Академический Документы
Профессиональный Документы
Культура Документы
alisis Matem
atico II
Damian Silvestre
Pr
ologo
Este es un apunte teorico dirigido a los alumnos que esten cursando la
materia Analisis Matematico II en la Universidad Tecnologica Nacional.
El mismo puede ser descargado desde el blog http://analisis2.wordpress.com.
Se trata de un trabajo en proceso, es decir que no esta terminado, y
ademas no pretende sustituir la bibliografa, sino solamente complementarla.
Cualquier error, comentario o sugerencia que pueda mejorar estas notas
seran bien recibidas. Pueden escribirme en la seccion Teora en dicho blog
(preferentemente), o a mi direccion de correo electronico dsilvestre@frba.utn.edu.ar.
Historial de versiones:
(Version 1) 24 de Mayo de 2013: Primera version.
(Version 2) 17 de Agosto de 2013: Correcciones varias. Se agradece la
lectura del apunte al profesor Victor Carnevali.
(Version 3) 17 de Diciembre de 2013: Varios cambios. Mejore el formato del documento utilizando el paquete de LATEX amsthm. Agregue el
metodo de variacion de parametros y la demostracion cartesiana de que
las lineas de campo son ortogonales a las lineas equipotenciales en R2 .
Agrupe las formulas de masa, momentos y centro en un par de tablas.
(Version 4) 21 de Febrero de 2014: Se cambio el formato del artculo.
Indice general
1. Nociones previas
1.1. Conjuntos . . . . . . . . .
1.2. Subconjuntos . . . . . . .
1.3. Igualdad de conjuntos . .
1.4. Operaciones con conjuntos
1.5. Producto cartesiano . . . .
1.6. Cardinal . . . . . . . . . .
1.7. Relaciones . . . . . . . . .
1.8. Funciones . . . . . . . . .
1.9. Estructuras algebraicas . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. .
. .
. .
Rn
. .
. .
. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
7
7
8
8
8
9
9
9
11
13
.
.
.
.
.
.
.
17
17
18
18
19
20
22
23
.
.
.
.
.
.
.
27
27
28
28
29
30
30
31
INDICE GENERAL
6
3.6.2. Conjunto conexo por poligonales
3.6.3. Conjunto convexo . . . . . . . . .
3.6.4. Conjunto smplemente conexo . .
3.7. Clasificacion de funciones . . . . . . . . .
3.8. Conjuntos de nivel . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
4. Lmite y Continuidad
4.1. Lmite . . . . . . . . . . . . . . . . . . . . .
4.1.1. Como probar que un lmite no existe
4.1.2. Como probar que un lmite existe . .
4.2. Continuidad . . . . . . . . . . . . . . . . . .
4.2.1. Propiedades de funciones contnuas .
5. Derivabilidad
5.1. Derivada de funcion vectorial . . . . . . . .
5.1.1. Interpretacion geometrica . . . . . .
5.2. Derivadas parciales, direccionales, y respecto
5.2.1. Propiedad de homogeneidad . . . . .
5.2.2. Derivadas parciales sucesivas . . . . .
5.2.3. Teorema de Schwarz . . . . . . . . .
5.2.4. Funcion clase C 1 . . . . . . . . . . .
5.3. Curvas y Superficies . . . . . . . . . . . . .
6. Diferenciabilidad
6.1. Definicion de funcion diferenciable . . . . .
6.2. Diferenciabilidad implica Derivabilidad . .
6.3. Diferenciabilidad implica Continuidad . . .
6.4. Gradiente . . . . . . . . . . . . . . . . . .
6.5. El gradiente es normal al conjunto de nivel
6.6. Direcciones de derivada maxima, mnima y
6.7. C 1 implica diferenciable . . . . . . . . . .
7. Funciones Compuestas e Implcitas
7.1. Funcion Compuesta . . . . . . . . .
7.2. Regla de la Cadena . . . . . . . . .
7.3. Funcion definida implcitamente . .
7.4. Teorema de Cauchy-Dini . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. . . . . .
. . . . . .
un vector
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . .
. . .
. . .
. . .
. . .
nula
. . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
32
32
32
33
34
.
.
.
.
.
35
35
36
37
38
38
.
.
.
.
.
.
.
.
41
41
42
42
45
46
46
47
48
.
.
.
.
.
.
.
51
53
54
55
56
57
58
59
.
.
.
.
61
61
62
62
63
INDICE GENERAL
8. Polinomio de Taylor y Extremos
8.1. Polinomio de Taylor . . . . . . . . . .
8.2. Maximos y mnimos de una funcion . .
8.2.1. Criterio de la derivada primera
8.2.2. Criterio de la derivada segunda
8.3. Extremos condicionados . . . . . . . .
.
.
.
.
.
65
65
67
68
70
74
77
77
78
79
80
80
82
83
10.Integrales M
ultiples
10.1. Teorema de Fubini en R2 . . . . . . . . . . . .
10.2. Teorema de cambio de variables . . . . . . . .
10.3. Coordenadas cartesianas y polares en R2 . . .
10.4. Coordenadas cartesianas, cilndricas y esfericas
.
.
.
.
85
88
89
89
91
95
95
96
97
12.C
alculo de Masa, momentos, y centro
99
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. . . .
. . . .
. . . .
en R3
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
107
. 107
. 108
. 109
. 111
. 113
. 115
INDICE GENERAL
14.4. Lneas de campo . . . . . . . . . . . . . . . . . . . . . . . . . 119
Captulo 1
Nociones previas
1.1.
Conjuntos
Definici
on 1. Un conjunto1 es una coleccion de objetos. Un elemento
puede pertenecer o no a un conjunto.
Ejemplo 1. Algunos ejemplos de conjuntos son
1. A = {casa, arbol, vaca}
2. B = {x R : x 23}
3. C = {2, 4, 77}
4. D = {1, 1}
El conjunto A se describio por extension, mientras que el conjunto B por
comprension.
Si un elemento pertenece a un conjunto se lo denota con
Siguiendo con el ejemplo: casa A, 11 B.
1
Al definir un conjunto como una coleccion, tengo que definir que es una coleccion. En
realidad no vamos a definir un conjunto, sino que los vamos a manejar de manera intuitiva
como una agrupaci
on de objetos.
10
1.2.
Subconjuntos
Definici
on 2. Si todos los elementos de un conjunto B pertenecen tambien
a otro conjunto A, decimos que el primero es un subconjunto del segundo,
y denotamos dicha relacion por B A
Siguiendo con el ejemplo: D B
1.3.
Igualdad de conjuntos
Definici
on 3. Si A B y B A decimos que A = B.
1.4.
Definici
on 4. La uni
on de dos conjuntos A y B, se denota A B, y es el
conjunto cuyos elementos pertenecen a A o a B o a ambos.
La intersecci
on de dos conjuntos A y B, se denota A B, y es el conjunto
de elementos que pertenecen tanto a A como a B
La diferencia de dos conjuntos A y B, se denota A B, y es el conjunto
de los elementos de A que no estan en el conjunto B.
Si interpretamos un conjunto A como subconjunto de otro conjunto U dado
(universal), la diferencia U A la denominamos complemento de A y lo
denotamos por Ac ,
Ejemplo 2. Algunos ejemplos de operaciones entre conjuntos
E =AB
F = B C = {2, 4}
B C = {x R : (x 23) (x 6= 2) (x 6= 4)}
Considerando D B tenemos Dc = {x R : x 23 x 6= 1 x 6=
1} = {x B : x 6= 1 x 6= 1}
1.5.
11
Producto cartesiano
Definici
on 5. Dados dos conjuntos A y B, el conjunto de todos los pares
ordenados (a, b) con a A y b B, se lo llama producto cartesiano de A
con B, y se lo denota A B.
Siguiendo con el ejemplo:
1.6.
Cardinal
Definici
on 6. Si un conjunto A tiene una cantidad finita de elementos, decimos que es un conjunto finito, y llamamos cardinal a la cantidad de
elementos que posee. En caso contrario decimos que es un conjunto infinito.
Lo denotamos por |A| o por #A
Ejemplo 3. Siguiendo con nuestros ejemplos
|A| = 3
|C D| = 5
|B| =
#R =
1.7.
Relaciones
Definici
on 7. Una relaci
on entre un conjunto A y otro conjunto B es
smplemente un subconjunto del producto cartesiano A B. Si (x, y) R lo
denotamos xRy.
12
0 = {0 + 3k : k Z}
1 = {1 + 3k : k Z}
2 = {2 + 3k : k Z}
Uniendo todas las clases de equivalencias, obtenemos el conjunto completo
Z=012
1.8. FUNCIONES
13
Definici
on 10. Una relacion R de A en s mismo que es reflexiva, antisimetrica y transitiva, se dice que es una relaci
on de orden, y se suele
denotar .
Ejemplo 6. Por ejemplo en Z la relacion xRy sii x|y (x divide a y) es una
relacion de orden.
Definici
on 11. Si es una relacion de orden en A, y si x, y A, entonces
decimos que x e y son comparables si se cumple que x y o bien que
y x. En caso contrario decimos que x e y son no comparables.
Ejemplo 7. Por ejemplo, si en Z tomamos la relacion x y sii x|y, entonces
3 y 5 son elementos no comparables, pues 3 6 |5 y 5 6 |3.
