin z(x, y).
Ejemplos:
1. Determina bajo qu condiciones la relacin yz ln z = x + y dene a z como
una funcin implcita, diferenciable, de x y y. En ese caso, encuentra >z%>x y
>z%>y.
Denimos F(x, y, z) = yz lnz x y. As, F(x, y, z) = yz lnz = x + y
dene a z como funcin implcita, diferenciable, de x y y en todos los puntos
(x, y, z) tales que F
z
= y 1%z = 0, es decir, en todos los puntos de la
supercie en donde yz 1 = 0. En ese caso,
>z
>x
=
F
x
F
z
=
_
1
y 1%z
_
=
z
yz 1
,
>z
>y
=
F
y
F
z
=
_
z 1
y 1%z
_
=
z(1 z)
yz 1
.
2. Determina si 3x#
yz
y#
xz
1 = 0 dene a z como una funcin diferenciable
de x y y, en el punto P(1, 2, 0). De ser as, calcula >z%>x y >z%>y en P.
Denimos F(x, y, z) = 3x#
yz
y#
xz
1. Como F
z
(x, y, z) = 3xy#
yz
xy#
xz
,
por lo tanto F
z
(1, 2, 0) = 4 = 0, de modo que la relacin 3x#
yz
y#
xz
1 = 0
s dene a z como funcin implcita, diferenciable, de x y y cerca del punto
P(1, 2, 0). Finalmente, como
>z
>x
=
F
x
F
z
=
_
3#
yz
yz#
xz
3xy#
yz
xy#
xz
_
,
>z
>y
=
F
y
F
z
=
_
3xz#
yz
#
xz
3xy#
yz
xy#
xz
_
,
por lo tanto
>z
>x
P
=
3
4
y
>z
>y
P
=
1
4
.
3. Sean D(p, w) y 2(p, )) las funciones de demanda (D) y de oferta (2) de un bien,
en trminos del precio p de ste en el mercado, el salario w y el impuesto ) sobre
el producto, y en donde sus derivadas parciales satisfacen D
p
< 0, D
w
> 0,
2
p
> 0 y 2
t
< 0. Si en el equilibrio se cumple D(p, w) = 2(p, )), determina
bajo qu condiciones la relacin de equilibrio dene a p como funcin implcita,
diferenciable, de las variables w y ), y en ese caso encuentra una expresin para
>p%>w y >p%>).
122
3.5 Vector gradiente. Derivada direccional. Recta normal y plano tangente
Podemos escribir la condicin de equilibrio como D(p, w) 2(p, )) = 0,
de modo que denimos F(p, w, )) = D(p, w) 2(p, )). As, la relacin
D(p, w) 2(p, )) = 0 dene a p como funcin implcita, diferenciable, de las
variables w y ), en los puntos tales que F
p
(p, w, )) = D
p
(p, w) 2
p
(p, )) = 0,
es decir, en todos los puntos en donde D
p
(p, w) = 2
p
(p, )). En ese caso,
>p
>w
=
F
w
F
p
=
D
w
D
p
2
p
=
D
w
2
p
D
p
> 0,
>p
>)
=
F
t
F
p
=
(2
t
)
D
p
2
p
=
2
t
D
p
2
p
> 0.
Es interesante notar cmo hemos podido deducir este resultado general, aun sin
conocer la forma explcita de las funciones de demanda y de oferta.
En el caso general de una ecuacin que relaciona a ms de tres variables el
teorema de la funcin implcita se generaliza de la siguiente manera.
Teorema. Si F(x
1
, x
2
, . . . , x
n
, w) es diferenciable, y la ecuacin
F(x
1
, x
2
, . . . , x
n
, w) = 0 dene a w como una funcin implcita, diferen-
ciable, de x
1
, x
2
, . . . , x
n
, entonces
>w
>x
i
=
F
x
i
F
w
, * = 1, 2, . . . , n,
en todos los puntos de la hipersupercie F(x
1
, x
2
, . . . , x
n
, w) = 0 para los cuales
F
w
= 0.
3.5 Vector gradiente. Derivada direccional. Recta normal y plano
tangente
Denicin. El gradiente de una funcin diferenciable 1(x, y) en un punto interior
(x
0
, y
0
) de su dominio es el vector
1|
(x
0
,y
0
)
=
>1
>x
(x
0
,y
0
)
+
>1
>y
(x
0
,y
0
)
.
Nota que el gradiente de una funcin en R
3
es un vector en R
2
.
123
Ejemplos:
1. Determina el vector gradiente 1 de la funcin 1(x, y) = ln(x
2
+ y
2
) en cada
punto (x, y) de su dominio.
Como
1
x
(x, y) =
2x
x
2
+ y
2
y 1
y
(x, y) =
2y
x
2
+ y
2
,
por lo tanto el gradiente de 1 en cada punto (x, y) = (0, 0) es el vector
1(x, y) =
_
2x
x
2
+ y
2
_
+
_
2y
x
2
+ y
2
_
,
2. Calcula el vector gradiente 1 de la funcin 1(x, y) = xy en el punto P(2, 3).
En una misma grca dibuja la curva de nivel de 1 que contiene al punto
P(2, 3), y en ese punto dibuja el vector gradiente 1(2, 3).
Como
1
x
(x, y) = y y 1
y
(x, y) = x,
por lo tanto el gradiente de 1 en cada punto (x, y) R
2
es el vector
1(x, y) = y + x .
As, el gradiente de 1 en el punto P(2, 3) es el vector
1(2, 3) = 3 + 2 .
Finalmente, la curva de nivel xy = c que contiene a P(2, 3) est dada por
y = 6%x, como se muestra en la siguiente gura, en la que se incluye el vector
gradiente 1(2, 3).
El objetivo de este ltimo ejemplo es mostrarte que el vector gradiente 1(2, 3)
es perpendicular a la curva de nivel y = 6%x que contiene al punto P(2, 3), como
lo establece el siguiente resultado.
124
Signicado geomtrico del gradiente para una supercie z = 1(x, y). En
cada punto P(x
0
, y
0
) del dominio de 1, el gradiente 1(x
0
, y
0
) es un vector
perpendicular a la curva de nivel de 1 que contiene a P.
Para demostrar la armacin anterior supongamos primero que cada curva de
nivel 1(x, y) = c
0
de la funcin 1 puede escribirse en forma paramtrica como
r ()) = 3()) + 4()) ,

en donde x = 3()) y y = 4()).
As, la curva de nivel 1(x, y) = c
0
obedece la ecuacin
1(3()), 4())) = c
0
.
Derivando ambos lados de esta ecuacin con respecto al parmetro ), se tiene
d 1(3()), 4()))
d)
=
d c
0
d)
= 0
>1
>x
d3
d)
+
>1
>y
d4
d)
= 0
_
>1
>x
+
>1
>y

_
_
d3
d)
+
d4
d)

_
= 0
es decir,
1
dr
d)
= 0.
125
De esta manera, concluimos que el gradiente 1 en cada punto r es perpendicular
al vector dr%d), que es tangente a la curva de nivel en ese punto.
Ejemplo:
Encuentra un vector perpendicular a la curva de nivel z = 1 de la funcin
1(x, y) = x
2
+ y
2
en los puntos P(1, 0), ,(1%
2, 1%
2) y -(0, 1).
El gradiente de la funcin en cada punto de su dominio es el vector
1(x, y) = 2x + 2y .
Por lo tanto, un vector perpendicular a la curva de nivel x
2
+ y
2
= 1 de 1 en los
puntos P, , y - es, respectivamente,
1|
P
= 2 , 1|
Q
=
2
2
+
2
2
, 1|
R
= 2 .
Teorema. Sea z = 1(x, y) una supercie en R
3
, y sea 1(x, y) = c
0
la curva de
nivel de 1 que contiene al punto interior P(x
0
, y
0
) del dominio de 1. Entonces el
vector 1|
(x
0
,y
0
)
apunta en la direccin en la que 1 crece ms rpidamente a partir
del punto P(x
0
, y
0
).
126
Este teorema resulta de gran inters en el tema de optimizacin. Para
demostrarlo es necesario conocer primero el concepto de derivada direccional, que
se presenta a continuacin.
La derivada direccional (D

1)
P
0
de una funcin z = 1(x, y) en un punto
P
0
(x
0
, y
0
) de su dominio representa la razn de cambio de 1 a lo largo de una
direccin arbitraria u en el plano xy, a partir de P
0
.
Para calcular (D

1)
P
0
es necesario determinar el cambio que experimenta la
funcin z = 1(x, y) cuando el punto P
0
(x
0
, y
0
) se mueve en lnea recta en la
direccin u = u
1
+ u
2
hacia otro punto cercano P(x, y), con
x = x
0
+ u
1
"
y = y
0
+ u
2
", " R.
Denicin. La derivada direccional (D

1)
P
0
de una funcin diferenciable
1 en un punto P
0
(x
0
, y
0
) de su dominio, en la direccin del vector unitario
u = u
1
+ u
2
, es el nmero
(D

1)
P
0
=
_
d1
d"
_
,P
0
= lm
!0
1(x
0
+ "u
1
, y
0
+ "u
2
) 1(x
0
, y
0
)
"
,
siempre que este lmite exista.
127
En los casos particulares u = o u = la derivada direccional se convierte en
las derivadas parciales, es decir,
(D
"
1)
P
0
=
_
>1
>x
_
P
0
, (D
#
1)
P
0
=
_
>1
>y
_
P
0
.
Para reescribir la derivada direccional (d1%d")
,P
0
en trminos de una expresin
ms fcil de calcular podemos utilizar la regla de la cadena, tomando en cuenta que
z = 1(x, y), con x = x(") = x
0
+ u
1
" y y = y(") = y
0
+ u
2
".
(D

1)
P
0
=
_
d1
d"
_
,P
0
=
_
>1
>x
_
P
0
dx
d"
+
_
>1
>y
_
P
0
dy
d"
,
=
_
>1
>x
_
P
0
u
1
+
_
>1
>y
_
P
0
u
2
=
_
_
>1
>x
_
P
0
+
_
>1
>y
_
P
0

_
(u
1
+ u
2
)
= (1)
P
0
u.
Teorema. Si las derivadas parciales de 1(x, y) estn denidas en el punto
P
0
(x
0
, y
0
), entonces
(D

1)
P
0
= (1)
P
0
u .
Ejemplo:
Calcula la derivada direccional de 1(x, y) = x#
y
en el punto P
0
(3, 0), en la
direccin del vector
A = 4 3 .
Primero notamos que
1(x, y) = #
y
+ x#
y
,
de modo que
1(3, 0) = + 3 .
128
Por otra parte, el vector unitario de

A es
A =

A
=
4
5

3
5
.
De esta manera, la derivada direccional de 1 en el punto P
0
en la direccin del
vector

A est dada por
(D
$
1)
P
0
= 1(3, 0)

A = ( + 3 )
_
4
5

3
5

_
=
4
5

9
5
= 1.
Esto signica que, al cambiar el punto P
0
hacia otro punto muy cercano en la
direccin de

A, la funcin 1 decrece aproximadamente en 1 unidad.
La expresin D

1 = 1 u para la derivada direccional puede escribirse como
D

1 = 1 u = ||1|| || u|| cos ! = ||1|| cos !,
en donde ! es el ngulo entre el vector 1, que en cada punto es un vector jo, y
el vector de direccin u, que es arbitrario. Como D

1 est dado por un producto
escalar, su valor y su signo dependen del ngulo entre estos dos vectores. As, para
ngulos entre 0 y $%2 la derivada direccional es positiva y para ngulos entre $%2
y $ sta es negativa. Si el ngulo relativo es $%2, la derivada direccional es cero;
esto signica que la funcin 1 no cambia en la direccin perpendicular al gradiente
1, es decir, a lo largo de una curva de nivel de 1.
De lo anterior se desprende una propiedad muy importante de la derivada
direccional. Para ello, nota primero que
||1|| D

1 ||1|| .
De esta manera, el valor mximo de D

1 est dado por ||1||, y ste se alcanza
cuando u apunta en la misma direccin y sentido (! = 0) que el gradiente 1.
Correspondientemente, el valor mnimo de D

1 est dado por ||1||, y ste se
alcanza cuando u apunta en el sentido opuesto (! = $) que el gradiente 1.
129
Esto justica el teorema anterior, que establece que el gradiente de una funcin f
en un punto dado apunta hacia la direccin de mximo crecimiento de f en ese
punto.
Ejemplos:
1. Encuentra la direccin en la que la funcin 1(x, y) = x#
y
, en el punto P(3, 0):
i) crece ms rpidamente, ii) decrece ms rpidamente.
i) En el punto P(3, 0) la funcin crece ms rpidamente en la direccin del
vector 1(3, 0) = + 3 , que est dada por u =
1
10
+
3
10
.
ii) En el punto P(3, 0) la funcin decrece ms rpidamente en la direccin del
vector 1(3, 0) = 3 , que est dada por u =
1
10

3
10
.
2. Encuentra la direccin en la cual la funcin 1(x, y) = 2 x
2
y
2
crece ms
rpidamente en el punto P(1, 1). Ilustra tu resultado grcamente.
En el puntoP(1, 1) la funcin crece ms rpidamente en la direccin del vector
1(x, y)|
(1,1)
= 2x 2y |
(1,1)
= 2 2 , dada por
u =
2
8

2
8
=
1
2

1
2
.
Como P(1, 1) est en la curva de nivel x
2
+ y
2
= 2 de la funcin
(correspondiente a z = 0), el resultado anterior muestra que en ese punto la
funcin crece ms rpidamente en la direccin perpendicular hacia adentro.
130
3. Encuentra la direccin en la cual la funcin 1(x, y) = x
2
+ y
2
crece ms
rpidamente en el punto P(1, 1). Ilustra tu resultado grcamente.
En el punto P(1, 1) la funcin crece ms rpidamente en la direccin del vector
1(x, y)|
(1,1)
= 2x + 2y |
(1,1)
= 2 + 2 , dada por
u =
2
8
+
2
8
=
1
2
+
1
2
.
Como P(1, 1) est en la curva de nivel x
2
+ y
2
= 2 de la funcin
(correspondiente a z = 2), el resultado anterior muestra que en ese punto la
funcin crece ms rpidamente en la direccin perpendicular hacia afuera.
4. Encuentra la direccin de mximo crecimiento de una funcin de utilidad de la
forma u(x, y) = x
1/2
y
1/2
, x, y > 0, en cada punto de sus curvas de indiferencia.
Ilustra tu resultado.
Para cada canasta (x, y), el gradiente de la funcin u est dado por el vector
u(x, y) =
1
2
_
y
x
_
1/2
+
1
2
_
x
y
_
1/2
,
cuyas componentes son ambas positivas. As, para cada curva de indiferencia
x
1/2
y
1/2
= u
0
el vector gradiente u en cada punto apunta en la direccin
perpendicular mostrada en la gura.
131
Recta normal y plano tangente
Generalizando los resultados anteriores, en el caso de una funcin diferenciable
1 : 2 R
n
R en R
n+1
, dada por w = 1(x
1
, . . . , x
n
), el gradiente 1 en cada
punto (x
1
, . . . , x
n
) 2 es el vector
1 =
_
>1
>x
1
, . . . ,
>1
>x
n
_
.
Este vector en R
n
es perpendicular a los conjuntos de nivel de 1, dados por
1(x
1
, . . . , x
n
) = c, que tambin habitan en R
n
. En particular, en el tema anterior
vimos que para una supercie z = 1(x, y) en R
3
el vector 1 es perpendicular a
sus curvas de nivel, 1(x, y) = c, en R
2
.
Siguiendo con este razonamiento, para una hipersupercie w = 1(x, y, z) en R
4
el vector 1 ser perpendicular a sus supercies de nivel, 1(x, y, z) = c, en R
3
.
Este hecho puede utilizarse para encontrar un vector normal a una supercie dada,
invirtiendo el argumento, de la siguiente manera. Nos interesa encontrar un vector
que sea perpendicular a una cierta supercie
z = 1(x, y).
Para ello, basta con suponer que la supercie z = 1(x, y) en R
3
es el conjunto de
nivel w = 0 de la hipersupercie
w = 1(x, y) z
en R
4
, de modo que un vector normal a la supercie original sera, precisamente,
w = (w
x
, w
y
, w
z
) = (1
x
, 1
y
, 1).
Teorema. Un vector normal a la supercie z = 1(x, y) en R
3
es el vector
(1
x
, 1
y
1).
A partir de este teorema podemos encontrar fcilmente las ecuaciones del plano
tangente y de la recta normal a cualquier supercie z = 1(x, y) en R
3
, en cualquier
punto P
0
(x
0
, y
0
, z
0
) de la supercie.
132
As, si z = 1(x, y) representa una supercie en R
3
. Entonces:
i) La ecuacin del plano tangente a la supercie en el punto P
0
(x
0
, y
0
, z
0
) es
1
x
(x
0
, y
0
)(x x
0
) + 1
y
(x
0
, y
0
)(y y
0
) (z z
0
) = 0.
ii) La ecuacin de la recta normal a la supercie en el punto P
0
(x
0
, y
0
, z
0
) es
x = x
0
+ 1
x
(x
0
, y
0
) ),
y = y
0
+ 1
y
(x
0
, y
0
) ),
z = z
0
) , ) R.
Nota que la ecuacin del plano tangente en el inciso i) puede tambin escribirse
como
z = z
0
+ 1
x
(x
0
, y
0
)(x x
0
) + 1
y
(x
0
, y
0
)(y y
0
)
o, equivalentemente, como
z = 1(x
0
, y
0
) + 1
x
(x
0
, y
0
)(x x
0
) + 1
y
(x
0
, y
0
)(y y
0
),
que es precisamente la linealizacin 5(x, y) de la funcin z = 1(x, y) en el punto
(x
0
, y
0
), que estudiamos con anterioridad.
Ejemplo:
Encuentra las ecuaciones del plano tangente y la recta normal a la supercie
z = 1(x, y) = 9 x
2
y
2
en el punto (1, 2, 4).
En este caso, 1
x
(x, y) = 2x y 1
y
(x, y) = 2y, de modo que 1
x
(1, 2) = 2
y 1
y
(1, 2) = 4. Por lo tanto, el vector normal a la supercie en el punto
dado es (2, 4, 1). De esta manera, la ecuacin del plano tangente es
2(x 1) 4(y 2) (z 4) = 0,o bien
2x + 4y + z = 14.
Por otra parte, la ecuacin de la recta normal es
x = 1 2 ), y = 2 4 ), z = 4 ) , ) R.
Para nalizar esta seccin, cabe sealar que un razonamiento anlogo a este
ltimo puede aplicarse para encontrar las ecuaciones de la recta tangente y la recta
normal a una curva en R
2
, as como las del hiperplano tangente y la recta normal a
una hipersupercie en R
n+1
, con n 3.
133
3.6 Funciones homogneas. Teorema de Euler
Denicin. Se dice que una funcin 1(x
1
, x
2
, . . . , x
n
) es homognea de grado k si
satisface
1(@x
1
, @x
2
, . . . , @x
n
) = @
k
1(x
1
, x
2
, . . . , x
n
), @ R
+
.
Ejemplos:
1. La funcin 1(x) = x
2
es homognea de grado 2, ya que
1(@x) = (@x)
2
= @
2
x
2
= @
2
1(x).
1
1(@x) = (@x)
1
= @
1
x
1
= @
1
1(x).
3. La funcin 1(x) = 2 es homognea de grado 0, ya que
1(@x) = 2 = @
0
2 = @
0
1(x).
2
+ 2x no es homognea, ya que
1(@x) = (@x)
2
+ 2(@x) = @
2
x
2
+ 2@x = @
k
1(x).
5. La funcin 1(x, y) = x
2
y es homognea de grado 3, ya que
1(@x, @y) = (@x)
2
(@y) = @
3
_
x
2
y
_
= @
3
1(x, y).
6. La funcin 1(x, y) =
x
3
xy + y
2
1(@x, @y) =
(@x)
3
(@x) (@y) + (@y)
2
=
@
3
x
3
@
2
xy + @
2
y
2
= @
x
3
xy + y
2
= @1(x, y).
7. La funcin 1(x, y) = #
x/y
1(@x, @y) = #
(%x)/(%y)
= #
x/y
= @
0
#
x/y
= @
0
1(x, y).
8. La funcin 1(x, y) =
x
3
xy+y
no es homognea, ya que
1(@x, @y) =
(@x)
3
(@x) (@y) + (@y)
=
@
3
x
3
@
2
xy + @y
= @
k
1(x, y).
9. Las funciones de produccin (utilidad) tipo Cobb-Douglas 1(x, y) = x
y
&
son
homogneas de grado + , ya que
1(@x, @y) = (@x)
(@y)
&
= @
+&
x
y
&
= @
+&
1(x, y).
134
Si + > 1 se tiene rendimientos crecientes a escala, si + = 1 se tiene
rendimientos constantes a escala, y si + < 1 los rendimientos a escala son
decrecientes.
10. El logaritmo de una funcin de produccin (utilidad) tipo Cobb-Douglas, a
saber, 1(x, y) = ln
_
x
y
&
_
= ln x + lny, no es una funcin homognea, ya
que
1(@x, @y) = ln
_
(@x)
(@y)
&
_
= ( + ) ln @ + (ln x + ln y) = @
k
1(x, y).
Para entender el signicado de la homogeneidad de una funcin, supongamos
que 1(x, y) es la funcin de produccin correspondiente a los insumos (x, y), y
preguntmonos cul sera la nueva produccin si ambos insumos se duplicaran, es
decir si fueran (2x, 2y). En ese caso:
i) Si 1 fuera homognea de grado 1, entonces 1(2x, 2y) = 2
1
1(x, y) = 21(x, y),
es decir, la nueva produccin sera el doble de la original.
ii) Si 1 fuera homognea de grado 2, entonces 1(2x, 2y) = 2
2
1(x, y) = 41(x, y),
es decir, la nueva produccin sera cuatro veces la original.
iii) Si 1 fuera homognea de grado 0, entonces 1(2x, 2y) = 2
0
1(x, y) = 1(x, y),
es decir, la nueva produccin sera igual a la original.
iv) Si 1 fuera homognea de grado 1, entonces 1(2x, 2y) = 2
1
1(x, y) =
1
2
1(x, y), es decir, la nueva produccin sera la mitad de la original.
v) Si 1 no fuera homognea, la nueva produccin no sera un mltiplo de la
original.
Teorema. Si 1(x, y) es una funcin homognea de grado k, entonces
1(x, y) = x
k
1(1, y%x),
1(x, y) = y
k
1(x%y, 1).
Demostracin:
En el primer caso, considera que la variable x juega el papel del factor @,
de modo que 1(x, y) = 1 ( x(1), x(y%x) ) = x
k
1(1, y%x). El segundo caso se
demuestra de manera similar, tomando a la variable y como el factor @.
135
Este resultado es de particular inters en economa. As, por ejemplo, si
, = P(5, 6) representa la produccin en funcin del trabajo 5 y el capital 6, y
si sta es una funcin homognea de grado 1, entonces la produccin per cpita
' =
P(L,K)
L
puede expresarse simplemente en trminos del capital per cpita
k = 6%5 de acuerdo con
' =
P(5, 6)
5
=
5 P(1, 6%5)
5
= P(1, 6%5) = p(k).
Como caso particular, si P(5, 6) = 5
1/4
6
3/4
, entonces
' =
5
1/4
6
3/4
5
=
_
6
5
_
3/4
= k
3/4
.
Es decir, la produccin per cpita es la funcin p(k) = k
3/4
.
Denicin. Sea 1(x) una funcin denida en un dominio D R
n
. Se dice que
1 es homottica si para todos x, y D y para todo @ > 0 se cumple
1(x) = 1(y) 1(@x) = 1(@y).
Por ejemplo, si la funcin de utilidad u(x, y) de un consumidor es una funcin
homottica, entonces si a un consumidor le es indiferente elegir entre dos canastas
(x
1
, y
1
) y (x
2
, y
2
), es decir,
u(x
1
, y
1
) = u(x
2
, y
2
),
entonces le seguir siendo indiferente si en cualquiera de estas canastas los dos
bienes se aumentan en la misma proporcin, es decir,
u(@x
1
, @y
1
) = u(@x
2
, @y
2
).
En otras palabras, una funcin de utilidad homottica preserva las preferencias de
un consumidor.
136
Teorema. Toda funcin homognea es homottica.
Demostracin:
Sea 1 homognea de grado k, y sean x y y tales que 1(x) = 1(y). Entonces
1(@x) = @
k
1(x) = @
k
1(y) = 1(@y),
y por lo tanto 1 es homottica.
Es importante sealar que no toda funcin homottica es homognea. Por
ejemplo, dada una funcin homognea u (por ejemplo, la funcin de utilidad) su
logaritmo natural ln u no es una funcin homognea, pero es fcil demostrar que s
es una funcin homottica. La razn de ello ser evidente a la luz de las siguientes
consideraciones.
Denicin. Se dice que F(x) es una transformacin monotnica creciente de
una funcin homognea 1(x), si existe una funcin creciente, :, tal que
F(x) = :(1(x)).
En otras palabras, una transformacin monotnica creciente es una composicin
de funciones de la forma :(1(x)), en donde : es una funcin creciente y 1 es una
funcin homognea. As, por ejemplo, dada una funcin de utilidad homognea
u(x, y), la funcin ln u es una transformacin monotnica creciente de u.
Teorema. Toda transformacin monotnica es una funcin homottica.
Demostracin:
Sea F(x) = :(1(x)) una transformacin monotnica creciente de una funcin
1 homognea de grado k, y sean x y y tales que 1(x) = 1(y). De esta manera,
F(x) = F(y). Como
F(@x) = :(1(@x)) = :(@
k
1(x)) = :(@
k
1(y)) = :(1(@y)) = F(@y),
por lo tanto, F es homottica.
137
As, aunque ln u no es una funcin homognea, sino ms bien una
transformacin monotnica de una funcin homognea u, es claro que ln u ser
una funcin homottica, preservando la caracterstica de llevar canastas en una
misma curva de indiferencia hacia canastas en otra misma curva de indiferencia, al
aumentar los bienes en una misma proporcin.
Los resultados anteriores son vlidos para funciones en general, aunque stas no
sean diferenciables. En el caso particular de funciones homogneas diferenciables,
existen teoremas adicionales, que son de gran inters y utilidad en economa, como
se muestra a continuacin.
Teorema. Las primeras derivadas parciales >1%>x
1
, . . . , >1%>x
n
de una
funcin homognea, diferenciable, 1(x
1
, . . . , x
n
) de grado k, son homogneas de
grado k 1.
Demostracin:
Sea 1(x
1
, . . . , x
n
) una funcin homognea de grado k. Por lo tanto, para todo
@ > 0,
1(@x
1
, @x
2
, . . . , @x
n
) = @
k
1(x
1
, x
2
, . . . , x
n
).
Derivando con respecto a x
i
ambos lados de la igualdad, * = 1, . . . , n, se tiene
>
>x
i
1(@x
1
, @x
2
, . . . , @x
n
) = @
>
> (@x
i
)
1(@x
1
, @x
2
, . . . , @x
n
)
= @
k
>
>x
i
1(x
1
, x
2
, . . . , x
n
),
de modo que
>
> (@x
i
)
1(@x
1
, @x
2
, . . . , @x
n
) = @
k1
>
>x
i
1(x
1
, x
2
, . . . , x
n
).
Por lo tanto, cada derivada parcial >1%>x
i
es homognea de grado k 1.
138
Ejemplo:
Sea P(5, 6) una funcin de produccin homognea de grado 1. Si se sabe
que P(150, 50) = 550, P
L
(150, 50) = 3 y P
K
(150, 50) = 2, calcula P(30, 10),
P
L
(30, 10) y P
K
(30, 10).
Como la produccin P es una funcin homognea de grado 1, por lo tanto
P(30, 10) = P
_
1
5
(150),
1
5
(50)
_
=
_
1
5
_
1
P(150, 50) =
1
5
(550) = 110.
Por otra parte, los productos marginales P
L
y P
K
son funciones homogneas de
grado 0, de modo que
P
L
(30, 10) = P
L
_
1
5
(150),
1
5
(50)
_
=
_
1
5
_
0
P
L
(150, 50) = P
L
(150, 50) = 3,
P
K
(30, 10) = P
K
_
1
5
(150),
1
5
(50)
_
=
_
1
5
_
0
P
K
(150, 50) = P
K
(150, 50) = 2.
Una consecuencia del teorema anterior es que las curvas de nivel de funciones
homogneas tienen la misma pendiente a lo largo de puntos que se encuentran en
rectas que pasan por el origen. Es decir, si 1(x, y) = c representa una curva de
nivel de una funcin homognea z = 1(x, y), entonces
dy
dx
(%x,%y)
=
dy
dx
(x,y)
.
Para demostrar este resultado, supongamos que z = 1(x, y) es una funcin
homognea de grado k y consideremos la curva de nivel 1(x, y) = c que contiene
139
al punto (@x, @y). Sea F(x, y) = 1(x, y) c = 0, de modo que, de acuerdo con el
teorema de la funcin implcita, se tiene
dy
dx
(%x,%y)
=
1
x
(@x, @y)
1
y
(@x, @y)
=
@
k1
1
x
(x, y)
@
k1
1
y
(x, y)
=
1
x
(x, y)
1
y
(x, y)
=
dy
dx
(x,y)
.
As, si una funcin de produccin P(5, 6) es homognea, entonces la tasa
marginal de sustitucin tcnica, P
L
%P
K
= d6%d5, es constante a lo largo
de rayos que salen del origen. Este resultado es vlido para transformaciones
monotnicas en general, y no slo para funciones homogneas.
Teorema de Euler. Sea 1(x
1
, x
2
, . . . , x
n
) una funcin diferenciable. Si 1 es
homognea de grado k, entonces se cumple x 1(x) = k 1(x), es decir,
x
1
1
1
(x) + x
2
1
2
(x) + + x
n
1
n
(x) = k 1(x),
en donde 1
i
= >1%>x
i
, para todo 1 * n.
Demostracin:
Sea 1(x
1
, x
2
, . . . , x
n
) una funcin diferenciable. Si 1 es homognea de grado k,
entonces, para todo @ > 0,
1(@x
1
, @x
2
, . . . , @x
n
) = @
k
1(x
1
, x
2
, . . . , x
n
).
Derivando con respecto a @ ambos lados de la igualdad, se tiene
>1
>(@x
1
)
>(@x
1
)
>@
+ +
>1
>(@x
n
)
>(@x
n
)
>@
= k@
k1
1(x
1
, x
2
, . . . , x
n
).
Como >(@x
i
)%>@ = x
i
, para todo * = 1, . . . , n, por lo tanto
x
1
>1
>(@x
1
)
+ + x
n
>1
>(@x
n
)
= k@
k1
1.
Evaluando esta expresin en @ = 1 se obtiene el resultado deseado.
Ejemplos:
1. Como 1(x, y) = x
y
&
es homognea de grado + , por lo tanto
x
>1
>x
+ y
>1
>y
= x
_
x
1
y
&
_
+ y
_
x
y
&1
_
= ( + )x
y
&
= ( + )1.
140
2. (Modelo de Wicksell de produccin agrcola) Sea P(5, 6, A) una funcin de
produccin homognea de grado uno, donde 5 denota el trabajo, 6 el capital
y A la porcin de tierra cultivada. Si denotamos por p al precio por unidad del
producto agrcola, w al salario, r a la renta de cada unidad de tierra e * al inters
del capital en el ciclo agrcola, entonces, bajo competencia perfecta,
pP(5, 6, A) = w5 + (1 + *)6 + rA.
Por el Teorema de Euler,
P(5, 6, A) = 5P
L
(5, 6, A) + 6P
K
(5, 6, A) + AP
'
(5, 6, A),
de modo que podemos identicar los productos marginales como
P
L
(5, 6, A) =
w
p
, P
K
(5, 6, A) =
(1 + *)
p
, P
'
(5, 6, A) =
r
p
.
141
Captulo 4
Funciones cncavas y cuasicncavas
4.1 Polinomio de Taylor de orden 2. Matriz hessiana
El objetivo de esta seccin es introducir el concepto de matriz hessiana, que
es una matriz de segundas derivadas parciales que se utiliza para establecer
la concavidad o convexidad de funciones diferenciables en varias variables.
A continuacin se motiva su denicin a partir de lo que se conoce como
aproximacin cuadrtica, o polinomio de Taylor de orden 2.
Comencemos con el caso de una funcin diferenciable en una variable,
1 : 2 R, con 2 R un intervalo abierto. Como 1 es diferenciable en 2,
existe una recta tangente a la curva y = 1(x) en cada punto a 2, dada por
y = 1(a) + 1
(a)(x a).
Esto signica que para valores de x cercanos a a podemos aproximar la
funcin 1 por su linealizacin 5, dada por
5(x) = 1(a) + 1
(a)(x a),
que estudiamos en la seccin 3.2. Esta es una funcin polinomial de grado 1
en x, y es tal que satisface
5(a) = 1(a) y 5
(a) = 1
(a),
es decir, en x = a las funciones 5 y 1 toman el mismo valor y adems tienen
la misma pendiente.
142
Cuando 1 es doblemente diferenciable en 2 se puede construir una mejor
aproximacin para 1 que, adems de contar con las caractersticas de la
aproximacin lineal, tenga la misma concavidad que 1 en x = a. En otras palabras,
se busca una funcin P
2
(x) que satisfaga
P
2
(a) = 1(a), P
2
(a) = 1
(a) y P
2
(a) = 1
(a).
Es fcil vericar que una funcin que cumple estas condiciones es
P
2
(x) = 1(a) + 1
(a)(x a) +
1
2
1
(a)(x a)
2
,
conocida como el polinomio de Taylor de orden 2 generado por 1(x) alrededor
de x = a. La funcin P
2
representa una aproximacin cuadrtica de 1 cerca de
x = a. El factor
1
2
en el trmino cuadrtico es necesario para que se verique la
igualdad de las segundas derivadas, P
2
(a) = 1
(a). Nota que

P
2
(x) = 5(x) +
1
2
1
(a)(x a)
2
.
Se puede demostrar que, por lo general, la funcin cuadrtica P
2
es una mejor
aproximacin de 1 que la funcin lineal 5.
Ejemplo:
Encuentra la linealizacin 5(x) y el polinomio de Taylor P
2
(x) generados por
la funcin 1(x) =
x alrededor de x = 1. Utiliza estas funciones para aproximar

el valor de
1.1 y compara los resultados obtenidos con el valor exacto.

