Dami Apunte v4

An
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 . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
2. Ecuaciones diferenciales 1o parte

2.1. Ecuaciones Diferenciables . . . . . . . . . . . . . .
2.2. Grado . . . . . . . . . . . . . . . . . . . . . . . . .
2.3. Soluciones de una EDO . . . . . . . . . . . . . . . .
2.4. Ecuaciones Diferenciales de Variables Separables . .
2.5. Ecuacion Diferencial Ordinaria Lineal de 1o Orden .
2.6. Familias de curvas . . . . . . . . . . . . . . . . . .
2.6.1. Familias de curvas ortogonales . . . . . . . .
3. Nociones de Topologa
3.1. Espacio eucldeo . . . . . . . . . . . . . . .
3.2. Entorno . . . . . . . . . . . . . . . . . . .
3.3. Clasificacion topologica de puntos de Rn .
3.4. Clasificacion topologica de subconjuntos de
3.5. Conjunto acotado . . . . . . . . . . . . . .
3.6. Conjunto conexo . . . . . . . . . . . . . .
3.6.1. Conjunto arco-conexo . . . . . . . .
5
. .
. .
. .
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
9. Integral de Lnea y Funci

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

11.1. Definicion para superficie parametrica . . . . . . . . . . . . . .
11.2. Caso superficie grafica de campo escalar . . . . . . . . . . . .
11.3. Caso superficie definida implcitamente . . . . . . . . . . . . .
95
95
96
97
12.C
alculo de Masa, momentos, y centro
99
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. . . .
. . . .
. . . .
en R3
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
13.Teoremas de Green, Stokes y Gauss

103
13.1. Campos irrotacionales, solenoidales, y armonicos . . . . . . . . 104
14.Ecuaciones Diferenciales 2o parte
14.1. Ecuacion diferencial ordinaria homogenea . . . . .
14.2. Ecuacion diferencial total exacta . . . . . . . . . .
14.2.1. Convertible a exacta con factor integrante
14.3. Ecuacion diferencial lineal de 2o orden . . . . . .
14.3.1. Resolucion de la homogenea asociada . . .
14.3.2. Como encontrar una solucion particular . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
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.
CAPITULO 1. NOCIONES PREVIAS
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.
Operaciones con conjuntos
Definici
on 4. La uni
on de dos conjuntos A y B, se denota A B, y es el
conjunto cuyos elementos pertenecen a A o a B o a ambos.
La intersecci
on de dos conjuntos A y B, se denota A B, y es el conjunto
de elementos que pertenecen tanto a A como a B
La diferencia de dos conjuntos A y B, se denota A B, y es el conjunto
de los elementos de A que no 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. PRODUCTO CARTESIANO
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:
A D = {(casa, 1), (arbol, 1), (vaca, 1),

(casa, 1), (arbol, 1), (vaca, 1)}
1.6.
Cardinal
Definici
on 6. Si un conjunto A tiene una cantidad finita de elementos, decimos que es un conjunto finito, y llamamos cardinal a la cantidad de
elementos que posee. En caso contrario decimos que es un conjunto infinito.
Lo denotamos por |A| o por #A
Ejemplo 3. Siguiendo con nuestros ejemplos
|A| = 3
|C D| = 5
|B| =
#R =
1.7.
Relaciones
Definici
on 7. Una relaci
on entre un conjunto A y otro conjunto B es
smplemente un subconjunto del producto cartesiano A B. Si (x, y) R lo
denotamos xRy.
12
Ejemplo 4. Por ejemplo, una relacion de A en D podra ser:

R = {(casa, 1), (arbol, 1), (casa, 1)}
Definici
on 8. Una relacion R de A en s mismo se dice que es
reflexiva, si xRx para todo x A
sim
etrica, si xRy implica yRx para todos x, y A
antisim
etrica, si xRy y yRx implica que y = x para todos x, y A
transitiva, si xRy y yRz implica que xRz para todos x, y, z A
Definici
on 9. Una relacion R de A en s mismo que es reflexiva, simetrica y
transitiva, se dice que es una relaci
on de equivalencia, y se suele denotar
.
Si R es una relacion de equivalencia en A, dado x A, el conjunto de los los
y A tales que xRy se llama la clase de equivalencia de x, y se denota
[x] = {y A : yRx}
Ejemplo 5. Por ejemplo, en Z, la relacion xRy sii 3|y x es una relacion
de equivalencia. Bajo esta relacion de equivalencia se tiene que 5 11, pues
3|(115) = 6. Esta relacion de equivalencia tiene tres clases de equivalencias
0 = {0 + 3k : k Z}
1 = {1 + 3k : k Z}
2 = {2 + 3k : k Z}
Uniendo todas las clases de equivalencias, obtenemos el conjunto completo
Z=012
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