Definici
on 12. Una relacion de orden en la que x y o y x para todo
x, y A se dice que es una relacion de orden total.
Es decir que un orden total es una relacion de orden en la que todo par de
elementos es comparable.
Ejemplo 8. Por ejemplo, en R la relacion xRy sii x y es una relacion de
orden total.
Definici
on 13. Sea una relacion de orden en A, y sea x A. Entonces
si y x implica que y = x, decimos que x es un elemento maximal
de A.
si y x implica que y = x, decimos que x es un elemento minimal
de A.
si x y para todo y A, decimos que x es el m
aximo de A.
si x y para todo y A, decimos que x es el mnimo de A.
1.8.
Funciones
Definici
on 14. Una relacion R entre A y B se dice que es una relaci
on
funcional si cumple que
14
Definici
on 15. Dados dos conjuntos A y B, y una relacion funcional R
entre ellos, a la terna (A, B, R) se la llama funci
on de A en B, y se la
denota f : A B. Al conjunto A se lo llama dominio de la funcion, y al
conjunto B codominio.
En vez de escribir (a, b) R se suele escribir b = f (a).
Ejemplo 9. Siguiendo con los mismos conjuntos de los ejemplos anteriores,
podemos definir una funcion
f :A
f (casa)
f (arbol)
f (arbol)
f (vaca)
=
=
=
=
B
1
21
21
12
Definici
on 16. Se denomina conjunto imagen de la funcion f al conjunto
f (A) = {b B : a A tal que f (a) = b}
Si X A llamamos imagen de X por f al conjunto
f (X) = {b B : x X tal que f (x) = b}
Si Y B llamamos preim
agen de Y por f al conjunto
f 1 (Y ) = {a A : f (a) Y }
15
1.9.
Estructuras algebraicas
Definici
on 18. Un grupo es un conjunto G con una funcion : G G G
tal que
1. Es asociativa, para todo a, b, c G se tiene (a b) c = a (b g)
2. Existe elemento neutro e G tal que e g = g e = g (para todo g G)
3. Existe elemento inverso g 1 G para cada g G de forma tal que
g g 1 = g 1 g = e
Si ademas cumple ser conmutativa, es decir que para todo a, b G se tiene
a b = b a, se dice que es un grupo abeliano o conmutativo y se suele usar
la notacion aditiva (+ para la funcion, a para el inverso).
Un monoide, es como la definicion de grupo, pero solo satisface 1. y 2. (no
requiere 3, es decir no requiere inversos)
Ejemplo 10. (Z, +) y (R {0}, ) son grupos conmutativos.
(R22 , ) es un monoide (no conmutativo), donde R22 representa las matrices
de 2 2 con coeficientes reales, y es la multiplicacion de matrices.
Definici
on 19. Un anillo es un conjunto R con dos funciones + : R R
R y : R R R, tales que
1. (R, +) es grupo conmutativo.
16
2. (R, ) es un monoide.
17
uv =
n
X
ui vi = u1 v1 + u2 v2 + . . . + un vn
i=1
18
Captulo 2
Ecuaciones diferenciales 1o
parte
2.1.
Ecuaciones Diferenciables
Definici
on 23. Una ecuaci
on diferencial (ED) es una ecuacion en la que
intervienen una o mas variables independientes, una variable dependiente y
sus derivadas hasta un cierto orden.
Se las clasifica como EDO o EDP de la siguiente forma:
Si interviene mas de una variable independiente, se dice que es una
ecuaci
on diferencial a derivadas parciales (EDP).
Si solo interviene una variable independiente, se dice que es una ecuaci
on
diferencial ordinaria (EDO).
En este curso solo vamos a trabajar con ecuaciones diferenciales ordinarias. Las mismas pueden expresarse genericamente como
F (x, y, y 0 , y 00 , . . . , y (n) ) = 0
Llamamos orden de una EDO al orden de la derivada de mayor orden
que interviene en la ecuacion diferencial.
19
20
2.2.
Grado
Definici
on 24. Decimos que una EDO tiene forma polin
omica si la podemos expresar de la siguiente forma:
pn (x)(y (n) )an + . . . + p1 (x)(y 0 )a1 + p0 (x)y a0 = q(x)
donde an , . . . , a0 N
En dicho caso, el grado de la EDO es el del exponente de la derivada de
mayor orden.
Por ejemplo, (y 000 )2 + y 00 + (y 0 )3 = x tiene grado 2.
2.3.
Definici
on 25. Una solucion de una EDO es una funcion que satisface dicha
ecuacion.
Podemos clasificar tres grupos de soluciones
1. La soluci
on general (SG) de una EDO, es una familia de funciones
que verifican la EDO y que posee tantas constantes arbitrarias como el
orden de la EDO.
Simbolicamente la podemos expresar como
F (x, y, c1 , . . . , cn ) = 0
2. Una soluci
on particular (SP) es una funcion que verifica la EDO y
que se puede obtener asignando valores a las constantes arbitrarias de
la SG.
2.4.
Definici
on 26. Una EDO se dice que es de variables separables si mediante operaciones algebraicas se la puede llevar a la forma
y0 =
p(x)
q(y)
22
Para resolverla, es decir encontrar su SG, basta con integrar ambos miembros
(es decir hallar una primitiva), y agregar una constante arbitraria en un lado
de la igualdad.
Z
Z
q(y)dy =
2.5.
p(x)dx + C
Ecuaci
on Diferencial Ordinaria Lineal de
1o Orden
Definici
on 27. Una ecuacion diferencial se dice que es una ecuaci
on diferencial lineal de orden n si se puede expresar de la forma
y (n) + an1 y n1 + . . . + a1 (x)y 0 + a0 (x)y = g(x)
Si g(x) 0 es la funcion constante 0, se dice que la EDO es lineal homog
enea.
Un caso particular es la ecuacion diferencial lineal de 1o orden
Definici
on 28. Una ecuacion diferencial se dice lineal de 1er orden se
puede expresar como
y 0 + p(x)y = q(x)
Proposici
on 2.5.1. Dada la ecuacion diferencial lineal de 1o orden
y 0 + p(x)y = q(x)
Su solucion general es
y=e
p(x)dx
q(x)e
p(x)dx
dx + Ce
p(x)dx
du
=
u
Z
p(x)dx
p(x)dx
24
p(x)dx 0
v = q(x)
Z
dv =
q(x)e
p(x)dx
dx
q(x)e
p(x)dx
dx + C
y=e
p(x)dx
q(x)e
p(x)dx
dx + Ce
p(x)dx
2.6.
Familias de curvas
Definici
on 29. Dada una ecuacion en la que interviene una variable independiente, una variable dependiente, y n constantes arbitrarias c1 , . . . , cn
R, llamamos familia de curvas (de orden n) a las curvas que se obtienen
de asignarle valores a las constantes arbitrarias.
Simbolicamente la podemos expresar una familia de curvas de la forma
25
F (x, y, c1 , . . . , cn ) = 0
Cuando encontramos la SG de una EDO E de orden n, la misma viene expresada por una familia de curvas F de orden n.
Las funciones que son solucion, quedan expresadas por una ecuacion que
define a y implcitamente en funcion de x.
No siempre es posible o conveniente explicitar dichas funciones.
Recprocamente, dada una familia de curvas F de orden n, podemos buscar
una EDO E de orden n tal que dicha familia sea su SG.
2.6.1.
Definici
on 30. Sean C1 y C2 en R2 dos curvas que se cortan en A = (x0 , y0 ),
es decir tal que A C1 C2 . Decimos que C1 y C2 son curvas ortogonales
en A si admiten vector tangente en dicho punto, y los mismos son ortogonales (o equivalentemente, si admiten rectas tangentes en dicho punto, y las
mismas son ortogonales).
Es decir, si g1 : [a, b] R2 y g2 : [c, d] R2 son parametrizaciones regulares
de C1 y C2 respectivamente, tal que g1 (t1 ) = g2 (t2 ) = A, entonces g10 (t1 )
g20 (t2 ) = 0
Dos familias de curvas F1 y F2 se dicen familias de curvas ortogonales,
si para toda C1 F1 , C2 F2 , resultan ser curvas ortogonales para todo
punto de interseccion A C1 C2 .
26
Proposici
on 2.6.1. Dos familias de curvas F1 , F2 son ortogonales sii sus
respectivas ecuaciones diferenciales E1 , E2 estan relacionadas por la ecuacion
y20 =
1
y10
y = y2 (x0 ) + m2 (x x0 )
|{z}
y20 (x0 )
27
28
Captulo 3
Nociones de Topologa
3.1.
Espacio eucldeo
Definici
on 31. Llamamos espacio eucldeo, a un espacio vectorial sobre
R con un producto interno.
Definici
on 32. Definimos el producto interno usual de Rn (o producto
escalar) de la siguiente manera: dados v, w Rn , su producto interno usual
es
~v w
~ = v1 w1 + v2 w2 + . . . + vn wn
El espacio eucldeo en el que vamos a trabajar en esta materia es Rn con el
producto interno usual. De ahora en mas cada vez que se mencione Rn lo
vamos a pensar como un espacio eucldeo.