La linealizacin 5(x) y el polinomio de Taylor P
2
(x) generados por una funcin
doblemente diferenciable 1(x) en x = 1 estn dados por
5(x) = 1(1) + 1
(1)(x 1),
P
2
(x) = 1(1) + 1
(1)(x 1) +
1
2
1
(1)(x 1)
2
.
143
Captulo 4 Funciones cncavas y cuasicncavas
En particular, para la funcin 1(x) =
x se tiene
1(1) =
1, 1
(1) =
1
2
1
y 1
(1) =
1
4 (1)
3/2
,
de modo que
5(x) = 1 +
1
2
(x 1),
P
2
(x) = 1 +
1
2
(x 1) +
1
2
_
1
4
_
(x 1)
2
.
De esta manera, las aproximaciones lineal y cuadrtica de la funcin 1(x) =
x
alrededor de x = 1 son, respectivamente,
_
x
_
(inea(
1 +
1
2
(x 1),
_
x
_
ca)
1 +
1
2
(x 1)
1
8
(x 1)
2
.
Se tiene, entonces,
_
1.1
_
(inea(
1 +
1
2
(1.1 1) = 1.05,
_
1.1
_
ca)
1 +
1
2
(1.1 1)
1
8
(1.1 1)
2
= 1.04875 .
Compara estos resultados con el valor exacto de
1.1, dado por
1.1 = 1.048808848 . . . .
Es claro que la aproximacin cuadrtica
_
1.1
_
ca)
obtenida de P
2
(x) da un
resultado ms exacto que la aproximacin lineal
_
1.1
_
(inea(
obtenida de 5(x). La
razn geomtrica de este hecho se ilustra en la siguiente gura, en donde estn
gracadas las funciones y =

x, y = 5(x) y y = P
2
(x). Aunque las tres
funciones son tangentes en el punto (1, 1), observa que slo P
2
(x) preserva la
concavidad de la funcin
x en ese punto.
144
La aproximacin cuadrtica P
2
(x) para funciones 1 doblemente diferenciables
es muy importante en el tema de optimizacin, puesto que el signo de la segunda
derivada 1
en x = a determina la concavidad de 1 en ese punto. Para precisar esta

idea, supn que la funcin 1 posee un valor extremo local (mximo o mnimo) en
x = a, de modo que 1
(a) = 0. En ese caso, la aproximacin cuadrtica de 1(x) se

reduce a
1(x) P
2
(x) = 1(a) +
1
2
1
(a)(x a)
2
.
Introduciendo la notacin x = x a y 1 = 1(x) 1(a), se tiene
1
1
2
1
(a) (x)
2
.
Si 1
(a) > 0 entonces 1 > 0, por lo que 1 se incrementa a partir de 1(a).

Como se observa en la gura de la izquierda, esto implica que 1 tiene un mnimo
en x = a, de modo que 1 es convexa en ese punto. Por el contrario, si 1
(a) < 0
entonces 1 < 0, por lo que 1 disminuye a partir de 1(a). De acuerdo con la
gura de la derecha, esto implica que 1 tiene un mximo en x = a, de modo que 1
es cncava en ese punto.
El criterio de la segunda derivada para funciones 1 de una variable se resume,
entonces, de la siguiente manera:
i) 1
(a) > 0 1 es convexa en x = a,

ii) 1
(a) < 0 1 es cncava en x = a.

Los resultados anteriores pueden extenderse al caso de una funcin
diferenciable de dos variables, 1 : 2 R, con 2 R
2
abierto y convexo. Como 1
es diferenciable en 2, existe un plano tangente a la supercie z = 1(x, y) en cada
punto (a, b) 2, dado por
z = 1(a, b) + 1
x
(a, b)(x a) + 1
y
(a, b)(y b).
145
Esto signica que para aquellos puntos (x, y) cercanos a (a, b) podemos aproximar
la funcin 1 por su linealizacin 5, dada por
5(x, y) = 1(a, b) + 1
x
(a, b)(x a) + 1
y
(a, b)(y b),
que estudiamos en la seccin 3.2. Esta es una funcin polinomial de grado 1, y es
tal que satisface
5(a, b) = 1(a, b), 5
x
(a, b) = 1
x
(a, b) y 5
y
(a, b) = 1
y
(a, b),
es decir, en (x, y) = (a, b) las funciones 5 y 1 toman el mismo valor y adems
tienen el mismo vector normal,
n = (1
x
, 1
y
, 1).
Cuando 1 es doblemente diferenciable en 2 es posible construir una
aproximacin cuadrtica, P
2
(x, y),que presente la misma concavidad que 1 en
(x, y) = (a, b), estableciendo la igualdad de todas sus derivadas parciales de orden
2. Es fcil vericar que una funcin que satisface estas condiciones es
P
2
(x, y) = 1(a, b) + 1
x
(a, b)(x a) + 1
y
(a, b)(y b)
+
1
2
_
1
xx
(a, b)(x a)
2
+ 21
xy
(a, b)(x a)(y b) + 1
yy
(a, b)(y b)
2
,
conocida como el polinomio de Taylor de orden 2 generado por 1(x, y) alrededor
de (x, y) = (a, b). Tomando como base esta aproximacin, a continuacin
desarrollaremos un criterio para establecer la concavidad local de 1, dependiendo
del signo de las derivadas 1
xx
, 1
yy
y 1
xy
en el punto (x, y) = (a, b).
Para ello, supongamos que la funcin 1 posee un valor extremo local en
(x, y) = (a, b), de modo que 1
x
(a, b) = 1
y
(a, b) = 0. En ese caso,
1(x, y) P
2
(x, y)
= 1(a, b) +
1
2
_
1
xx
(a, b)(x a)
2
+ 21
xy
(a, b)(x a)(y b) + 1
yy
(a, b)(y b)
2
.
Introduciendo la notacin x = x a, y = y b y 1 = 1(x, y) 1(a, b), se
tiene
1
1
2
_
1
xx
(a, b) (x)
2
+ 21
xy
(a, b)(x)(y) + 1
yy
(a, b)(y)
2
.
146
Claramente, el signo de 1 est determinado por el signo de las segundas derivadas
parciales, pero no de una manera directa como en el caso de funciones de una
variable.
Para encontrar condiciones sucientes sobre el signo de 1 partimos de
21 1
xx
(x)
2
+ 21
xy
(x)(y) + 1
yy
(y)
2
,
en donde, para simplicar la notacin, hemos omitido que las derivadas parciales
estn evaluadas en (a, b). Ahora multiplicamos ambos lados de esta ecuacin por
1
xx
(o bien, por 1
yy
, si 1
xx
= 0), obteniendo
21
xx
1 1
2
xx
(x)
2
+ 21
xx
1
xy
(x)(y) + 1
xx
1
yy
(y)
2
.
Luego completamos cuadrados en el lado derecho de la ecuacin,
21
xx
1 1
2
xx
(x)
2
+ 21
xx
1
xy
(x)(y) + 1
2
xy
(y)
2
+
_
1
xx
1
yy
(y)
2
1
2
xy
(y)
2
= [1
xx
(x) + 1
xy
(y)]
2
+
_
1
xx
1
yy
1
2
xy
(y)
2
.
Por ltimo, dividimos ambos lados de la ecuacin por 21
xx
, obteniendo
1
[1
xx
(x) + 1
xy
(y)]
2
21
xx
+
_
1
xx
1
yy
1
2
xy
(y)
2
21
xx
.
Observamos que la condicin 1
xx
> 0 y 1
xx
1
yy
1
2
xy
> 0 en (a, b) es suciente
para garantizar que 1 > 0 a partir de ese punto; siguiendo un razonamiento
anlogo al caso de una funcin de una variable, se tiene entonces que 1 es convexa
en (a, b). Similarmente, la condicin 1
xx
< 0 y 1
xx
1
yy
1
2
xy
> 0 en (a, b) es
suciente para garantizar que 1 < 0 a partir de ese punto; de este modo, 1 es
cncava en (a, b). Se llega entonces a las siguientes condiciones de suciencia:
i) 1
xx
> 0 y 1
xx
1
yy
1
2
xy
> 0 en (a, b) 1 es convexa en (a, b),
ii) 1
xx
< 0 y 1
xx
1
yy
1
2
xy
> 0 en (a, b) 1 es cncava en (a, b).
Los resultados anteriores pueden expresarse de una manera ms simple,
utilizando un lenguaje matricial. Para ello, primero reescribimos la expresin
1
1
2
_
1
xx
(a, b) (x)
2
+ 21
xy
(a, b)(x)(y) + 1
yy
(a, b)(y)
2
como un producto de matrices, de la forma

1
1
2
_
x y
_
_
1
xx
(a, b) 1
xy
(a, b)
1
xy
(a, b) 1
yy
(a, b)
__
x
y
_
=
1
2
_
x
_
'
:
_
x
_
,
147
en donde
x=
_
x
y
_
es el vector de incrementos,
_
x
_
'
es su transpuesta y
: =
_
1
xx
1
xy
1
xy
1
yy
_
,
es la matriz de segundas derivadas de 1 evaluadas en el punto (a, b), conocida
como matriz Hessiana de 1. Nota que el determinante |:| de : est dado por
|:| = 1
xx
1
yy
1
2
xy
,
que es precisamente uno de los trminos en las condiciones sucientes que
desarrollamos con anterioridad. De esta manera, dichas condiciones sucientes
pueden expresarse en trminos de la matriz hessiana : de 1, como:
i) 1
xx
> 0 y |:| > 0 en (a, b) 1 es convexa en (a, b),
ii) 1
xx
< 0 y |:| > 0 en (a, b) 1 es cncava en (a, b).
4.2 Funciones cncavas y funciones convexas
En esta seccin formalizamos el concepto de concavidad o convexidad de una
funcin, que reviste de gran inters en el tema de optimizacin de funciones.
Iniciamos el tema presentando las deniciones de funcin cncava y de funcin
convexa, que son vlidas aun para el caso de funciones no diferenciables.
Denicin. Sea 2 R
n
un conjunto convexo, y sea 1 : 2 R. Se dice que 1
es una funcin cncava si para todos
x
1
,
x
2
2 se satisface
1 ()
x
1
+ (1 ))
x
2
) )1 (
x
1
) + (1 ))1 (
x
2
) ,
para todo nmero ) [0, 1]. La funcin es estrictamente cncava si la desigualdad
es estricta, para ) (0, 1) y
x
1
=
x
2
.
148
En otras palabras, una funcin es cncava si la recta que une cualesquiera dos
puntos de su grca queda por debajo de la grca, o en la grca, pero nunca
por encima de ella. Si la recta queda siempre por debajo de la grca, la funcin
es estrictamente convexa. Nota que este argumento es vlido en general para
supercies o hipersupercies, como se ilustra en la siguiente gura.
Denicin. Sea 2 R
n
un conjunto convexo, y sea 1 : 2 R. Se dice que 1
es una funcin convexa en 2 si para todos
x
1
,
x
2
2 se satisface
1 ()
x
1
+ (1 ))
x
2
) )1 (
x
1
) + (1 ))1 (
x
2
) ,
para todo nmero ) [0, 1]. La funcin es estrictamente convexa si la desigualdad
es estricta, para ) (0, 1) y
x
1
=
x
2
.
Ejemplo:
Demuestra que la funcin 1(x) = |x| es convexa no estricta.
Sean x
1
, x
2
R y sea ) [0, 1]. Entonces
1 ()x
1
+ (1 ))x
2
) = |)x
1
+ (1 ))x
2
|
|)x
1
| +|(1 ))x
2
| (desigualdad del tringulo)
= |)| |x
1
| +|1 )| |x
2
| (propiedades del valor absoluto)
= ) |x
1
| + (1 )) |x
2
| () 0 y 1 ) 0)
= )1(x
1
) + (1 ))1(x
2
).
149
De esta manera,
1 ()x
1
+ (1 ))x
2
) )1(x
1
) + (1 ))1(x
2
).
Teorema. Sea 2 R
n
un conjunto convexo. Sean 1, 3 : 2 R funciones
cncavas en 2 y sea R.
a) Si > 0, entonces 1 es cncava.
b) Si < 0, entonces 1 es convexa.
c) 1 + 3 es cncava.
d) Si 4 : 2 R es una funcin lineal, entonces 1 + 4 es cncava.
e) Sea 4 : B R una funcin cncava y creciente, tal que 1(2) B R.
Entonces 4 1 es cncava.
Por ejemplo, si P(5, 6) es una funcin de produccin cncava y p > 0 es el
precio del bien, entonces el ingreso pP(5, 6) es una funcin cncava (inciso a).
A su vez, si C(5, 6) = w5 + r6 es una funcin de costos lineal, tambin C es
lineal; as, la funcin de benecio = pP(5, 6) C(5, 6) es cncava (inciso d).
Por otra parte, si u es una funcin de utilidad cncava, la composicin ln u tambin
lo es, ya que lnx es una funcin cncava y creciente (inciso e).
Claramente, hay funciones que no son cncavas ni son convexas, tales como
1(x) = x
3
, mientras que hay funciones que son tanto cncavas como convexas (no
estrictas), como ocurre con las funciones lineales (rectas o planos):
150
En el caso particular de que la funcin 1 sea diferenciable, o de clase C
1
, se
puede demostrar que 1(
x ) es una funcin cncava en su dominio si y slo si su

grca nunca est por encima de su linealizacin 5(
x ) (recta o plano tangente).

Anlogamente, 1(
x ) es una funcin convexa si y slo si su grca nunca est por

debajo de su linealizacin 5(
x ).
Para enunciar estos resultados de una manera formal, reescribimos la linealizacin
5(x, y) de una funcin de dos variables, 1(x, y), alrededor del punto (x
0
, y
0
), como
5(x, y) = 1(x
0
, y
0
) + 1
x
(x
0
, y
0
)(x x
0
) + 1
y
(x
0
, y
0
)(y y
0
)
= 1(x
0
, y
0
) + (1
x
(x
0
, y
0
), 1
y
(x
0
, y
0
)) (x x
0
, y y
0
)
= 1(x
0
, y
0
) +1(x
0
, y
0
) (x x
0
, y y
0
) ,
en donde 1(x
0
, y
0
) denota el gradiente de 1 evaluado en el punto (x
0
, y
0
) . Por
ltimo, introduciendo la notacin
x = (x, y) y
x
0
= (x
0
, y
0
), se obtiene
5(
x ) = 1(
x
0
) +1(
x
0
) (
x
0
) .
La ventaja de esta ltima expresin es que no est limitada a vectores en R
2
, sino
que es vlida para vectores en el espacio general R
n
.
Teorema. Sea 2 R
n
un conjunto abierto y convexo, y sea 1 : 2 R, con
1 C
1
(2). Entonces,
a) 1 es cncava en 2 para todos
x ,
x
0
2
1 (
x ) 1(
x
0
) +1(
x
0
) (
x
0
) .
b) 1 es convexa en 2 para todos
x ,
x
0
2
1 (
x ) 1(
x
0
) +1(
x
0
) (
x
0
) .
Si las desigualdades son estrictas, entonces 1 es estrictamente cncava o
estrictanebte convexa en 2.
151
Ms particularmente, en el caso de una funcin 1 doblemente diferenciable, o
de clase C
2
, existe un criterio aun ms simple para establecer su concavidad o
convexidad. Este criterio se enuncia en el siguiente teorema, y est basado en el
signo de los elementos de su matriz hessiana :, o matriz de las segundas derivadas
de 1, como se justic en la seccin 4.1.
Teorema. Sea 2 R
2
1 C
2
(2). Entonces
a) 1
xx
< 0 y 1
xx
1
yy
1
2
xy
> 0 en 2 1 es estrictamente cncava en 2,
b) 1
xx
> 0 y 1
xx
1
yy
1
2
xy
> 0 en 2 1 es estrictamente convexa en 2,
c) 1
xx
1
yy
1
2
xy
< 0 en 2 1 no es cncava ni es convexa en 2.
Ejemplos:
1. Analiza la concavidad de 1(x, y) = 2x
2
3y
2
en cada punto (x, y) R
2
.
La matriz Hessiana de 1 en cada punto (x, y) es
:(x, y) =
_
1
xx
1
xy
1
xy
1
yy
_
=
_
4 0
0 6
_
.
Como 1
xx
= 4 < 0 y |:| = 1
xx
1
yy
1
2
xy
= 24 > 0, por lo tanto 1 es
estrictamente cncava, para todos (x, y) R
2
.
2. Analiza la concavidad de 1(x, y) = x
2
+ y
2
+ xy en cada punto (x, y) R
2
.
:(x, y) =
_
1
xx
1
xy
1
xy
1
yy
_
=
_
2 1
1 2
_
.
Como 1
xx
= 2 > 0 y |:| = 1
xx
1
yy
1
2
xy
= 3 > 0, por lo tanto 1 es
estrictamente convexa, para todos (x, y) R
2
.
3. Analiza la concavidad de 1(x, y) = x
2
y
2
2
.
:(x, y) =
_
1
xx
1
xy
1
xy
1
yy
_
=
_
2 0
0 2
_
.
Como 1
xx
= 2 > 0 y |:| = 1
xx
1
yy
1
2
xy
= 4 < 0, por lo tanto 1 no es ni
cncava ni convexa en R
2
.
152
4. Analiza la concavidad 1(x, y) = x
3
+ y
3
2
.
:(x, y) =
_
1
xx
1
xy
1
xy
1
yy
_
=
_
6x 0
0 6y
_
.
Como 1
xx
= 6x y |:| = 1
xx
1
yy
1
2
xy
= 36xy, se tiene que 1 es estrictamente
convexa en el cuadrante I (x > 0, xy > 0), estrictamente cncava en el
cuadrante III (x < 0, xy > 0), y ni cncava ni convexa en los cuadrantes II y IV.
De manera global, decimos que 1 no es cncava ni convexa en R
2
.
El teorema anterior se utiliza slo en el caso cuando 1
xx
= 0 y 1
xx
1
yy
1
2
xy
= 0.
Qu hacer si 1
xx
= 0 o 1
xx
1
yy
1
2
xy
= 0? Como lo establece el siguiente teorema,
en ese caso es posible que la funcin todava siguiera siendo cncava, o convexa,
pero no estricta.
Teorema. Sea 2 R
2
1 C
2
(2). Entonces
a) 1
xx
0, 1
yy
0 y 1
xx
1
yy
1
2
xy
0 en 2 1 es cncava en 2,
b) 1
xx
0, 1
yy
0 y 1
xx
1
yy
1
2
xy
0 en 2 1 es convexa en 2.
Compara cuidadosamente este teorema con el anterior (nota que aqu entra en
escena el signo de 1
yy
, la implicacin es del tipo en lugar de , y adems ya no
se trata de concavidad/convexidad estricta.
Ejemplos:
1. Analiza la concavidad de la funcin 1(x, y) = y
2
.
Nota que la funcin 1(x, y) = y
2
describe un cilindro parablico que corre a lo
largo del eje x, de modo que la funcin es convexa, pero no estricta, en R
2
.
153
Este resultado es consistente con las condiciones necesarias de segundo orden
para la matriz hessiana correspondiente,
:(x, y) =
_
1
xx
1
xy
1
xy
1
yy
_
=
_
0 0
0 2
_
,
en donde 1
xx
= 0 0, 1
yy
= 2 0 y 1
xx
1
yy
1
2
xy
= 0 0.
2. Analiza la concavidad de la funcin 1(x, y) = 2x + y.
Nota que la funcin 1(x, y) = 2x+y describe un plano, de modo que la funcin
es cncava y convexa a la vez (obviamente, no estricta) en en R
2
. Este resultado
es consistente con las condiciones necesarias de segundo orden para la matriz
hessiana correspondiente,
:(x, y) =
_
1
xx
1
xy
1
xy
1
yy
_
=
_
0 0
0 0
_
,
ya que al ser 1
xx
= 1
yy
= 1
xx
1
yy
1
2
xy
= 0 entonces se cumplen las dos
condiciones del teorema anterior.
La generalizacin de los dos teoremas anteriores para el caso de funciones de
tres o ms variables puede consultarse en el Apndice B.
4.3 Funciones cuasicncavas y funciones cuasiconvexas
Adems de las funciones cncavas y convexas, existe otro tipo de funciones
denominadas cuasicncavas y cuasiconvexas, que tambin revisten de gran
importancia en el tema de optimizacin. Antes de presentar estas ltimas, es til
introducir primero la siguiente denicin.
Denicin. Sea 2 R
n
un conjunto convexo. Sean 1 : 2 R y k R.
a) El contorno de 1 en k es el conjunto
C
f
(k) = {
x 2 |1(
x ) = k} .
b) El contorno superior de 1 en k es el conjunto
C2
f
(k) = {
x 2 |1(
x ) k} .
c) El contorno inferior de 1 en k es el conjunto
C&
f
(k) = {
x 2 |1(
x ) k} .
154
El contorno C
f
(k) es lo que denominamos en la seccin 2.2 como conjunto de
nivel, o curva de nivel en el caso de funciones 1 : R
2
R. As, por ejemplo, en el
caso de una funcin de utilidad u(x, y) correspondiente a la canasta de dos bienes
(x, y), el contorno C
(u
0
) es la curva de indiferencia
C
(u
0
) =
_
(x, y) R
2
+
| u(x, y) = u
0
_
,
mientras que el contorno superior C2
(u
0
) representa las preferencias del
consumidor,
C2
(u
0
) =
_
(x, y) R
2
+
| u(x, y) u
0
_
,
dadas por las canastas que le generan una utilidad mayor o igual que u
0
.
Nota que los contornos C2
f
(k) y C&
f
(k) son subconjuntos del dominio de 1 y
ambas regiones contienen al contorno.C
f
(k). Para determinar las regiones C2
f
(k)
y C&
f
(k) basta con resolver la desigualdad correspondiente a su denicin. Existe
una manera alternativa, que consiste en identicar solamente el contorno C
f
(k)
y gracar en l el vector gradiente 1, que necesariamente apuntar hacia el
contorno superior C2
f
(k).
Ejemplos:
1. Sea 1 : R
2
R, denida por 1(x, y) = x
2
+ y
2
. Encuentra los contornos C
f
,
C2
f
y C&
f
correspondientes a k = 1.
En este caso, se tiene directamente
C
f
(1) =
_
(x, y) R
2
x
2
+ y
2
= 1
_
,
C2
f
(1) =
_
(x, y) R
2
x
2
+ y
2
1
_
,
C&
f
(1) =
_
(x, y) R
2
x
2
+ y
2
1
_
.
155
2. Sea 1 : R
2
R, denida por 1(x, y) = 2 x
2
y
2
. Encuentra los contornos
C
f
, C2
f
y C&
f
En este caso se tiene C
f
(1) = {(x, y) R
2
|2 x
2
y
2
= 1}, es decir,
C
f
(1) =
_
(x, y) R
2
x
2
+ y
2
= 1
_
.
Asimismo, C2
f
(1) = {(x, y) R
2
|2 x
2
y
2
1} , es decir,
C2
f
(1) =
_
(x, y) R
2
x
2
+ y
2
1
_
y C&
f
(1) = {(x, y) R
2
|2 x
2
y
2
1} , es decir,
C&
f
(1) =
_
(x, y) R
2
x
2
+ y
2
1
_
.
3. Sea u : R
2
+
R una funcin de utilidad tipo Cobb-Douglas, denida
por u(x, y) = x
y
&
, , > 0. Encuentra los contornos C
, C2
y C&
Procediendo de manera anloga a los dos ejemplos anteriores, se tiene
C
(1) =
_
(x, y) R
2
+
y
&
= 1
_
,
C2
(1) =
_
(x, y) R
2
+
y
&
1
_
,
C&
(1) =
_
(x, y) R
2
+
y
&
1
_
,
156
que representan las canastas con una utilidad u = 1, u 1 y u 1,
respectivamente.
4. Sea 1 : R R, denida por 1(x) = 2 x
2
f
, C2
f
y C&
f
En este caso se tiene C
f
(1) = {x R|2 x
2
= 1}, es decir,
C
f
(1) = {x R| |x| = 1} .
Asimismo, C2
f
(1) = {x R|2 x
2
1} , es decir,
C2
f
(1) = {x R| |x| 1}
y C&
f
(1) = {x R|2 x
2
1} , es decir,
C&
f
(1) = {x R| |x| 1} .
5. Sea 1 : R R, denida por 1(x) = x
2
f
, C2
f
y
C&
f
C
f
(1) = {x R| |x| = 1} ,
C2
f
(1) = {x R| |x| 1} ,
C&
f
(1) = {x R| |x| 1} .
157
6. Para la funcin 1(x) = ln(2 x), encuentra los contornos C
f
, C2
f
y C&
f
Primero notamos que el dominio D
f
de la funcin 1 es el conjunto
D
f
= {x R| < x < 2} .
C
f
(0) = {x D
f
| x = 1} = {1} ,
C2
f
(0) = {x D
f
| x < 1} = {x R| < x < 1} ,
C&
f
(0) = {x D
f
| x > 1} = {x R| 1 < x < 2} .
Los ejemplos anteriores ilustran cmo en el caso de funciones 1 en R
3
los
contornos C
f
, C2
f
y C&
f
estn en R
2
, mientras que para funciones 1 en R
2
los
contornos estn en R. En todos los casos, los contornos son subconjuntos del
dominio, como se muestra muy especialmente en el ejemplo 6.
A la luz de esos ejemplos debe resultar claro el contenido del siguiente teorema.
158
Teorema.
a) 1 es cncava C2
f
(k) es convexo, para todo k en la imagen de 1.
b) 1 es convexa C&
f
(k) es convexo, para todo k en la imagen de 1.
Uno podra preguntarse ahora si las implicaciones anteriores pueden ser
invertidas. En otras palabras, ser cierto que C2
f
convexo implica que 1
es cncava? La respuesta es negativa, como lo ilustra la siguiente grca,
correspondiente a la funcin 1(x) = x
3
.
En este ejemplo es claro que tanto C2
f
(k) como C&
f
(k) son convexos para todo
k R, pero la funcin 1(x) = x
3
no es cncava ni es convexa en su dominio.
Una funcin como sta es un ejemplo de funcin cuasicncava y cuasiconvexa, a
la vez, como se dene a continuacin.
Denicin. Sea 2 R
n
un conjunto convexo. Se dice que una funcin
1 : 2 R es cuasicncava, si para todo k en la imagen de 1 el conjunto C2
f
(k)
es convexo. La funcin es cuasiconvexa, si para todo k en la imagen de 1 el
conjunto C&
f
(k) es convexo.
159
La gura de la izquierda representa una funcin cuasicncava, ya que para todo
k el contorno superior C2
f
(k) es convexo. La gura de la derecha muestra una
funcin que no es cuasicncava, ya que su contorno superior C2
f
(k) no siempre es
convexo (depende del valor de k). Nota que esta ltima tampoco es cuasiconvexa,
puesto que su contorno inferior C&
f
(k) tampoco es convexo en general. Las
siguientes guras muestran otras funciones cuasicncavas en R
2
.
Anlogamente, las siguientes guras muestran ejemplos de funciones cuasicon-
vexas en R
2
.
Tambin observa que una funcin puede ser convexa y cuasicncava a la vez, como
es el caso de la funcin #
x
, que tambin es cuasiconvexa, y que todas las funciones
lineales (rectas, planos e hiperplanos) son cuasicncavas y cuasiconvexas, adems
de ser cncavas y convexas (no estrictas).
Por ltimo, nota que toda funcin cncava (convexa) es tambin cuasicncava
(cuasiconvexa), pero no viceversa.
160
Teorema
a) 1 cncava 1 cuasicncava.
b) 1 convexa 1 cuasiconvexa.
Tambin es posible demostrar que las implicaciones C2
f
convexo
1 cuasicncava y C&
f
convexo 1 cuasiconvexa de la denicin de
cuasiconcavidad/cuasiconvexidad son ms bien del tipo . En resumen,
podemos concluir que
1 cncava = 1 cuasicncava C2
f
convexo,
1 convexa = 1 cuasiconvexa C&
f
convexo.
Este resultado es muy importante en economa. As, por ejemplo, si suponemos
que una funcin de utilidad u es cuasicncava, entonces el conjunto de canastas
x del espacio de bienes que producen al consumidor una utilidad u(
x ) k
(o sea, C2
(k)) es convexo. De esta manera, cualquier combinacin convexa,