1. Para todo a A existe b B tal que (a, b) R. Es decir todo elemnto
del dominio se relaciona con uno del codominio.
2. Si (a, b) y (a, c) pertenecen a R, entonces b = c. Es decir que el elemento
con el que se relaciona es u
nico.
Definici
on 15. Dados dos conjuntos A y B, y una 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 }
1.9. ESTRUCTURAS ALGEBRAICAS
15
Observamos que en ning

un momento en la definicion de funcion se requiere
tener una expresion tipo formula para calcular los elementos de la imagen.
Comprender esto es importante para los temas de derivada de funcion definida implcitamente por una ecuacion, y ecuaciones diferenciales, que vienen
luego en la materia.
Definici
on 17. Sean f : A B y g : B C dos funciones. Observar que
existe una u
nica funcion h : A C tal que h(x) = g(f (x)). Decimos que h
es la funci
on compuesta de f con g y la denotamos h = g f .
1.9.
Estructuras algebraicas
Definici
on 18. Un grupo es un conjunto G con una 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.
3. La multiplicacion se distribuye sobre la suma, es decir dados a, b, c R

se tiene a (b + c) = ab + ac y (b + c) a = ba + ca
Si ademas resulta que la multiplicacion es conmutativa, se dice que es un
anillo conmutativo.
Ejemplo 11. Algunos ejemplos de anillos
1. (R22 , +, ) es un anillo no conmutativo.
2. (Z, +, ) es un anillo conmutativo.
Definici
on 20. Un cuerpo es un conjunto K con dos funciones + : K
K K, y : K K K tales que (K, +, ) es un anillo conmutativo y
ademas (K {0}, ) es grupo conmutativo.
Ejemplo 12. Algunos ejemplos de cuerpos
(Q, +, )
(R, +, )
(C, +, )
Observar que (Z, +, ) no es un cuerpo, en particular 2 no tiene inverso multiplicativo en Z.
Definici
on 21. Un espacio vectorial es un conjunto V y un cuerpo K
con una funcion + : V V V y una funcion : K V V tal que
1. (V, +) es grupo conmutativo.
2. 1 v = v para todo v V
3. a(bv) = (ab)v para todo a, b K y v V
4. k(v + w) = kv + kw para todo k K y v, w V
1.9. ESTRUCTURAS ALGEBRAICAS
17
5. (k + q)v = kv + qv para todo k, q K y v V

Ejemplo 13. V = (Rn , +, R, ) es un espacio vectorial. Es el principal espacio vectorial con el que trabajamos en esta materia.
Definici
on 22. Un espacio con producto interno es un espacio vectorial
V sobre el cuerpo K (que debe ser R o C) y con una funcion h, i : V V
K tal que para todo u, u0 , v V y K se tiene
1. hu + u0 , vi = hu, vi + hu0 , vi
2. hu, vi = hu, vi
3. hu, vi = hv, ui
4. hv, vi > 0 si v 6= 0
Ejemplo 14. En Rn podemos definir el producto interno usual como
uv =
n
X
ui vi = u1 v1 + u2 v2 + . . . + un vn
i=1
donde u = (u1 , . . . , un ) y v = (v1 , . . . , vn ) Rn .

Tambien se lo conoce como producto punto, o producto escalar.
Luego Rn con el producto forma un espacio con producto interno.
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
CAPITULO 2. ECUACIONES DIFERENCIALES 1o PARTE
20
Ejemplo 15. y 00 + 8xy 0 13y = 1 es una EDO de 2o orden.
2.2.
Grado
Definici
on 24. Decimos que una EDO tiene forma polin
omica si la podemos expresar de la siguiente forma:
pn (x)(y (n) )an + . . . + p1 (x)(y 0 )a1 + p0 (x)y a0 = q(x)
donde an , . . . , a0 N
En dicho caso, el grado de la EDO es el del exponente de la derivada de
mayor orden.
Por ejemplo, (y 000 )2 + y 00 + (y 0 )3 = x tiene grado 2.
2.3.
Soluciones de una EDO
Definici
on 25. Una 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. ECUACIONES DIFERENCIALES DE VARIABLES SEPARABLES21