El producto interno nos permite definir las nociones de norma de un vector,
distancia entre dos vectores, y angulo entre dos vectores, como mostramos a
continuacion
Definici
on 33. Dado v Rn , definimos su norma como
q
30
p
(w1 v1 )2 + (w2 v2 )2 + . . . + (wn vn )2
y su
angulo como
cos() =
3.2.
~v w
~
||~v || ||w||
~
Entorno
Definici
on 34. Dados x Rn y r > 0
Llamamos entorno (o entorno abierto) de centro x0 y radio r al conjunto
E(x, r) = {y Rn : d(x, y) < r}
Llamamos entorno cerrado de centro x0 y radio r al conjunto
E[x, r] = {y Rn : d(x, y) r}
Llamamos entorno reducido de centro x y radio r a
E 0 (x, r) = E(x, r) {x}
3.3.
Clasificaci
on topol
ogica de puntos de Rn
Definici
on 35. Sea A Rn , y x Rn , entonces decimos que x respecto de
A es
Punto interior: Si existe E(x, ) A.
TOPOLOGICA
3.4. CLASIFICACION
DE SUBCONJUNTOS DE RN 31
Punto exterior: Si existe E(x, ) Rn A. Equivalentemente E(x, )
A = .
Punto frontera: Si no es punto interior ni exterior. Es decir que para
todo > 0 se tiene E(x, ) A 6= y E(x, ) (Rn A) 6=
Punto clausura (o adherencia): Si existe un entorno tal que E(x, r)
A 6=
Punto de acumulaci
on (o punto lmite): Si para todo entorno del
punto, E(x, r) (A {x}) 6= .
Equivalentemente, si para todo entorno reducido del punto, E 0 (x, r)
A 6=
Punto aislado: Si existe un entorno tal que E(x, r) A = {x}
Definici
on 36. Sea A Rn . Entonces definimos
El interior de A como el conjunto de sus puntos interiores, lo denotamos
A
La clausura de A como el conjunto de sus puntos de clausura, lo denotamos
A
El conjunto derivado de A como el conjunto de todos sus puntos de acumulacion, lo denotamos A0
Observaci
on 3.3.1. Dado A Rn , se cumple que A A A.
3.4.
Clasificaci
on topol
ogica de subconjuntos
n
de R
Definici
on 37. Sea A Rn , decimos que A es un conjunto
Abierto: Si A = A . Es decir si todos los puntos del conjunto son
interiores.
Cerrado: Si A = A. Es decir si todos los puntos de clausura pertenecen
al conjunto. Equivalentemente
32
3.5.
Conjunto acotado
Definici
on 38. Un conjunto A Rn se dice que es un conjunto acotado si
el mismo esta contenido en alg
un entorno del origen, es decir si A E(0, r)
para alg
un r > 0.
3.6.
Conjunto conexo
33
3.6.1.
Conjunto arco-conexo
Definici
on 40. Si a, b Rn , un camino de a a b es una funcion : [0, 1]
Rn contnua, tal que (0) = a y (1) = b
Por ejemplo, si a, b Rn el camino recto entre a y b es la funcion :
[0, 1] Rn tal que
(t) = ta + (1 t)b
La imagen de dicho camino es el segmento de recta
[a, b] = {ta + (1 t)b : t [0, 1]}
Definici
on 41. Un conjunto A Rn se dice que es un conjunto arcoconexo si para todos los a, b A existe un camino que une a con b dentro
del conjunto, es decir tal que ([0, 1]) A.
Ejemplo 18. Siguiendo con el ejemplo, los conjuntos A, B, C son todos arcoconexos.
Observaci
on 3.6.1. Todo conjunto arco-conexo es conexo, pero no vale la
vuelta, es decir hay conjuntos conexos que no son arco-conexos.
Definici
on 42. Si es un camino de a a b, y es un camino de b a c,
definimos la yuxtaposici
on de y como el camino : [0, 1] Rn de
a a c definido por
34
(
(t)
t [0, 12 ]
( )(t) =
(2t 1) t [ 21 , 1]
3.6.2.
Definici
on 43. Una poligonal es la yuxtaposicion de una cantidad k N
finita de caminos rectos i : [xi1 , xi ] Rn con 1 i k.
Definici
on 44. Un conjunto A Rn se dice que es un conjunto conexo
por poligonales si para todo a, b A existe una poligonal que comienza
en a, termina en b, y esta contenida en A.
Observaci
on 3.6.2. Una poligonal es un caso particular de un camino. Por
lo tanto si un conjunto es conexo por poligonales, entonces tambien es arcoconexo, pero no vale la vuelta.
Ejemplo 19. En los ejemplos, los conjuntos A y C son conexos por poligonales, aunque el conjunto B (que es arco-conexo) no es conexo por poligonales.
3.6.3.
Conjunto convexo
Definici
on 45. Un conjunto A Rn se dice que es un conjunto convexo
si para todo a, b A el camino recto que los une no se sale del conjunto, es
decir [a, b] A.
Observaci
on 3.6.3. Un camino recto es un caso particular de una poligonal,
por lo tanto un conjunto convexo tambien es conexo por poligonales.
3.6.4.
DE FUNCIONES
3.7. CLASIFICACION
35
D2 = {(x, y) R2 : x2 + y 2 1}
entonces se tiene la siguiente
Definici
on 46. Un conjunto X es un conjunto smplemente conexo
si es arco-conexo, y ademas toda funcion contnua f : S 1 X se puede
extender a una funcion contnua F : D2 X tal que F restringida a S 1 es
f , y tal que la imagen de F no se sale del conjunto, es decir F (D2 ) X.
3.7.
Clasificaci
on de funciones
Definici
on 47. Sea f una funcion de la forma f : A Rn Rm .
Entonces
Tiene sentido decir que las funciones mas generales que estudiamos son los
campos vectoriales, y que las otras son casos particulares, y que la funcion
escalar es la que se estudio en Analisis 1. En esta materia generalizamos a mas
de una dimension tanto en el dominio como el codominio de las funciones.
36
3.8.
Conjuntos de nivel
Definici
on 48. Sea f : A Rn R un campo escalar, y sea k R
El conjunto de nivel k de f es la preimagen de k por f , es decir
Ck (f ) = f 1 (k) = {x A : f (x) = k}
Analogamente, definimos el conjunto de positividad
Definici
on 49. Sea f : A Rn R un campo escalar.
El conjunto de positividad de f es la preimagen del conjunto de todos
los reales positivos, es decir
C + (f ) = f 1 ((0, +)) = {x A : f (x) > 0}
Captulo 4
Lmite y Continuidad
4.1.
Lmite
Definici
on 50. Dado el campo vectorial f : A Rn Rm y x0 punto de
acumulacion de A, si existe l Rm tal que para todo entorno E(l, ) existe
un entorno reducido E (x0 , ), tal que f (E (x0 , ) A) E(L, ), entonces
decimos que el lmite de f cuando x tiende a x0 es l, y lo denotamos
escribiendo
lm f (~x) = l
~
xx~0
Observaci
on 4.1.1. La definicion anterior es equivalente a la definicion
clasica de lmite, que expresa que existe lmite l Rm si para todo > 0
existe un > 0 tal que para todo x A, si
0 < ||x x0 || <
entonces
||f (x) l|| <
Esta definicion nos interesa solo a nivel teorico, pues en la practica los ejercicios de lmites los podemos resolver usando las propiedades de las funciones
contnuas.
37
38
4.1.1.
4.1. LIMITE
39
2
+y )
Ejemplo: Sea f (x, y) = sin(x
. Analizar la existencia de lmite de f en
x2 +y 2
(0, 0).
h
i
2 +y 4 )
lmx0 lmy0 sin(x
2
2
x +y
2
)
= lmx0 sin(x
= 1 = Lyx
x2
i
h
2 +y 4 )
lmy0 lmx0 sin(x
x2 +y 2
= lmy0
sin(y 4 )
y2
= lmy0
4y 3 cos(y 4 )
2y
= lmy0
4y 2 cos(y 4 )
2
= 0 = Lxy
4.1.2.
Una forma que funciona a veces es utilizar el siguiente teorema, familiar desde
Analisis 1
Proposici
on 4.1.5. Sean f, g, h : A Rn R, y x0 A0 .
Si f = gh con g acotada, es decir g(A) un conjunto acotado, y h infinitesimo,
es decir lmxx0 h(x) = 0 entonces el lmite de f cuando x x0 existe y es
cero, es decir lmxx0 f (x) = 0
Tambien es u
til la siguiente
Proposici
on 4.1.6. Supongamos que existen los lmites lmxx0 g(x) = l1 y
lmxx0 h(x) = l2 .
Entonces si f = g h, se tiene que lmxx0 f (x) = l1 l2 .
Y si f = g h, se tiene que lmxx0 f (x) = l1 l2 .
Otra tecnica que puede servir es la de relizar un cambio de varibles que
2 +y 2 )
, entonces
reduzca la cantidad de variables. Por ejemplo, si f (x, y) = sin(x
x2 +y 2
40
4.2.