@
x
1
+ (1 @)
x
2
, 0 < @ < 1, de dos canastas
x
1
,
x
2
con u k tambin genera
una utilidad mayor o igual a k.
Se puede demostrar que la convexidad del contorno superior C2
(k) garantiza que

se preserve el orden en las relaciones de preferencia del consumidor. Si C2
es
convexo, las curvas de nivel de u son funciones convexas, como en la gura de la
161
izquierda, y no como en las otras dos guras.
Esto equivale a la condicin de que la funcin u, que representa el orden de las
preferencias del consumidor, sea cuasicncava. Observa que no tiene sentido
imponer la condicin ms restrictiva de que u sea una funcin cncava, ya que la
nica propiedad signicativa de esta funcin es el carcter de sus curvas de nivel.
En economa es muy frecuente el uso de una transformacin del tipo ln u, en
lugar de utilizar la funcin de utilidad u. El siguiente teorema establece que una
transformacin monotnica creciente de este tipo no afecta el argumento anterior
en relacin con las canastas correspondientes a lnu k.
Teorema. Sea 2 R
n
un conjunto convexo y sea 3 : 2 R una funcin
cuasicncava. Sea 4 : B R R una funcin creciente, donde 3(2) B .
Entonces la composicin 4 3 es una funcin cuasicncava, y adems
C2
*
(y) C2
h*
(4(y)).
Es importante sealar que la suma de funciones cuasicncavas (cuasiconvexas)
no necesariamente es una funcin cuasicncava (cuasiconvexa), a diferencia de lo
que sucede con la suma de funciones cncavas (convexas) que s te da una funcin
cncava (convexa). Por ejemplo, sabemos que 1(x) = x
3
y 3(x) = x son ambas
funciones cuasicncavas (y cuasiconvexas), pero 4(x) = x
3
x no es cuasicncava
162
ni cuasiconvexa.
Por ltimo, existen otras maneras de caracterizar la cuasiconcavidad o
cuasiconvexidad de funciones sin utilizar el concepto de contorno. La primera de
ellas representa una denicin alternativa, utilizada frecuentemente en textos de
microeconoma. Aqu la presentamos como un teorema, ya que puede deducirse
a partir de nuestra previa denicin. Observa que no involucra el concepto de
diferenciabilidad, por lo que es vlida para funciones continuas en general.
Teorema. Sea 1 : 2 R, con 2 R
n
convexo. Entonces, 1 es cuasicncava
en 2 si y slo si, para todos
x
1
,
x
2
2 y para todo ) [0, 1], se cumple:
a) 1 (
x
1
) 1 (
x
2
) = 1 ()
x
1
+ (1 ))
x
2
) 1 (
x
2
) .
b) 1 ()
x
1
+ (1 ))
x
2
) mn{1 (
x
1
) , 1 (
x
2
)}.
Para comprender el signicado geomtrico de este teorema, considera las
preferencias de un consumidor. Si u(
x ) es la utilidad correspondiente a la canasta
x de dos bienes (u crece al alejarse del origen), y si para cualesquiera dos canastas
x
1
,
x
2
se cumple.u(
x
1
) u(
x
2
), entonces para cualquier canasta intermedia
)
x
1
+ (1 ))
x
2
, ) [0, 1] se tendr u()
x
1
+ (1 ))
x
2
) u(
x
2
).
Por otra parte, para funciones 1 doblemente diferenciables en su dominio 2
existe un criterio simple para determinar su cuasiconcavidad o cuasiconvexidad.
ste se reere al signo de la matriz que se obtiene al aadir al hessiano : una
columna y un rengln conteniendo el gradiente de la funcin 1. Esa matriz
163
ampliada se conoce como hessiano orlado, :, que en el caso de funciones
1 : 2 R
2
, 1 C
2
(2) se dene como la matriz
: =
_
_
0 1
x
1
y
1
x
1
xx
1
xy
1
y
1
xy
1
yy
_
_
.
En ese caso, es posible demostrar que el criterio de signos correspondiente es
> 0 1 es cuasicncava,
< 0 1 es cuasiconvexa.
Utilizando este resultado, es fcil vericar que las funciones tipo Cobb-Douglas,
1(x, y) = x
y
&
, , > 0, son cuasicncavas en general; de stas, slo son
cncavas las que satisfacen + 1.
164
Captulo 5
Optimizacin
En este captulo aplicaremos los resultados sobre concavidad del captulo
4 para encontrar los mximos y mnimos de una funcin 1 denida en un
dominio convexo 2. Este dominio puede ser simplemente el dominio natural
de la funcin, o bien, la regin que resulte al imponer una coleccin de
restricciones. En el primer caso, hablaremos de problemas de optimizacin
libre, que estudiaremos en la seccin 5.1. En el segundo caso, hablaremos de
problemas de optimizacin restringida, que presentaremos en las secciones
5.2 y 5.3. Por simplicidad, gran parte de la discusin se limitar al caso de
funciones de dos variables, 1(x, y).
5.1 Optimizacin libre. Criterio del Hessiano
A los valores mximos o mnimos de una funcin tambin se les denomina
valores extremos.de la funcin. Su denicin en el caso de una funcin de
varias variables es una generalizacin directa de las correspondientes a una
funcin de una variable.
Denicin. Sea 1 : 2 R
n
R y sea
x
0
2. Se dice que
a) 1 presenta un mximo local o relativo en
x
0
, si existe una vecindad 7
de
x
0
tal que 1(
x
0
) 1(
x ), para todo
x 7 2.
b) 1 presenta un mximo global o absoluto en
x
0
, si 1(
x
0
) 1(
x )
para todo
x 2.
Cuando las desigualdades se cambian por > se dice que el mximo
(local o global) es estricto o nico.
A
x
0
se le llama el punto mximo de 1 y a 1(
x
0
) el valor mximo de
1. Decimos que
x
0
es un mximo local de 1 si no existen puntos cercanos
en los que 1 alcance un valor mayor (puede ser igual); ste es estricto, si
los puntos cercanos dan un valor menor que 1(
x
0
). Asimismo,
x
0
es un
mximo global de 1 si en todo el dominio 2 no existe otro punto en el que 1
alcance un valor mayor; ste es estricto, si cualquier otro punto del dominio
da un valor menor que 1(
x
0
).
165
Captulo 5 Optimizacin
Invirtiendo las desigualdades anteriores se llega al concepto de punto mnimo,
como se dene a continuacin.
n
R y sea
x
0
2. Entonces,
a) 1 presenta un mnimo local o relativo en
x
0
, si existe una vecindad 7 de
x
0
tal que 1(
x
0
) 1(
x ), para todo
x 7 2.
b) 1 presenta un mnimo global o absoluto en
x
0
, si 1(
x
0
) 1(
x ) para todo
x 2.
Cuando las desigualdades se cambian por < se dice que el mnimo (local o
global) es estricto o nico.
Nota que todo extremo global es tambin un extremo local, pero no viceversa.
No toda funcin alcanza sus valores extremos globales (mximo o mnimo)
en su dominio. Demostrar la existencia de esos extremos globables puede
resultar bastante complejo en general, especialmente si la funcin no es continua,
diferenciable, o su dominio no es convexo. El siguiente teorema establece una
condicin suciente para garantizar su existencia.
Teorema. Sea 2 R
n
un conjunto compacto y sea 1 : 2 R. Si 1 es continua
en 2, entonces 1 alcanza sus valores mximo global y mnimo global en 2.
166
Por ejemplo, sea 2 =
_
(x
1
, x
2
) R
2
+
| p
1
x
1
+ p
2
x
2
&
_
el conjunto de
canastas compatibles con un ingreso menor o igual a &, para dos bienes con precios
unitarios p
1
, p
2
. Este conjunto es cerrado y acotado, y por tanto, compacto. Si las
preferencias del consumidor estn dadas por una funcin continua u(x
1
, x
2
), el
teorema garantiza la existencia de una canasta que maximiza su utilidad.
Si el dominio de 1 no fuera compacto (es decir, si no fuera cerrado y acotado) o
si 1 no fuera una funcin continua en su dominio, entonces no se garantiza que 1
alcanza sus valores extremos globales en su dominio. Para ilustrar esta armacin,
considera la funcin discontinua 1 : [1, 1] R, dada por
1(x) =
_
_
_
x + 1, 1 x < 0
0, x = 0
x 1, 0 < x 1.
En la gura se observa que esta funcin no alcanza sus valores mximo global
(1
max
= 1) y mnimo global (1
mn
= 1) en el intervalo 1 x 1.
Para encontrar los puntos extremos locales y globales de una funcin diferenciable
es importante analizar sus propiedades de primer y segundo orden, dadas por su
gradiente y su concavidad, como se discute en las siguientes subsecciones.
5.1.1 Condiciones necesarias de primer orden
Antes de iniciar la bsqueda de los valores extremos (locales y globales) de una
funcin de varias variables, conviene recordar el procedimiento correspondiente a
una funcin continua 1 : 2 R R de una variable, con y = 1(x).
167
Como se ilustra en la siguiente gura, en este caso los candidatos a extremos
son:
1. Los puntos interiores en donde 1
= 0 (puntos x
2
, x
3
y x
4
),
2. Los puntos interiores en donde 1
no existe (puntos x
5
y x
6
),
3. Los puntos frontera del dominio 2 (puntos x
1
y x
7
).
Los puntos interiores del tipo 1 y 2 se conocen como los puntos crticos de 1.
En particular, cuando el dominio 2 es un conjunto abierto no existen puntos
frontera, de modo que los nicos candidatos a ptimos son los puntos crticos.
Adicionalmente, si 1 es diferenciable los nicos puntos crticos son los del tipo 1,
que son aquellos en donde la derivada es cero, es decir, en donde la recta tangente
a la curva y = 1(x) es horizontal. Nota que los puntos crticos son slo candidatos
a ptimos, ya que no todos ellos dan origen a un extremo local, como es el caso de
los puntos x
4
y x
6
en la gura. A continuacin presentamos la generalizacin de
estos resultados para funciones de varias variables.
n
R una funcin continua. Un punto interior
x
0
2 se llama punto crtico de 1 si 1(
x
0
) =
0 o 1(
x
0
) no existe.
En otras palabras, los puntos crticos de una funcin continua 1 son aquellos
puntos interiores en donde el plano tangente a su grca es horizontal (1 =
0 )
o en donde ese plano tangente no existe (picos o cspides, en donde 1 no est
denido).
Cuando la funcin continua 1 est denida en un conjunto abierto 2, la frontera
de 2 no pertenece al dominio de la funcin, de modo que los nicos candidatos a
mximos y mnimos de 1 son sus puntos crticos, como establece a continuacin.
168
Teorema (condiciones necesarias de primer orden para funciones
continuas). Sea 2 R
n
un conjunto abierto y sea 1 : 2 R continua. Si 1 posee
un extremo local en
x
0
2, entonces
x
0
es un punto crtico de 1.
En el caso particular de que 1 sea diferenciable en el abierto 2, los candidatos
a mximos y mnimos de 1 se reducen slo a aquellos puntos en donde 1 =
0 ,
como se establece a continuacin.
Teorema (condiciones necesarias de primer orden para funciones
diferenciables). Si 1 es diferenciable en un punto interior
x
0
de su dominio y 1
alcanza un extremo local en
x
0
, entonces 1(
x
0
) =
0 .
Es importante sealar que no todo punto crtico
x
0
de 1 tal que 1(
x
0
) =
0
es un extremo local, como es el caso de los puntos de inexin para funciones de
una variable. Estos ltimos se denominan puntos silla en el caso multidimensional,
como se dene a continuacin.
Denicin. Una funcin 1(
x ) tiene un punto silla en un punto crtico

x
0
de su dominio si para toda vecindad 7 de
x
0
existen puntos
x 7 tales que
1(
x ) > 1(
x
0
) y puntos
y 7 tales que 1(
y ) < 1(
x
0
). En otras palabras, un
punto silla es un punto crtico que no es un punto de extremo local.
169
5.1.2 Condiciones sucientes de segundo orden
La condicin 1 =
0 para funciones diferenciables es una condicin necesaria

de primer orden para obtener los puntos crticos en la optimizacin libre de 1.
Para clasicar cada punto crtico como mximo, mnimo o punto silla, se debe
analizar la concavidad o convexidad local de la funcin 1 en cada uno de ellos.
En el caso particular de funciones doblemente diferenciables, el procedimiento
correspondiente se simplica considerablemente analizando el signo de la matriz
hessiana :, denida en la seccin 4.1. Este criterio constituye una condicin
suciente de segundo orden para la optimizacin libre de una funcin, como se
presenta a continuacin.
Valores extremos locales
El criterio para clasicar los extremos locales de una funcin doblemente
diferenciable es muy simple. La idea consiste en analizar la concavidad o
convexidad local de la funcin 1 en cada punto crtico
x
0
: si 1 es convexa en
x
0
,
se trata de un mnimo local; si 1 es cncava en
x
0
, se trata de un mximo local; si
1 no es cncava ni convexa en
x
0
se trata de un punto silla.
La concavidad de la funcin puede determinarse analizando el signo de la matriz
hessiana : de 1, cuyos elementos de matriz son las segundas derivadas parciales
de la funcin 1 con respecto a sus variables independientes. En el caso simple de
una funcin z = 1(x, y) con dominio en R
2
, la matriz hessiana correspondiente
est dada por
:(x, y) =
_
1
xx
1
xy
1
xy
1
yy
_
,
para la que se establecen las siguientes condiciones sucientes de segundo orden.
170
Teorema (condiciones sucientes de segundo orden). Sea 2 R
2
un
conjunto abierto y convexo, y sea 1 : 2 R, con 1 C
2
(2). Sea
x
0
2 un
punto crtico de 1. Entonces
a) 1
xx
> 0 y 1
xx
1
yy
1
2
xy
> 0 en
x
0
1 tiene un mnimo local estricto
x
0
,
b) 1
xx
< 0 y 1
xx
1
yy
1
2
xy
> 0 en
x
0
1 tiene un mximo local estricto en
x
0
,
c) 1
xx
1
yy
1
2
xy
< 0 en
x
0
1 tiene un punto silla en
x
0
.
Nota que las condiciones a) y b) se reeren al caso de mximos o mnimos
estrictos, es decir, en donde el valor extremo local es nico. Ms adelante
discutiremos el caso de una matriz hessiana semidenida, en donde los extremos
locales no necesariamente son nicos.
Ejemplos:
1. Encuentra y clasica los puntos crticos de 1(x, y) = 6x
2
2x
3
+ 3y
2
+ 6xy.
Las condiciones de primer orden para 1 son
1
x
(x, y) = 12x 6x
2
+ 6y = 0,
1
y
(x, y) = 6y + 6x = 0.
Resolviendo este sistema de ecuaciones se obtiene que los puntos crticos son
(0, 0) y (1, 1). Para clasicarlos, establecemos las condiciones de segundo
orden, a travs del hessiano
:(x, y) =
_
12 12x 6
6 6
_
.
Para el punto (0, 0) se tiene
:(0, 0) =
_
12 6
6 6
_
.
Como 1
xx
= 12 > 0 y |:| = 36 > 0, por lo tanto 1 tiene un mnimo local
estricto en (0, 0). A su vez, para el punto (1, 1) se tiene
:(1, 1) =
_
0 6
6 6
_
.
Como |:| = 36 < 0, por lo tanto 1 tiene un punto silla en (1, 1).
171
2. Encuentra y clasica los puntos crticos de 1(x, y) = xy x
2
y
2
2x2y +4.
1
x
(x, y) = y 2x 2 = 0,
1
y
(x, y) = x 2y 2 = 0.
Resolviendo el sistema de ecuaciones se obtiene que el nico punto crtico es
(2, 2). El hessiano correspondiente es
:(x, y) =
_
2 1
1 2
_
= :(2, 2).
Como 1
xx
= 2 < 0 y |:| = 3 > 0, por lo tanto 1 tiene un mximo local
estricto en (2, 2).Como veremos ms adelante, este mximo local tambin
es un mximo global de la funcin.
3. Encuentra y clasica los puntos crticos de 1(x, y) = x
5
y + xy
5
+ xy.
1
x
(x, y) = 5x
4
y + y
5
+ y = y(5x
4
+ y
4
+ 1) = 0,
1
y
(x, y) = x
5
+ 5xy
4
+ x = x(x
4
+ 5y
4
+ 1) = 0.
Resolviendo el sistema de ecuaciones se obtiene que el nico punto crtico es
(0, 0). El hessiano correspondiente es
:(x, y) =
_
20x
3
y 5x
4
+ 5y
4
+ 1
5x
4
+ 5y
4
+ 1 20xy
3
_
,
de modo que en el punto (0, 0) se tiene
:(0, 0) =
_
0 1
1 0
_
.
Como |:| = 1 < 0, por lo tanto 1 tiene un punto silla en (0, 0).
En el teorema anterior se ha excluido el caso en donde 1
xx
= 0 con
1
xx
1
yy
1
2
xy
0, o bien 1
xx
1
yy
1
2
xy
= 0. En este ltimo caso no es posible
garantizar de que el extremo sea estricto, sino que puede (o no) corresponder a un
problema de solucin mltiple. Por esa razn, las anteriores condiciones sucientes
de segundo orden deben reemplazarse por un conjunto de condiciones necesarias,
como se enuncia en el siguiente teorema.
172
Teorema (condiciones necesarias de segundo orden). Sea 2 R
2
un
conjunto abierto y convexo, y sea 1 : 2 R, con 1 C
2
(2). Sea
x
0
2 un
punto crtico de 1. Entonces
a) 1 tiene un mnimo local en
x
0
1
xx
0, 1
yy
0 y 1
xx
1
yy
1
2
xy
0 en
x
0
,
b) 1 tiene un mximo local en
x
0
1
xx
0, 1
yy
0 y 1
xx
1
yy
1
2
xy
0 en
x
0
.
Ejemplo:
Encuentra y clasica los puntos crticos de 1(x, y) = y
2
.
Para la funcin 1(x, y) = y
2
las condiciones de primer orden son
1
x
(x, y) = 0
1
y
(x, y) = 2y = 0,
de modo que los puntos crticos son todos los puntos del eje x, es decir,
{(x, y) R
2
| y = 0} . La siguiente gura muestra la grca de la supercie
z = y
2
, que corresponde a un cilindro parablico que corre a lo largo del eje x. Ah
se observa que la funcin 1(x, y) = y
2
alcanza su valor mnimo (no nico) a lo
largo de todos los puntos del eje x.
Este resultado es consistente con las condiciones necesarias de segundo orden para
la matriz hessiana correspondiente,
: =
_
0 0
0 2
_
,
en donde 1
xx
= 0 0, 1
yy
= 2 0 y 1
xx
1
yy
1
2
xy
= 0 0.
Valores extremos globales
La bsqueda de los valores extremos globales de una funcin puede resultar
bastante complicada en general, aun en el caso de funciones diferenciables. Una
de esas dicultades puede surgir al tratar de determinar los extremos globales de
una funcin cuyo dominio 2 sea un conjunto cerrado, ya que adems de los puntos
crticos interiores se tiene que considerar el valor de la funcin a lo largo de todos
sus puntos frontera. Omitiremos aqu un ejemplo de este tipo, aunque en la seccin
173
5.3 resolveremos problemas de optimizacin en regiones cerradas utilizando
tcnicas de optimizacin restringida (condiciones de Kuhn-Tucker). De este modo,
en esta seccin consideraremos slo funciones denidas en conjuntos abiertos.
Otra dicultad surge cuando el nmero de extremos locales de una funcin es tan
grande que puede resultar bastante engorroso, o incluso imposible, determinar
cules de estos corresponden a sus valores extremos globales.
Para este caso no se cuenta con condiciones necesarias de segundo orden para
encontrar los extremos globales. Sin embargo, si t sabes de antemano que una
funcin es cncava (convexa) a lo largo de todo su dominio, y que sta posee un
punto crtico, este solo hecho es suciente para garantizar que la funcin posee un
mximo (mnimo) global.
Teorema (condiciones sucientes). Sea 2 R
n
un conjunto abierto y
convexo, y sea 1 : 2 R. Sea
x
0
2 un punto crtico de 1. Entonces
a) 1 convexa en 2 1 tiene un mnimo global en
x
0
,
b) 1 estrictamente convexa en 2 1 tiene un mnimo global estricto en
x
0
,
c) 1 cncava en 2 1 tiene un mximo global en
x
0
,
d) 1 estrictamente cncava en 2 1 tiene un mximo global estricto en
x
0
.
174
Este teorema es vlido aun el caso general de funciones no diferenciables. Si
la funcin es doblemente diferenciable, entonces su concavidad o convexidad
puede determinarse directamente a partir de la matriz hessiana, como se muestra a
continuacin.
Ejemplos:
1. Demuestra que la funcin 1(x, y) = x
2
xy y
2
3y presenta un mximo
global estricto en el punto (1, 2).
1
x
(x, y) = 2x y = 0
1
y
(x, y) = x 2y 3 = 0,
que se satisfacen cuando x = 1 y y = 2. As, el nico punto crtico de 1 es el
(1, 2). La matriz Hessiana de 1 es
:(x, y) =
_
1
xx
1
xy
1
xy
1
yy
_
=
_
2 1
1 2
_
.
Como 1
xx
= 2 < 0 y |:| = 3 > 0, para todo (x, y), por lo tanto 1 es
estrictamente cncava en R
2
. As, 1 tiene un mximo global nico en (1, 2).
2. Encuentra los extremos globales de la funcin 1(x, y) = x
4
+ y
4
.
1
x
(x, y) = 4x
3
= 0
1
y
(x, y) = 4y
3
= 0,
que se satisfacen cuando x = y = 0. As, el nico punto crtico de 1 es el (0, 0).
La matriz Hessiana de 1 est dada por
:(x, y) =
_
12x
2
0
0 12y
2
_
.
En el punto crtico, se tiene
:(0, 0) =
_
0 0
0 0
_
,
que no presenta un signo denido, ni viola los criterios de concavi-
dad/convexidad. De esta manera, para clasicar el punto crtico podemos utilizar
argumentos alternativos, tales como:
i) Antes de evaluar la matriz Hessiana :(x, y) en (0, 0) notamos que
1
xx
(x, y) = 12x
2
0 y |:| = 144x
2
y
2
0, de modo que 1 es convexa no
estricta en R
2
.
175
ii) Sabemos que 1(0, 0) = 0 y observamos que la imagen de 1 son los valores
z 0.
De acuerdo con cualquiera de estos dos argumentos, concluimos que 1 tiene un
mnimo global estricto en (0, 0).
Por ltimo, en el apndice B se presenta la generalizacin de los resultados de
esta seccin para funciones de varias variables.
5.2 Optimizacin con restricciones de igualdad. Multiplicadores de
Lagrange
En muchas aplicaciones de inters la optimizacin de una funcin objetivo est
sujeta a restricciones sobre las variables independientes o variables de decisin,
como es el caso de restricciones presupuestales, laborales u operativas. Estas
restricciones son un subconjunto del dominio de la funcin, conocido como la
regin factible F.
En el caso de restricciones de igualdad, la regin factible F est formada
solamente por puntos frontera, mientras que en el caso de restricciones de
desigualdad, F est constituida tanto por puntos frontera como por puntos
interiores, como se ilustra en las siguientes guras para restricciones en R
2
. La
gura de la izquierda muestra la restriccin de igualdad x + y = 1, en donde la
recta F est formada slo por puntos frontera (PF); la gura de la derecha muestra
la restriccin de desigualdad x + y 1, en donde el semiplano F est constituido
por puntos frontera (PF) y puntos interiores (PI).
El mtodo para encontrar la solucin ptima es distinto en cada caso. En esta
seccin nos dedicaremos solamente al problema de optimizacin con restricciones
de igualdad, conocido como el mtodo de multiplicadores de Lagrange. El caso
correspondiente a restricciones de desigualdad se tratar en la seccin 5.3, en donde
se incorporarn al mtodo de Lagrange las llamadas condiciones de Kuhn-Tucker.
176
5.2 Optimizacin con restricciones de igualdad. Multiplicadores de Lagrange
5.2.1 Condiciones necesarias de primer orden. Signicado del
multiplicador de Lagrange
Primero consideremos el caso simple de maximizacin de una funcin diferenciable
de dos variables, 1(x, y), sujeto a una restriccin de igualdad, 3(x, y) = c, con 3
diferenciable y c constante, dado por
mx. 1(x, y)
s.a. 3(x, y) = c.
Debido a la restriccin, la solucin ptima P(x
, y
) no necesariamente ocurre
en los puntos en donde la supercie z = 1(x, y) alcanza su altura mxima
(1 =

0 ), sino en los puntos de la curva 3(x, y) = c sobre los que 1 alcanza
su mximo valor restringido. Para ilustrar esta idea, la siguiente gura muestra la
maximizacin de una funcin cncava z = 1(x, y) en R
3
sujeta a una restriccin
lineal 3(x, y) = ax + by = c en R
2
.
En la gura de la izquierda se observa que el mximo restringido 1
de la funcin
1 ocurre en el punto P(x
, y
) de la recta ax+by = c, y no en el punto , en donde

1 se maximiza libremente. Nota que P pertenece a la curva de nivel 1(x, y) = 1
correspondiente a z = 1
. En la gura de la derecha se muestra que el ptimo P es

el punto de la restriccin ax + by = c que est ms cercano a ,. Esto ocurre en el
punto de tangencia de la curva de restriccin y la curva de nivel 1(x, y) = 1
.
En general pueden existir varios candidatos a ptimos (locales o globales) para
una funcin 1, dados por los puntos donde la restriccin 3(x, y) = c es tangente a
las curvas de nivel de 1. Esta condicin de tangencia puede expresarse formalmente
en trminos de los vectores gradiente de las funciones 1 y 3, como se explica a
continuacin.
Para este n, recordemos que el gradiente de una funcin diferenciable es
un vector perpendicular a sus curvas de nivel y apunta en la direccin de su
177
mayor crecimiento en cada punto. La siguiente gura muestra una posible funcin
objetivo z = 1(x, y) en R
3
. La gura de la derecha muestra algunas de sus curvas
de nivel, en R
2
, y la direccin de los vectores gradiente 1.
Por otra parte, la curva de restriccin 3(x, y) = c en R
2
puede considerarse como
la curva de nivel z = c de una funcin z = 3(x, y) en R
3
, como se ilustra en las
siguientes guras. En este ejemplo, el vector gradiente 3 apunta hacia afuera de
la curva de nivel.
As, el problema de maximizacin de 1(x, y) sujeto a la restriccin 3(x, y) = c se
representa grcamente de la siguiente manera:
Aqu existen dos candidatos a ptimo, que son los puntos de tangencia denotados
por A y B. La condicin de tangencia implica que, en esos puntos, los vectores
gradiente 1 y 3 son paralelos entre s, es decir,
13.
178
Por lo tanto, en los puntos en donde 1 alcanza sus valores extremos debe existir un
nmero @ R tal que
1 = @3.
El nmero @ se denomina el multiplicador de Lagrange asociado con la restriccin
3(x, y) = c. Aunque aqu @ juega el papel de una constante de proporcionalidad
entre 1 y 3 en el ptimo, tambin presenta una interpretacin muy interesante
y til, como discutiremos en breve.
Por lo general, en el ptimo restringido P de 1 se tiene 3 =

0 , con @ = 0.
Como 1 = @3 en P, en ese punto se tiene
1 =
0 .
As, la condicin 1 =
0 para optimizacin libre, aqu deber reemplazarse por

las siguientes dos condiciones:
1 = @3
3(x, y) = c.
Estas dos ecuaciones pueden conjuntarse dentro de un formalismo ms elegante, de
la siguiente manera. Para ello, reescribimos los gradientes de la primera ecuacin
en trminos de sus componentes x y y, obteniendo
1
x
(x, y) = @3
x
(x, y)
1
y
(x, y) = @3
y
(x, y)
3(x, y) = c.
ste es un sistema de 3 ecuaciones con 3 incgnitas, con solucin x
, y
y @
.
Nota que esta solucin no es el punto crtico de la funcin objetivo 1(x, y), ya que
1 = @3 =