3. Una soluci
on singular (SS) es una funcion que verifica la EDO pero
no se deduce de la SG asignando valores a sus constantes.
Ejemplo 16. En el siguiente grafico representamos las soluciones de la
ecuacion diferencial xy 0 = y + x cos2 (y/x), y resaltamos en azul la solucion
particular que satisface y(1) = 4
2.4.
Ecuaciones Diferenciales de Variables Separables
Definici
on 26. Una EDO se dice que es de variables separables si mediante operaciones algebraicas se la puede llevar a la forma
y0 =
p(x)
q(y)
o, usando la notacion de Leibniz

q(y)dy = p(x)dx
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
DIFERENCIAL ORDINARIA LINEAL DE 1o ORDEN23

2.5. ECUACION
Demostracion. Hay varios metodos de resolucion para una EDO lineal de 1o
orden.
Uno facil es el siguiente: empezamos por realizar la sustitucion
y = uv
con lo cual nos queda
y 0 = u0 v + uv 0
reemplazamos
u0 v + uv 0 + p(x)uv = q(x)
Ahora sacar factor com
un v (o u, la relacion es en principio simetrica)
v[u0 + p(x)u] + uv 0 = q(x)
Imponemos la condicion de que lo que multiplica a v sea cero
u0 + p(x)u = 0
Nos queda una EDO en u de variables separables
Z
du
=
u
Z
p(x)dx
Buscamos una SP de la misma (no hace falta la constante arbitraria), obtenemos

u = e
p(x)dx
Ahora reemplazamos la SP de u encontrada en la EDO y nos queda
24
p(x)dx 0
v = q(x)
Y nos quedo una EDO en v de variables separables, la resolvemos

Z
Z
dv =
q(x)e
p(x)dx
dx
Esta vez queremos la SG de v (por eso va la constante arbitraria)

Z
v=
q(x)e
p(x)dx
dx + C
Finalmente reemplazamos u y v (no olvidar distribuir el parentesis)

y = uv
y=e
p(x)dx
q(x)e
p(x)dx
dx + Ce
p(x)dx
Como se podra imaginar, no es sencillo recordar dichar formula, es por eso

que se aconseja en cambio recordar el metodo de resolucion, es decir recordar
sustituir y = uv y hacer los mismos pasos.
2.6.
Familias de curvas
Definici
on 29. Dada una 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
2.6. FAMILIAS DE CURVAS
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.
Familias de curvas ortogonales
Definici
on 30. Sean C1 y C2 en R2 dos curvas que se cortan en A = (x0 , y0 ),
es decir tal que A C1 C2 . Decimos que C1 y C2 son curvas ortogonales
en A si admiten vector tangente en dicho punto, y los mismos son ortogonales (o equivalentemente, si admiten rectas tangentes en dicho punto, y las
mismas son ortogonales).
Es decir, si g1 : [a, b] R2 y g2 : [c, d] R2 son parametrizaciones regulares
de C1 y C2 respectivamente, tal que g1 (t1 ) = g2 (t2 ) = A, entonces g10 (t1 )
g20 (t2 ) = 0
Dos familias de curvas F1 y F2 se dicen familias de curvas ortogonales,
si para toda C1 F1 , C2 F2 , resultan ser curvas ortogonales para todo
punto de interseccion A C1 C2 .
Los siguientes graficos representan familias de curvas ortogonales.
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
2.6. FAMILIAS DE CURVAS

Demostracion. (Enfoque Cartesiano)
Sabemos que si tenemos dos rectas que pasan por (x0 , y0 ) de ecuaciones
y1 y0 = m1 (x x0 )
y2 y0 = m2 (x x0 )
entonces las mismas son ortogonales sii m2 = 1/m1 .
Sean las curvas C1 F1 , C2 F2 de ecuacion
y1 = y1 (x)
y2 = y2 (x)
Las mismas admiten recta tangente en (x0 , y0 )
y = y1 (x0 ) + m1 (x x0 )
|{z}
y10 (x0 )
y = y2 (x0 ) + m2 (x x0 )
|{z}
y20 (x0 )
y luego las mismas son ortogonales sii se cumple

1
y20 (x0 ) = y0 (x
0)
1
Demostracion. (Enfoque parametrico)