Continuidad
Definici
on 52. Dado un campo vectorial f : A Rn Rm , y un punto
x0 A, decimos que f es contnua en x0 si para todo E(f (x0 ), ) existe un
E(x0 , ) tal que f (E(x0 , ) A) E(f (x0 ), )
Observaci
on 4.2.1. La definicion anterior es equivalente a la definicion
clasica de continuidad: Para todo > 0 existe un > 0 tal que para todo
x A, si
||x x0 || <
entonces
||f (x) f (x0 )|| <
Observaci
on 4.2.2. Tambien es equivalente a la siguiente definicion: Si x0
es punto aislado, entonces f es contnua en x0 (basta tomar el que hace
que el punto sea aislado).
De lo contrario, x0 es un punto de acumulacion de A, en este caso f es
contnua en x0 sii se cumplen las siguientes
1. Existe f (x0 ) (en realidad esto ya lo estamos pidiendo cuando decimos
x0 A)
2. Existe lm f (x) = l
xx0
3. f (x0 ) = l
4.2.1.
4.2. CONTINUIDAD
41
42
Captulo 5
Derivabilidad
5.1.
Derivada de funci
on vectorial
Definici
on 53. Dada la funcion vectorial f : A R Rn y t0 A ,
entonces la derivada de f en t0 se define como
f (t0 + h) f (t0 )
h0
h
f 0 (t0 ) = lm
CAPITULO 5. DERIVABILIDAD
44
5.1.1.
Interpretaci
on geom
etrica
5.2.
Definici
on 55. Sea f : A Rn Rm y x0 A , y sea v Rn . Entonces
definimos la derivada de f en x0 respecto al vector v como
fv0 (x0 ) = lm
si dicho lmite existe.
1
1
=
31
2
0
fy0 (1, 0) =
=0
31
46
CAPITULO 5. DERIVABILIDAD
Definici
on 56. Dada f : A Rn Rm ,
Decimos que f es derivable respecto a v Rn , sin aclarar el punto, si lo
es para todo x Rn .
Decimos que f es derivable en x0 A , sin aclarar el vector, si lo es
respecto a todo v Rn .
Decimos que f es derivable, sin aclarar ni el punto ni el vector, si lo es
para todo x A y respecto a todo v Rn .
El siguiente teorema es u
til para derivar funciones vectoriales o campos vectoriales coordenada a coordenada.
Teorema 5.2.1. Sea f : A Rn Rm con x0 A y v Rn , tal que
f = (f1 , . . . , fm ). Entonces f es derivable en x0 respecto a v si y solo s cada
funcion coordenada es derivable en x0 respecto a v, y en dicho caso se tiene
0
0
0
fv0 (x0 ) = (f1v
(x0 ), f2v
(x0 ), . . . , fmv
(x0 )).
5.2.1.
Propiedad de homogeneidad
f 0 (x0 , kv) = lm
multiplico y divido por k 6= 0
= k lm
h0
= k lm
Finalmente
= kf 0 (x0 , v)
CAPITULO 5. DERIVABILIDAD
48
v
)
||v||
5.2.2.
Definici
on 57. Sea f : A Rn Rm . Supongamos esta funcion es
derivable respecto a xi , entonces podemos definir la funcion derivada parcial fx0 i : A Rn . Supongamos ahora que esta nueva funcion es derivable
respecto a xj . Podemos definir entonces la funcion derivada segunda parcial
fx00i xj : A Rm
A la misma tambien la llamamos la derivada sucesiva respecto a xi xj .
Analogamente, si f es k veces derivable, podemos definir la funcion derivada
sucesiva respecto a xi1 xi2 . . . xik
: A Rm
fx(k)
i1 xi2 ...xi
k
Si estan definidas las funciones derivadas sucesivas fx00i xj y fx00j xi , decimos que
estas son derivadas sucesivas mixtas.
Analogamente, si f es k veces derivable, y : {1, 2, . . . , k} {1, 2, . . . , k} es
(k)
(k)
una permutacion, decimos que fxi1 xi2 ...xik y fxi(1) xi(2) ...xi(k) son derivadas
sucesivas mixtas de orden k.
5.2.3.
Teorema de Schwarz
5.2.4.
Funci
on clase C 1
Definici
on 58. Si f : A Rn Rm con A abierto, es tal que posee todas
sus derivadas parciales y son contnuas en A, entonces decimos que f es de
clase C 1 y lo denotamos
f C1
Del mismo modo si tiene todas sus derivadas parciales segundas y son contnuas
decimos que f C 2 .
Analogamente se dice que f C k si sus derivadas parciales de orden k existen
y son contnuas en el abierto A.
CAPITULO 5. DERIVABILIDAD
50
Observaci
on 5.2.5. Si f : A Rn R, f C 2 , para cualquier x A
se cumplen las hipotesis del teorema 5.2.4 (de Schwarz), es decir fx00i xj (x) =
fx00j xi (x).
Mas generalmente, si f C k , y : {1, 2, . . . , k} {1, 2, . . . , k} es una
permutacion, entonces
fx(k)
= fx(k)
i1 xi2 ...xi
i
k
x
...xi(k)
(1) i(2)
5.3.
Curvas y Superficies
Definici
on 59. Un subconjunto C Rn decimos que es una curva si existe
una funcion vectorial contnua g : [0, 1] Rn , tal que g([0, 1]) = C. A la
funcion g se la llama parametrizacion de la curva.
Sea g(t) la parametrizacion de una curva, si ademas g C 1 y existe g 0 (t0 ) 6= ~0
decimos que x0 = g(t0 ) es un punto regular de la curva C. Si todos los
puntos x0 C de la curva son puntos regulares, decimos que C es una curva
regular.
Un subconjunto de R3 decimos que es una superficie si existe un campo
vectorial contnuo g : A R2 R3 , con A conexo, tal que g(A) = S. A la
funcion g se le dice la parametrizacion de la superficie .
Sea g(u, v) la parametrizacion de una superficie, si ademas g C 1 y existe
gu0 (u0 , v0 ) gv0 (u0 , v0 ) 6= 0 decimos que x0 = g(u0 , v0 ) es un punto regular
de la superficie . Si todos los puntos x0 de la superficie son regulares,
decimos que es una superficie regular.
Ejemplo 21. La cicloide es la curva que se genera al hacer girar una circunferencia de radio a > 0 sobre el eje de las x, como se ilustra en la siguiente
imagen.
51
g : R R2
g(t) = a(t sin(t), 1 cos(t))
la cual es derivable en todo su dominio, su derivada es
g 0 (t) = a(1 cos(t), sin(t))
Calculemos algunos puntos de la curva
X0
X1
X2
X3
=
=
=
=
g(0) = (0, 0)
g(/2) = a(/2 1, 1)
g() = a(, 2)
g(2) = a(2, 0)
=
=
=
=
a(0, 0)
a(1, 1)
a(2, 0)
a(0, 0)
52
CAPITULO 5. DERIVABILIDAD
Captulo 6
Diferenciabilidad
En Analisis 1, si una funcion era derivable en un punto, entonces tambien
era contnua en el.
En Analisis 2, nuestra definicion de funcion derivable en un punto, para
funciones de mas de una variable, es tal que puede ser derivable en un punto
(en toda direccion y sentido), y a
un as no ser contnua en el.
Hay muchos ejemplos donde esto ocurre, veamos uno sencillo:
(
x2 /y y 6= 0
Dada f (x, y) =
, veamos si es derivable en (0, 0). Sea v = (a, b),
0
y=0
luego
f ((0, 0) + h(a, b)) f (0, 0)
h0
h
lm
Si b = 0
00
=0
h0
h
lm
53
CAPITULO 6. DIFERENCIABILIDAD
54
Si b 6= 0
lm
h2 a2
hb
0
=
h0
a2
b
a2
b
b 6= 0
b=0
lm
x0 y=x
x2
= 1 6= 0
x0 x2
f (x, y) = lm
2
f 0 (x0 ) = lm
Pero esto equivale a pedir
DE FUNCION
DIFERENCIABLE
6.1. DEFINICION
55
h0
h0
6.1.
Definici
on de funci
on diferenciable
Definici
on 61. Un campo vectorial f : A Rn Rm se dice que es una
funci
on diferenciable en x0 A si existe una trasnformacion lineal
T : Rn Rm y un campo vectorial : B(x0 , ) A Rm tales que
f (x0 + h) f (x0 ) = T (h) + ||h||(h)
con
lm (h) = 0
h0
CAPITULO 6. DIFERENCIABILIDAD
56
6.2.
Y como T (
v ) no depende de k, y como
|k|
k
es acotada y 0, se tiene
f 0 (x0 , v) = T (
v)
Corolario 6.2.2. Sea un campo vectorial f : A Rn Rm diferenciable en
x0 A , y sea T una transformacion lineal que cumple lo pedido, entonces
dicha transformacion lineal es u
nica, y ademas
T (ei ) = f 0 (x~0 , ei )
57
R
lo
puedo
escribir
en forma u
nica como comPn
n
m
binacion lineal x = i=1 i eP
es una transformacion
i , luego si T : R R
n
lineal debe
P cumplir T (x) = i=1 i T (ei ), y por lo visto recien debe cumplir
T (x) = ni=1 i f 0 (x0 , ei ), con lo cual quedo completamente determinada, es
decir la transformacion lineal es u
nica.
Definici
on 62. Sea f : A Rn Rm diferenciable en x0 A , de la forma
f = (f1 , f2 , . . . , fm ), y sea T : Rn Rm el diferencial de f en x0 .