0 . Sin embargo, (x
, y
, @
) puede interpretarse como el punto

crtico de una cierta funcin de las variables (x, y, @), a la que denominaremos la
funcin lagrangeana, L(x, y, @), denida como
L(x, y, @) = 1(x, y) + @(c 3(x, y)).
Nota que la funcin L habita en un espacio de dimensin mayor que 1, ya que no
slo tiene como variables independientes a x y y, sino tambin a @. De esta manera,
en lugar de considerar la optimizacin restringida de 1, el mtodo de Lagrange
se basa en la optimizacin libre de la funcin lagrangeana, cuyas condiciones de
primer orden son:
L
x
= 1
x
(x, y) @3
x
(x, y) = 0
L
y
= 1
y
(x, y) @3
y
(x, y) = 0
L
%
= c 3(x, y) = 0.
179
Estas tres ecuaciones representan la condicin de tangencia, 1 = @3, y el
cumplimiento de la restriccin, 3(x, y) = c, antes discutidas.
Teorema de Lagrange (condiciones necesarias de primer orden). Sean
1, 3 : 2 R diferenciables en 2 R
2
y sea (x
, y
) 2 una solucin del

problema
mx./mn. 1(x, y)
s.a. 3(x, y) = c.
Si 3(x
, y
) =
0 , entonces existe @
R tal que (x
, y
, @
) es un punto crtico
de la funcin lagrangeana
L(x, y, @) = 1(x, y) + @(c 3(x, y)),
es decir, en ese punto L
x
= L
y
= L
%
= 0.
La condicin 3(x
, y
) =

0 establece que (x
, y
) no debe ser un punto

crtico de 3, con el n de que se cumpla la condicin de tangencia 1 = @3 con
1(x
, y
) =
0 . Cuando (x
, y
) es un punto crtico de 3 el mtodo de Lagrange

puede fallar, como se discute en la seccin 5.2.4.
Signicado del multiplicador @
A cada valor del parmetro c le corresponde un punto ptimo, P (x
(c), y
(c)).
En consecuencia, el valor ptimo 1
de la funcin 1,
1
(c) = 1 (x
(c), y
(c)) ,
tambin depende de c, como se muestra en la siguiente gura.
Tiene sentido, entonces, preguntarse cmo cambia el ptimo 1
cuando el
parmetro c se incrementa en c. Si c es sucientemente pequeo, el cambio en
1
puede aproximarse por la derivada

d1
(c)
dc
= lm
c0
1
(c + c) 1
(c)
c
.
180
Para encontrar esta derivada utilizamos la regla de la cadena, de acuerdo al
siguiente diagrama:
As, se tiene
d1
(c)
dc
=
d1 (x
(c), y
(c))
dc
=
>1
>x
dx
dc
+
>1
>y
dy
dc
........................(regla de la cadena)
=
_
@
>3
>x
_
dx
dc
+
_
@
>3
>y
_
dy
dc
....(en el ptimo,1
x
= @3
x
, 1
y
= @3
y
)
= @
_
>3
>x
dx
dc
+
>3
>y
dy
dc
_
= @
_
d3 (x
(c), y
(c))
dc
_
....................(regla de la cadena, al revs)
= @
(1) ................................................(en el ptimo, 3(x, y) = c)

= @
.
Concluimos entonces que
@
=
d1
(c)
dc
.
De acuerdo con este resultado, el multiplicador de Lagrange @
representa la
razn de cambio instantnea del valor ptimo 1
(mximo o mnimo) de la funcin

1 al cambiar el parmetro c. ste es un caso particular del llamado Teorema de la
Envolvente, que estudiaremos en la seccin 5.4.
Es importante sealar que, para el caso de optimizacin con restricciones de
igualdad, el multiplicador @
puede tomar cualquier signo, independientemente de

que se trate de un problema de maximizacin o minimizacin. Ante un pequeo
incremento de c, si @
> 0 se tiene que el valor ptimo de 1 (ya sea el mximo, o

el mnimo) se incrementa, y si @
< 0 ste decrece. Este resultado contrasta con el

correspondiente al caso de optimizacin sujeta a restricciones de desigualdad, en
donde @
no puede ser negativo, como veremos en la seccin 5.3 correspondiente a

restricciones de desigualdad.
181
Ejemplos:
1. Resuelve el problema
mx. 1(x, y) = 9 x
2
y
2
s.a. x + y = 4.
Luego estima el valor mximo de 1 si se utilizara x + y = 4.01 como nueva
restriccin.
La funcin lagrangeana en este caso est dada por
L(x, y, @) = 9 x
2
y
2
+ @(4 x y),
y las condiciones de primer orden correspondientes son
L
x
= 2x @ = 0
L
y
= 2y @ = 0
L
%
= 4 x y = 0.
Al resolver este sistema de ecuaciones se obtiene que 1 alcanza su valor
mximo, 1
= 1, en el punto (x
, y
) = (2, 2), con @
= 4.
Para estimar el nuevo valor mximo de 1 si la restriccin se modica a
x + y = 4.01, utilizamos
@
=
d1
(c)
dc

1
c
,
de donde
1
c.
Tomamos el multiplicador @
= 4 evaluado en el ptimo inicial, y notamos

que c = 4.01 4 = 0.01, obteniendo 1
(4)(0.01) = 0.04.
As, al incrementarse c, de 4 a 4.01, el mximo de 1 disminuye (@
< 0)
aproximadamente en 0.04. De esta manera, el nuevo mximo sera
1
1 + 1
= 1 0.04 = 0.96, aproximadamente.

2. Resuelve el siguiente problema de maximizacin de la produccin P(5, 6)
sujeto a una restriccin presupuestal,
mx. P(5, 6) = 505
2/3
6
1/3
s.a. 1005 + 3006 = 45 000,
donde 5 denota el trabajo y 6 el capital. Cmo afectara a la produccin
mxima un ligero incremento presupuestal a partir de 45 000?
L(5, 6, @) = 505
2/3
6
1/3
+ @(45 000 1005 3006),
182
L
L
=
100
3
_
6
5
_
1/3
100@ = 0
L
K
=
50
3
_
5
6
_
2/3
300@ = 0
L
%
= 45 000 1005 3006 = 0.
Estas ltimas ecuaciones se conocen en economa como las condiciones de
equimarginalidad, que expresan que en el ptimo se da la tangencia de la
ecuacin de restriccin presupuestal con una de las curvas de nivel de la funcin
de produccin.
Al resolver este sistema de ecuaciones se obtiene que la produccin mxima,
P
= 8254.8, se alcanza en el punto (5
, 6
) = (300, 50), con @
= 0.183 44.
Como @
> 0, un ligero incremento presupuestal a partir de 45 000 generara un

incremento en la produccin mxima.
3. Resuelve el siguiente problema de minimizacin del costo C(5, 6) sujeto a una
restriccin de produccin,
mn. C(5, 6) = w5 + r6
s.a. 5
1/2
6
1/2
= ,,
donde 5 denota el trabajo, 6 el capital, w el salario, r la tasa de inters y , el
nivel de produccin (w, r y , constantes positivas). Cmo afectara al costo
mnimo un ligero incremento en la produccin a partir de ,?
L(5, 6, @) = w5 + r6 + @(,5
1/2
6
1/2
),
L
L
= w
1
2
@
_
6
5
_
1/2
= 0
L
K
= r
1
2
@
_
5
6
_
1/2
= 0
L
%
= ,5
1/2
6
1/2
= 0.
183
Al resolver este sistema de ecuaciones se obtiene que el costo mnimo,
C
= 2,
wr, se alcanza en el punto (5
, 6
) = (,
_
r
w
, ,
_
w
r
), con
@
= 2
wr. Como @
> 0, un ligero incremento en la produccin a partir de ,

generara un incremento en el costo mnimo.
5.2.2 Condiciones sucientes de segundo orden
Las condiciones L
x
= 0, L
y
= 0 y L
%
= 0, son condiciones necesarias de
primer orden para los niveles ptimos de una funcin sujeta a una restriccin de
igualdad. Existen ciertas condiciones bajo las cuales es posible asegurar que esos
ptimos dan origen a un mximo o un mnimo de la funcin, conocidas como
condiciones sucientes de segundo orden. Como se describe a continuacin, los
criterios correspondientes se basan en un anlisis de la concavidad o convexidad de
la funcin lagrangeana L (no de 1!), con respecto a las variables x, y y @.
Como se discuti en la seccin 5.2.1, resolver el problema de optimizacin
restringida de 1,
mx. 1(x, y)
s.a. 3(x, y) = c
es equivalente a resolver el problema de optimizacin libre de la funcin
lagrangeana asociada,
L(x, y, @) = 1(x, y) + @(c 3(x, y)).
En vista de ello, para utilizar los criterios de concavidad o convexidad inherentes
a problemas de optimizacin libre, es claro que estos deben aplicarse a la funcin
lagrangeana L y no a la funcin objetivo 1.
La bsqueda de extremos locales es un problema sencillo cuando 1 y 3 son
doblemente diferenciables. En ese caso, es posible denir una matriz hessiana :
L
para la lagrangeana L con respecto a @, x y y,
:
L
=
_
_
L
%%
L
%x
L
%y
L
x%
L
xx
L
xy
L
y%
L
yx
L
yy
_
_
=
_
_
0 3
x
3
y
3
x
L
xx
L
xy
3
y
L
yx
L
yy
_
_
.
Como se establece en el siguiente teorema, la clasicacin de los puntos crticos de
L se basa en el signo del determinante |:
L
| ,
|:
L
| =
0 3
x
3
y
3
x
L
xx
L
xy
3
y
L
yx
L
yy
0 3
x
3
y
3
x
L
xx
L
xy
3
y
L
yx
L
yy
,
evaluado en cada nivel ptimo (x
, y
, @
).
184
Teorema (condiciones sucientes para extremo local). Considera el problema
de optimizacin de 1(x, y) sobre la restriccin C
*
= {(x, y) |3(x, y) = c}, con 1 y
3 funciones doblemente diferenciables en R
2
. Sea (x
, y
, @
) el punto crtico de la
lagrangeana correspondiente, L(x, y, @) = 1(x, y) + @(c 3(x, y)), y sea
|:
L
(x
, y
, @
)| =
0 3
x
3
y
3
x
L
xx
L
xy
3
y
L
yx
L
yy
el determinante de la matriz hessiana de L en (x
, y
, @
). Entonces
a) |:
L
(x
, y
, @
)| > 0 (x
, y
) es un mximo local de 1 en C
*
.
b) |:
L
(x
, y
, @
)| < 0 (x
, y
) es un mnimo local de 1 en C
*
.
Ejemplo:
Clasica los puntos crticos del problema de optimizacin
optim. 1(x, y) = x
2
+ y
2
s.a. x
2
+ xy + y
2
= 3.
La funcin lagrangeana en este caso es
L(x, y, @) = x
2
+ y
2
+ @(3 x
2
xy y
2
).
A partir de las condiciones de primer orden se obtienen 4 puntos crticos, a saber,
los puntos (1, 1) y (1, 1), con @
= 2%3, y los puntos (
3,
3) y (
3,
3),
con @
= 2. Como
|:
L
(1, 1, 2%3)| = |:
L
(1, 1, 2%3)| = 24,
:
L
(
3,
3, 2)
:
L
(
3,
3, 2)
= 24,
concluimos que (1, 1) y (1, 1) son mnimos locales, mientras que (
3,
3) y
(
3,
3) son mximos locales.

Al igual que en el caso de optimizacin libre, la bsqueda de extremos globales
puede resultar bastante ms compleja en general. Sin embargo, si se sabe que la
funcin lagrangeana es siempre cncava o convexa en todo su dominio, se puede
asegurar que el ptimo restringido es un mximo o un mnimo global, como
establece el siguiente teorema.
185
Teorema (condiciones sucientes para extremo global). Sea (x
, y
, @
) un
punto crtico de la lagrangeana L(x, y, @). Entonces
a) L es cncava en su dominio 1 tiene un mximo global en (x
, y
).
b) L es convexa en su dominio 1 tiene un mnimo global en (x
, y
).
Ejemplos:
1. En el ejemplo de maximizacin de 1(x, y) = 9 x
2
y
2
sujeto a x + y = 4, la
lagrangeana
L(x, y, @) = 9 x
2
y
2
+ @(4 x y)
es una funcin cncava, ya que es la suma de la funcin cncava 9 x
2
y
2
con la funcin lineal @(4 x y). Por lo tanto, en el punto ptimo 1 presenta
un mximo global.
2. En el ejemplo de maximizacin de la produccin P(5, 6) = 505
2/3
6
1/3
sujeto
a 1005 + 3006 = 45000, la lagrangeana
L(5, 6, @) = 505
2/3
6
1/3
+ @(45 000 1005 3006)
es una funcin cncava, ya que es la suma de la funcin cncava 505
2/3
6
1/3
con la funcin lineal @(45 000 1005 3006). Por lo tanto, en el punto
ptimo la produccin P presenta un mximo global.
3. En el ejemplo de minimizacin del costo C(5, 6) = w5 + r6 sujeto a
5
1/2
6
1/2
= ,, la lagrangeana
L(5, 6, @) = w5 + r6 + @(,5
1/2
6
1/2
)
es una funcin cncava, ya que es la suma de la funcin lineal w5 + r6 con la
funcin convexa @(, 5
1/2
6
1/2
) (observa que esta ltima es convexa, ya que
5
1/2
6
1/2
es cncava y @ > 0) . Por lo tanto, en el punto ptimo el costo C
presenta un mnimo global.
5.2.3 El caso multidimensional
Es fcil generalizar los resultados anteriores al caso multidimensional,
correspondiente a la optimizacin de una funcin de n variables sujeta a / < n
restricciones de igualdad,
mx./mn. 1(x
1
, . . . , x
n
)
s.a. 3
1
(x
1
, . . . , x
n
) = c
1
.
.
.
3
m
(x
1
, . . . , x
n
) = c
m
, / < n.
186
Es importante sealar que el nmero / de restricciones debe ser estrictamente
menor al nmero n de variables. De otra manera, si / = n el sistema de ecuaciones
podra tener una solucin nica, por lo que no habra grados de libertad para llevar
a cabo la optimizacin, o bien, si / > n habran ms ecuaciones que incgnitas y
el sistema podra ser inconsistente (no existira solucin posible).
La anterior condicin de tangencia en el punto ptimo, 1 = @3, se
generaliza ahora requiriendo que, en ese punto, el gradiente 1 de la funcin 1
sea una combinacin lineal del conjunto de gradientes {3
1
, . . . , 3
m
} de todas
las restricciones. En otras palabras, en el ptimo debe vericarse
1 = @
1
3
1
+ + @
m
3
m
,
en donde @
1
, . . . , @
m
R son los multiplicadores de Lagrange correspondientes
a las restricciones 3
1
, . . . , 3
m
. La existencia de estos multiplicadores slo est
garantizada cuando el conjunto de gradientes {3
+
} en el ptimo es linealmente
independiente, lo que se conoce como la cualicacin de las restricciones. Cuando
esta condicin no se cumple el mtodo de Lagrange puede fallar, como se discute
en la seccin 5.2.4.
Teorema de Lagrange (condiciones necesarias de primer orden). Sean
1 : 2 R y 3
1
, . . . , 3
m
: 2 R funciones diferenciables en 2 R
n
, con
/ < n. Sea
x

2 una solucin del problema
mx./mn. 1(
x )
s.a. 3
+
(
x ) = c
+
,
con + = 1, . . . , /. Si el conjunto de gradientes {3
+
(
x

)} en el ptimo es
linealmente independiente, entonces existen @
1
, . . . , @
m
R tales que (
x

,
@

)
es un punto crtico de la funcin lagrangeana
L(
x ,
@ ) = 1(
x ) +
m
+=1
@
+
(c
+
3
+
(
x )).
En este caso, las n+/ condiciones de primer orden para la funcin lagrangeana
son
_
_
,L
,x
1
=
,f
,x
1
@
1
,*
1
,x
1
@
m
,*m
,x
1
= 0
.
.
.
,L
,xn
=
,f
,xn
@
1
,*
1
,xn
@
m
,*m
,xn
= 0
(n ecuaciones)
_
_
,L
,%
1
= c
1
3
1
(x
1
, . . . , x
n
) = 0
.
.
.
,L
,%m
= c
m
3
m
(x
1
, . . . , x
n
) = 0.
(/ ecuaciones)
187
Las primeras n ecuaciones equivalen a la condicin 1 =

m
+=1
@
+
3
+
, y las
restantes son las / ecuaciones de restriccin, 3
+
(
x ) = c
+
. Al resolver el sistema
de n + / ecuaciones se obtienen las n coordenadas del punto ptimo, x
1
, . . . , x
n
,
y los / multiplicadores de Lagrange, @
1
, . . . , @
m
.
El signicado de los multiplicadores @
1
, . . . , @
m
es similar al del caso
con una sola restriccin. En el caso multidimensional, a cada valor del
conjunto de parmetros

c = (c
1
, . . . , c
m
) le corresponde un punto ptimo,
P (
c ),
y

(
c )). En consecuencia, el valor ptimo 1
de la funcin 1,
1
c ) = 1 (
c ),
y

(
c )) ,
tambin depende de

c . Utilizando las n + / condiciones de primer orden
anteriores, es posible demostrar que
@
+
=
>1
c )
>c
+
,
para cada + = 1, . . . , /. As, @
+
representa la razn de cambio instantnea del
valor ptimo 1
de la funcin 1 al cambiar el parmetro c

+
.
Por ltimo, para clasicar los extremos locales y globales del problema puede
utilizarse un criterio de signos para la matriz hessiana de L, que es una matriz de
(n + /) (n + /). Debido al tamao de esa matriz, este mtodo de clasicacin
suele resultar bastante complejo. Sin embargo, en muchas de las aplicaciones de
inters es fcil identicar un extremo global, simplemente argumentando sobre la
concavidad o convexidad de L, de acuerdo al siguiente teorema.
Teorema (condiciones sucientes para extremo global). Sea (
) un
punto crtico de la funcin lagrangeana L(
x ,
@ ). Entonces
a) L es cncava en su dominio 1 tiene un mximo global en (
x

).
b) L es convexa en su dominio 1 tiene un mnimo global en (
).
Ejemplo:
Resuelve el problema
mx. F(c
1
, c
2
, (
1
, (
2
) = ln c
1
(
1
+ (ln c
2
(
2
)
s.a. 4(
1/2
1
c
1
= b
1
c
2
4(
1/2
2
= b
1
(1 + r),
donde (1 + r) = 1, con , r > 0 parmetros del modelo.
188
Para simplicar nuestros desarrollos, multiplicamos la segunda restriccin por
y utilizamos la condicin (1 + r) = 1, obteniendo
c
2
4(
1/2
2
= b
1
.
La lagrangeana en este caso est dada por
L = ln c
1
(
1
+ (lnc
2
(
2
) + @
1
_
b
1
4(
1/2
1
+ c
1
_
+ @
2
_
b
1
c
2
+ 4(
1/2
2
_
,
que es funcin de las variables c
1
, c
2
, (
1
, (
2
, b
1
, @
1
y @
2
. Las 7 condiciones de primer
orden son
>L
>c
1
=
1
c
1
+ @
1
= 0,
>L
>c
2
=

c
2
@
2
= 0,
>L
>(
1
= 1 2
@
1
(
1/2
1
= 0,
>L
>(
2
= + 2
@
2
(
1/2
2
= 0,
>L
>b
1
= @
1
+ @
2
= 0,
>L
>@
1
= b
1
4(
1/2
1
+ c
1
= 0,
>L
>@
2
= b
1
c
2
+ 4(
1/2
2
= 0.
Resolviendo este sistema de ecuaciones se obtiene que el ptimo ocurre en
(
1
= (
2
=
1
2
, c
1
= c
2
= 2
3/2
, b
1
= 0, @
1
= 2
3/2
= @
2
. Por ltimo, tomando
el cuenta los signos de los multiplicadores @
1
y @
2
se tiene que L es una funcin
cncava, de modo que se trata efectivamente de un mximo.
5.2.4 Cualicacin de las restricciones: cundo falla el
mtodo de los multiplicadores de Lagrange?
El mtodo de los multiplicadores de Lagrange para el problema de optimizacin
restringida de 1(x
1
, . . . , x
n
) sujeto a 3
+
(x
1
, . . . , x
n
) = c
+
, + = 1, . . . , /, se basa en
el cumplimiento de la llamada cualicacin de las restricciones,
1
= @
1
3
1
+ + @
m
3
m
.
Para que esta condicin se cumpla es necesario que el conjunto de gradientes
en el ptimo {3
1
, . . . , 3
m
} sea linealmente independiente. Cuando esto no
sucede es posible que el mtodo de Lagrange no te permita obtener ninguno de los
candidatos a ptimo, o bien, que no te d todos los candidatos posibles. En ese
caso, es necesario complementar el mtodo de Lagrange con otro tipo de bsqueda
de ptimos, como discutiremos a continuacin.
En el caso particular de la optimizacin de una funcin de dos variables 1(x, y)
sujeto a una sola restriccin 3(x, y) = c, la cualicacin de las restricciones se
189
reduce a la condicin de tangencia
1
= @
.
Esta condicin no se cumple cuando el ptimo restringido (x
, y
) del problema
coincide con un punto crtico de 3 (3 =

0 ), a menos que este ptimo tambin
sea un punto crtico de 1 (1 =
0 ), como se ilustra en los siguientes ejemplos.

Ejemplos:
1. Encuentra la solucin al problema
mx. 1(x, y) = y
s.a. y
3
x
2
= 0.
En este caso, la lagrangeana est dada por
L(x, y, @) = y + @
_
x
2
y
3
_
,
cuyas condiciones de primer orden son
L
x
= 2@x = 0
L
y
= 1 3@y
2
= 0
L
%
= x
2
y
3
= 0.
Es fcil vericar que no existe solucin a este sistema de ecuaciones, por lo que
errneamente podramos concluir que en este problema 1 no se maximiza. Sin
embargo, si gracamos algunas curvas de nivel de 1, dadas por y =const., y la
curva de restriccin y = x
2/3
, observamos que la funcin 1 alcanza su mximo
en el punto (0, 0).
El mtodo de Lagrange falla aqu, ya que no se verica la condicin
1
= @
. En efecto, como 1(x, y) =
+ y 3(x, y) = 2x
* + 3y
2
+,
por lo tanto en el ptimo se tiene
1
= 1(0, 0) =
+, 3
= 3(0, 0) =
0 ,
es decir, el ptimo (0, 0) es un punto crtico de 3, pero no de 1. Como en el
ptimo 1
0 y 3
0 , por lo tanto no existe @
tal que 1
= @
.
190
mx. 1(x, y) = x
2
y
2
s.a. y
3
x
2
= 0.
En este caso, la lagrangeana est dada por
L(x, y, @) = x
2
y
2
+ @
_
x
2
y
3
_
,
cuyas condiciones de primer orden son
L
x
= 2x + 2@x = 2x(@ 1) = 0,
L
y
= 2y 3@y
2
= y(2 3@y) = 0,
L
%
= x
2
y
3
= 0.
Es fcil vericar que este sistema de ecuaciones s tiene solucin, y sta ocurre
en el punto (0, 0), que es la misma que se obtiene a partir de un anlisis grco.
Aqu no falla el mtodo, ya que s se verica la condicin 1
= @
. En
efecto, como 1(x, y) = 2x
* 2y
+ y 3(x, y) = 2x
* + 3y
2
+, por lo tanto
en el ptimo se tiene
1
= 1(0, 0) =
0 , 3
= 3(0, 0) =
0 ,
es decir, el ptimo (0, 0) es un punto crtico tanto de 3 como de 1. Como en el
ptimo 1
= 3
0 , por lo tanto se cumple la condicin 1
= @
para todo valor de @
.
Este tipo de dicultades suele ocurrir cuando el ptimo restringido (x
, y
) de 1
coincide con algn punto cspide de la curva de restriccin 3(x, y) = c, en donde
no est denida la derivada dy%dx. La cspide se origina en el hecho de la funcin
z = 3(x, y) tiene un punto crtico a lo largo de la curva de nivel 3(x, y) = c. En
efecto, a lo largo de la curva de nivel 3(x, y) = c por el Teorema de la Funcin
implcita se tiene
dy
dx
=
3
x
(x, y)
3
y
(x, y)
.
191
Cuando el ptimo (x
, y
) es un punto crtico de la funcin z = 3(x, y), entonces

3(x
, y
) =
0 . Por lo tanto,
3
x
(x
, y
) = 3
y
(x
, y
) = 0.
Como (x
, y
) est en la curva 3(x, y) = c, se tiene 3(x
, y
) = c, de modo que
dy
dx
=
3
x
(x
, y
)
3
y
(x
, y
)
=
0
0
.
Por lo tanto, la derivada dy%dx no est denida en (x
, y
) y la curva 3(x, y) = c
tiene una cspide en (x
, y
).
En resumen, los candidatos a ptimo para el problema de optimizacin
restringida son los puntos crticos de la funcin lagrangeana L(x, y, @), as como
los puntos crticos de la funcin de restriccin 3(x, y), en donde posiblemente se
viole la cualicacin de la restriccin, 1
= @
.
La extensin de los resultados anteriores para el caso multidimensional es
ms compleja. Solamente mencionaremos aqu que si se tiene / ecuaciones
de restriccin, de la forma 3
+
(
x ) = c
+
, la cualicacin de las restricciones
1
m
+=1
@
+
3
+
se viola cuando el rango de la matriz
D3(
x

) =
_
_
_
,*
1
,x
1

,*
1
,xn
.
.
.
.
.
.
.
.
.
,*
m
,x
1

,*
m
,xn
_
_
_
es menor que / (ver, por ejemplo, el libro de Simon y Blume). En este caso, los
candidatos a ptimo para el problema de optimizacin restringida son los puntos
crticos de la funcin lagrangeana L(
x ,
@ ), as como los puntos crticos de las

funciones de restriccin 3
+
(
x ), en donde posiblemente se viole la cualicacin de

las restricciones, 1
m
+=1
@
+
3
+
.
192
5.3 Optimizacin con restricciones de desigualdad. Condiciones de Kuhn-Tucker
5.3 Optimizacin con restricciones de desigualdad. Condiciones de
Kuhn-Tucker
En esta seccin estudiaremos cmo resolver un problema de optimizacin para una
funcin sujeta a restricciones de desigualdad, en donde no todas las funciones son
lineales, lo que se conoce como Programacin No Lineal.
La solucin a un problema de optimizacin depende de la geometra de la regin
factible F. Diferentes tipos de restricciones dan origen a diferentes soluciones
ptimas, como se muestra en los siguientes casos. En ellos se considera la
maximizacin de una funcin cncava 1 : R
2
+
R, representada por la supercie
z = 1(x, y) generada por los puntos (x, y) R
2
+
.
Caso 1. Primero consideremos el problema de maximizacin libre
mx. 1(x, y).
Aqu la regin factible F es simplemente R
2
+
. La siguiente gura muestra la regin
F, algunas curvas de nivel de 1 y el vector gradiente 1, que indica la direccin
de crecimiento de 1. En este caso, la solucin ptima P corresponde al mximo no
restringido de 1. Como P est fuera de la frontera de F (los ejes), se tiene que P
es un punto interior de la regin factible F.
Caso 2. Ahora consideremos la maximizacin de 1 sujeta a una restriccin de
igualdad, tal como
mx. 1(x, y)
s.a. x + y = 2.
Aqu la regin factible F es el segmento de recta x + y = 2 en R
2
+
. La solucin
ptima ocurre en el punto P de la curva F. Como una curva en el plano est
formada slo de puntos frontera, P es un punto frontera de la regin factible F.
193
Caso 3. Por ltimo, consideremos la maximizacin de 1 sujeta a una restriccin
de desigualdad, tal como
mx. 1(x, y)
s.a. x + y 2.
Aqu, la regin factible F es el tringulo denido por x + y 2, x 0 y y 0.
Dependiendo de la posicin del mximo no restringido de 1 con respecto a la
regin F, la solucin ptima P puede ocurrir ya sea en un punto interior o en un
punto frontera de F.
Esto es lo que se conoce como un problema de Kuhn-Tucker, y en las siguientes
secciones deduciremos las condiciones de optimalidad correspondientes.
5.3.1 Problemas de maximizacin
El siguiente ejemplo proporciona una idea intuitiva del problema de Kuhn-Tucker
para una funcin de una variable. Sea 1 : R R una funcin cncava,
representada grcamente por la curva y = 1(x) en R
2
. Buscamos el mximo
global del problema
mx. 1(x)
s.a. x 0.
La siguiente gura muestra diferentes posibilidades para la funcin y = 1(x) en
R
2
. Dependiendo de la ubicacin del mximo no restringido de 1 con respecto a la
regin factible F, dada por x 0, la solucin ptima P puede ocurrir en un punto
interior o un punto frontera de F.
194
En la gura de la izquierda, la solucin P coincide con el mximo no restringido
de 1, que es el punto x
> 0 en donde 1
(x
) = 0. En este caso, P es un punto

interior de F. En la gura central, el mximo no restringido de 1 cae fuera de la
regin factible, de modo que la mejor solucin P ocurre en x
= 0, con 1
(x
) < 0.
As, P es un punto frontera de F. Por ltimo, en la gura de la derecha el mximo
no restringido de 1 ocurre exactamente en x
= 0, con 1
(x
) = 0. Nuevamente, P
es un punto frontera de F. Del anlisis grco podemos concluir que en el ptimo
se verican las siguientes tres condiciones
x
0, 1
(x
) 0 y x
(x
) = 0.
Ahora consideremos el caso de una funcin de dos variables. Sea 1 : R
2
R
una funcin cncava, representada por la supercie z = 1(x, y) en R
3
, que deber
maximizarse sujeto a una restriccin de desigualdad, 3(x, y) c, con c una
constante. Como se justicar ms adelante, la restriccin correspondiente a un
problema de maximizacin deber escribirse siempre en el formato dado (). De
esta manera, considera el problema
mx. 1(x, y)
s.a. 3(x, y) c.
La siguiente gura muestra diferentes posibilidades para la funcin z = 1(x, y) en
R
3
. Dependiendo de la ubicacin del mximo no restringido de 1 con respecto a la
regin factible F, dada por 3(x, y) c, la solucin ptima P puede ocurrir en un
punto interior o un punto frontera de F.
En la gura de la izquierda, el mximo no restringido de 1 ocurre en el interior
de la regin factible, 3(x, y) < c; la solucin ptima P es un punto interior de F.
En la gura central, el mximo no restringido de 1 cae fuera de la regin factible
y la mejor opcin es el punto P de la curva 3(x, y) = c que se encuentra lo ms
cercano posible a ese mximo; la solucin ptima P es un punto frontera de F. En
la gura de la derecha, el mximo no restringido de 1 ocurre exactamente sobre la
curva 3(x, y) = c, nuevamente, la solucin ptima P es un punto frontera de F. A
195
continuacin se muestran las proyecciones en el plano R
2
correspondientes a los
tres escenarios anteriores. En ellas se puede observar la regin factible F y algunas
curvas de nivel de cada una de las funciones 1.
En el primer caso, la existencia de la restriccin resulta irrelevante, y el problema
puede resolverse a partir de la maximizacin libre de 1. En el segundo caso,
la restriccin 3(x, y) c puede reemplazarse por la restriccin de igualdad
3(x, y) = c, y la solucin del problema puede obtenerse con el mtodo de los
multiplicadores de Lagrange. El ltimo caso es una combinacin de los otros dos.
Con el n de desarrollar un mtodo general de solucin que abarque los
tres casos anteriores, partimos de una descripcin basada en el mtodo de los
multiplicadores de Lagrange, pero que sea capaz de reducirse a un problema de
optimizacin libre cuando se sea el caso. Al tratarse de una descripcin tipo
Lagrange, pediremos que en el ptimo se verique la condicin de tangencia
1 = @3.
La diferencia con el mtodo original de Lagrange consiste en que ahora el problema
de optimizacin est sujeto a una restriccin de desigualdad, 3(x, y) c. Por esa
razn, debemos reemplazar la condicin 3(x, y) = c de solucin frontera por algn
otro criterio que permita la existencia de una solucin interior, como se discuti
en los ejemplos anteriores. Como se justica a continuacin, este nuevo criterio
requiere el cumplimiento de las siguientes tres condiciones,
3(x, y) c, @ 0 y @(3(x, y) c) = 0.
La condicin 3(x, y) c establece que en el ptimo se debe satisfacer la
restriccin impuesta. Para entender la condicin @ 0, o condicin de no
negatividad del multiplicador @, es necesario hacer la siguiente consideracin.
Primero observa que la restriccin de desigualdad 3(x, y) c puede interpretarse
como el contorno inferior C&
*
(c) de la funcin z = 3(x, y) correspondiente a
z = c. Dado que el gradiente 3 apunta hacia el contorno superior C2
*
(c) de
196
3, por lo tanto 3 debe apuntar hacia afuera de la regin factible F, dada por
3(x, y) c, como se ilustra en la siguiente gura.
Imponer que @ 0 en la condicin de tangencia 1 = @3 implica que, en el
ptimo P, los gradientes 1 y 3 deben apuntar en el mismo sentido. As, un
pequeo incremento c en c har que el nuevo ptimo P
est en una curva de

nivel con mayor valor de 1, como se muestra en la gura de la izquierda. Si @ < 0,
entonces 1 apuntara en el sentido contrario a 3, por lo que habra una curva de
nivel con un mayor valor de 1 dentro de la regin de restriccin; en consecuencia,
P no podra ser el punto que maximiza a 1, ya que habra un mejor punto P
dentro
de la regin, como se muestra en la gura de la derecha.
Nota que la no negatividad de @ en el problema de Kuhn-Tucker contrasta con el
caso de una restriccin de igualdad. En ese caso, @ poda tomar cualquier signo,
ya que la optimizacin se lleva a cabo en la curva 3(x, y) = c, sin posibilidad de
desplazamiento hacia las regiones alrededor de la misma.
Para explicar la ltima condicin, @(3(x, y) c) = 0, conviene analizar por
separado los tres casos anteriores. Cuando el mximo no restringido de 1 ocurre
en el interior de la regin de restriccin, el ptimo P satisface 3(x, y) < c. Ah
1 =
0 y 3 =
0 , por lo que la condicin 1 = @3 implica que @ = 0 en P.