Dadas las curvas C1 F1 , C2 F2 de ecuaciones
y = y1 (x)
y = y2 (x)
Las podemos parametrizar como
g1 (t) = (t, y1 (t))
g2 (t) = (t, y2 (t))
Luego podemos encontrar vectores tangentes a cada una derivando
27
28
g10 (t) = (1, y10 (t))

g20 (t) = (1, y20 (t))
y estos son ortogonales sii su producto escalar es cero
g10 (t) g20 (t) = 0
(1, y10 (t)) (1, y20 (t)) = 0
1 + y10 (t)y20 (t) = 0
Finalmente,
y20 (t) = y01(t)
1
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
||~v || = ~v ~v = v12 + v22 + . . . vn2

29
CAPITULO 3. NOCIONES DE TOPOLOGIA
30
y dados v, w Rn , definimos su distancia como

d(v, w) = ||w v|| =
p
(w1 v1 )2 + (w2 v2 )2 + . . . + (wn vn )2
y su
angulo como
cos() =
3.2.
~v w
~
||~v || ||w||
~
Entorno
Definici
on 34. Dados x Rn y r > 0
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
El conjunto contiene a todos sus puntos frontera.

El conjunto contiene a todos sus puntos de acumulacion.
El complemento del conjunto es abierto.
Observaci
on 3.4.1. Un conjunto puede no ser ni abierto ni cerrado. Por
ejemplo [0, 1) R.
Ademas un conjunto puede ser abierto y cerrado a la vez. Por ejemplo y
Rn .
3.5.
Conjunto acotado
Definici
on 38. Un conjunto A Rn se dice que es un conjunto acotado si
el mismo esta contenido en alg
un entorno del origen, es decir si A E(0, r)
para alg
un r > 0.
3.6.
Conjunto conexo
Intuitivamente, un conjunto conexo es aquel formado por una sola pieza,

que no se puede dividir.
Definici
on 39. Una escisi
on de un conjunto X Rn son dos conjuntos
disjuntos abiertos A, B tales que X A B. Decimos que la misma es no
trivial si A X 6= y B X 6= .
Un conjunto X Rn es un conjunto conexo si no admite escisiones no
triviales.
En caso contrario decimos que es disconexo.
Ejemplo 17. Para ejemplificar esta parte vamos a utilizar estos tres conjuntos
A = Rn
B = S 1 = {(x, y) R2 : x2 + y 2 = 1}
3.6. CONJUNTO CONEXO
33
C = D2 (4, 4) = {(x, y) R2 : (x 4)2 + (y 4)2 1}

Los tres conjuntos A, B y C son conjuntos conexos.
En cambio D = B C es disconexo, pues si X = E((0, 0), 2)) y Y =
E((4, 4), 2) se tiene X e Y abiertos, y disjuntos, D X Y , X D 6= ,
Y D 6= , luego se trata de una escision no trivial y el conjunto D es
disconexo.
3.6.1.
Conjunto arco-conexo
Definici
on 40. Si a, b Rn , un camino de a a b es una 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.
Conjunto conexo por poligonales
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.
Conjunto smplemente conexo
Esta es la nocion mas compleja de conexidad que vemos. Intuitivamente,

un conjunto es smplemente conexo si toda curva cerrada simple (curva de
Jordan) se puede deformar contnuamentehasta llegar a un punto. En R2
esto sera equivalente a decir que el conjunto no tiene ag
ujeros.
DE FUNCIONES
3.7. CLASIFICACION
35
Mas formalmente, si denotamos S 1 al crculo unitario de R2 y D2 al disco

unitario de R2 , es decir
S 1 = {(x, y) R2 : x2 + y 2 = 1}
D2 = {(x, y) R2 : x2 + y 2 1}
entonces se tiene la siguiente
Definici
on 46. Un conjunto X es un conjunto smplemente conexo
si es arco-conexo, y 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
Si n = m = 1 decimos que f es una funci

on escalar.
Si n = 1 y m > 1 decimos que f es una funci
on vectorial.
Si n > 1 y m = 1 decimos que f es un campo escalar.
Si n > 1 y m > 1 decimos que f es un campo vectorial.
Tiene sentido decir que las funciones mas generales que estudiamos son los
campos vectoriales, y que las otras son casos particulares, y que la 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
CAPITULO 4. LIMITE Y CONTINUIDAD
38
Para funciones vectoriales y campos vectoriales es u

til el siguiente teorema:
Teorema 4.1.2. Sea f : A Rn Rm con funciones coordenadas f =
(f1 , . . . , fm ) y x0 A0 , entonces el lmite lmxx0 f (x) existe si y solo si
existen todos los lmites lmxx0 fi (x) = li con 1 i m, y en dicho caso el
lmite de f es lmxx0 f (x) = (l1 , . . . , lm )
4.1.1.
Como probar que un lmite no existe
Primero necesitamos esta