Sea [T ] la matriz asociada a la transformacion lineal T respecto a las bases
canonicas de Rn y Rm . La misma se expresa poniendo en sus columnas los
transformados de la base canonica, es decir las derivadas parciales de f en
x0 , es decir que
0
0
0
f1,e
f
.
.
.
f
1,e
1,e
n
1
2
0
0
0
f2,e
f2,e
. . . f2,e
n
1
2
[T ] =
...
0
0
0
fm,e1 fm,e2 . . . fm,en
6.3.
CAPITULO 6. DIFERENCIABILIDAD
58
h0
O sea
lm f (x0 + h) f (x0 ) = 0
h0
lm f (x0 + h) = f (x0 )
h0
xx0
6.4.
Gradiente
Definici
on 63. Sea el campo escalar f : A Rn Rm , y x0 A , si existen
las derivadas parciales de f en x0 , definimos el vector gradiente f (x0 )
de f en x0 como el vector cuyas coordenadas son las derivadas parciales de
f en x0 , es decir como
f (x0 ) = (fe01 (x0 ), fe02 (x0 ), . . . , fe0n (x0 ))
59
Observaci
on 6.4.1. Sea el campo escalar f : A Rn Rm , diferenciable
en x0 A , y sea v Rn . El teorema 6.2.1 nos dice en este caso que
fv0 (x0 ) = f (x0 ) v
6.5.
Observaci
on 6.5.1. Sea el campo escalar f : A Rn R diferenciable en
x0 A , y sea k R, entonces f (x0 ) es perpendicular al conjunto de nivel
k de f .
Demostracion. El conjunto de nivel k de f son los x A tales que
f (x) = k
Sea g : [a, b] Rn la parametrizacion de una curva includa en el conjunto
de nivel, es decir que g([a, b]) Ck (f ), tal que g(t0 ) = x0 y g 0 (t0 ) 6= 0.
Entonces podemos componer g con f y obtenemos
f (g(t)) = k
Aplicando el teorema 7.2.1 (la regla de la cadena, que vamos a ver despues)
se tiene
f (g(t)) g 0 (t) = 0
Es decir que f (x0 ) g 0 (t0 ) = 0, o sea que f (x0 ) g 0 (t0 ).
Pero g 0 (t0 ) es un vector director de la recta tangente una curva que esta includa en el conjunto de nivel, es decir es paralelo al conjunto de nivel, y por
lo tanto el gradiente es normal al conjunto de nivel.
CAPITULO 6. DIFERENCIABILIDAD
60
6.6.
Direcciones de derivada m
axima, mnima y nula
Proposici
on 6.6.1. Sea f : A Rn R es diferenciable en x0 y f (x0 ) 6=
0. Entonces:
Existe una u
nica direccion de maxima derivada direccional y es rmax =
f (x0 )
. El valor de dicha derivada es ||f (x0 )||.
||f (x0 )||
Existe una u
nica direccion de mnima derivada direccional y es rmin =
rmax . El valor de dicha derivada es ||f (x0 )||.
Si ademas n = 2, entonces existen exactamente dos direcciones de
derivada direccional nula, y si f (x0 ) = (a, b) entonces las mismas
(b,a)
y r2 = r1
son r1 = ||(b,a)||
Demostracion. Como f es diferenciable en x0 , por la observacion 6.4.1 sabemos que f es derivable en x0 y
fv0 (x0 ) = f (x0 ) v
Pero
f (x0 ) v = ||f (x0 )|| ||v|| cos()
| {z } |{z} | {z }
cte
=1
[1,1]
61
vnul1 =
(b, a)
||(a, b)||
y
vnul2 = vnul1
6.7.
C 1 implica diferenciable
62
CAPITULO 6. DIFERENCIABILIDAD
Captulo 7
Funciones Compuestas e
Implcitas
7.1.
Funci
on Compuesta
Definici
on 64. Sean f : A Rn Rm y g : B Rm Rp tales que
f (A) B.
Entonces existe una u
nica la funcion h : A Rp tal que h(x) = g(f (x)).
A dicha funcion h la llamamos la funci
on compuesta de f con g, y la
denotamos como
h=gf
Notar que esta definicion es un poco mas general que la definicion 17, por
cuanto no se pide que el codominio de la primera sea igual al dominio de la
segunda, solo que la imagen de la primera este includo en el dominio de la
segunda.
Al mismo tiempo es mas particular que aquella definicion, pues la primera
se refiere funciones entre conjuntos en general, mientras que la segunda es
entre subconjuntos de Rn .
63
64
7.2.
Regla de la Cadena
7.3.
Funci
on definida implcitamente
Definici
on 65. Dada una funcion F : A Rn+1 R, decimos que la
ecuacion F (x1 , x2 , . . . , xn , y) = 0 define implcitamente a y como funci
on de x1 , . . . , xn en B si existe una funcion f : B Rn R tal que
F (x1 , . . . , xn , f (x1 , . . . , xn )) = 0, para B Ay donde Ay es la proyeccion de
A sobre x1 , . . . , xn
Ejemplo: F : R3 R, F (x, y, z) = x2 + y 2 z. La ecuacion correspondiente
es x2 + y 2 z = 0. Como existe f : R2 R, f (x, y) = x2 + y 2 tal que
F (x, y, f (x, y)) = 0, la ecuacion define implcitamente a z como funcion de
x, y.
Otro ejemplo: F : R3 R, F (x, y, z) = x2 + y 2 + z 2 1. La ecuacion
correspondiente es x2 + y 2 + z 2 = 1.
2
2
2
2
Sea D2 = {(x,
py) R : x + y 1}. Como existe f : D2 R
R, f (x, y) = 1 x2 + y 2 tal que F (x, y, f (x, y)) = 0, la ecuacion define
implcitamente a z como funcion de x, y.
65
7.4.
Teorema de Cauchy-Dini
Fx0 i (P )
Fy0 (P )
Este teorema nos garantiza bajo ciertas condiciones la existencia de una funcion definida implcitamente, es decir que exista f : Ay E(Py , ) Rn R
tal que F (x1 , . . . , xn , f (x1 , . . . , xn )) = 0
En particular, esto nos permite el gradiente f (Py ) de la siguiente manera
Fx0 1 (P ) Fx0 2 (P )
Fx0 n (P )
f (Py ) = 0
, 0
,..., 0
Fy (P )
Fy (P )
Fy (P )
=
1
0
0
0
F
(P
),
F
(P
),
.
.
.
,
F
(P
)
x
x
x
n
1
2
Fy0 (P )
66
Captulo 8
Polinomio de Taylor y
Extremos
8.1.
Polinomio de Taylor
Sea f : A R2 R, f C 2 , (x0 , y0 ) A.
Sabemos que el diferencial de f en cada punto (x0 , y0 ) A es de la forma
df(x0 ,y0 ) (x x0 , y y0 ) = fx0 (x0 , y0 )(x x0 ) + fy0 (x0 , y0 )(y y0 )
O escribiendo (u, v) = (x x0 , y y0 )
df(x0 ,y0 ) (u, v) = fx0 (x0 , y0 )u + fy0 (x0 , y0 )v
En cada punto (x, y) su diferencial es
df(x,y) (u, v) = fx0 (x, y)u + fy0 (x, y)v
Ahora definimos el diferencial segundo de f en (x, y), como el diferencial del
diferencial, es decir
67
68
d2 f(x,y) (u, v) = d(df(x,y) (u, v)) = d(fx0 (x, y)u + fy0 (x, y)v)
00
00
00
00
= fxx
(x, y)u2 + fxy
(x, y)uv + fyx
(x, y)vu + fyy
(x, y)v 2
00
00
00
= fxx
(x, y)u2 + 2fxy
(x, y)uv + fyy
(x, y)v 2
donde en el u
ltimo paso usamos el teorema 5.2.4 (de Schwarz).
Con esta notacion vamos a definir entonces el polinomio de Taylor
Definici
on 66. Sea f : A R2 R, f C 2 , (x0 , y0 ) A.
El polinomio de Taylor de primer grado de f en (x0 , y0 ) es
1 2
d f(x0 ,y0 ) (u, v)
2!
= f (x0 , y0 ) + fx0 (x0 , y0 )u + fy0 (x0 , y0 )v +
1 00
00
00
+
fxx (x0 , y0 )u2 + 2fxy
(x0 , y0 )uv + fyy
(x0 , y0 )v 2
2!
1
1 2
d fx0 (u) + . . . + dk fx0 (u)
2!
k!
8.2. MAXIMOS
Y MINIMOS DE UNA FUNCION
69
f (x) Tk (x x0 )
para x cerca de x0 .
8.2.
M
aximos y mnimos de una funci
on
70
f (x0 ) es el m
aximo absoluto de f si f (x) f (x0 ) para todo x A
f (x0 ) es el mnimo absoluto de f si f (x) f (x0 ) para todo x A
f (x0 ) es m
aximo relativo de f relativo a x0 si f (x) f (x0 ) para todo
x A E(x0 , ) para alg
un > 0
f (x0 ) es mnimo relativo de f relativo a x0 si f (x) f (x0 ) para todo
x A E(x0 , ) para alg
un > 0
Observaci
on 8.2.2. Todos los extremos se definieron en sentido amplio.