197
Por otra parte, cuando el mximo no restringido de 1 cae fuera de la regin de
restriccin, el ptimo P satisface 3(x, y) = c. Ah 1 =
0 y 3 =
0 , por lo que
la condicin 1 = @3 implica que @ > 0 en P.
Por ltimo, cuando el mximo no restringido de 1 ocurre exactamente en la
frontera de la restriccin, el ptimo P satisface 3(x, y) = c. Como ah 1 =
0 y
3 =
0 , la condicin 1 = @3 implica que @ = 0 en P.

198
Concluimos que en los tres casos se verica la condicin @(3(x, y) c) = 0,
que establece que en el ptimo P debe cumplirse al menos una de las siguientes
igualdades,
@ = 0 o 3(x, y) = c.
5.3.1.1 Condiciones de Kuhn-Tucker para problemas de maximizacin
Los resultados de la discusin anterior para resolver el problema de Kuhn-Tucker
mx. 1(x, y)
s.a. 3(x, y) c,
se pueden formalizar en trminos del mtodo de Lagrange, de la siguiente manera.
Primeramente, se plantea la funcin lagrangeana
L(x, y, @) = 1(x, y) + @(c 3(x, y)).
En lugar de pedir L
x
= L
y
= L
%
= 0 como en el mtodo de Lagrange, ahora las
condiciones necesarias de primer orden son
L
x
= 1
x
(x, y) @3
x
(x, y) = 0
L
y
= 1
y
(x, y) @3
y
(x, y) = 0,
que representan la tangencia (1 = @3) en el ptimo. La tercera igualdad,
L
%
= 0, equivalente a 3(x, y) = c, debe sustituirse por las llamadas condiciones de
holgura complementaria,
L
%
0, @ 0 y @L
%
= 0,
o equivalentemente,
3(x, y) c, @ 0 y @(3(x, y) c) = 0.
La primera condicin impone el cumplimiento de la restriccin en el ptimo. La
condicin @ 0 garantiza que al ampliar la regin factible se obtendr un valor
mayor para el ptimo de 1. La ltima condicin establece que @ = 0 (optimizacin
libre) o 3(x, y) = c (problema de Lagrange) en el ptimo.
Por ltimo, como se justicar en la seccin 5.3.1.5 sobre condiciones
sucientes, la restriccin en un problema de maximizacin siempre deber estar
expresada en el formato 3(x, y) c, con el n de garantizar de que el ptimo
obtenido se trate efectivamente de un mximo (para @ 0).
199
Condiciones de Kuhn-Tucker para el problema de maximizacin
mx. 1(x, y), s.a. 3(x, y) c.
1. Se construye la funcin lagrangeana correspondiente,
L(x, y, @) = 1(x, y) + @(c 3(x, y)).
2. Se establecen las condiciones de primer orden para L, con respecto a las
variables x y y solamente,
L
x
= 1
x
@3
x
= 0
L
y
= 1
y
@3
y
= 0.
3. Se establece las condiciones de holgura complementaria
L
%
0, @ 0 y @L
%
= 0,
o equivalentemente,
3(x, y) c, @ 0 y @(3(x, y) c) = 0.
4. Se resuelve, consistentemente, el sistema de ecuaciones y desigualdades.
Ejemplos:
mx. 1(x, y) = x + y
s.a. x
2
+ y
2
1.
En este caso, la lagrangeana correspondiente est dada por
L(x, y, @) = x + y + @(1 x
2
y
2
).
Las condiciones de primer orden en x y y son
L
x
= 1 2@x = 0 (1)
L
y
= 1 2@y = 0, (2)
que debern resolverse junto con las condiciones de holgura complementaria
x
2
+ y
2
1, (3) @ 0, (4) @(x
2
+ y
2
1) = 0. (5)
Para resolver el sistema (1)-(5) conviene comenzar por la igualdad (5), que
establece que el ptimo debe cumplir al menos una de las condiciones @ = 0 o
x
2
+ y
2
= 1. Analicemos cada caso por separado. i) Si @ = 0, las ecuaciones
200
(1)-(2) conducen a una inconsistencia (1 = 0!) , por lo que esta opcin se
descarta. ii) Si x
2
+ y
2
= 1, se obtiene el sistema de ecuaciones
1 2@x = 0 (1)
1 2@y = 0 (2)
x
2
+ y
2
= 1, (6)
correspondiente a un punto frontera (x
2
+ y
2
= 1) de la restriccin. El sistema
tiene dos soluciones posibles,
(x
1
, y
1
) =
_
2
,
1
2
_
y (x
2
, y
2
) =
_
1
2
,
1
2
_
.
Sustituyendo (x
1
, y
1
) en (1) se obtiene
@
1
=
1
2x
1
=
2
2
< 0.
Esto viola la condicin (4) , por lo que esta opcin se descarta. Por otra parte,
sustituyendo (x
2
, y
2
) en (1) se obtiene
@
2
=
1
2x
2
=
2
2
> 0,
que satisface la condicin (4). As, slo los valores x
2
, y
2
, @
2
, satisfacen las
condiciones (1)-(5) en su totalidad. Concluimos que el valor mximo de 1
ocurre en el punto frontera P
_
1
2
,
1
2
_
, con @
2
=
2%2 y 1
=
2
2
.
La siguiente gura muestra la regin factible F, x
2
+ y
2
1, y algunas curvas
de nivel de 1, dadas por x + y =const. Tomando en cuenta la direccin de
crecimiento de 1, dada por el vector gradiente 1, es claro que la solucin
ptima ocurre en el punto frontera P
_
1
2
,
1
2
_
de la restriccin, en donde 1
toma su mximo valor posible.
201
Nota que, al ser la solucin un punto frontera de F, este problema de
Kuhn-Tucker es enteramente equivalente al problema de Lagrange
mx. 1(x, y) = x + y
s.a. x
2
+ y
2
= 1.
mx. 1(x, y) = 9 (x 2)
2
(y 2)
2
s.a. 2x + 3y 12.
En este caso, la lagrangeana correspondiente es
L(x, y, @) = 9 (x 2)
2
(y 2)
2
+ @(12 2x 3y)
L
x
= 2(x 2) 2@ = 0 (1)
L
y
= 2(y 2) 3@ = 0, (2)
2x + 3y 12, (3) @ 0, (4) @(2x + 3y 12) = 0. (5)
De la igualdad (5) se sigue que @ = 0 o 2x + 3y = 12. i) Si @ = 0, las
ecuaciones (1)-(2) implican
x = y = 2, (6)
en donde todas las condiciones (1)-(5) se satisfacen. Nota que (6) constituye un
punto interior de la restriccin, ya que
2x + 3y = 2(2) + 3(2) = 10 < 12. (7)
ii) Si 2x + 3y = 12, se obtiene el sistema de ecuaciones
2(x 2) 2@ = 0 (1)
2(y 2) 3@ = 0 (2)
2x + 3y = 12, (9)
que correspondera a un punto frontera. Al resolver el sistema obtenemos el
punto (x, y) =
_
30
13
,
32
13
_
, con @ =
4
13
< 0, que viola la condicin (4). As, esta
opcin se descarta. Concluimos que el valor mximo de 1 ocurre en el punto
P (2, 2) , con @ = 0 y 1
= 9.
La siguiente gura muestra la regin factible F, 2x +3y 12, y algunas curvas
de 1, dadas por 9 (x2)
2
(y 2)
2
=const. Tomando en cuenta la direccin
del vector gradiente 1, el mximo restringido de 1 coincide con su punto de
202
optimizacin libre, P (2, 2) . Como en ese punto 2x + 3y < 12, P es un punto
interior de la restriccin, y por tanto @ = 0 ah.
5.3.1.2 El caso multidimensional
Los resultados anteriores pueden generalizarse fcilmente para el caso de la
optimizacin de una funcin 1 de varias variables, sujeta a una coleccin de
restricciones de desigualdad, de la forma
mx. 1(x
1
, . . . , x
n
)
s.a 3
+
(x
1
, . . . , x
n
) c
+
, + = 1, . . . , /.
Aqu el nmero / de restricciones puede ser mayor, menor o igual al nmero n
de variables, debido a que la regin factible F es la interseccin de desigualdades
(por ejemplo, un polgono en R
2
) y no de igualdades, como en el caso de Lagrange
(en donde / < n). Para cada restriccin 3
+
(
x ) c
+
se introduce un multiplicador
de Lagrange @
+
, y se establecen las condiciones que se enuncian a continuacin.
Condiciones de Kuhn-Tucker para el problema mx. 1(
x ) s.a. 3
+
(
x ) c
+
,
+ = 1, . . . , /,
x R
n
.
1. Se construye la funcin lagrangeana correspondiente
L(
x ,
@ ) = 1(
x ) +
m
+=1
@
+
(c
+
3
+
(
x )).
2. Se establecen n condiciones de primer orden para L, en x
i
, * = 1, . . . , n
L
x
i
= 0, * = 1, . . . , n.
3. Se establecen / condiciones de holgura complementaria
3
+
(
x ) c
+
, @
+
0 y @
+
(3
+
(
x ) c
+
) = 0, + = 1, . . . , /,
o equivalentemente,
L
%
j
0, @
+
0 y @
+
L
%
j
= 0.
4. Se resuelve consistentemente el sistema de ecuaciones y desigualdades.
203
Ejemplos:
mx. 1(x, y) = x
1/2
y
1/2
s.a. x + y 2 (I)
x + 2y 2 (II)
x 0. (III)
Primeramente, escribimos las restricciones en el formato 3
+
(
x ) c
+
, es decir,
mx. 1(x, y) = x
1/2
y
1/2
s.a. x + y 2
x 2y 2
x 0
La lagrangeana correspondiente est dada por
L(x, y, @
1
, @
2
, @
3
) = x
1/2
y
1/2
+ @
1
(2 x y) + @
2
(2 + x + 2y) + @
3
x,
que en el ptimo satisface las condiciones de igualdad
L
x
=
y
1/2
2x
1/2
@
1
+ @
2
+ @
3
= 0, (1)
L
y
=
x
1/2
2y
1/2
@
1
+ 2@
2
= 0, (2)
junto con las condiciones de holgura complementaria
x + y 2, @
1
0, @
1
(x + y 2) = 0, (3)
x + 2y 2, @
2
0, @
2
(x + 2y 2) = 0, (4)
x 0, @
3
0, @
3
x = 0. (5)
De las igualdades en (3), (4) y (5) se siguen 2
3
= 8 casos, i) @
1
= @
2
= @
3
= 0,
ii) @
1
= @
2
= x = 0, etc, cuyo anlisis puede resultar engorroso. En lugar
de esto, conviene utilizar un anlisis grco para reducir el nmero de casos.
Para ello, dibujamos la regin factible F (interseccin de las tres restricciones
de desigualdad), algunas curvas de nivel de 1, as como el gradiente 1, para
determinar la direccin de crecimiento de 1.
204
En la grca se observa que el punto P que maximiza a 1 ocurre en donde la
restriccin I est activa,
x + y = 2, (6)
mientras que las restricciones II y III no lo estn (x + 2y > 2 y x > 0). De
acuerdo con las igualdades en (4) y (5), esta ltima armacin implica que
@
2
= 0 y @
3
= 0. (7)
Por ltimo, resolvemos el sistema de igualdades (1), (2), (6) y (7) para
x, y, @
1
, @
2
y @
3
, y vericamos el cumplimiento de la condicin @
1
0. Con
esto, se tiene que el valor mximo de 1 sucede en el punto P (1, 1) , con
@
1
=
1
2
> 0, @
2
= @
3
= 0 y 1
= 1.
Geomtricamente, @
2
= 0 signica que si la restriccin II se modicara
ligeramente, digamos a x + 2y 2.01, esto no afectara la posicin actual
del ptimo, (x
, y
) = (1, 1). Lo mismo sucede con la restriccin III, ya que

@
3
= 0. En contraste, @
1
= 0 implica que un pequeo cambio en la restriccin
I s producira una nueva solucin ptima. Por esta razn, a los multiplicadores
de Lagrange @
+
se les denomina variables de sensibilidad ante cambios en los
parmetros c
+
.
Aqu la solucin ptima es un punto frontera de la restriccin I, y no es sensible
a cambios innitesimales en las restricciones II y III. En consecuencia, este
problema de Kuhn-Tucker es enteramente equivalente al problema de Lagrange
mx. 1(x, y) = x
1/2
y
1/2
s.a. x + y = 2.
2. Encuentra la solucin al siguiente problema de maximizacin de la utilidad de
un individuo, u(x, y), en donde A (40, 120) es un parmetro:
mx. u(x, y) =
1
3
ln x +
1
3
ln y
s.a. 3x + y A (I)
x + y 40 (II)
x 0 (III)
y 0. (IV)
205
Para entender por qu se impone la condicin A (40, 120), considera las
siguientes guras. De acuerdo con la gura de la izquierda, si A 40, entonces
la restriccin I sera irrelevante (F es la interseccin de I-IV). De acuerdo con
la gura de la derecha, si A 120, entonces sera irrelevante la restriccin II.
Por otra parte, observa que en este ejemplo podemos ignorar las restricciones III
y IV, ya que el dominio de la funcin objetivo est en R
++
, por lo que no puede
existir solucin a lo largo de los ejes coordenados. De esta manera, la funcin
lagrangeana correspondiente est dada por
L =
1
3
ln x +
1
3
ln y + @
1
(A3x y) + @
2
(40 x y),
que en el ptimo debe satisfacer las condiciones de igualdad
L
x
=
1
3x
3@
1
@
2
= 0 (1)
L
y
=
1
3y
@
1
@
2
= 0 (2)
3x + y A, @
1
0, @
1
(3x + y A) = 0, (3)
x + y 40, @
2
0, @
2
(x + y 40) = 0. (4)
De las igualdades en (3) y (4) se siguen 2
2
= 4 casos:
i) Si @
1
= 0 y @
2
= 0, se violan las condiciones (1) y (2), ya que u =
0 .
ii) Si en el ptimo est activa la restriccin I (3x + y = A) e inactiva la
restriccin II (x + y < 40), entonces ah se cumple
3x + y = A
@
2
= 0
1
3x
3@
1
@
2
= 0
1
3y
@
1
@
2
= 0.
206
La solucin de este sistema es
x
=
A
6
, y
=
A
2
, @
1
=
2
3A
, @
2
= 0.
Adicionalmente, como en este caso x
+ y
< 40, por lo tanto

40 < A < 60.
iii) Si en el ptimo estn activas la restriccin I (3x + y = A) y la restriccin II
(x + y = 40), entonces ah se cumple
3x + y = A
x + y = 40
1
3x
3@
1
@
2
= 0
1
3y
@
1
@
2
= 0.
x
=
A40
2
, y
=
120 A
2
, @
1
=
2(80 A)
3(A40)(120 A)
, @
2
=
4(A60)
3(A40)(120 A)
.
Adicionalmente, como @
1
0 y @
2
0, por lo tanto
60 A 80.
iv) Por ltimo, si en el ptimo est inactiva la restriccin I (3x +y < A) y activa
la restriccin II (x + y = 40), entonces ah se cumple
@
1
= 0
x + y = 40
1
3x
3@
1
@
2
= 0
1
3y
@
1
@
2
= 0.
x
= 20, y
= 20, @
1
= 0, @
2
=
1
60
.
Adicionalmente, como en este caso 3x
+ y
< A, por lo tanto

80 < A < 120.
207
En resumen, la solucin del problema es la siguiente:
A. Si 40 < A < 60, entonces (x
, y
) =
_
A
6
,
A
2
_
, con @
1
=
2
3A
, @
2
= 0.
B. Si 60 A 80, entonces (x
, y
) =
_
A40
2
,
120 A
2
_
, con
@
1
=
2(80 A)
3(A40)(120 A)
, @
2
=
4(A60)
3(A40)(120 A)
.
C. Si 80 < A < 120, entonces (x
, y
) = (20, 20), con @

1
= 0, @
2
=
1
60
.
5.3.1.3 No negatividad de las variables x
i
En economa, las variables independientes x
1
, . . . , x
n
, suelen representar
cantidades, precios y otras variables que no pueden tomar valores negativos. En
consecuencia, en los problemas de optimizacin aparecer una o varias restricciones
del tipo x
i
0, adems de las restricciones econmicas (presupuestales, de
produccin, etc.).
Una manera de incorporar este tipo de restriccin al mtodo de Kuhn-Tucker
consiste en introducir un multiplicador de Lagrange adicional, digamos C
i
, por
cada restriccin x
i
0, tal y como lo hicimos en el ejemplo 1, para la restriccin
x 0. As, por ejemplo, para un problema del tipo
mx 1(x, y)
s.a. 3(x, y) c,
x 0, (es decir, x 0)
y 0, (es decir, y 0)
se puede plantear una lagrangeana de la forma
208
L(x, y, @, D) = 1(x, y) + @(c 3(x, y)) + C
1
x + C
2
y,
que en el ptimo satisface las condiciones
L
x
= 1
x
@3
x
+ C
1
= 0
L
y
= 1
y
@3
y
+ C
2
= 0
3(x, y) c, @ 0, @(3(x, y) c) = 0
x 0, C
1
0, C
1
x = 0
y 0, C
2
0, C
2
y = 0
Existe una manera alternativa de incorporar las condiciones x 0, y 0. Para
ello, nota que la condicin L
x
= 0 implica C
1
= (1
x
@3
x
) . Adems, como
C
1
0 se tiene que (1
x
@3
x
) 0, es decir,
1
x
@3
x
0.
Esto equivale a reemplazar la condicin L
x
= 0 por las condiciones
L
x
0, x 0 y xL
x
= 0.
Un argumento similar se sigue para la condicin de no negatividad en la variable y.
De hecho, si suponemos que la lagrangeana L es una funcin cncava en todas
sus variables, nota que una condicin de la forma
L
x
i
0, x
i
0 y x
i
L
x
i
= 0, * = 1, . . . , n
simplemente garantiza la existencia de un mximo global para L en la regin
x
i
0.
De esta manera, este segundo planteamiento consiste en proponer una
lagrangeana de la siguiente forma (sin los multiplicadores C
1
y C
2
)
L(x, y, @) = 1(x, y) + @(c 3(x, y)),
que en el ptimo satisface las condiciones modicadas
L
x
= 1
x
@3
x
0, x 0, xL
x
= 0
L
y
= 1
y
@3
y
0, y 0, yL
y
= 0
3(x, y) c, @ 0, @(3(x, y) c) = 0,
como se resume a continuacin.
209
Condiciones de Kuhn-Tucker para el problema de variables no negativas:
mx. 1(
x ) s.a. 3
+
(
x ) c
+
, x
i
0, + = 1, . . . , /,
x R
n
.
L(
x ,
@ ) = 1(
x ) +
m
+=1
@
+
(c
+
3
+
(
x )).
2. Se establecen n condiciones de holgura complementaria para las variables no
negativas x
i
:
L
x
i
0, x
i
0 y x
i
L
x
i
= 0, * = 1, . . . , n
3. Se establecen / condiciones de holgura complementaria para las restricciones
3
+
(
x ) c
+
:
3
+
(
x ) c
+
, @
+
0 y @
+
(3
+
(
x ) c
+
) = 0, + = 1, . . . , /.
o, equivalentemente,
L
%
j
0, @
+
0 y @
+
L
%
j
= 0, + = 1, . . . , /.
Ejemplos:
1. Encuentra la solucin del problema
mx. 1(x, y) = 9 x
2
(y 2)
2
s.a. x + y 1 (I)
x 0 (II)
y 0. (III)
La lagrangeana correspondiente es
L(x, y, @) = 9 x
2
(y 2)
2
+ @(1 x y) ,
que en el ptimo satisface las condiciones de no negatividad
L
x
= 2x @ 0, x 0, x(2x + @) = 0, (1)
L
y
= 2(y 2) @ 0, y 0, y (2(y 2) + @) = 0, (2)
x + y 1, @ 0, @(x + y 1) = 0. (3)
De las tres igualdades en (1)-(3) se siguen 2
3
= 8 casos. Como se observa en
la gura, de esos casos el nico que nos interesa es aqul en donde la solucin
210
ptima ocurre simultneamente en las fronteras de las restricciones I y II, es
decir,
x + y = 1, x = 0.
Sustituyendo esto en el sistema de desigualdades, se obtiene que la solucin
ptima es (x
, y
) = (0, 1), con @ = 2 y 1
= 8.
2. Resuelve el siguiente problema de maximizacin de la utilidad de un individuo,
u(x, y), en donde p > 0, / > 0:
mx. u(x, y) = x + ln(1 + y)
s.a. px + y / (I)
x 0 (II)
y 0. (III)
El lagrangreano correspondiente es
L(x, y, @) = x + ln(1 + y) + @(/px y),
que en el ptimo satisface las condiciones de no negatividad
L
x
= 1 @p 0, x 0, x(1 @p) = 0, (1)
L
y
=
1
1+y
@ 0, y 0, y
_
1
1+y
@
_
= 0, (2)
px + y /, @ 0, @(px + y /) = 0. (3)
Es claro de (1) que @ = 0. En consecuencia, @ > 0 y la condicin (3) implica
px + y = /. (*v)
Nos quedan, entonces, slo 2
2
= 4 casos:
i) Si x
= 0 y y
= 0, se viola la condicin (4), ya que / > 0.

ii) Si x
> 0 y y
= 0, de la condicin (2) se sigue que @ 1. As, (1) implica

p = 1%@ 1. De (4) se obtiene x
= /%p.
iii) Si x
= 0 y y
> 0, de (4) se sigue que y
= /. De (1) y (2) se tiene

p 1%@ = y
+ 1 = / + 1.
211
iv) Si x
> 0 y y
> 0, de (1) y (2) se tiene @ = 1%p = 1%(1 +y
). Se sigue que
y
= p 1, que al sustituirse en (4) da x
= (/ + 1 p)%p. Como x
> 0 y
y
> 0, por lo tanto p < / + 1 y p > 1.

En resumen, la solucin del problema es la siguiente:
A. Si 0 < p 1, entonces (x
, y
) = (/%p, 0), con @ = 1%p.

B. Si 1 < p < /+1, entonces (x
, y
) = ((/ + 1 p)%p, p 1), con @ = 1%p.

C. Si p /+ 1, entonces (x
, y
) = (0, /), con @ = 1%(/ + 1).

Debes tener mucho cuidado en el manejo de la condicin de no negatividad
de las variables, x
i
0, en problemas de economa. sta puede ser ignorada,
slo si sabes a priori que existe la restriccin x
i
> 0 en el dominio de la funcin
objetivo 1, o bien, cuando la derivada parcial 1
x
i
diverge en x
i
= 0. En cualquiera
de estos casos, la solucin ptima ocurrir en x
i
> 0. Si esto no sucede, al ignorar
la restriccin x
i
0 puedes obtener resultados errneos cuando el ptimo ocurre
precisamente en x
i
= 0 (soluciones de esquina). Esto puede suceder en el caso de
una funcin objetivo cuasilineal, como la del ejemplo 2 anterior.
5.3.1.4 Restricciones mixtas En algunos problemas de optimizacin se
tiene un conjunto de restricciones mixtas, en el sentido de que existen tanto
restricciones de igualdad, del tipo 3
+
= c
+
, como restricciones de desigualdad,
del tipo 3
(
c
(
. Es posible demostrar (ver Simon & Blume) que en este caso el
problema de optimizacin es una combinacin de un problema de Lagrange y uno
de Kuhn-Tucker, como se muestra en el siguiente ejemplo.
212
Ejemplo:
Plantea el siguiente problema de optimizacin:
mx. 1(x, y, z)
s.a. 3(x, y, z) = c
4(x, y, z) d.
En este caso, podemos plantear una lagrangeana de la forma
L(x, y, z, @
1
, @
2
) = 1(x, y, z) + @
1
(c 3(x, y, z)) + @
2
(d 4(x, y, z)),
con condiciones de primer orden
L
x
= 0
L
y
= 0
L
z
= 0
3(x, y, z) = c
4(x, y, z) d, @
2
0 y @
2
(4(x, y, z) d) = 0.
5.3.1.5 Condiciones sucientes para mximo global
Una vez establecidas las condiciones necesarias de optimalidad en el problema
de Kuhn-Tucker, buscamos condiciones que garanticen que el ptimo es un
mximo global. Al igual que en un problema de Lagrange (seccin 5.2), se puede
demostrar que una condicin suciente para mximo es que sea cncava la funcin
lagrangeana L = 1(
x ) +
+
@
+
(c
+
3
+
(
x )). Dado que en este caso @

+
> 0, esto
se satisface si la funcin objetivo 1 es cncava y cada funcin de restriccin 3
+
(
x )
es convexa, como se establece el siguiente teorema.
Teorema de suciencia para mximo global. Si el punto
x

satisface las
condiciones de Kuhn-Tucker para el problema
mx. 1(
x )
s.a. 3
+
(
x ) c
+
, + = 1, . . . , /,
donde 1 C
1
es cncava y cada funcin 3
+
C
1
es convexa, entonces el mximo
global de 1 se alcanza en
.
El requisito de concavidad para la funcin objetivo 1 es claro en un problema
de maximizacin. La convexidad de las funciones 3
+
se explica de la siguiente
manera. Cuando hay una sola restriccin de desigualdad, 3(
x ) c, pedir que
z = 3(
x ) sea una funcin convexa te garantiza que su contorno inferior o regin

factible 3(
x ) c sea una regin convexa.