Definici
on 51. Sea A Rn y sea x A0 . Un camino que pasa por x0
es un subconjunto B A tal que x0 B 0 (es decir el punto x0 es punto de
acumulacion tambien de B).
Dada una funcion f , para probar que no existe el lmite cuando x tiende a
x0 , suele resultar muy u
til la siguiente
Proposici
on 4.1.3. Sea f : A Rn R, si existe el lmite lmxx0 f (x) = l
y si B A es un camino que pasa por x0 , y si g : B Rn R es la
restriccion de f a B, entonces tambien existe lmxx0 g(x) = l.
Esto nos da un criterio para determinar cuando un lmite no existe: podemos
probar por distintos caminos, y si por alguno de ellos el lmite no existe, o
por dos de ellos existen pero dan valores distintos, entonces el lmite de la
funcion original no existe, ya que de otra forma debera existir y ser iguales.
Observaci
on 4.1.4. Aunque pruebe por 727 caminos y todos coincidan en
el lmite, esto no alcanza para asegurar que el lmite de la funcion original
exista. Es decir dicha condicion es necesaria pero no suficiente. Siempre podra haber otro camino por el cual el lmite de distinto o no exista. Por lo
tanto este criterio sirve para probar que un lmite no existe, pero no sirve
para probar que un lmite exista.
Claro, a no ser que tome por camino a todo A, o a B(x0 , r) A por ejemplo.
Otra herramienta para determinar cuando un lmite no existe son los lmites
laterales: si estos no coinciden el lmite de la funcion original no existe.
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
Como Lyx 6= Lxy no existe el lmite pedido.
4.1.2.
Como probar que un lmite existe
Una forma que funciona a veces es utilizar el siguiente teorema, familiar desde
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
el lm(x,y)(0,0) f (x, y) = 0, pues realizando la sustitucion u = x2 + y 2 se tiene

que cuando (x, y) (0, 0) entonces u 0 (pues x2 + y 2 es contnua), y por
lo tanto el lmite pedido equivale a lmu0 sin(u)
=1
u
4.2.
Continuidad
Definici
on 52. Dado un campo vectorial f : A Rn Rm , y un punto
x0 A, decimos que f es contnua en x0 si para todo E(f (x0 ), ) existe un
E(x0 , ) tal que f (E(x0 , ) A) E(f (x0 ), )
Observaci
on 4.2.1. 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.
Propiedades de funciones contnuas
Las siguientes funciones son contnuas en todo su dominio
4.2. CONTINUIDAD
41
Funciones polinomicas, de cualquier cantidad de variables. Ejemplo:

x2 + 3xy + z 3 es una funcion contnua en R3
La funcion exponencial f (x) = ex es contnua en R
Las funciones trigonometricas sin(x) y cos(x) son contnuas en R
Proposici
on 4.2.3. Supongamos que las funciones g, h : A Rn Rm son
contnuas en x0 A.
Entonces son contnuas en x0 las siguientes funciones
f =gh
Si ademas m = 1, es decir se trata de campos escalares, tiene sentido multiplicarlos, y es contnua la funcion
f =gh
y tambien tiene sentido dividirlos en los puntos donde no se anula el denominador, y en dichos puntos el cociente es una funcion contnua, es decir en
los puntos donde h(x0 ) 6= 0 es contnua la funcion
f = g/h
Para analizar la continuidad de una funcion vectorial o de un campo vectorial,
suele ser u
til la siguiente
Observaci
on 4.2.4. Si f : A Rn Rm tiene funciones coordenadas
f = (f1 , f2 , . . . , fm ) entonces f es contnua en x0 si y solo s cada componente
fi es contnua en x0 para todo 1 i m.
Tambien resulta muy u
til el siguiente
Teorema 4.2.5. Si f : A Rn Rm es contnua en x0 y g : B Rm Rp
es contnua en y0 = f (x0 ), y si existe la funcion compuesta h = g f (es
decir f (A) B), entonces h es contnua en x0 .
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
si dicho lmite existe. Sino, se dice que f no es derivable en dicho punto.
Si es derivable en todo el dominio tiene sentido definir la funcion derivada