La definicion en sentido estricto es analoga pero cambiando por < y
por >, y analizando A{x0 } para extremos absolutos, y (A{x0 })E(x0 , )
para extremos relativos.
8.2.1.
8.2. MAXIMOS
Y MINIMOS DE UNA FUNCION
71
h(t) = f (g(t))
Como g(0) = x0 y f presenta un extremo en x0 , entonces h presenta un
extremo en 0.
Ademas como f es diferenciable en x0 y g es diferenciable en 0, entonces por
la regla de la cadena h es diferenciable en 0 y
h0 (0) = f (g(0))g 0 (0)
Y por el criterio de la derivada primera (de Analisis 1) sabemos que debe
cumplirse
h0 (0) = 0
O sea que
f (g(0)) g 0 (0) = 0
Pero g 0 (0) = v, luego nos queda
f (x0 ) v = 0
y como f es diferenciable en x0
f (x0 ) v = fv0 (x0 ) = 0
En particular tomando v un versor canonico de Rn vemos que todas las
derivadas parciales son nulas, y por lo tanto f (x0 ) = 0 como queramos
probar.
72
8.2.2.
00
00
00
fxn x1 fxn x2 . . . fxn xn
Observaci
on 8.2.4. Por el teorema 5.2.4 (de Schwarz), la matriz Hessiana
debe ser simetrica.
Teorema 8.2.5. Sea M Rnn una matriz cuadrada y simetrica.
Entonces M tiene autovalores 1 , 2 , . . . , n R, es decir tiene todos sus
autovalores y son reales.
Definici
on 72. Sea M Rnn una matriz cuadrada y simetrica con coeficientes reales.
Sabemos por el teorema 8.2.5 que todos sus autovalores 1 , . . . , n son reales.
Decimos que M es una matriz definida positiva, si todos sus autovalores
son positivos, es decir i > 0 para 1 i n.
Decimos que M es una matriz semidefinida positiva, si todos sus autovalores son no negativos, es decir i 0 para 1 i n.
Decimos que M es una matriz definida negativa, si todos sus autovalores
son negativos, es decir i < 0 para 1 i n.
Decimos que M es una matriz semidefinida negativa, si todos sus autovalores son no positivos, es decir i 0 para 1 i n.
Decimos que M es una matriz no definida, si no es definida positiva, ni
semidefinida positiva, ni definida negativa, ni semidefinida negativa. Es decir
si tiene autovalores tanto positivos como negativos.
8.2. MAXIMOS
Y MINIMOS DE UNA FUNCION
73
74
00
00
00
fxx
(x0 ) fxy
(x0 ) fxz
(x0 )
00
00
00
(x0 ) fyy
(x0 ) fyz
(x0 )
Hf (x0 ) = fyx
00
00
00
fzx (x0 ) fzy (x0 ) fzz (x0 )
Calculamos los menores principales de f , es decir los siguientes determinantes (se entiende, todas las funciones evaluadas en x0 )
00
H1 = fxx
00
00
fxx fxy
H2 = 00
00
fyx fyy
8.2. MAXIMOS
Y MINIMOS DE UNA FUNCION
75
00
00
00
fxx fxy
fxz
00
00
00
fyz
H3 = fyx fyy
f 00 f 00 f 00
zz
zy
zx
Entonces si H1 , H2 , H3 > 0 la matriz esta definida positiva, y por lo tanto
f (x0 ) es mnimo relativo.
Y si H1 < 0, H2 > 0, H3 < 0 la matriz esta definida negativa, y por lo tanto
f (x0 ) es maximo relativo.
Si alg
un Hi = 0, el criterio no decide. En cualquier otro caso el punto
(x0 , f (x0 )) es punto silla.
Ejemplo 23. Ahora veamos el caso particular n = 2. Sea f : A R2 R,
f C 2 y x0 A punto crtico de f . Queremos saber si f (x0 ) es extremo
relativo. Sea Hf (x0 ) la matriz hessiana de f en x0
00
00
(x0 )
fxx (x0 ) fxy
Hf (x0 ) =
00
00
(x0 )
(x0 ) fyy
fyx
00
(x0 ) y H2 = det(Hf (x0 )).
Los menores principales de f son H1 = fxx
Si det(Hf (x0 )) > 0 hay extremo, pues el producto de los dos autovalores
es positivo, es decir que son ambos positivos o ambos negativos.
00
00
En este caso si fxx
(x0 ) > 0, f (x0 ) es mnimo relativo, y si fxx
(x0 ) < 0,
f (x0 ) es maximo relativo.
00
00 00
El caso fxx
(x0 ) = 0 no puede darse, pues si det(H(f x0 )) = fxx
fyy
00 2
00 00
00
2
00
(fxy ) > 0, entonces fxx fyy > (f xy) > 0, lo cual implica que fxx 6= 0
Si det(Hf (x0 )) < 0 entonces (x0 , f (x0 )) es punto silla, pues el producto
de los dos autovalores es negativo, es decir que son de signo contrario.
Si det(Hf (x0 )) = 0 entonces el criterio no decide, habra que averiguar
de otra forma si se produce extremo o punto silla.
76
8.3.
Extremos condicionados
Supongamos que queremos maximizar un campo escalar f (x, y), sujeto a una
restriccion g(x, y) = 0.
Un metodo consiste, cuando es posible, en despejar x o y (o alguna expresion)
de la ecuacion g(x, y) = 0 de forma tal de reemplazarla en la funcion f (x, y)
para que quede en funcion de una variable.
Otra posibilidad sera parametrizar la curva g(x, y) = 0, digamos mediante la
funcion vectorial r(t), luego componer h = f r y maximizar dicha compuesta
h(t) = f (r(t)) que es una funcion de una variable.
Pero si ninguno de los metodos anteriores funciona, debemos recurrir a los
multiplicadores de Lagrange:
Definimos la funcion de Lagrange:
L(, x, y) = (0, 0, 0)
de donde
g(x, y) = 0
gx0 + fx0 = 0
gy0 + fy0 = 0
Para cada punto crtico restringido podemos analizar si es extremo analizando
geometricamente la funcion, o usando el hessiano restringido:
77
0 gx0 gy0
00
00
fxy
H = gx0 fxx
00
00
fyy
gy0 fyx
x = 0
+ 2x = 0
2y = 0
78
El u
nico punto crtico es (, x, y) = (0, 0, 0). Ahora veamos el hessiano
0 1 0
H = 1 2 0
0 0 2
Como H3 = 2 < 0 hay mnimo relativo f (0, 0) = 0
Captulo 9
Integral de Lnea y Funci
on
Potencial
9.1.
Integral de Riemann
Mi =
nf
f (x)
x[xi1 ,xi ]
sup
f (x)
x[xi1 ,xi ]
4xi = xi xi1
Las sumas superior e inferior de Riemann son
79
80
POTENCIAL
CAPITULO 9. INTEGRAL DE LINEA Y FUNCION
Sp (f ) =
n
X
Mi 4xi
i=1
sp (f ) =
n
X
mi 4xi
i=1
Luego definimos
b
f dx = nf Sp (f )
p part
f dx = sup sp (f )
a
p part
9.2.
Definici
on 74. Una curva C Rn decimos que es regular a trozos si
puede escribirse como C = ki=1 Ci donde cada Ci es una curva regular, y el
extremo final de una coincide con el inicial de la siguiente.
Es decir si cada curva Ci esta parametrizada por gi : [ai , bi ] Rn , entonces
gi (bi ) = gi+1 (ai+1 )
Una curva C es simple si admite una parametrizacion inyectiva.
Una curva C es cerrada si admite una parametrizacion g : [a, b] Rn tal
que g(a) = g(b)
Una curva C se dice cerrada simple, o curva de Jordan, si admite una
parametrizacion g : [a, b] Rn tal que es inyectiva en [a, b) y g(a) = g(b)
9.3.
81
Integral de lnea
Definici
on 75. Dada una curva C Rn con parametrizacion g : [a, b] Rn ,
y dado un campo escalar f : A Rn R contnuo, tal que C A , definimos
el diferencial de curva escalar como
dc = ||g 0 (t)||dt
y definimos la integral de f sobre C como
b
f (g(t))||g 0 (t)||dt
f dc =
a
Long(C) =
dc =
C
||g 0 (t)||dt
Z
f dc =
f (g(t)) g 0 (t)dt
82
POTENCIAL
CAPITULO 9. INTEGRAL DE LINEA Y FUNCION
9.4.
Campos conservativos
9.5.
83
Z
f dc = (g(b)) (g(a))
C
f (g(t)) g 0 (t)dt
f dc =
C
Como f = se tiene
Z
Z
f dc =
(g(t)) g 0 (t)dt
Z
f dc =
h0 (t)dt
84
POTENCIAL
CAPITULO 9. INTEGRAL DE LINEA Y FUNCION
9.6.
Condici
on necesaria para la existencia de
funci
on potencial
9.7.
Condici
on de suficiencia para la existencia de funci
on potencial
f : A R2
f (x, y) = (2x, 2y)
Existe el siguiente C 2
:A R
(x, y) = x2 + y 2
de forma que f = , es decir que el campo f es conservativo.
86
POTENCIAL
CAPITULO 9. INTEGRAL DE LINEA Y FUNCION
Captulo 10
Integrales M
ultiples
Definici
on 77. Sea f : R R2 R, con R = [a, b] [c, d] y f acotada.