213
Cuando hay varias restricciones de desigualdad, la regin factible es la interseccin
de todas las restricciones 3
+
c
+
. Pedir que cada funcin z = 3
+
(
x ) sea convexa
garantiza que sus contornos inferiores 3
+
(
x ) c
+
son conjuntos convexos, de
modo que su interseccin tambin ser una regin convexa.
Por ltimo, sabemos que muchos problemas de optimizacin en economa se
consideran funciones objetivo cuasicncavas, en lugar de cncavas. En vista de
ello, a continuacin presentamos un teorema de suciencia alternativo, debido a
K.J. Arrow y A.C. Enthoven, que constituye una versin menos restrictiva que la
del teorema anterior.
Teorema de Arrow-Enthoven para mximo global. Si el punto
x

satisface
las condiciones de Kuhn-Tucker para el problema
mx. 1(
x )
s.a. 3
+
(
x ) c
+
, + = 1, . . . , /,
donde 1 C
1
es cuasicncava y cada funcin 3
+
C
1
es cuasiconvexa, entonces
el mximo global de 1 se alcanza en
.
Nota que la condicin de cuasiconvexidad para las funciones de restriccin 3
+
garantiza que sus contornos inferiores 3
+
(
x ) c
+
sean regiones convexas, como
ocurre con las funciones de restriccin convexas.
214
5.3.2 Problemas de minimizacin
A diferencia de un problema de Lagrange, en un problema de Kuhn-Tucker
el planteamiento para un caso de maximizacin diere del de un caso de
minimizacin. Por razones de claridad, en la discusin anterior nos enfocamos
exclusivamente en problemas de maximizacin. A continuacin presentamos cmo
adaptar esos resultados para el caso de problemas de minimizacin.
Las condiciones de Kuhn-Tucker para el problema de minimizacin se basan
en un razonamiento similar al del problema de maximizacin. En ambos casos, un
aspecto importante se reere al formato en el que debe expresarse la restriccin
de desigualdad. En el caso de maximizacin, el formato 3(x, y) c para la
restriccin, junto con la condicin @ 0, garantizan que al ampliarse la regin
factible se obtendr el mejor mximo posible para el problema. Para que esto
mismo ocurra en un problema de minimizacin, pero an conservando la condicin
@ 0, ser necesario expresar la restriccin en la forma 3(x, y) c, como se
justicar ms adelante, con las condiciones de segundo orden.
Nos interesa, entonces, resolver un problema de minimizacin, de la forma
mn. 1(x, y)
s.a. 3(x, y) c.
Para ello, se parte de la funcin lagrangeana
L(x, y, @) = 1(x, y) + @(c 3(x, y)),
que presenta la misma forma funcional que en el caso de maximizacin. Para esta
funcin, se establecen las condiciones necesarias de primer orden,
L
x
= 1
x
(x, y) @3
x
(x, y) = 0
L
y
= 1
y
(x, y) @3
y
(x, y) = 0,
que nuevamente representan la condicin de tangencia (1 = @3) en el
ptimo. En relacin con las condiciones de holgura complementaria, ahora deber
vericarse
L
%
0, @ 0 y @L
%
= 0,
o equivalentemente,
3(x, y) c, @ 0 y @(3(x, y) c) = 0.
La primera condicin de holgura impone el cumplimiento de la restriccin en el
ptimo. La condicin @ 0 garantiza que un pequeo incremento en c generar
un menor valor para el ptimo de 1. La ltima condicin establece que @ = 0
215
(optimizacin libre) o 3(x, y) = c (problema de Lagrange) en el ptimo. Estas son
las condiciones de Kuhn-Tucker para el problema de minimizacin.
Condiciones de Kuhn-Tucker para el problema de minimizacin
mn. 1(x, y), s.a. 3(x, y) c.
L(x, y, @) = 1(x, y) + @(c 3(x, y)).
2. Se establecen las condiciones de primer orden para L, con respecto a las
variables x y y solamente,
L
x
= 1
x
@3
x
= 0,
L
y
= 1
y
@3
y
= 0.
3. Se establece las condiciones de holgura complementaria
L
%
0, @ 0 y @(3(x, y) c) = 0,
o equivalentemente,
3(x, y) c, @ 0 y @(3(x, y) c) = 0.
4. Se resuelve, consistentemente, el sistema de ecuaciones y desigualdades.
Ejemplo:
Encuentra la solucin al problema
mn. 1(x, y) = y
s.a. x
2
+ y
2
1.
Primeramente escribimos el problema en un formato adecuado, es decir,
mn. 1(x, y) = y
s.a. x
2
y
2
1.
As, la lagrangeana correspondiente est dada por
L(x, y, @) = y + @(1 + x
2
+ y
2
).
L
x
= 2@x = 0 (1)
L
y
= 1 + 2@y = 0, (2)
216
x
2
+ y
2
1, (3) @ 0, (4) @(x
2
+ y
2
1) = 0. (5)
Nota que la desigualdad en (3) est escrita en el formato original, sin que esto
afecte el resultado; el formato es importante slo en las ecuaciones (1) y (2). De
acuerdo con la igualdad (5), se tienen dos casos, @ = 0 o x
2
+ y
2
= 1. i) Si @ = 0,
la ecuacin (2) conduce a una inconsistencia ( 1 = 0!) , por lo que esta opcin
se descarta. ii) Si x
2
+ y
2
= 1, se obtiene el sistema de ecuaciones
2@x = 0 (1)
1 + 2@y = 0 (2)
x
2
+ y
2
= 1, (6)
correspondiente a un punto frontera (x
2
+ y
2
= 1) de la restriccin. El sistema
tiene dos soluciones posibles,
(x
1
, y
1
) = (0, 1) y (x
2
, y
2
) = (0, 1) .
Sustituyendo (x
1
, y
1
) en (2) se obtiene
@
1
=
1
2y
1
=
1
2
< 0.
Esto viola la condicin (4) , por lo que esta opcin se descarta. Por otra parte,
sustituyendo (x
2
, y
2
) en (2) se obtiene
@
2
=
1
2y
2
=
1
2
> 0,
que satisface la condicin (4). As, slo los valores x
2
, y
2
, @
2
, satisfacen las
condiciones (1)-(5) en su totalidad. Concluimos que el valor mnimo de 1 ocurre
en el punto frontera P (0, 1) , con @
2
= 1%2 y 1
= 1.
La siguiente gura muestra la regin factible F, x
2
+ y
2
1, y algunas
curvas de nivel de 1, dadas por y =const. Tomando en cuenta la direccin de
crecimiento de 1, dada por el vector gradiente 1, es claro que la solucin ptima
ocurre en el punto frontera P (0, 1) de la restriccin, en donde 1 toma su mnimo
valor posible.
217
Para el caso con varias restricciones, el mtodo de Kuhn-Tucker se generaliza
de la siguiente manera.
Condiciones de Kuhn-Tucker para el problema mn. 1(
x ) s.a. 3
+
(
x ) c
+
,
+ = 1, . . . , /,
x R
n
.
L(
x ,
@ ) = 1(
x ) +
m
+=1
@
+
(c
+
3
+
(
x )).
2. Se establecen n condiciones de primer orden para L, en x
i
, * = 1, . . . , n
L
x
i
= 0, * = 1, . . . , n.
3. Se establecen / condiciones de holgura complementaria
3
+
(
x ) c
+
, @
+
0 y @
+
(3
+
(
x ) c
+
) = 0, + = 1, . . . , /,
o equivalentemente,
L
%
j
0, @
+
0 y @
+
L
%
j
= 0.
Ejemplo:
Encuentra la solucin al problema
mn. 1(x, y) = x
2
+ y
2
s.a. x + y 2 (I)
x + 2y 2 (II)
x 0. (III)
Primeramente, escribimos las restricciones en el formato adecuado,
mn. 1(x, y) = x
2
+ y
2
s.a. x y 2
x + 2y 2
x 0.
La lagrangeana correspondiente est dada por
L(x, y, @
1
, @
2
, @
3
) = x
2
+ y
2
+ @
1
(2 + x + y) + @
2
(2 x 2y) + @
3
(x),
218
que satisface las condiciones de igualdad
L
x
= 2x + @
1
@
2
@
3
= 0, (1)
L
y
= 2y + @
1
2@
2
= 0, (2)
x + y 2, @
1
0, @
1
(x + y 2) = 0, (3)
x + 2y 2, @
2
0, @
2
(x + 2y 2) = 0, (4)
x 0, @
3
0, @
3
x = 0. (5)
De las igualdades en (3), (4) y (5) se siguen 2
3
= 8 casos, algunos de los cuales
pueden eliminarse mediante un anlisis grco del problema. Para ello, dibujamos
la regin factible F (interseccin de las tres restricciones de desigualdad), algunas
curvas de nivel de 1, as como el gradiente 1, para determinar la direccin de
crecimiento de 1.
En la grca se observa que el punto P que minimiza a 1 ocurre en donde la
restriccin II est activa,
x + 2y = 2, (6)
mientras que las restricciones I y III no lo estn (x + y < 2 y x > 0). De acuerdo
con las igualdades en (3) y (5), esta ltima armacin implica que
@
1
= 0 y @
3
= 0. (7)
Resolvemos el sistema de igualdades (1), (2), (6) y (7) para x, y, @
1
, @
2
y @
3
, y
vericamos el cumplimiento de la condicin @
2
0. Con esto, se tiene que el
valor mnimo de 1 sucede en el punto P
_
2
5
,
4
5
_
, con @
2
=
4
5
> 0, @
1
= @
3
= 0 y
1
=
20
25
.
219
Condiciones de Kuhn-Tucker para el problema de variables no negativas:
mn. 1(
x ) s.a. 3
+
(
x ) c
+
, x
i
0, + = 1, . . . , /,
x R
n
.
L(
x ,
@ ) = 1(
x ) +
m
+=1
@
+
(c
+
3
+
(
x )).
2. Se establecen n condiciones de holgura complementaria para las variables no
negativas x
i
:
L
x
i
0, x
i
0 y x
i
L
x
i
= 0, * = 1, . . . , n
3. Se establecen / condiciones de holgura complementaria para las restricciones
3
+
c
+
:
L
%
j
0, @
+
0 y @
+
L
%
j
= 0, + = 1, . . . , /,
o equivalentemente,
3
+
(
x ) c
+
, @
+
0 y @
+
(3
+
(
x ) c
+
) = 0, + = 1, . . . , /.
4. Se resuelve consistentemente el sistema de igualdades y desigualdades.
Por ltimo, las condiciones de suciencia para un mnimo global son las
siguientes.
Teorema de suciencia para mnimo global. Si el punto
satisface las
condiciones de Kuhn-Tucker para el problema
mn. 1(
x )
s.a. 3
+
(
x ) c
+
, + = 1, . . . , /,
donde 1 C
1
es convexa y cada funcin 3
+
C
1
es cncava, entonces el mnimo
global de 1 se alcanza en
.
Es claro el requisito de convexidad para la funcin objetivo 1 en un problema de
minimizacin. En el caso de una sola restriccin de desigualdad, 3(
x ) c, pedir
220
que z = 3(
x ) sea una funcin cncava te garantiza que su contorno superior o

regin factible 3(
x ) c sea una regin convexa.

Cuando hay varias restricciones de desigualdad, pedir que cada funcin z = 3
+
(
x )
sea cncava garantiza que sus contornos superiores 3
+
(
x ) c
+
son conjuntos
convexos, de modo que su interseccin tambin ser una regin convexa.
La generalizacin de este teorema para funciones cuasiconvexas es la siguiente.
Teorema de Arrow-Enthoven para mnimo global. Si el punto
satisface
las condiciones de Kuhn-Tucker para el problema
mn. 1(
x )
s.a. 3
+
(
x ) c
+
, + = 1, . . . , /,
donde 1 C
1
es cuasiconvexa y cada funcin 3
+
C
1
es cuasicncava, entonces
el mnimo global de 1 se alcanza en
.
5.3.3 Cualicacin de las restricciones: cundo fallan las
condiciones de Kuhn-Tucker?
Similarmente al caso de Lagrange, las condiciones de Kuhn-Tucker pueden fallar
al ocurrir ciertas irregularidades de frontera, en las que se viola la cualicacin de
las restricciones 1
=

m
+=1
@
+
3
+
en el ptimo, que en el caso particular de
una nica restriccin se reduce a 1
= @
. Esto se ilustra en los ejemplos

que presentaremos a continuacin.
221
Ejemplos:
mx. 1(x, y) = y
s.a. x
2
y
3
0.
La lagrangeana correspondiente es la funcin
L(x, y, @) = y + @
_
y
3
x
2
_
,
cuyas condiciones de Kuhn-Tucker son
L
x
= 2@x = 0,
L
y
= 1 + 3@y
2
= 0,
x
2
y
3
0, @ 0, @
_
x
2
y
3
_
= 0.
Es fcil vericar que no existe solucin a este sistema de ecuaciones y
desigualdades. Sin embargo, el mtodo grco s nos permite obtener que la
funcin 1 alcanza su mximo global, 1
= 0, en el punto (0, 0).

Nuevamente, aqu la dicultad consiste en que en el ptimo 1
+ =
0 ,
mientras que 3
0 , de modo que no se verica la condicin 1
= @
.
Esto se debe a que la funcin z = 3(x, y) = x
2
y
3
alcanza su ptimo en un
punto frontera de su contorno inferior C&
*
(0), x
2
y
3
0, que precisamente
coincide con el ptimo de 1 sujeto a esa restriccin.
mx. 1(x, y) = x
s.a. y (1 x)
3
0,
x, y 0.
La lagrangeana correspondiente es la funcin
L(x, y, @
1
, @
2
, @
3
) = x + @
1
_
(1 x)
3
y
_
+ @
2
x + @
3
y,
222
5.4 Teorema de la envolvente
cuyas condiciones de Kuhn-Tucker son
L
x
= 1 3@
1
(1 x)
2
+ @
2
= 0
L
y
= @
1
+ @
3
= 0
y (1 x)
3
0, @
1
0, @
1
_
y (1 x)
3
_
= 0
x 0, @
2
0, @
2
x = 0,
y 0, @
3
0, @
3
y = 0.
Con un poco de paciencia puedes vericar que no existe solucin que satisfaga
estas condiciones. Sin embargo, el mtodo grco s nos permite obtener que la
funcin 1 alcanza su mximo global, 1
= 1, en el punto (1, 0).

La dicultad se debe a que en el ptimo no se satisface la condicin
1
= @
1
3
1
+ @
2
3
2
+ @
3
3
3
, para las condiciones que estn activas en ese
punto, que son 3
1
y 3
3
. En efecto, es fcil comprobar que 1
*, 3
1
=
+ y
3
3
=
+, de modo que no existen multiplicadores @
1
, @
3
0 tales que
* = @
+ + @
3
_
+
_
= (@
1
@
3
)
+.
Esto se debe a que al ser 3
3
= 3
1
el conjunto de gradientes
_
3
+
_
en el
ptimo no es linealmente independiente. Para una presentacin ms detallada de
este tema te recomiendo consultar el libro de Simon & Blume.
En muchas aplicaciones a economa, tanto la funcin objetivo 1 como el conjunto
de restricciones {3
+
} dependen no slo de las variables independientes x
1
, . . . , x
n
,
o variables de decisin, sino tambin de una coleccin de parmetros a
1
, . . . , a
k
,
o variables exgenas. Una vez que se optimiza respecto a las primeras, el ptimo
obtenido depende del valor de los parmetros. Tiene sentido entonces preguntarse
qu efecto tiene sobre el valor ptimo de la funcin algn posible cambio en los
223
parmetros. El teorema de la envolvente proporciona una respuesta a esta pregunta,
y es vlido en general para cualquier problema de optimizacin que involucre
parmetros, ya sea en optimizacin libre, como en optimizacin restringida.
5.4.1 Optimizacin libre
Considera primero el caso ms simple de maximizacin de una funcin
diferenciable 1(x; a) de la variable independiente, x, cuya forma funcional
contiene un parmetro a. Aqu la notacin para 1 indica que la optimizacin se
lleva a cabo con respecto a la variable que est a la izquierda del punto y coma.
Se trata, entonces, de resolver el problema
max
x
1(x; a).
El punto x
que maximiza 1 se obtiene de la condicin de primer orden

>1(x; a)
>x
x=x
= 0,
de modo que ste depende del parmetro a, es decir,
x
= x
(a).
Al sustituir x
en la funcin 1(x; a) se obtiene su valor mximo 7 (a), dado por

7 (a) = 1(x
(a); a),
que es una funcin del parmetro a. La funcin 7 (a) se conoce como la funcin
valor, y describe el comportamiento de los valores mximos de 1 al cambiar el
parmetro a. De acuerdo con la gura anterior, en la gura de la izquierda se
muestra las grcas de y = 1(x; a) como funcin de x, evaluada en dos valores
arbitrarios a
2
> a
1
del parmetro a. Podra suceder, por ejemplo, que el valor
224
mximo 7 (a) de 1 inicialmente se incremente y luego disminuya, al incrementarse
a, como se muestra en la gura de la derecha.
Suponiendo que la funcin valor 7 (a) es diferenciable, entonces el cambio
en 7 al incrementarse el valor de a est dado por la derivada d7 (a)%da. Como
7 (a) = 1(x
(a); a), el clculo de esta derivada involucra el efecto directo dado

por la dependencia explcita 1( ; a) de 1 con a, as como el efecto indirecto dado
por la dependencia implcita 1(x
(a); ) a travs de x
(a). De acuerdo con la regla

de la cadena se tiene, entonces,
d7 (a)
da
=
d1(x
(a); a)
da
=
>1
>x
dx
da
+
>1
>a
= 0 +
>1
>a
,
en donde se utiliz la condicin de primer orden, >1
%>x
= 0. Nota que el
trmino igual a 0 corresponde precisamente al efecto indirecto sobre 7 causado
por el cambio en x
al variar a, de modo que slo sobrevive el efecto directo de a

en 1
, dado por >1
%>a, es decir,
d7 (a)
da
=
>1(x
; a)
>a
.
As, la condicin de primer orden garantiza que en el ptimo se puede ignorar la
dependencia implcita de 1(x
; a) con a a travs de x
(a), considerando slo la

dependencia explcita de 1(x
; a) con a, como si x
estuviera jo. Esta igualdad

constituye la versin ms simple del teorema de la envolvente para optimizacin
no restringida para el caso general de varios parmetros, que enunciaremos ms
adelante en esta seccin. Antes de hacerlo, discutamos primero el signicado
geomtrico del resultado obtenido para el caso de un solo parmetro a.
225
El teorema de la envolvente se reere a dos funciones diferentes de a, dadas por
7 (a) y 1(x
; a). La funcin valor 7 (a) resulta de la maximizacin con respecto

a x de la funcin 1(x; a), para cada valor de a. Su forma funcional se obtiene
al sustituir el nivel ptimo x = x
(a) en 1(x; a), por lo que 7 depende de a

solamente. En contraste, la funcin 1(x
; a) no proviene de una maximizacin.

Su forma funcional se obtiene al evaluar x en un valor jo x
, por lo que 1(x
; a)
queda expresada en trminos de la constante x
y el parmetro a. De acuerdo
con el teorema de la envolvente, para cada valor del parmetro a se satisfacen las
siguientes dos condiciones:
(1) 7 (a) = 1(x; a)|
x=x
(2)
d7 (a)
da
=
>1(x; a)
>a
x=x
,
que establecen la tangencia de estas dos funciones en ese punto.
La siguiente gura ilustra las condiciones de tangencia (1) y (2) para un
problema de maximizacin. La curva superior representa la funcin 7 (a), mientras
que la curva inferior representa la funcin 1(x
1
; a) evaluada en un valor jo
x = x
1
. Ambas son tangentes precisamente en aquel valor a = a
1
que corresponde
al ptimo x
1
= x
(a
1
).
Para cada seleccin x = x
i
se obtiene una curva distinta 1(x
i
; a), como se ilustra
en la siguiente gura. En ella se muestra una coleccin de curvitas, envueltas
superiormente por la funcin 7 (a) de los valores mximos de 1, conocida tambin
como la curva envolvente. El punto de tangencia de la envolvente con cada 1(x
i
; a)
ocurre precisamente en aquel valor a
i
que satisface la condicin x
i
= x
(a
i
).
226
En problemas de maximizacin la envolvente 7 (a) nunca estar por debajo de
las curvitas y = 1(x
i
; a), siendo adems menos cncava que stas. Esto signica
que 7 (a) representa el mejor mximo posible de la funcin 1 con respecto
al parmetro a, y ste ocurre cuando se relaja la variable x de tal modo que se
maximice 1. En contraste, un mximo menos bueno se obtiene al evaluar la
funcin 1(x; a) en un valor jo x = x
i
, quedando sta como funcin de a. Las
curvas coinciden slo cuando a satisface la condicin de ptimo x
i
= x
(a
i
).
Para problemas de minimizacin se sigue un razonamiento similar, pero ahora
las curvitas son envueltas inferiormente por 7 (a). En ese caso, la curva envolvente
7 (a) nunca estar por encima de las curvitas 1(x
i
; a), y adems ser menos
convexa que stas, como se muestra en la siguiente gura.
En este caso, 7 (a) representa el mejor mnimo posible de la funcin 1 con
respecto al parmetro a, comparado con el obtenido al evaluar la funcin 1(x; a)
en un valor jo x = x
i
, con excepcin de aquellos valores a
i
correspondientes a la
seleccin x
i
= x
(a
i
), en donde la *-sima curva es tangente a 7 (a).
Ejemplos:
1. Considera el problema de maximizacin
max
x
1(x; a) = 8x
x
2
a
2
,
con a > 0. En este caso, la condicin de primer orden correspondiente es
>1
>x
x=x
= 8
2x
a
2
x=x
= 0,
cuya solucin est dada por
x
(a) = 4a
2
.
De este modo, el valor mximo de 1 es 7 (a) = 8(4a
2
)
(4a
2
)
2
a
2
, es decir,
7 (a) = 16a
2
.
227
La siguiente gura muestra las grcas de 1(x; a) = 8xx
2
%a
2
en funcin de x,
para a = 1, 2, 3. En cada caso, el mximo ocurre en (x
(a), 7 (a)) = (4a

2
, 16a
2
).
Para ilustrar el teorema de la envolvente notamos que la funcin 1(x
; a) est
dada simplemente por
1(x
; a) = 8x
(x
)
2
a
2
.
La siguiente gura muestra las grcas de la funcin 7 (a) = 16a
2
, as como las
curvas 1(x
; a) = 8x
(x
)
2
%a
2
en funcin de a, para x
= 4, 16, 36.
Ah se observa que las curvas 1(x
; a) son tangentes a la envolvente 7 (a) en

aquellos valores de a que satisfacen la condicin de ptimo
a =
_
x
4
.
En efecto, en esos puntos se cumple
(1) 1(x
; a)|
x
=4a
2
= 8x
(x
)
2
a
2
=4a
2
= 8(4a
2
)
(4a
2
)
2
a
2
= 16a
2
= 7 (a)
(2)
>1(x
; a)
>a
=4a
2
=
2(x
)
2
a
3
=4a
2
=
2(4a
2
)
2
a
3
= 32a =
d7 (a)
da
.
228
2. Considera el problema de minimizacin
min
x
1(x; a) = a
2
x ln x 1,
con a > 0. La siguiente gura muestra la grca de 1(x; a) = a
2
x ln x 1 en
funcin de x, para a = 2.
La condicin de primer orden correspondiente est dada por
>1
>x
x=x
= a
2
1
x
x=x
= 0,
cuya solucin es
x
(a) =
1
a
2
.
De este modo el valor mnimo de 1 es 7 (a) = a
2
_
1
a
2
_
ln
_
1
a
2
_
1, es
decir,
7 (a) = 2 ln a,
que representa la curva envolvente en este problema. Por otra parte, las curvitas
1(x
; a) se obtienen al evaluar 1(x; a) en el punto ptimo x
, es decir,
1(x
; a) = a
2
x
ln x
1.
La siguiente gura muestra las grcas de la funcin 7 (a) = 2 ln a, as como
229
las curvas 1(x
; a) = a
2
x
lnx
1 en funcin de a, para x
= 1,
1
4
.
Ah se observa que las curvas 1(x
; a) son tangentes a la envolvente 7 (a) en

aquellos valores de a que satisfacen la condicin de ptimo
a =
1
.
En efecto, en esos puntos se cumple
(1) 1(x
; a)|
x
=1/a
2
= a
2
x
ln x
=1/a
2
= a
2
_
1
a
2
_
ln
_
1
a
2
_
1 = 2 ln a = 7 (a)
(2)
>1(x
; a)
>a
=1/a
2
= 2ax
|
x
=1/a
2
= 2a
_
1
a
2
_
=
2
a
=
d7 (a)
da
.
Por lo general, puede resultar ms complicado encontrar directamente la
derivada d7 (a)%da a partir de la funcin 7 (a), que utilizando el teorema de la
envolvente con 1(x
; a), como se ilustra en el siguiente ejemplo.

Ejemplo:
Considera el problema de maximizacin
max
x
1(x; a) =
_
1 + (a
2
+ 1)x
#
x
,
con a R. La condicin de primer orden correspondiente es
>1
>x
x=x
=
_
(a
2
+ 1)
_
1 + (a
2
+ 1)x
_
#
x
x=x
= 0,
230
cuya solucin es
x
(a) =
a
2
1 + a
2
.
De este modo, el valor mximo de 1 es
7 (a) =
_
1 + (a
2
+ 1)
_
a
2
1 + a
2
__
#
a
2
1+a
2
=
_
1 + a
2
_
#
a
2
1+a
2
.
Para encontrar la derivada d7 (a)%da puedes proceder de dos maneras diferentes.
La primera consiste en hacer caso omiso de toda la discusin anterior, y encontrar
directamente la derivada de 7 (a), es decir,
d7 (a)
da
=
d
da
_
_
1 + a
2
_
#
a
2
1+a
2
_
= 2a#
a
2
1+a
2
_
1 + a
2
_
#
a
2
1+a
2
d
da
_
a
2
1 + a
2
_
= 2a#
a
2
1+a
2
_
1 + a
2
_
#
a
2
1+a
2
_
2a
(1 + a
2
)
2
_
= 2a
_
1
1
1 + a
2
_
#
a
2
1+a
2
=
_
2a
3
1 + a
2
_
#
a
2
1+a
2
.
La segunda consiste en utilizar el teorema de la envolvente, dado por la igualdad
d7 (a)
da
=
>1(x
; a)
>a
. Para ello, observa que 1(x
; a) es la funcin
1(x
; a) =
_
1 + (a
2
+ 1)x
#
x
,
de modo que
>1(x
; a)
>a
= 2ax
#
x
.
Sustituyendo la forma explcita de x
en esta expresin obtenemos

>1(x
; a)
>a
= 2a
_
a
2
1 + a
2
_
#
a
2
1+a
2
.
Nota entonces que, efectivamente,
d7 (a)
da
=
>1(x
; a)
>a
=
_
2a
3
1 + a
2
_
#
a
2
1+a
2
,
pero la derivada d7%da se obtuvo de una manera ms simple y directa con
>1(x
; a)%>a.
231
Los resultados anteriores se pueden extender al caso de funciones diferenciables
1 : 2 R
n
R con k parmetros {a
1
, . . . , a
k
} , de la siguiente manera.
Considera el problema de maximizacin (o minimizacin)
max
x
1
,---,xn
1(
x ;
a ),
con
x = (x
1
, . . . , x
n
). En este caso, el ptimo no restringido de esta funcin se
obtiene de las condiciones de primer orden,
>1
>x
i

x =

x
= 0, * = 1, . . . , n,
cuya solucin es el vector
x

=
x

(
a ).
En consecuencia, el valor mximo 1
max
7 de la funcin 1 tambin depender de
a , a travs de la relacin
7 (
a ) 1(
x

(
a );
a ).
Cuando alguno de los parmetros se modica, digamos a
(
, ( = 1, . . . , k, el ptimo
7 (
a ) de 1 cambia de acuerdo con

>7 (
a )
>a
(
=
>1(x
1
(
a ), . . . , x
n
(
a );
a )
>a
(
=
>1
>x
1
>x
1
>a
(
+ +
>1
>x
n
>x
n
>a
(
+
>1
>a
(
=
>1
>a
(
,
en donde se han cancelado los primeros n trminos por las n condiciones de primer
orden, >1
%>x
i
= 0. Cada trmino cancelado, >1
%>x
i
>x
i
%>a
(
, corresponde
al efecto indirecto sobre 7 causado por el cambio en x
i
al cambiar a
(
. El trmino
sobreviviente, >1
%>a
(
, corresponde al efecto directo del cambio en a
(
sobre el
valor ptimo 7. Se concluye entonces que
>7 (
a )
>a
(
=
>1(
x

(
a );
a )
>a
(
, ( = 1, . . . , k.
Teorema de la envolvente para optimizacin no restringida. Sea 1(
x ;
a )
una funcin diferenciable de
x R
n
con parmetros
a R
k
. Para cada seleccin
de
a considera el problema
optimizar
x
1
,---,xn
1(
x ;
a ).
Sea
x

(
a ) una solucin del problema, con
x

(
a ) una funcin diferenciable. Si

7 (
a ) 1(
x

(
a );
a ) denota el valor ptimo de 1, entonces

>7 (
a )
>a
(
=
>1(
a );
a )
>a
(
, ( = 1, . . . , k.
232
Aqu la derivada parcial en el lado izquierdo se realiza sobre el valor ptimo
7 (a) de la funcin 1, mientras que la derivada parcial en el lado derecho se realiza
sobre la funcin 1(
x

(
a );
a ), obtenida al evaluar 1(
x ;
a ) en
x =
a ), sin
que 1 haya sido optimizada. En este ltimo caso, slo se considera la dependencia
explcita de 1(
a );
a ) con a
(
, ignorando la dependencia implcita de 1 con
a
(
a travs de

x

(
a ), como si
x

se mantuviera jo, como se ilustra en los
Ejemplos:
1. Considera el problema
max
x
1(x; r
1
, r
2
) = x
r
1
r
2
x,
con 0 < r
1
< 1. La condicin de primer orden correspondiente est dada por
>1
>x
x=x
= r
1
x
r
1
1
r
2
x=x
= 0,
cuya solucin es
x
(r
1
, r
2
) =
_
r
2
r
1
_ 1
r
1
1
.
De esta manera, el valor mximo de 1 est dado por
7 (r
1
, r
2
) =
_
r
2
r
1
_
r
1
r
1
1
r
2
_
r
2
r
1
_ 1
r
1
1
.
El clculo directo de las derivadas parciales de esta funcin resulta bastante
complejo, particularmente >7%>r
1
, que involucra derivadas del tipo
dx
x
dx
.
En contraste, el clculo va el teorema de la envolvente es directo. Para ello,
primero evala 1 en x
,
1(x
; r
1
, r
2
) = (x
)
r
1
r
2
x
,
cuyas derivadas parciales, bastante simples, quedan expresadas en trminos de
x
(r
1
, r
2
) =
_
r
2
r
1
_ 1
r
1
1
,
>7
>r
1
=
>1(x
; r
1
, r
2
)
>r
1
= (x
)
r
1
ln(x
)
>7
>r
2
=
>1(x
; r
1
, r
2
)
>r
2
= x
.
233
2. Considera el problema de minimizar el costo C(5, 6) = w5 + r6 como
funcin del trabajo 5 y el capital 6, sujeto a una produccin ja 5
1/2
6
1/2
= ,.
Los parmetros del sistema son el salario w, la tasa de inters r y el nivel
de produccin ,. Si despejamos la variable 5 de la ecuacin de restriccin,
5 = ,
2
%6, y la sustituimos en la funcin de costos, el problema puede
escribirse como el problema de optimizacin no restringida
min
K
C(6; r, w, ,) =
w,
2
6
+ r6.
La condicin de primer orden correspondiente est dada por
>C
>6
K=K
=
w,
2
6
2
+ r
K=K
= 0,
cuya solucin es
6
(w, r, ,) = ,
_
w
r
.
El costo mnimo es, por tanto, C
mn
(w, r, ,) =
w,
2
_
,
_
w
r
_ + r
_
,
_
w
r
_
, es
decir,
C
mn
(w, r, ,) = 2,
wr,
conocida como la funcin de gasto. Para encontrar sus derivadas parciales
con respecto a los parmetros w, r y ,, podemos utilizar el teorema de la
envolvente, de la siguiente manera. Primeramente evaluamos la funcin de costo
en 6
,
C(6
; r, w, ,) =
w,
2
6
+ r6
,
de modo que
>C
mn
>w
=
>C(6
; r, w, ,)
>w
=
,
2
6
=
,
2
_
,
_
w
r
_ = ,
_
r
w
>C
mn
>r
=
>C(6
; r, w, ,)
>r
= 6
= ,
_
w
r
>C
mn
>,
=
>C(6
; r, w, ,)
>,
=
2w,
6
=
2w,
_
,
_
w
r
_ = 2
wr.
La funcin C(6
; r, w, ,) se conoce como la funcin de costo de corto plazo