f 0 (t) que a cada punto t0 le asigna la derivada de la funcion f . Cuando decimos que f es derivable, sin aclarar el punto, nos referimos a que es derivable
en todo su dominio.
Para calcular la derivada suele ser u
til la siguiente
Observaci
on 5.1.1. Si f (t) = (f1 (t), f2 (t), . . . , fn (t)) entonces f es derivable si y solo si todas sus funciones coordenadas fi son derivables, y en ese
caso el valor de la derivada viene dada por g 0 (t) = (g10 (t), g20 (t), . . . , gn0 (t))
43
CAPITULO 5. DERIVABILIDAD
44
5.1.1.
Interpretaci
on geom
etrica
Si f : [a, b] Rn es la parametrizacion de una curva C, y si ademas f es

derivable en t0 , entonces f 0 (t0 ) es un vector tangente a dicha curva en el
punto f (t0 ).
En este caso tiene sentido la siguiente

Definici
on 54. Sea f : [a, b] Rn parametrizacion de una curva C, y
derivable en t0 . Entonces la recta tangente a C en x0 = f (t0 ) es de
ecuacion parametrica
x = f (t0 ) + f 0 (t0 )
con R.
Ademas el plano normal a C en x0 es de ecuacion cartesiana
(x f (x0 )) f 0 (t0 ) = 0
5.2.
Derivadas parciales, direccionales, y respecto a un vector
Definici
on 55. Sea f : A Rn Rm y x0 A , y sea v Rn . Entonces
definimos la derivada de f en x0 respecto al vector v como
5.2. DERIVADAS PARCIALES, DIRECCIONALES, Y RESPECTO A UN VECTOR45
f (x0 + hv) f (x0 )

h0
h
fv0 (x0 ) = lm
si dicho lmite existe.
Si ademas v es un versor, es decir si ||v|| = 1, decimos que dicho lmite es

la derivada direccional de f respecto a la direcci
on v.
Si ademas v es un versor canonico de Rn , es decir si
(
1 i=j
v = ei = ij =
,
0 i 6= j
decimos que dicho lmite es la derivada parcial de f respecto a xi
Otras notaciones equivalente son
(x0 )
fv0 (x0 ) = f 0 (x0 , v) = Dv f (x0 ) = f
v
p
Ejemplo 20. Dada f (x, y) = 3 x2 y 2 . Calculemos las derivadas parciales de f en (1, 0)
Cuando queremos hacer una derivada parcial, y pensamos las demas variables como constantes, si podemos aplicar la regla de la cadena de Analisis 1
(verificar hipotesis), decimos que estamos aplicando la regla pr
actica. En
este caso
2x
fx0 (x, y) = p
2 3 x2 y 2
2y
fy0 (x, y) = p
2 3 x2 y 2
Luego
fx0 (1, 0) =
1
1
=
31
2
0
fy0 (1, 0) =
=0
31
46
Podemos interpretar la derivadas direccional respecto a v como la pendiente

de una recta tangente a la grafica de z = f (x, y) en la direccion de v.
En el siguiente grafico se representa la grafica de z = f (x, y), y su recta
tangente en (1, 0, f (1, 0)) en la direccion de y. Vemos que la recta resulta ser
horizontal, lo que concuerda con que fy0 (1, 0) = 0 es decir que tiene pendiente
nula.
Definici
on 56. Dada f : A Rn Rm ,
Decimos que f es derivable respecto a v Rn , sin aclarar el punto, si lo
es para todo x Rn .
Decimos que f es derivable en x0 A , sin aclarar el vector, si lo es
respecto a todo v Rn .
Decimos que f es derivable, sin aclarar ni el punto ni el vector, si lo es
para todo x A y respecto a todo v Rn .
El siguiente teorema es u
til para derivar funciones vectoriales o campos vectoriales coordenada a coordenada.
Teorema 5.2.1. 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
Llamamos propiedad de homogeneidad de la derivada a la siguiente proposicion

Proposici
on 5.2.2. Si existe la derivada direccional f 0 (x0 , v) y k R, k 6= 0,
entonces
f 0 (x0 , kv) = kf 0 (x0 , v)
Demostracion. Por definicion
f (x0 + hkv) f (x0 )
h0
h
f 0 (x0 , kv) = lm
multiplico y divido por k 6= 0
= k lm
h0
f (x0 + hkv) f (x0 )

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

f (x0 + uv) f (x0 )
u0
u
= k lm
Finalmente
= kf 0 (x0 , v)
De la propiedad de homogeneidad se desprende facilmente el siguiente