Sean Px = {a = x0 < x1 < . . . < xn = b} y Py = {c = y0 < y1 < . . . < ym =
d} particiones de [a, b] y [c, d]
Notamos
m(i,j) =
nf
f (x, y)
M(i,j) =
sup
f (x, y)
4xi = xi xi1
4yj = yj yj1
Las sumas superior e inferior de Riemann son
Sp (f ) =
m X
n
X
j=1 i=1
87
CAPITULO 10. INTEGRALES MULTIPLES
88
sp (f ) =
m X
n
X
j=1 i=1
Luego definimos
ZZ
f dxdy = nf Sp (f )
p part
ZZ
f dxdy = sup sp (f )
p part
si (x, y) A
si (x, y) 6 A
ZZ
f dxdy =
A
hdxdy
R
89
Definici
on 79. Sea A R2 acotada. Definimos su area como
ZZ
area(A) =
dxdy
A
vol(H) =
H
Definici
on 80. Una regi
on elemental tipo I de R2 es un subconjunto
R R2 de la forma
R = {(x, y) R2 : a x b, f1 (x) y f2 (x)}
Esto tambien lo vamos a escribir como
(
axb
R=
f1 (x) y f2 (x)
Analogamente, una regi
on elemental tipo II es de la forma
(
ayb
R=
f1 (y) x f2 (y)
En ambos casos f1 , f2 son funciones contnuas en el compacto [a, b].
Una regi
on elemental de R2 , es una region elemental tipo I o bien tipo II.
Una regi
on elemental tipo I de R3 es un subconjunto R R3 de la forma
a x b
R = f1 (x) y f2 (x)
g1 (x, y) z g2 (x, y)
90
10.1.
Teorema de Fubini en R2
91
ZZ
g(x)
f (x, y)dy
dx
f (x, y)dxdy =
a
f (x)
Observaci
on 10.1.2. Si A es una region elemental tipo I y II, entonces
puedo cambiar el orden de integracion.
10.2.
Primero lo enunciamos en R2
Teorema 10.2.1. Sea f : A R2 R contnua, y g : U R2 R2
biyectiva, g C 1 , y (x, y) = g(u, v), y sea A = g(B), entonces
ZZ
ZZ
f (x, y)dxdy =
A=g(B)
ZZZ
ZZZ
f (x, y, z)dxdydz =
A=g(B)
10.3.
CAPITULO 10. INTEGRALES MULTIPLES
92
Definici
on 81. Las coordenadas cartesianas corresponde a la funcion
identidad de R2
g : R2 R2
g(u, v) = (u, v)
En este caso se tiene
|det(Dg)| = 1
Las lneas coordenadas son rectas paralelas a los ejes cartesianos.
Definici
on 82. Las coordenadas polares corresponde al campo vectorial
g : [0, +) [0, 2) R2
g(, ) = ( cos(), sin())
En este caso se tiene
|det(Dg)| =
Las lneas coordenadas son circunferencias con centro en el origen, y semirectas que parten del origen.
10.4. COORDENADAS CARTESIANAS, CILINDRICAS Y ESFERICAS
EN R3 93
10.4.
g : R3 R3
g(u, v, w) = (u, v, w)
En este caso se tiene
|det(Dg)| = 1
Las superficies coordenadas son planos paralelos a los planos coordenados.
CAPITULO 10. INTEGRALES MULTIPLES
94
Definici
on 84. Las coordenadas cilndricas sobre el eje z corresponde a
la funcion
g : [0, +) [0, 2) R R3
g(, , z) = ( cos(), sin(), z)
En este caso se tiene
|det(Dg)| =
Las superficies coordenadas son cilindros sobre el eje z, semiplanos que parten
del eje z, y planos paralelos al xy.
10.4. COORDENADAS CARTESIANAS, CILINDRICAS Y ESFERICAS
EN R3 95
Calculamos su vol
umen
Z
ZZZ
H
Z
d
dV =
V ol(H) =
2
dz =
3
Definici
on 85. Las coordenadas esf
ericas sobre el eje z corresponde a
la funcion
96
Captulo 11
Integrales de Superficie y Flujo
11.1.
Definici
on para superficie param
etrica
Definici
on 86. Dada una superficie R3 con parametrizacion g : B
R2 R3 , y dado un campo escalar f : A R3 R contnuo, tal que
A , definimos el diferencial de superficie escalar como
ds = ||gu0 (u, v) gv0 (u, v)||dudv
y la integral de f sobre como
ZZ
ZZ
f ds =
ZZ
area() =
ds =
98
ZZ
f ds =
11.2.
Caso superficie gr
afica de campo escalar
99
q
ds = 1 + (fx0 )2 + (fy0 )2 dxdy
11.3.
G0x
G0z
G0y
= 0
Gz
wx0 =
wy0
reemplazando
100
gx0 gy0 = (
G0x G0x
1
, 0 , 1) = 0 G
0
Gz Gz
Gz
G
dxdy
G0z
ds =
||G||
dxdy
|G0z |
Captulo 12
C
alculo de Masa, momentos, y
centro
Veamos algunas formulas para el calculo de masa, momentos y centro, sobre
curvas y regiones planas.
Sea C R2 una curva, y A R2 una region plana.
Sea : R2 R contnua la densidad de masa.
Concepto
M : Masa
Mx : Momento estatico
respecto al eje x
My : Momento estatico
respecto al eje y
G: Centro de masa
Ix : Momento de inercia respecto al eje x
Iy : Momento de inercia respecto al eje y
Curvas
R
R C dc
ydc
C
R
C
xdc
1
(My , Mx )
MR
y 2 dc
C
R
C
x2 dc
Region plana
RR
RR A dxdy
ydxdy
A
RR
A
xdxdy
(My , Mx )
M
RR
y 2 dxdy
A
RR
A
x2 dxdy
102
Curvas
R
R C dc
zdc
C
Region solida
RRR
RRR A dxdydz
zdxdydz
A
Superficie
RR
RR ds
zds
ydc
RRR
ydxdydz
RR
xdc
C
RRR
xdxdydz
A
RR
1
(Myz , Mxz , Mxy )
MR p
y 2 + z 2 dc
C
R
C
x2 + z 2 dc
R p
x2 + y 2 dc
C
R
1
(M , M , M )
RRRM p yz xz xy
y 2 + z 2 dxdydz
A
RRR
A
z 2 dc
RRR
y 2 dc
RRR
x2 dc
RRR
(y 2 + z 2 )dc
RRR
(x2 + z 2 )dc
RRR
(x2 + y 2 )dc
C
RRR
R
R
x2 + z 2 dxdydz
RRR p
x2 + y 2 dxdydz
A
yds
xds
1
(Myz , Mxz , Mxy )
M
RR p
y 2 + z 2 ds
RR
x2 + z 2 ds
RR p
x2 + y 2 ds
z 2 dxdydz
RR
y 2 dxdydz
RR
x2 dxdydz
RR
(y 2 + z 2 )dxdydz
RR
(x2 + z 2 )dxdydz
RR
(x2 + y 2 )dxdydz
A
RR
z 2 ds
y 2 ds
x2 ds
(y 2 + z 2 )ds
(x2 + z 2 )ds
(x2 + y 2 )ds
103
Mas generalmente:
El momento est
atico respecto a una recta (o plano) es la integral de la
distancia a la recta (o plano) por la densidad de masa.
El momento de inercia respecto a una recta (o plano) es la integral de la
distancia al cuadrado a la recta (o plano) por la densiad de masa.
104
Captulo 13
Teoremas de Green, Stokes y
Gauss
Definici
on 87. Sea f : A R2 R2 , f C 1 , f = (P, Q), entonces
definimos el green de f como
green(f ) = Q0x Py0
El operador nabla corresponde a =
, ,
x y z
106
ZZ
f dc =
C + =A
ZZ
f dc =
C + =
rot(f ) ds
ZZZ
f ds =
+ =H
13.1.
div(f )dxdydz
H
Definici
on 88. Sea A Rn un conjunto abierto.
Un campo vectorial f : A R3 R3 , f C 1 se dice irrotacional si
rot(f ) = 0
Un campo vectorial f : A R3 R3 , f C 1 se dice solenoidal si div(f ) =
0
Un campo escalar f : A R3 R, f C 1 se dice arm
onico si div(grad(f )) =
0
13.1. CAMPOS IRROTACIONALES, SOLENOIDALES, Y ARMONICOS107
Teorema 13.1.1. Sea el campo escalar f : A R3 R, f C 2 , entonces
rot(grad(f )) = 0, es decir los campos de gradientes son irrotacionales.
Sea el campo vectorial f : A R3 R3 con f C 2 , entonces div(rot(f )) =
0, es decir los campos de rotores son solenoidales.
108
Captulo 14
Ecuaciones Diferenciales 2o
parte
14.1.
Ecuaci
on diferencial ordinaria homog
enea
Definici
on 89. Una funcion f : A Rn Rm se dice homog
enea de
grado k si
F (x) = k F (x)
Definici
on 90. Una ecuacion diferencial ordinaria se dice homogenea si se
puede expresar en la forma
y 0 = F (x, y)
donde F es una funci
on homog
enea de grado cero, es decir si F (tx, ty) =
F (x, y)
Para resolverla se hace la sustitucion y = zx, donde z depende de x. Queda
una ecuacion diferencial de variables separables en z que la resolvemos, y
finalmente volvemos a reemplazar z = xy .