SRC (Short-Run Cost), puesto que en el corto plazo es de esperarse que el
capital no cambie, manteniendo un valor jo 6
. A su vez, la funcin de gasto

C
mn
(w, r, ,) se denomina la funcin de costo de largo plazo LRC (Long-Run
Cost), ya que se obtiene permitiendo que el capital 6 vare hasta que el costo
234
adquiera su valor mnimo. Esta ltima constituye, por tanto, el mejor mnimo
posible, o curva envolvente en el problema de minimizacin de costos. De esta
manera, para cada valor jo 6
i
del capital, se puede denir una familia de
funciones de corto plazo, dadas por
2-C
i
=
w,
2
6
i
+ r6
i
,
que estn envueltas inferiormente por la funcin de costo mnimo de largo plazo
5-C = 2,
wr.
Equivalentemente, si en lugar del costo C consideramos en su lugar al costo
promedio C%,, o costo por unidad del bien, podemos denir las funciones de
costo promedio de corto plazo SRAC (Short-Run Average Cost)
2-AC
i
=
2-C
i
,
=
w,
6
i
+
r6
i
,
y de costo promedio de largo plazo LRAC (Long-Run Average Cost)
5-AC =
5-C
,
= 2
wr.
Como funciones del parmetro ,, las curvas 2-AC
i
y 5-AC son distintas
entre s. Sin embargo, nota que cuando 2-AC
i
es evaluada en aquel valor ,
i
que satisface la condicin del punto ptimo 6
(w, r, ,
i
) = ,
i
_
w
r
= 6
i
, es
decir
,
i
= 6
i
_
r
w
,
se obtiene
1. 2-AC|
Q
i
=
w
_
6
i
_
r
w
_
6
i
+
r6
i
_
6
i
_
r
w
_ = 2
wr = 5-AC|
Q
i
2.
d 2-AC
d,
Q
i
=
w
6
i

r6
i
,
2
Q
i
= 0 =
d 5-AC
d,
Q
i
.
Estas condiciones expresan la condicin de tangencia entre la curva de costo
medio de largo plazo 5-AC y las curvas de corto plazo 2-AC
i
, en aquellos
niveles de produccin ,
i
que corresponden a los correspondientes capitales
jos 6
i
, de acuerdo con la condicin de optimalidad
,
i
= 6
i
_
r
w
.
Para ilustrar este concepto, la siguiente gura muestra las curvas 2-AC
i
y
5-AC como funciones de ,, suponiendo que w = 1, r = 4. La funcin
235
2-AC
i
fue evaluada en 6 = 1, de modo que el punto de tangencia ocurre en
, = (1)
_
4
1
= 2.
5.4.2 Optimizacin restringida
El teorema de la envolvente se aplica asimismo en problemas de optimizacin
restringida, como se expone a continuacin para el caso de optimizacin sujeta a
restricciones de igualdad (mtodo de los multiplicadores de Lagrange). Aunque no
se demostrar aqu, los resultados que obtendremos son igualmente vlidos para el
caso correspondiente a restricciones de desigualdad (mtodo de Kuhn-Tucker),
Considera el problema de maximizacin (o minimizacin) de una funcin
diferenciable 1 : 2 R
n
R con k parmetros
a = (a
1
, . . . , a
k
) , sujeto a un
conjunto de / < n restricciones {3
1
, . . . , 3
m
} de igualdad, es decir,
max
x
1
,---,x
n
1(
x ;
a ),
s.a. 3
+
(
x ;
a ) = 0, + = 1, . . . , /
con
x = (x
1
, . . . , x
n
). Aqu la notacin 3
+
= 0 indica que todos los parmetros
estn contenidos en el lado izquierdo de la igualdad.
Para encontrar el ptimo restringido en este problema primero construimos la
funcin lagrangeana correspondiente,
L(
x ,
@ ;
a ) = 1(
x ;
a )
m
+=1
@
+
3
+
(
x ;
a ),
236
con
@ = (@
1
, . . . , @
m
). En este caso, el ptimo restringido de 1 se obtiene de las
n + / condiciones de primer orden,
>L
>x
i
(

x ,

% )=(

x
,

%
)
= 0, * = 1, . . . , n
>L
>@
+
(

x ,

% )=(

x
,

%
)
= 0, + = 1, . . . , /
cuya solucin est dada por
=

x
a )
=

@
a ).
En consecuencia, el valor mximo 1
max
7 de la funcin 1 tambin depender de
a , a travs de la relacin
7 (
a ) 1(
a );
a ).
Cuando alguno de los parmetros se modica, digamos a
(
, ( = 1, . . . , k, el ptimo
7 (
a ) de 1 cambia de acuerdo con

>7 (
a )
>a
(
=
>1(
a );
a )
>a
(
.
Como en el punto ptimo se satisfacen todas las restricciones 3
+
(
x ;
a ) = 0, ah
se satisface
1(
x

(
a );
a ) = L(
a ),
@

(
a );
a ),
es decir, la funcin objetivo toma el mismo valor que la lagrangeana ptima
L
L(
x

(
a ),
a );
a ) = 1(
x

;
a )
m
+=1
@
+
3
+
(
x

;
a ).
As,
>7 (
a )
>a
(
=
>L
>x
1
>x
1
>a
(
+ +
>L
>x
n
>x
n
>a
(
+
>L
>@
1
>@
1
>a
(
+ +
>L
>@
n
>@
n
>a
(
+
>L
>a
(
=
>L
>a
(
,
en donde se han utilizado las condiciones de primer orden, >L
%>x
i
= >L
%>@
+
= 0,
en los primeros n + / trminos. Los trminos cancelados, >L
%>x
i
>x
i
%>a
(
y
>L
%>@
+
>@
+
%>a
(
, corresponden al efecto indirecto sobre 7 causado por el cam-
bio en cada x
i
y cada @
+
, al cambiar a
(
. El nico trmino sobreviviente, >L
%>a
(
,
237
corresponde al efecto directo del cambio en a
(
sobre el valor ptimo 7. De esta
manera, se tiene
>7 (
a )
>a
(
=
>L
>a
(
, ( = 1, . . . , k.
Teorema de la envolvente para optimizacin restringida. Sea 1(
x ;
a ) una
funcin diferenciable de
x R
n
, con parmetros
a R
k
, y sea
@ R
m
un
conjunto de multiplicadores de Lagrange correspondiente a / < n restricciones de
igualdad. Considera el problema
optimizar
x
1
,---,xn
1(
x ;
a )
s.a. 3
+
(
x ;
a ) = 0, + = 1, . . . , /.
Sea
x

(
a ) una solucin del problema, con
x

(
a ) una funcin diferenciable.

Si L(
a ),
@

(
a );
a ) = 7 (
a ) denota el valor ptimo de la lagrangeana,

entonces
>7 (
a )
>a
(
=
>L(
a ),
a );
a )
>a
(
, ( = 1, . . . , k.
En este teorema, la derivada parcial en el lado izquierdo se realiza sobre
el valor ptimo restringido 7 (a) de la funcin 1 ya optimizada. En contraste,
la derivada parcial en el lado derecho se realiza sobre la funcin lagrangeana
L(
x

(
a ),
a );
a ), obtenida al evaluar L(
x ,
@ ;
a ) en el punto ptimo
x =
x

(
a ),
@ =
a ), sin que L haya sido optimizada. Esta derivada parcial

slo toma en cuenta la dependencia explcita de L(
x

(
a ),
a );
a ) con el
parmetro a
(
, manteniendo jos
x

y
, es decir, ignorando la dependencia

implcita de 1 con a
(
a travs de

x
a ) y

@
a ), como se muestra en los

Ejemplos:
1. Considera el problema
optim. 1(x, y) = y#
x
s.a. a
2
x + y = 1,
con a = 0. En este caso, la lagrangeana est dada por
L(x, y, @; a) = y#
x
+ @
_
1 a
2
x y
_
.
238
Las condiciones de primer orden correspondientes son
L
x
= y#
x
@a
2
= 0
L
y
= #
x
@ = 0
L
%
= 1 a
2
x y = 0,
de donde es fcil vericar que el punto ptimo es
x
(a) = a
2
1
y
(a) = a
2
@
(a) = #
a
2
1
.
De esta manera, el valor ptimo de 1 es
7 (a) = a
2
#
a
2
1
.
En ese caso,
d7 (a)
da
= a
2
#
a
2
1
_
2a
3
_
+ 2a#
a
2
1
= 2
_
a
2
1
a
_
#
a
2
1
.
Este mismo resultado puede obtenerse de una manera ms simple con el teorema
de la envolvente, d7%da = >L
%>a. Para ello, nota que en el ptimo

L
= y
#
x
+ @
_
1 a
2
x
_
,
de modo que
>L
>a
= 2a@
= 2a#
a
2
1
_
1 a
2
a
2
_
.
As,
d7 (a)
da
=
>L
>a
= 2
_
a
2
1
a
_
#
a
2
1
.
2. Considera el problema de minimizar el costo sujeto a una produccin dada,
min
L,K
C(5, 6) = w5 + r6
s.a. P(5, 6) = ,,
en donde el trabajo 5 y el capital 6 son las variables independientes, y el salario
w, la tasa de inters r y el nivel de produccin , son los parmetros del sistema.
La lagrangeana correspondiente es
L(5, 6, @; w, r, ,) = w5 + r6 + @(,P(5, 6)) .
239
De las condiciones de primer orden L
L
= L
K
= L
%
= 0 se obtienen los valores
ptimos
5
= 5
(w, r, ,)
6
= 6
(w, r, ,)
@
= @
(w, r, ,).
De esta manera, el costo mnimo est dado por
C
mn
(w, r, ,) = w5
(w, r, ,) + r6
(w, r, ,).
Aparentemente, si no se tiene una forma explcita para la funcin de produccin
P(5, 6) no se puede determinar la forma funcional de C
mn
(w, r, ,) y, por
lo tanto, tampoco se pueden encontrar sus derivadas >C
mn
%>w, >C
mn
%>r
y >C
mn
%>,. Sin embargo, el teorema de la envolvente permite obtener
expresiones generales para estas derivadas. Para ello, se evala la lagrangeana
en el ptimo
L
= w5
+ r6
+ @
(,P(5
, 6
)) ,
de modo que
>C
mn
>w
=
>L
>w
= 5
>C
mn
>r
=
>L
>r
= 6
>C
mn
>,
=
>L
>,
= @
.
As, en el ptimo, el costo marginal del salario es el trabajo 5
, el costo marginal
de la tasa de inters es el capital 6
y el costo marginal de la produccin es

el multiplicador @
, en donde 5
, 6
y @
son los valores de 5, 6 y @ que

minimizan la funcin de costo bajo la restriccin dada. Este resultado general se
conoce como el Lema de Shephard.
Como caso particular de este lema, considera una funcin de produccin
Cobb-Douglas de la forma
P(5, 6) = 5
1/2
6
1/2
.
En ese caso, el ptimo ocurre en el punto
5
(w, r, ,) = ,
_
r
w
6
(w, r, ,) = ,
_
w
r
@
(w, r, ,) = 2
wr,
240
de modo que el costo mnimo C
mn
= w5
+ r6
est dado por

C
mn
(w, r, ,) = 2,
wr.
Se tiene, entonces,
>C
mn
(w, r, ,)
>w
= ,
_
r
w
= 5
>C
mn
(w, r, ,)
>r
= ,
_
w
r
= 6
>C
mn
(w, r, ,)
>,
= 2
wr = @
.
241
Captulo 6
Temas selectos de clculo avanzado
6.1 Funciones de R
n
en R
m
Supongamos que una empresa produce / bienes utilizando n insumos,
x
1
, x
2
, . . . , x
n
, y hay una funcin de produccin diferente 1
+
para la
produccin de cada una de las cantidades ,
+
, con + = 1, . . . , /. En ese caso,
se tiene
,
1
= 1
1
(x
1
, x
2
, . . . , x
n
)
,
2
= 1
2
(x
1
, x
2
, . . . , x
n
)
.
.
.
,
m
= 1
m
(x
1
, x
2
, . . . , x
n
).
Desde un punto de vista formal, resulta ms conveniente considerar
este conjunto de / funciones con n variables como una sola funcin,
F : R
n
R
m
, dada por
F(
x ) = (1
1
(x
1
, x
2
, . . . , x
n
), 1
2
(x
1
, x
2
, . . . , x
n
), . . . , 1
m
(x
1
, x
2
, . . . , x
n
)).
Si denotamos por
, = (,
1
, ,
2
, . . . , ,
m
)
al vector de produccin, decimos entonces que
, = F(
x ).
Denicin. Sea 2 R
n
. Una funcin F : 2 R
m
es una regla de
correspondencia que a cada elemento
x = (x
1
, x
2
, . . . , x
n
) del dominio, 2,
le asigna un nico elemento
w = (w
1
, ..., w
m
) del contradominio, R
m
.
Aqu usaremos una letra mayscula (tal como F) para denotar una
funcin con / > 1 reglas de correspondencia, y conservaremos la notacin
usual de letra minscula (tal como 1) para funciones con una sola regla de
correspondencia. As, por ejemplo, escribimos F = (1
1
, ..., 1
m
).
242
6.1 Funciones de R
n
en R
m
Si denominamos por F(
x ) al elemento de R
m
que F le asigna al
elemento
x de 2, entonces decimos que
w = F(
x )
es la imagen de
x bajo F. Asimismo, decimos que la imagen de la funcin F,

denotada por &
.
, es el conjunto de elementos del contradominio obtenidos al
aplicar la regla mltiple F a los elementos del dominio, es decir,
&
.
= {
w R
m
|
w = F(x
1
, x
2
, . . . , x
n
), para todo
x = (x
1
, x
2
, . . . , x
n
) 2 } .
Una funcin F : R R
m
(con n = 1)
_
_
_
_
w
1
w
2
.
.
.
w
m
_
_
_
_
=
_
_
_
_
1
1
(x)
1
2
(x)
.
.
.
1
m
(x)
_
_
_
_
se denomina funcin vectorial de variable escalar, ya que los elementos del
dominio son escalares, x R, y los elementos del contradominio son /-vectores,
(w
1
, w
2
, ..., w
m
) R
m
. Geomtricamente, las funciones de este tipo se representan
mediante curvas paramtricas en R
m
, como las que estudiamos en la seccin 1.2
(aqu x juega el papel del parmetro que antes llamamos )). Por otra parte, una
funcin 1 : R
n
R (con / = 1)
w = 1(x
1
, x
2,
..., x
n
)
es una funcin escalar de variable vectorial, ya que los elementos del dominio son
n-vectores, (x
1
, x
2
, ..., x
n
) R
n
, y los elementos del contradominio son escalares,
w R. Geomtricamente, las funciones de este tipo se representan mediante
hipersupercies en R
n+1
, como las que estudiamos en los captulos 2 al 5. Por
243
Captulo 6 Temas selectos de clculo avanzado
ltimo, una funcin F : R
n
R
m
(con n, / > 1)
_
_
_
_
w
1
w
2
.
.
.
w
m
_
_
_
_
=
_
_
_
_
1
1
(x
1
, x
2,
..., x
n
)
1
2
(x
1
, x
2,
..., x
n
)
.
.
.
1
m
(x
1
, x
2,
..., x
n
)
_
_
_
_
es una funcin vectorial de variable vectorial, ya que los elementos del dominio
son n-vectores, (x
1
, x
2
, ..., x
n
) R
n
, y los elementos del contradominio son
/-vectores, (w
1
, w
2
, ..., w
m
) R
m
. En general, no existe una representacin
geomtrica simple para este tipo de funciones. Desde el punto de vista conceptual,
sin embargo, es claro que una funcin de este tipo transforma vectores de R
n
en
vectores de R
m
.
Para todos los casos anteriores, puede resultarnos til visualizar la funcin
F como una caja negra con n valores de entrada o variables independientes
x
1
, x
2
, ..., x
n
y / valores de salida o variables dependientes, w
1
, w
2
, ..., w
m
, como
se muestra en el siguiente diagrama.
x
1
x
2
.
.
.
x
n
!
"
.
1
1
1
2
.
.
.
1
m
w
1
w
2
.
.
.
.
.
.
w
m
Ejemplos:
1. La funcin F = (1
1
, 1
2
, 1
3
) : R R
3
dada por
_
_
x
y
z
_
_
=
_
_
1
1
())
1
2
())
1
3
())
_
_
=
_
_
cos )
"#n)
)
_
_
asigna a cada valor de ) R un nico punto (x, y, z) del espacio. El conjunto de
puntos correspondientes en R
3
es la curva conocida como hlice.
)
.
1
1
1
2
1
3
x
y
z
244
6.1 Funciones de R
n
en R
m
2. La funcin 1 : R
2
+
R dada por
, = 1(5, 6)
asigna a cada pareja de insumos (5, 6) R
2
+
una nica produccin , R. El
conjunto de puntos correspondientes es una supercie de produccin.
5
6
!
"
1 ,
3. La funcin F = (1
1
, 1
2
, 1
3
) : R
2
R
3
, dada por
_
_
w
1
w
2
w
3
_
_
=
_
_
1
1
(x
1
, x
2
)
1
2
(x
1
, x
2
)
1
3
(x
1
, x
2
)
_
_
=
_
_
5x
1
+ 4x
2
2x
1
+ x
2
x
1
+ 3x
2
_
_
,
transforma cada vector
x = (x
1
, x
2
) R
2
en otro vector
w = (w
1
, w
2
, w
3
) R
3
.
x
1
x
2
!
"
.
1
1
1
2
1
3
w
1
w
2
w
3
Nota que, en este caso particular, se trata de un sistema lineal, de modo que
puede escribirse como el producto de matrices
_
_
w
1
w
2
w
3
_
_
=
_
_
5 4
2 1
1 3
_
_
_
x
1
x
2
_
.
En otras palabras, se tiene
w = A
x ,
en donde A es la matriz de 3 2, dada por
A =
_
_
5 4
2 1
1 3
_
_
.
En este caso, identicamos la funcin vectorial lineal F como una
transformacin lineal, de la forma
F(
x ) = A
x .
245
4. En un problema de maximizacin de utilidad para dos bienes, la funcin
F = (1
1
, 1
2
) : R
3
+
R
2
+
dada por
_
x
_
=
_
1
1
(&, p
1
, p
2
)
1
2
(&, p
1
, p
2
)
_
,
asigna a cada tro (&, p
1
, p
2
) de ingreso, precio del bien 1 y precio del bien 2,
una nica canasta ptima (x
, y
).
&
p
1
p
2
!
"
.
1
1
1
2
x
El anlisis de la diferenciabilidad de una funcin F de R

n
en R
m
se facilita
si observamos que cada componente de F = (1
1
, ..., 1
m
) es una funcin
1
+
: 2 R
n
R, como las funciones que estudiamos en los captulos anteriores.
En consecuencia, podemos aplicar la teora ya vista a cada componente 1
+
por
separado, y luego escribir la informacin obtenida en un lenguaje matricial.
De acuerdo con la observacin anterior, para estudiar la diferenciabilidad de la
funcin
F = (1
1
, ..., 1
m
) : 2 R
n
R
m
en un punto especco
x
0
2, podemos aplicar la aproximacin por diferenciales
de la seccin 3.2 a cada componente 1
+
, obteniendo
1
1
(
x
0
+
x ) 1
1
(
x
0
)
>1
1
(
x
0
)
>x
1
x
1
+ +
>1
1
(
x
0
)
>x
n
x
n
1
2
(
0
+
x ) 1
2
(
x
0
)
>1
2
(
x
0
)
>x
1
x
1
+ +
>1
2
(
x
0
)
>x
n
x
n
.
.
.
1
m
(
x
0
+
x ) 1
m
(
x
0
)
>1
m
(
x
0
)
>x
1
x
1
+ +
>1
m
(
x
0
)
>x
n
x
n
.
Estos resultados pueden combinarse en una notacin matricial, como
F(
x
0
+
x ) F(
x
0
)
_
_
_
_
_
_
,f
1
(

x
0
)
,x
1
,f
1
(

x
0
)
,x
2

,f
1
(

x
0
)
,x
n
,f
2
(

x
0
)
,x
1
,f
2
(

x
0
)
,x
2

,f
2
(

x
0
)
,xn
.
.
.
.
.
.
.
.
.
.
.
.
,f
m
(

x
0
)
,x
1
,f
m
(

x
0
)
,x
2

,f
m
(

x
0
)
,xn
_
_
_
_
_
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
.
246
6.1 Funciones de R
n
en R
m
Esta ltima expresin describe la aproximacin lineal de F en
x
0
. En notacin
compacta, esta ltima expresin se escribe como
F(
x
0
+
x ) F(
x
0
) DF(
x
0
)
x ,
en donde
x es el n-vector de incrementos, y en donde DF(
x
0
) es la matriz de
/n que est compuesta por las primeras derivadas parciales de primer orden de
las funciones 1
+
s con respecto a las variables x
i
s, como se dene a continuacin.
Denicin. Sea F = (1
1
, ..., 1
m
) : 2 R
n
R
m
una funcin vectorial
cuyas derivadas parciales >1
+
%>x
i
existan en una regin - 2, para cada
+ = 1, . . . , /, * = 1, . . . , n. La derivada o matriz jacobiana de F con respecto al
vector
x = (x
1
, x
2,
..., x
n
) es la matriz DF(
x ) de /n dada por
DF(
x ) =
_
_
_
_
_
_
,f
1
(

x )
,x
1
,f
1
(

x )
,x
2

,f
1
(

x )
,xn
,f
2
(

x )
,x
1
,f
2
(

x )
,x
2

,f
2
(

x )
,xn
.
.
.
.
.
.
.
.
.
.
.
.
,fm(

x )
,x
1
,fm(

x )
,x
2

,fm(

x )
,xn
_
_
_
_
_
_
.
A la derivada tambin se le conoce como gradiente generalizado de 1
1
, ..., 1
m
con respecto a x
1
, x
2,
..., x
n
. Para denotarla se usan cualesquiera de los siguientes
smbolos DF(
x ),
).
)

x
o F.
Ejemplo:
Para las siguientes funciones de demanda para dos bienes identica la funcin
vectorial F y determina su derivada DF:
'
1
= 6p
2
1
p
3/2
2
y, '
2
= 4p
1
p
1
2
y
2
.
Se trata de la funcin F : R
3
+
R
2
+
, dada por
F(p
1
, p
2
, y) =
_
1
1
(p
1
, p
2
, y)
1
2
(p
1
, p
2
, y)
_
=
_
6p
2
1
p
3/2
2
y
4p
1
p
1
2
y
2
_
.
p
1
p
2
y
!
"
.
1
1
1
2
'
1
'
2
De esta manera, su derivada DF es la siguiente matriz de 2 3:
DF(p
1
, p
2
, y) =
_
,f
1
,p
1
,f
1
,p
2
,f
1
,y
,f
2
,p
1
,f
2
,p
2
,f
2
,y
_
=
_
12p
3
1
p
3/2
2
y 9p
2
1
p
1/2
2
y 6p
2
1
p
3/2
2
4p
1
2
y
2
4p
1
p
2
2
y
2
8p
1
p
1
2
y
_
.
247
En el caso particular de una funcin F = (1
1
, 1
2
, . . . , 1
m
) : 2 R R
m
, con
w = F()), la derivada est dada por el /-vector columna

DF()) =
_
_
_
_
_
)f
1
(t)
)t
)f
2
(t)
)t
.
.
.
)fm(t)
)t
_
_
_
_
_
,
que representa el vector tangente a la curva
w = F()) en cada ) R (ver seccin

1.2). Asimismo, en el caso de una funcin 1 : 2 R
n
R, con w = 1(
x ), la
derivada es el n-vector rengln
D1(
x ) = 1(
x ) =
_
>1(
x )
>x
1
,
>1(
x )
>x
2
, . . . ,
>1(
x )
>x
n
_
,
que coincide con el vector gradiente de 1. En consecuencia, la derivada representa
un vector perpendicular al conjunto de nivel de la hipersupercie w = 1(
x ) que
contiene al punto
x = (x
1
, x
2
, . . . , x
m
) 2 (ver seccin 3.5).
Por ltimo, para el caso especial en que n = /, la matriz jacobiana es cuadrada
y se puede calcular su determinante.
Denicin. Sea F : 2 R
n
R
n
, denida por F(
x ) = (1
1
(
x ), 1
2
(
x ), ..., 1
n
(
x )),
donde
x = (x
1
, x
2,
..., x
n
). Entonces, al determinante de su matriz jacobiana se
le denomina jacobiano o determinante jacobiano de 1
1
, 1
2
, ..., 1
n
con respecto a
x
1
, x
2,
..., x
n
, y se representa por ;(1
1
, 1
2
, ..., 1
n
%x
1
, x
2,
..., x
n
), es decir,
;
_
1
1
, 1
2
, ..., 1
n
x
1
, x
2,
..., x
n
_
=
,f
1
,x
1

,f
1
,xn
.
.
.
.
.
.
.
.
.
,fn
,x
1

,fn
,xn
.
Nota: En algunos textos el determinante jacobiano ;(1
1
, 1
2
, ..., 1
n
%x
1
, x
2,
..., x
n
)
tambin se denota por
>(1
1
, 1
2
, ..., 1
n
)
>(x
1
, x
2,
..., x
n
)
.
El jacobiano tiene varias aplicaciones en clculo, una de las cuales se discutir en
la seccin 6.3.
248
6.2 Regla de la cadena en el caso general
6.2 Regla de la cadena en el caso general
La regla de la cadena tiene una extensin natural para funciones de R
n
en R
m
,
como se establece en el siguiente teorema.
Teorema. Sean F : R
n
R
m
y 9 : R
k
R
n
funciones diferenciables. Sean
) R
k
y
x R
n
. Considera la funcin compuesta
: = F 9 : R
k
R
m
.
Sea DF(
x ) la matriz jacobiana de / n de las derivadas parciales de F en
x
y sea D9(
) ) la matriz jacobiana de n k de las derivadas parciales de 9 en
) .
Entonces, la matriz jacobiana D:(
) ) es la matriz de /k dada por el producto

de las matrices jacobianas:
D:(
) ) = DF(
x ) D9(
) ).
Ms especcamente, sean

) = ()
1
, . . . , )
k
),

x = (x
1
, . . . , x
n
) y
w = (w
1
, . . . , w
m
), tales que
x = 9(
) ),
w = F(
x ). Entonces, podemos
representar la composicin de funciones
w = F(9(
) )) = :(
) ) mediante el
siguiente diagrama:
)
1
)
2
.
.
.
)
k
!
"
/=.0
0
3
1
3
2
.
.
.
3
n
x
1
x
2
.
.
.
.
.
.
x
n
!
"
.
1
1
1
2
.
.
.
1
m
w
1
w
2
.
.
.
.
.
.
w
m
De esta manera, la regla de la cadena D:(
) ) = DF(
x ) D9(
) ) establece que
_
_
_
_
_
,w
1
,t
1
,w
1
,t
2