Corolario 5.2.3. Sea f derivable en x0 , entonces
f 0 (x0 , v) = f 0 (x0 , v)
48
f 0 (x0 , v) = ||v||f 0 (x0 , v) (donde v =
v
)
||v||
Demostracion. Para el primero basta tomar k = 1. Para el segundo k =

||v||.
5.2.2.
Derivadas parciales sucesivas
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
En palabras sencillas, lo que dice el teorema de Schwarz es que bajo ciertas

condiciones, no importa en que orden derivemos va a dar lo mismo. Es decir

que bajo esas condiciones nos garantiza que las derivadas sucesivas mixtas
son iguales.
Teorema 5.2.4. Sea el campo escalar f : A Rn R, si existen fx00i xj , fx00j xi
y son contnuas en un entorno del punto x0 A entonces
fx00i xj (x0 ) = fx00j xi (x0 )
es decir las derivadas sucesivas mixtas son iguales.
No es facil encontrar ejemplos de funciones cuyas derivadas sucesivas mixtas
no sean iguales.
En 1873 el matematico H.A. Schwarz produjo el siguiente ejemplo
(
x2 arctan(y/x) y 2 arctan(x/y) x 6= 0, y 6= 0
f (x, y) =
0
en otro caso
Para esta funcion en (0, 0) se tiene que
00
00
fxy
(0, 0) = 1 6= fyx
(0, 0) = +1
5.2.4.
Funci
on clase C 1
Definici
on 58. Si f : A Rn Rm con A abierto, es tal que posee todas
sus derivadas parciales y son contnuas en A, entonces decimos que f es de
clase C 1 y lo denotamos
f C1
Del mismo modo si tiene todas sus derivadas parciales segundas y son contnuas
decimos que f C 2 .
Analogamente se dice que f C k si sus derivadas parciales de orden k existen
y son contnuas en el abierto A.
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)
Es decir las derivadas sucesivas mixtas de orden k son iguales.
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.
5.3. CURVAS Y SUPERFICIES
51
Dicha curva puede parametrizarse por
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)
Veamos cuales de ellos son regulares

g 0 (0)
g 0 (/2)
g 0 ()
g 0 (2)
=
=
=
=
a(0, 0)
a(1, 1)
a(2, 0)
a(0, 0)
52
Por lo tanto los puntos X1 y X2 son regulares, y los puntos X0 y X3 no lo son

(se dice que son singulares). Ademas en X2 el vector tangente es horizontal,
de hecho la recta tangente en dicho punto es la recta horizontal de ecuacion
y = 2a
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
f (ha, hb) 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
Luego la funcion es derivable en (0, 0) y sus derivadas valen

(
0
f ((0, 0), (a, b)) =
a2
b
b 6= 0
b=0
Pero esta funcion no es contnua en (0, 0) pues f (0, 0) = 0, pero si nos

restringimos al camino y = x2 tenemos
lm
x0 y=x
x2
= 1 6= 0
x0 x2
f (x, y) = lm
2
Por lo tanto la funcion no es contnua en (0, 0).

La idea de esta seccion es generalizar la idea de derivada de Analisis 1 en
un nuevo concepto que vamos a llamar diferenciabilidad, de forma tal que
este nuevo concepto implique continuidad, as como lo haca el concepto de
derivabilidad en una variable.
Primero recordemos la definicion de funcion derivable en un punto de Analisis
1.
Definici
on 60. Una funcion escalar f : A R R es derivable en x0 A
si existe el siguiente lmite
f (x0 + h) f (x0 )
h0
h
f 0 (x0 ) = lm
Pero esto equivale a pedir
f (x0 + h) f (x0 ) hf 0 (x0 )

=0
h0
h
lm
DE FUNCION
DIFERENCIABLE
6.1. DEFINICION
55
O sea es derivable sii existe una funcion escalar : A R tal que

f (x0 + h) f (x0 ) f 0 (x0 )h = h(h)
con
lm (h) = 0
h0
Por otro lado, la expresion f 0 (x0 )h es una transformacion lineal T : R R,

h T (h).
Por lo tanto podemos decir que f es derivable sii existe una transformacion
lineal T : R R y un campo escalar : A R tales que
f (x0 + h) f (x0 ) = T (h) + h(h)
con
lm (h) = 0
h0
Ahora s estamos en condiciones de definir funcion diferenciable en un punto:
6.1.
Definici
on de funci
on diferenciable
Definici
on 61. Un campo vectorial f : A Rn Rm se dice que es una
funci
on diferenciable en x0 A si existe una 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
56
A la transformacion lineal asociada T la llamamos el diferencial de f en