Ahora con mas detalle, para resolverla hacemos la sustitucion
109
110
y = zx
y0 = z0x + z
la reemplazamos en la ecuacion diferencial
z 0 x + z = F (x, zx)
como F es homogenea de grado 0
z 0 x + z = F (1, z)
restamos z de ambos lados
z 0 x = F (1, z) z
separo variables e integro
Z
dz
=
F (1, z) z
dx
+C
x
14.2.
Ecuaci
on diferencial total exacta
Definici
on 91. Una ecuacion diferencial total exacta, es aquella que se puede
expresar como
P (x, y)dx + Q(x, y)dy = 0
con P y Q definidos sobre A R2 smplemente conexo, y tal que Q0x Py0 = 0.
111
Para resolverla, empezamos por notar que por la condicion 9.7.1 (suficiente
para la existencia de funcion potencial), sabemos que f = (P, Q) es conservativo, y por lo tanto existe
: A R2 R
con C 2 y tal que
d(x, y) = P (x, y)dx + Q(x, y)dy
Luego la solucion general es de la forma
(x, y) = C
14.2.1.
112
(x) = e
Py0 Q0x
dx
Q
(y) = e
Q0x Py0
P
dy
Q0x 0 P Py0 = 0
(Q0x Py0 ) = 0 P
Q0x Py0
0
=
P
Q0 P 0
d
=
Q0x Py0
dy
P
(y) = e
Q0x Py0
P
113
dy
14.3.
Ecuaci
on diferencial lineal de 2o orden
114
Proposici
on 14.3.1. Dada la ecuacion diferencial lineal de segundo orden
a coeficientes constantes
y 00 + ay 0 + by = g(x)
La solucion general viene dada por
y = yh + yp
donde yh es la solucion general de la homogenea asociada, y yp es una solucion
particular.
Demostracion. La familia y = yh + yp ya tiene dos constantes arbitrarias (las
que provienen de yh ), y la ecuacion diferencial es de segundo orden. Por lo
tanto si satisface la EDO entonces debe ser su SG.
Reemplazamos y = yh + yp y veamos que satisface la ecuacion diferencial.
y = yh + yp
y 0 = yh0 + yp0
y 00 = yh00 + yp00
Reemplazo en
y 00 + ay 0 + by = g(x)
y obtengo
(yh00 + yp00 ) + a(yh0 + yp0 ) + b(yh + yp ) = g(x)
yh00 + ayh0 + byh + yp00 + ayp0 + byp = g(x)
|
{z
} |
{z
}
0
g(x)
115
14.3.1.
Resoluci
on de la homog
enea asociada
Veamos ahora como podemos resolver la ecuacion diferencial homogenea asociada, que es de la forma
y 00 + ay 0 + by = 0
La solucion general de la homogenea asociada resulta ser un subespacio de
dimension dos del espacio vectorial de las funciones C 2 de R en R. Por lo tanto
alcanza con encontrar una base de dicho subespacio, por lo tanto si f1 , f2 son
soluciones particulares y {f1 , f2 } es LI (linealmente independiente), entonces
la solucion general son sus combinaciones lineales, es decir
y = C1 f1 + C2 f2
Definici
on 93. Dadas f1 , f2 : A R R, f1 , f2 C 1 . El wronskiano de
f1 y f2 es el siguiente determinante
f1 f2
W = 0
f1 f20
Proposici
on 14.3.2. Dadas f1 , f2 : A R R, f1 , f2 C 1
Si el wronskiano de f1 y f2 es W 6= 0 entonces {f1 (x), f2 (x)} es LI.
Para resolver la ecuacion diferencial homogenea asociada
y 00 + ay 0 + by = 0
primero proponemos como solucion
116
y = ex
y 0 = ex
y 00 = 2 ex
ahora reemplazamos en la ecuacion homogenea asociada y obtenemos
2 ex + aex + bex = 0
sacamos factor com
un ex
ex [2 + a + b] = 0
y puesto que ex > 0 lo dividimos y obtenemos lo que se llama la ecuaci
on
caracterstica
2 + a + b = 0
Al resolverla puede darse solo uno de tres casos posibles
1o Caso: 1 , 2 reales y distintas. En este caso {e1 x , e2 x } ya es linealmente independiente, y la SG es
y = c1 e 1 x + c2 e 2 x
2o Caso: 1 = 2 = reales e iguales. En este caso {ex , xex } resulta
linealmente independiente la SG es
y = c1 e1 x + c2 xe1 x
3o Caso: 1 = r + si, 2 = r si complejas conjugadas. En este caso
{e1 x , e2 x } ya es linealmente independiente. En principio la SG es
117
y = c1 e1 x + c2 e2 x
y = c1 e(r+si)x + c2 e(rsi)x
y = erx [c1 esix + c2 esix ]
Recordemos la Formula de Euler que establece que
eis = cos(s) + i sin(s)
reemplazando en la SG
y = erx [c1 (cos(sx) + i sin(sx)) + c2 (cos(sx) + i sin(sx))]
usando que cos(x) es par (es decir cos(x) = cos(x)) y que sin(x) es
impar (es decir sin(x) = sin(x))
y = erx [c1 (cos(sx) + i sin(sx)) + c2 (cos(sx) i sin(sx))]
y reagrupando
y = erx [(c1 + c2 ) cos(sx) + i(c1 c2 ) sin(sx)]
Llamando C1 = (c1 + c2 ) y C2 = i(c1 c2 ) obtenemos finalmente la SG
del tercer caso
y = arx [C1 cos(sx) + C2 sin(sx)]
14.3.2.
118
propongo yp
ux2 + vx + w
ue2x + vex
u cos(2x) + v sin(2x)
119
(14.1)
(14.2)
0 y1 + 0 y2 = 0
derivando (2)
y 00 = 0 y10 + y100 + 0 y20 + y200
Reemplazando en la ecuacion diferencial
y 00 + ay 0 + by = g(x)
(14.3)
120
obtenemos
lo cual impone
(14.4)
0 y1 + 0 y2 = 0
0 y10 + 0 y20 = g(x)
(14.5)
(14.6)
121
0
y1 y2
0
=
y10 y20
0
g(x)
y lo resuelvo con la regla de Cramer
0
g(x)
0
=
y10
y1
y2
y20
y2
y20
y 1
0
0
y1 g(x)
0 =
y10 y20
y1 y2
Luego se integran ambos parametros para encontrar una primitiva de cada
una, y se reemplazan para obtener la solucion particular
y = (x)y1 (x) + (x)y2 (x)
14.4.
Lneas de campo
Definici
on 94. Dado un campo vectorial f : A Rn Rn , f C 1 , una
lnea de campo es una curva regular C A que admite una parametrizacion
g : [a, b] Rn tal que
g 0 (t) = f (g(t))
para todo a < t < b
Observaci
on 14.4.1. En R2 , dada f : A R2 R2 .
Si C es una lnea de campo de f = (P, Q) con la parametrizacion g(t) =
(x(t), y(t)), entonces debe cumplir
122
Q
P
Otra forma de pensarlo: las lneas de campo son las curvas que en cada punto
tiene la misma pendiente que el campo (P, Q) que es y/x = Q/P , por lo
tanto satisfacen la ecuacion diferencial
y0 =
Q
P
Esto quiere decir que para encontrar la familia de las lneas de campo de f ,
basta encontrar la solucion general de dicha ecuacion diferencial.
Teorema 14.4.2. Si f : A Rn Rn es un campo conservativo, y : A
Rn R es una funcion potencial de f , es decir = f , entonces las lneas
de campo de f son ortogonales a los conjuntos de nivel de .
Demostracion. Consideremos el conjunto de nivel k de
Ck () = {x A : (x) = k}
Sea C1 A una curva includa en Ck () parametrizada por
h : [a, b] Rn
Sea C2 A una lnea de campo del campo f = , parametrizada por
123
g : [c, d] Rn
Supongamos que ambas curvas se cruzan en h(t0 ) = g(u0 ) = x0 A
Consideremos la compuesta w = h, se tiene que
w(t) = (h(t)) = k
Como ambas son diferenciables, por el teorema de la regla de la cadena
w0 (t0 ) = (h(t0 )) h0 (t0 ) = 0
como f = , y h(t0 ) = g(u0 )
f (g(u0 )) h0 (t0 ) = 0
Y como g es una lnea de campo, f (g(u0 )) = g 0 (u0 ), y por lo tanto
g 0 (u0 ) h0 (t0 ) = 0
Lo que muestra que estos vectores tangentes son ortogonales.
Tanto las lneas de campo como el conjunto de nivel eran genericos. Es decir
que las lneas de campo de f y los conjuntos de nivel de son ortogonales
en todo punto de interseccion.
124
y0 =
Q
P
(14.1)
Qdy = P dx
o equivalentemente su ecuacion diferencial es
y0 =
P
Q
(14.2)
De (1) y (2) vemos que dichas familias de curvas son ortogonales. Es decir las
lneas de campo de f y las lneas equipotenciales de son familias de curvas
ortogonales.