,w
1
,t
k
,w
2
,t
1
,w
2
,t
2

,w
2
,t
k
.
.
.
.
.
.
.
.
.
.
.
.
,wm
,t
1
,wm
,t
2

,wm
,t
k
_
_
_
_
_
=
_
_
_
_
_
,f
1
,x
1
,f
1
,x
2

,f
1
,xn
,f
2
,x
1
,f
2
,x
2

,f
2
,xn
.
.
.
.
.
.
.
.
.
.
.
.
,fm
,x
1
,fm
,x
2

,fm
,x
n
_
_
_
_
_
_
_
_
_
_
,*
1
,t
1
,*
1
,t
2

,*
1
,t
k
,*
2
,t
1
,*
2
,t
2

,*
2
,t
k
.
.
.
.
.
.
.
.
.
.
.
.
,*
n
,t
1
,*
n
,t
2

,*
n
,t
k
_
_
_
_
_
.
Nota que este producto matricial es consistente con los resultados de la seccin
3.3.
249
6.3 Teorema general de la funcin implcita
En la seccin 3.4 presentamos el teorema de la funcin implcita para una ecuacin
1(x
1
, x
2
, . . . , x
n
, w) = 0 que relaciona a varias variables de manera implcita. En
esta seccin extenderemos el teorema de la funcin implcita al caso general,
1
1
(x
1
, . . . , x
n
, w
1
, . . . , w
m
) = 0
1
2
(x
1
, . . . , x
n
, w
1
, . . . , w
m
) = 0
.
.
.
1
m
(x
1
, . . . , x
n
, w
1
, . . . , w
m
) = 0,
en donde hay varias funciones relacionando implcitamente a varias variables.
Este tipo de sistemas aparece frecuentemente en economa. Por ejemplo, se
sabe que en el problema de minimacin del costo C = w5 + r6 sujeto a una
produccin ja P(5, 6) = ,, las condiciones de primer orden estn dadas por
w @P
L
(5, 6) = 0
r @P
K
(5, 6) = 0
P(5, 6) , = 0.
Este es un sistema de 3 ecuaciones para 6 incgnitas: 3 variables endgenas, dadas
por los niveles ptimos de trabajo 5, capital 6 y el multiplicador @, y 3 variables
exgenas, dadas por el salario w, la tasa de inters r y la produccin ,. Nos
interesa determinar bajo qu condiciones este sistema dene los niveles ptimos
en funcin de las variables exgenas, y en ese caso, cmo se veran afectados
esos niveles ptimos ante un pequeo cambio en las ltimas. Sin embargo, por lo
general no es posible determinar explcitamente esos niveles, ya que no se conoce
la forma funcional de la funcin P, o bien, P puede ser una funcin compleja y
esto no permite encontrar la solucin deseada. El teorema de la funcin implcita
establece bajo qu condiciones un sistema de ecuaciones de este tipo dene las
variables endgenas como funciones implcitas de las variables exgenas y, en ese
caso, permite determinar cmo cambian las primeras ante un pequeo cambio en
las ltimas.
Por simplicidad, comenzaremos con un caso simple, dado por un sistema de 2
ecuaciones con 4 variables, de la forma
1(x, y, u, v) = 0
3(x, y, u, v) = 0.
Como se trata de 2 ecuaciones, a lo ms podemos tener 2 variables dependientes
o endgenas, en trminos de las 2 variables restantes, que son las variables
250
independientes o exgenas. Por ejemplo, supongamos que el sistema dene a las
variables u y v como funciones implcitas de x y y, es decir,
u = u(x, y)
v = v(x, y),
y nos preguntamos cunto valen las derivadas parciales u
x
, u
y
, v
x
y v
y
. Para ello,
primero obtenemos las diferenciales totales de 1 y 3, a saber,
d1 = 1
x
dx + 1
y
dy + 1
du + 1
1
dv = 0
d3 = 3
x
dx + 3
y
dy + 3
du + 3
1
dv = 0.
A su vez, como u = u(x, y) y v = v(x, y), por lo tanto,
du = u
x
dx + u
y
dy
dv = v
x
dx + v
y
dy.
De esta manera,
d1 = 1
x
dx + 1
y
dy + 1
(u
x
dx + u
y
dy) + 1
1
(v
x
dx + v
y
dy) = 0
d3 = 3
x
dx + 3
y
dy + 3
(u
x
dx + u
y
dy) + 3
1
(v
x
dx + v
y
dy) = 0.
Ahora agrupamos trminos con dx y trminos con dy, es decir,
(1
x
+ 1
u
x
+ 1
1
v
x
) dx + (1
y
+ 1
u
y
+ 1
1
v
y
) dy = 0
(3
x
+ 3
u
x
+ 3
1
v
x
) dx + (3
y
+ 3
u
y
+ 3
1
v
y
) dy = 0.
Como x y y son independientes, cada una de estas sumas es igual a cero slo si sus
sumandos se anulan por separado, es decir, slo si
1
x
+ 1
u
x
+ 1
1
v
x
= 0 1
y
+ 1
u
y
+ 1
1
v
y
= 0
3
x
+ 3
u
x
+ 3
1
v
x
= 0 3
y
+ 3
u
y
+ 3
1
v
yy
= 0.
Para encontar de aqu los valores de las derivadas parciales u
x
, u
y
, v
x
y v
y
es
conveniente agrupar estas ecuaciones por pares. Un par est dado por
1
u
x
+ 1
1
v
x
= 1
x
3
u
x
+ 3
1
v
x
= 3
x
,
que es un sistema de dos ecuaciones para las incgnitas, u
x
y v
x
. De acuerdo con
251
la regla de Cramer y las propiedades del determinante, su solucin es
u
x
=
>u
>x
=
1
x
1
1
3
x
3
1
1
1
3
3
1
1
x
1
1
3
x
3
1
1
1
3
3
1
v
x
=
>v
>x
=
1
x
3
3
x
1
1
3
3
1
1
x
3
3
x
1
1
3
3
1
.
El otro par est dado por
1
u
y
+ 1
1
v
y
= 1
y
3
u
y
+ 3
1
v
y
= 3
y
,
que es un sistema de dos ecuaciones para las incgnitas, u
y
y v
y
, cuya solucin es
u
y
=
>u
>y
=
1
y
1
1
3
y
3
1
1
1
3
3
1
1
y
1
1
3
y
3
1
1
1
3
3
1
v
y
=
>v
>y
=
1
y
3
3
y
1
1
3
3
1
1
y
3
3
y
1
1
3
3
1
.
Observa que las cuatro derivadas parciales son el cociente de dos determinantes.
Todas ellas poseen el mismo denominador, dado por el jacobiano de la funcin
vectorial F = (1, 3) : R
4
R
2
,
;
_
1, 3
u, v
_
= |DF(u, v)| =
1
1
3
3
1
,
con respecto a las variables dependientes u y v. Como ;
_
f,*
,1
_
est en el
denominador, es claro que debe imponerse la condicin
;
_
1, 3
u, v
_
= 0.
Ahora observa que cada numerador est dado tambin por un determinante
jacobiano, de la misma funcin F, pero con respecto a una de las variables
252
dependientes, u o v, mezclada con una de las independientes, x o y. As, por
ejemplo, se tiene
>u
>x
=
;
_
f,*
x,1
_
;
_
f,*
,1
_,
en donde el determinante en el numerador intercambia la variable dependiente u
del determinante en el denominador por la variable independiente x.
Teorema. Sean 1(x, y, u, v) y 3(x, y, u, v) funciones diferenciables. El sistema
de ecuaciones
1(x, y, u, v) = 0
3(x, y, u, v) = 0
dene a las variables u y v como funciones implcitas, diferenciables de x y y, en
todos los puntos en donde
;
_
1, 3
u, v
_
= 0.
En ese caso,
>u
>x
=
;
_
f,*
x,1
_
;
_
f,*
,1
_
>v
>x
=
;
_
f,*
,x
_
;
_
f,*
,1
_
>u
>y
=
;
_
f,*
y,1
_
;
_
f,*
,1
_
>v
>y
=
;
_
f,*
,y
_
;
_
f,*
,1
_.
Este teorema constituye una generalizacin de nuestro tiernsimo resultado
)y
)x
=
.x
.
y
de la seccin 3.4, en donde F era una funcin de x y y.
Ejemplo:
Determina si el sistema de ecuaciones
u
2
v x
3
+ 3y 3 = 0
u + v 2x y
3
+ 3 = 0
dene a las variables u y v como funciones implcitas, diferenciables de x y y,
alrededor del punto P(x, y, u, v) = P(0, 2, 1, 4). De ser as, calcula las derivadas
parciales
,
,x
P
,
,
,y
P
,
,1
,x
P
y
,
,x
P
.
253
Primero denimos las funciones 1(x, y, u, v) = u
2
v x
3
+ 3y 3 y
3(x, y, u, v) = u + v 2x y
3
+ 3, de modo que el determinante jacobiano
;
_
f,*
,1
_
en el punto P est dado por
;
_
1, 3
u, v
_
P
=
1
1
3
3
1
P
=
2u 1
1 1
P
= 2u + 1|
P
= 2(1) + 1 = 0.
Concluimos entonces que el sistema s dene a las variables u y v como funciones
implcitas, diferenciables de x y y, alrededor del punto P. Determinemos ahora la
derivada parcial
,
,x
:
>u
>x
=
;
_
f,*
x,1
_
;
_
f,*
,1
_ =
1
x
1
1
3
x
3
1
1
1
3
3
1
3x
2
1
2 1
2u 1
1 1
=
(3x
2
2)
(2u + 1)
=
3x
2
+ 2
2u + 1
.
De esta manera,
>u
>x
P
=
3(0)
2
+ 2
2(1) + 1
=
2
3
.
El clculo de las otras tres derivadas parciales queda como ejercicio para ti,
entusiasta lector.
Concluimos esta seccin enunciando el teorema general de la funcin implcita,
correspondiente a / > 1 ecuaciones con n + / variables.
Teorema general de la funcin implcita
Sean 1
1
(x
1
, . . . , x
n
, w
1
, . . . , w
m
), . . . , 1
m
(x
1
, . . . , x
n
, w
1
, . . . , w
m
) funciones
diferenciables. El sistema de ecuaciones
1
1
(x
1
, . . . , x
n
, w
1
, . . . , w
m
) = 0
1
2
(x
1
, . . . , x
n
, w
1
, . . . , w
m
) = 0
.
.
.
1
m
(x
1
, . . . , x
n
, w
1
, . . . , w
m
) = 0.
dene a las variables w
1
, . . . , w
m
como funciones implcitas, diferenciables de las
variables x
1
, . . . , x
n
en todos los puntos en donde
;
_
1
1
, 1
2
, . . ., 1
m
w
1
, w
2
, . . ., w
m
_
= 0.
254
6.4 Teorema del punto jo
En ese caso,
>w
+
>x
i
=
;
_
f
1
,f
2
,---, f
j
,---,fm
w
1
,w
2
,---,x
i
,---,wm
_
;
_
f
1
,f
2
,---, f
j
,---,fm
w
1
,w
2
,---,w
j
,---,wm
_,
para todos + = 1, . . . /, * = 1, . . . n.
Este teorema se aplica para funciones de un conjunto compacto y convexo 6 R
n
hacia el mismo compacto 6 R
n
, y se utiliza en microeconoma, por ejemplo,
para demostrar la existencia del equilibrio de Walras (equilibrios competitivos en
una economa de intercambio).
Teorema del punto jo o teorema de Brouwer. Sea 6 R
n
un conjunto
compacto y convexo y sea 1 : 6 6 una funcin continua. Entonces 1 tiene un
punto jo, es decir, existe un punto
6 para el cual
1(
x

) =
.
Ejemplo:
Sea 1 : [0, 1] [0, 1] una funcin continua. Demuestra que existe x
[0, 1] tal
que 1(x
) = x
.
Como la imagen de la funcin est en el intervalo [0, 1], por lo tanto, para todo
x [0, 1] se tiene
0 1(x) 1.
Sea
4(x) = 1(x) x.
255
Como 1 es continua, por lo tanto 4 es continua. Por otra parte, es claro que
4(0) = 1(0) 0 0 y 4(1) = 1(1) 1 0. As, por el teorema del valor
intermedio sabemos que existe c [0, 1] tal que
4(c) = 0.
Por lo tanto, 1(c) c = 0, es decir,
1(c) = c.
De modo que c es un punto jo de 1.
Si alguna de las condiciones del teorema no se satisfacieran, entonces ya no
necesariamente existira un punto jo, como se ilustra en los siguientes casos.
i) Si 1 no fuera continua:
ii) Si 6 fuera abierto y, por tanto, no fuera compacto:
256
iii) Si 6 no fuera convexo:
Por ejemplo, a partir de este teorema se puede demostrar la existencia de niveles
de insumos (x
1
, x
2
) que maximizan una funcin de benecio (x
1
, x
2
), siempre y
cuando el benecio est representado por una funcin continua y el conjunto de
insumos factibles sea cerrado y acotado. El teorema no proporciona el valor de los
insumos ptimos, pero s garantiza su existencia.
257
ApndiceA Cnicas
ApndiceA
Cnicas
Las cnicas son las curvas (no necesariamente funciones) que se obtienen al
rebanar un cono doble con un plano.
La ecuacin general de una cnica es una ecuacin de segundo grado, de la forma
Ax
2
+ Bxy + Cy
2
+ Dx + Ey = F.
A partir de esta ecuacin es posible decidir de qu curva se trata, dependiendo del
signo del discriminante B
2
4AC:
i) Cuando B
2
4AC < 0 se trata de una elipse (o circunferencia).
ii) Cuando B
2
4AC = 0 se trata de una parbola.
iii) Cuando B
2
4AC > 0 se trata de una hiprbola.
En los casos que consideraremos a continuacin supondremos que no aparece
el trmino Bxy, lo cual implica que la cnica est alineada con los ejes de
coordenadas, es decir, no est girada. As, slo consideraremos ecuaciones
cuadrticas de la forma
Ax
2
+ Cy
2
+ Dx + Ey = F.
El objetivo es que puedas distinguir las cnicas ms o menos a ojo, tomando en
cuenta el tipo particular de ecuacin.
1. Elipse:
Est descrita por una ecuacin cuadrtica con A = 0, C = 0 y F = 0, en
donde A, C y F tienen todas el mismo signo. Por simplicidad, supondremos que
258
D = E = 0, obteniendo. Ax
2
+ Cy
2
= F. Al dividir por F ambos lados de la
ecuacin, se obtiene la forma cannica de la ecuacin de la elipse,
x
2
a
2
+
y
2
b
2
= 1.
A continuacin se muestran las grcas de la elipse, en los casos a > b y b > a.
Nota que cuando a = b la elipse se convierte en la circunferencia x
2
+ y
2
= a
2
.
2. Hiprbola:
Est descrita por una ecuacin cuadrtica con A = 0, C = 0 y F = 0, en donde
A y C tienen signos opuestos. Nuevamente tomamos D = E = 0. Expresadas
en su forma cannica, las dos posibles ecuaciones de la hiprbola estn dadas
por
x
2
a
2

y
2
b
2
= 1 y
y
2
b
2

x
2
a
2
= 1.
A continuacin se muestran las grcas de las hiprbolas correspondientes a
cada una de estas ecuaciones.
3. Parbola:
Est descrita por una ecuacin cuadrtica tal que A = 0 o C = 0, pero
no ambos cero. En su forma ms simple, las ecuaciones cannicas de la
parbola son
y = ax
2
y x = ay
2
.
259
ApndiceA Cnicas
A continuacin se muestran las grcas de las parbola correspondiente a la
primer ecuacin, para los casos a > 0 y a < 0.
A continuacin se muestran las grcas de las parbola correspondiente a la
segunda ecuacin, para los casos a > 0 y a < 0.
Ejemplos:
1. La ecuacin 4x
2
+ 9y
2
= 36 describe a la elipse
x
2
9
+
y
2
4
= 1.
2. La ecuacin 4x
2
+ 4y
2
= 36 describe a la circunferencia x
2
+ y
2
= 9.
260
3. La ecuacin 4x
2
9y
2
= 36 describe a la hiprbola
y
2
4

x
2
9
= 1.
4. La ecuacin 4x + y
2
= 0 describe a la parbola x =
1
4
y
2
.
Por ltimo, es importante sealar que existen algunos casos degenerados de
cnicas, como se muestra a continuacin.
Ejemplos:
1. La ecuacin 4x
2
+ 9y
2
= 0 no dene una elipse, sino ms bien un punto en el
plano R
2
, a saber, el origen.
2. La ecuacin 4x
2
9y
2
= 0 no dene una hiprbola, sino ms bien dos rectas en
el plano, a saber, las rectas y =
2x
3
.
261
ApndiceB Teoremas de concavidad para funciones en R
n
ApndiceB
Teoremas de concavidad para fun-
ciones en R
n
Aqu se presenta la generalizacin de algunos de los teoremas de optimizacin para
el caso de funciones diferenciables en R
n
. Para ello, es necesario introducir antes
algunas deniciones importantes.
Denicin. Dada una matriz A de n n, una submatriz principal dominante
de orden k, con k = 1, . . . , n, es la matriz A
k
de k k que se obtiene al eliminar
en A los ltimos n k renglones y las ltimas n k columnas. El determinante
|A
k
| de la submatriz principal dominante A
k
de orden k se conoce como el menor
principal dominante de orden k.
Ejemplos:
1. De la matriz A =
_
a b
c d
_
de 2 2 se puede construir una submatriz principal
dominante de orden k = 1:
A
1
= (a) ,
obtenida al eliminar en A el rengln 2 y la columna 2, y una submatriz principal
dominante de orden k = 2:
A
2
= A =
_
a b
c d
_
,
en donde no se ha eliminado rengln ni columna alguna. Los menores
principales dominantes correspondientes son
|A
1
| = a y |A
2
| =
a b
c d
= ad cb.
2. De la matriz A =
_
_
a b c
d # 1
3 4 *
_
_
de 3 3 se puede construir una submatriz
principal dominante de orden k = 1:
A
1
= (a) ,
262
obtenida al eliminar en A los renglones 2 y 3, y sus correspondientes columnas,
una submatriz principal dominante de orden k = 2:
A
2
=
_
a b
d #
_
,
obtenida al eliminar el rengln 3 y la columna 3, y una submatriz principal
dominante de orden k = 3 :
A
3
= A =
_
_
a b c
d # 1
3 4 *
_
_
,
en donde no se ha eliminado rengln ni columna alguna. Los menores
principales dominantes correspondientes son los determinantes
|A
1
| = a, |A
2
| =
a b
d #
y |A
3
| =
a b c
d # 1
3 4 *
.
Denicin. Dada una matriz A de n n, las submatrices principales de orden
k, con k = 1, . . . , n, son todas las matrices de k k que se obtienen al eliminar
en A cualesquiera n k renglones y sus correspondientes n k columnas. El
determinante de cada submatriz principal de orden k se conoce como menor
principal de orden k.
Ejemplos:
1. De la matriz A =
_
a b
c d
_
de 2 2 se puede construir dos submatrices
principales de orden k = 1:
(a) y (d) ,
obtenidas al eliminar en A el rengln 2 y la columna 2, o bien, el rengln 1 y la
columna 1. Hay una sola una submatriz principal de orden k = 2:
_
a b
c d
_
,
en donde no se ha eliminado rengln ni columna alguna.
2. De la matriz A =
_
_
a b c
d # 1
3 4 *
_
_
de 3 3 se puede construir tres submatrices
principales de orden k = 1:
(a) , (#) y (*),
263
n
obtenidas al eliminar en A los renglones 2 y 3 y sus correspondientes columnas,
los renglones 1 y 3 y sus correspondientes columnas, o bien, los renglones 1 y
2 y sus correspondientes columnas. Hay tres submatrices principales de orden
k = 2:
_
a b
d #
_
,
_
a c
3 *
_
y
_
# 1
4 *
_
,
obtenidas al eliminar el rengln 3 y la columna 3, el rengln 2 y la columna 2,
o bien, el rengln 1 y la columna 1. Hay una sola submatriz principal de orden
k = 3 :
_
_
a b c
d # 1
3 4 *
_
_
,
en donde no se ha eliminado rengln ni columna alguna.
Denicin. Sea A una matriz simtrica de n n. Se dice que:
a) A es denida positiva todos los menores principales dominantes de A son
estrictamente positivos (> 0) .
b) A es semidenida positiva todos los menores principales de A son no
negativos ( 0) .
c) A es denida negativa todos los menores principales dominantes de A de
orden impar son negativos (< 0) y todos los de orden par son estrictamente
positivos (> 0).
d) A es semidenida negativa todos los menores principales de A de orden
impar son no positivos ( 0) y todos los de orden par son no negativos ( 0) .
e) A es indenida, si no se satisfacen los patrones de signo anteriores.
Ejemplo:
La matriz
A =
_
_
1 0 1
0 0 0
1 0 0
_
_
es indenida, ya que sus menores principales violan los patrones de signo a)-d).
En efecto, los menores principales de orden 2 (par) de A son
1 0
0 0
= 0,
1 1
1 0
= 1 y
0 0
0 0
= 0,
uno de los cuales es negativo.
264
Con esta ltima denicin podemos extender los conceptos de concavidad y
convexidad para una funcin general 1(x
1
, x
2
. . . , x
n
) doblemente diferenciable.
En ese caso, la matriz hessiana : de 1 es la matriz simtrica
: =
_
_
_
_
1
11
1
12
1
1n
1
21
1
22
1
2n
.
.
.
.
.
.
.
.
.
.
.
.
1
n1
1
n2
1
nn
_
_
_
_
,
en donde 1
i+

>
2
1
>x
+
>x
i
.
Comenzamos con el caso correspondiente a concavidad o convexidad estricta,
en donde todos los menores principales dominantes son distintos de cero, es decir,
|:
k
| = 0.
Teorema. Sea 2 R
n
1 C
2
(2). Sea : la matriz hessiana de 1. Entonces
a) : es denida positiva 1 es estrictamente convexa en 2,
b) : es denida negativa 1 es estrictamente cncava en 2,
c) : es indenida 1 no es ni cncava ni convexa en 2.
Los resultados de este teorema se resumen en la siguiente tabla:
1 estric. convexa 1 estric. cncava
|:
1
| +
|:
2
| + +
|:
3
| +
|:
4
| + +
.
.
.
.
.
.
.
.
.
|:
n
| + +, si n es par
, si n es impar
Ejemplos:
1. La funcin 1(x, y, z) = x
2
+ y
2
+ z
2
es estrictamente convexa, ya que la matriz
hessiana de 1,
: =
_
_
2 0 0
0 2 0
0 0 2
_
_
,
265
n
es denida positiva. En efecto, sus menores principales dominantes son
|:
1
| = 2, |:
2
| =
2 0
0 2
= 4 y |:
3
| =
2 0 0
0 2 0
0 0 2
= 8,
que satisfacen el patrn de signos |:
1
| > 0, |:
2
| > 0 y |:
3
| > 0.
2
y
2
z
2
es estrictamente cncava, ya que la
matriz hessiana de 1,
: =
_
_
2 0 0
0 2 0
0 0 2
_
_
,
es denida negativa. En efecto, sus menores principales dominantes son
|:
1
| = 2, |:
2
| =
2 0
0 2
= 4 y |:
3
| =
2 0 0
0 2 0
0 0 2
= 8,
que satisfacen el patrn de signos |:
1
| < 0, |:
2
| > 0 y |:
3
| < 0.
Teorema (condiciones sucientes de segundo orden)
Sea 2 R
n
un conjunto abierto y convexo, y sea 1 : 2 R, con 1 C
2
(2).
Sea
x
0
2 un punto crtico de 1. Sea :(
x
0
) la matriz hessiana de 1 evaluada en
x
0
, con menores principales dominantes |:
1
| , |:
2
| , . . . , |:
n
| . Entonces
a) |:
k
| > 0, para toda k = 1, . . . , n
1 tiene un mnimo local estricto en
x
0
,
b) (1)
k
|:
k
| > 0, para toda k = 1, . . . , n
1 tiene un mximo local estricto en
x
0
,
c) Si {|:
1
| , |:
2
| , . . . , |:
n
|} viola la secuencia anterior de signos
1 tiene un punto silla en
x
0
.
El valor mnimo o mximo local es un extremo global de 1, cuando los patrones
de signo a) y b) se satisfacen en todo el dominio de 1.
Ejemplos:
2
+ y
2
+ z
2
tiene un nico punto crtico en
(x, y, z) = (0, 0, 0). Como se demostr anteriormente, los menores principales
dominantes de 1 satisfacen |:
1
| > 0, |:
2
| > 0 y |:
3
| > 0, de modo que 1 es
estrictamente convexa en R
3
. Concluimos que 1 tiene un mnimo global estricto
en (0, 0, 0).
266
2
y
2
z
2
tiene un nico punto crtico en
(x, y, z) = (0, 0, 0). Como se demostr anteriormente, los menores principales
dominantes de 1 satisfacen |:
1
| < 0, |:
2
| > 0 y |:
3
| < 0, de modo que 1 es
estrictamente cncava en R
3
. Concluimos que 1 tiene un mximo global estricto
en (0, 0, 0).
A continuacin se enuncian los teoremas correspondientes al caso en donde
alguno(s) de los menores principales dominantes |:
k
| de la funcin 1 es igual a
cero.
Teorema. Sea 2 R
n
1 C
2
(2). Sea : la matriz hessiana de 1. Entonces
a) : es semidenida positiva 1 es convexa en 2,
b) : es semidenida negativa 1 es cncava en 2,
Nota las implicaciones del tipo en este ltimo teorema, que contrastan con
las del tipo para funciones estrictamente convexas (cncavas).
Ejemplo:
La funcin 1(x, y, z) = x
2
+ y + z
2
es convexa no estricta, ya que la matriz
hessiana de 1,
: =
_
_
2 0 0
0 0 0
0 0 2
_
_
,
es semidenida positiva. En efecto, sus menores principales de orden 1 son
2, 0 y 2,
sus menores principales de orden 2 son
2 0
0 0
= 0,
2 0
0 2
= 4 y
0 0
0 2
= 2,
y su menor principal de orden 3 es
2 0 0
0 0 0
0 0 2
= 0.
267
n
Teorema (condiciones necesarias de segundo orden)
Sea 2 R
n
un conjunto abierto y convexo, y sea 1 : 2 R, con 1 C
2
(2).
Sea
x
0
2 un punto crtico de 1. Sea :(
x
0
) la matriz hessiana de 1 evaluada en
x
0
. Entonces
a) 1 tiene un mnimo local en
x
0
todos los menores principales de : son no negativos ( 0) en
x
0
,
b) 1 tiene un mximo local en
x
0
todos los menores principales de : de orden impar son
no positivos ( 0) en
x
0
y todos los de orden par son
no negativos ( 0) en
x
0
.
El valor mnimo o mximo local es un extremo global de 1, cuando los patrones
de signo a) y b) se satisfacen en todo el dominio de 1.
Nota que aqu la concavidad o convexidad de 1 es una condicin necesaria, mas
no suciente, para un extremo local. En otras palabras, no basta con demostrar la
concavidad o convexidad de la funcin para garantizar la existencia de un mximo
o un mnimo.
268
Bibliografa
1. B.R. Binger, E. Hoffman, Microeconomics with Calculus, 2nd. edition, Addison
Wesley, 1997.
2. A.C. Chiang, Mtodos Fundamentales de Economa Matemtica, 3a. edicin,
McGraw-Hill Interamericana de Mxico, 1987.
3. O. Estrada, P. Garca y Colom, G. Monsivais, Clculo Vectorial y Aplicaciones,
Grupo Editorial Iberoamrica, 2003.
4. D.S. Kaplan, A Practical Guide to Lagrangeans, Centro de Investigacin
Econmica, ITAM, 2005.
5. H. Lomel, B. Rumbos, Mtodos Dinmicos en Economa: Otra Bsqueda del
Tiempo Perdido, 2a. edicin, Jit Press, 2010.
6. J. E. Marsden, A.J. Tromba, Clculo Vectorial, 5a. edicin, Pearson, 2004.
7. M.J. Osborne, Mathematical Methods for Economic Theory: A Tutorial,
http://www.economics.utoronto.ca/osborne/MathTutorial, 2007.
8. G. Pastor, Matemticas IV, ITAM, 1993.
9. E. Silberberg, W. Suen, The Estructure of Economics: A Mathematical Analysis,
3rd. edition, McGraw-Hill, 2001.
10. C.P. Simon, L. Blume, Mathematics for Economists, Norton, 1994.
11. K. Sydsaeter, P.J. Hammond, A. Carvajal, Matemticas para el Anlisis
Econmico, Pearson, 2a. edicin, 2012.
12. K. Sydsaeter, P.J. Hammond, Essential Mathematics for Economic Analysis,
2nd. edition, Prentice Hall, 2006.
13. K. Sydsaeter, P.J. Hammond, A. Seierstad, A. Strom, Further Mathematics for
Economic Analysis, 2nd. edition, Prentice Hall, 2008.
14. G.B. Thomas, R.L. Finney, Clculo, Vols. I y II, 12a. edicin, Adisson Wesley,
2004.
269

Notas Calculo 2 ITAM

Uploaded by

Document Information

Original Description:

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Notas Calculo 2 ITAM

Uploaded by

Copyright:

Available Formats

Clculo II

p , utiliza una echita encima del nombre del vector,

a = (1, 0, 3). Se tiene entonces que

b = (3, 0, 3). As,

a = 2(3, 2, 5) = (6, 4, 10),

b = (3, 2, 5) + (3, 0, 3) = (0, 2, 8).

b = (3, 0, 3). As,

b = (3, 2, 5) (3, 0, 3) = (6, 2, 2).

a es el vector nulo o vector

b = (3, 0, 3). As,

b = 3(3, 2, 5) 5(3, 0, 3) = (9, 6, 15) + (15, 0, 15) = (24, 6, 0).

AB. Si desplazamos la echa paralelamente a s misma, de tal manera que su

AB es el vector que va de A a B, entonces

DC es el vector que va de D a C, entonces

w = (1 (3), 0 (3)) = (2, 3).

EF es el vector que va de E a F, entonces

u = (1 (3), 1 (2)) = (2, 3).

u son iguales, puesto que estn descritos por

v , cuyas componentes son las componentes de

v , con las siguientes caractersticas: i) si c > 0, entonces c

v , y si c < 0, su sentido es opuesto, ii) si |c| > 1, entonces c

v , y si |c| < 1, su magnitud es menor.

v = (1, 2), entonces

b son paralelos si son mltiplos entre

a . Que los vectores

b = (2, 1), dada por

b = (1, 2) + (2, 1) = (1 + 2, 2 + 1) = (1, 1).

v = x + y , entonces los vectores x y y son los vectores

w Desigualdad del tringulo

v del triple de un vector

v . Por ltimo, la propiedad d), o desigualdad del tringulo, establece que la

c ) Desigualdad del tringulo

0 est dado por el

14, por lo tanto,

v con magnitud (norma) igual a 5 y que tenga la misma

w que va del punto A(1, 2, 1) al punto B(2, 0, 3).

v = 5 w, con w el vector de direccin

b no es un vector, sino un escalar. Geomtricamente,

b representa el producto de la norma de cualquiera de los dos vectores por

b = 0. Que los vectores

b sean perpendiculares se denota por

b , ya que requiere conocer el ngulo

b . Por esta razn, a continuacin desarrollaremos una expresin

b a partir de las componentes de estos vectores, que

b , as como su vector diferencia,

a . Estos tres vectores determinan un tringulo, cuyos catetos estn

b . Nota que esta igualdad se reduce al

a est dado por

b se reduce a multiplicar trmino a trmino las

b . Similarmente, es posible demostrar que en el

y = (1)(2) + (3)(1) + (0)(3) = 5.

14, por lo tanto

w = x + y el vector que buscamos, representado en la siguiente gura.

w debe satisfacer las siguientes dos condiciones

y = 1, por lo tanto ! = cos

b , con 0 ! $, y n es un vector unitario,

b , construido con la regla de la mano derecha.

a estn relacionados por

a , y el tercero, en las componentes del vector

n puede tomarse como

b . Como el rea del tringulo P,- es la mitad del rea del

del triple producto escalar

c ) representa el volumen del paraleleppedo determinado por los