x0 .
Esta definicion tiene concecuencias importantes. Veremos algunas de ellas en
las siguientes secciones.
6.2.
Diferenciabilidad implica Derivabilidad
Teorema 6.2.1. Sea el campo vectorial f : A Rn Rm diferenciable en

x0 , entonces f es derivable en x0 , y ademas las derivadas valen
f 0 (x0 , v) = Df (x0 ) v
Demostracion. Como f es diferenciable en x0 existen una transformacion
lineal T : Rn Rm y un campo vectorial : Rn Rm tales que
f (x0 + h) f (x0 ) = T (h) + ||h||(h)
Considerando h = k
v
f (x0 + k
v ) f (x0 ) = T (k
v ) + ||k
v ||(k
v)
f (x0 + k
v ) f (x0 ) = kT (
v ) + |k|(k
v)
dividiendo por k y tomando lmite k 0
|k|
f (x0 + k
v ) f (x0 )
= lm T (
v) +
(k
v)
k0
k0
k
k
lm
Y como T (
v ) no depende de k, y como
|k|
k
es acotada y 0, se tiene
f 0 (x0 , v) = T (
v)
Corolario 6.2.2. 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 )
6.3. DIFERENCIABILIDAD IMPLICA CONTINUIDAD
57
Demostracion. Por el teorema anterior f 0 (x~0 , v) = T (

v ). Haciendo v = ei
0
tenemos f (x~0 , ei ) = T (ei ).
Para ver que la transformacion lineal es u
nica, como {ei }1in es una base
n
de Rn , cualquier vector
x
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
Al diferencial T de f en x0 lo vamos a denotar tambien df . Y a la matriz

[T ] asociada al diferencial la vamos a llamar la matriz jacobiana de f en
x0 , y la denotamos Df .
6.3.
Diferenciabilidad implica Continuidad
Teorema 6.3.1. Sea el campo vectorial f : A Rn Rm diferenciable en

x0 A , entonces f es contnuo en x0 .
Demostracion. Como f es diferenciable en x0 existen una (
unica) transforn
m
m
macion lineal T : R R y un campo vectorial : A R tales que
58
f (x0 + h) f (x0 ) = T (h) + ||h||(h)

Tomando lmite h 0
lm f (x0 + h) f (x0 ) = lm T (h) + ||h|| (~h)
h0 | {z }
|{z} |{z}
h0
O sea
lm f (x0 + h) f (x0 ) = 0
h0
lm f (x0 + h) = f (x0 )
h0
Sustituyendo x = x0 + h queda h = x x0 , y cuando h 0 se tiene x x0 ,

reemplazando:
lm f (x) = f (x0 )
xx0
lo cual nos dice que el lmite existe y es igual al valor de la funcion en el

punto, o sea que f es contnua en x0 .
6.4.
Gradiente
Definici
on 63. Sea el campo escalar f : A Rn Rm , y x0 A , si existen
las derivadas parciales de f en x0 , definimos el vector gradiente f (x0 )
de f en x0 como el vector cuyas coordenadas son las derivadas parciales de
f en x0 , es decir como
f (x0 ) = (fe01 (x0 ), fe02 (x0 ), . . . , fe0n (x0 ))
6.5. EL GRADIENTE ES NORMAL AL CONJUNTO DE NIVEL
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.
El gradiente es normal al conjunto de

nivel
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.
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]
donde es el angulo entre f (x0 ) y v.

Para que dicha derivada sea maxima se requiere cos() = 1, por lo tanto el
valor maximo que toma es ||f (x0 )||, y esto ocurre cuando el angulo es 0, es
f (x0 )
decir cuando v = rmax = ||f
(x0 )||
Por la propiedad de homogeneidad, la mnima derivada direccional es ||f (x0 )||
y ocurre en la direccion v = rmin = rmax
Finalmente, supongamos que n = 2, y buscamos las direcciones de derivada
direccional nula, es decir tales que
6.7. C 1 IMPLICA DIFERENCIABLE
61
fv0 (x0 ) = 0 = f (x0 ) v

Es decir estamos buscando los versores normales a f (x0 ).
Dado el vector f (x0 ) = (a, b), una forma facil de encontrar un vector normal
es intercambiar las coordenadas y cambiarle el signo a una. Luego dividimos
por la norma y obtuvimos un versor normal. El otro es smplemente el opuesto
aditivo. Es decir las direcciones de derivada direccional nula son
vnul1 =
(b, a)
||(a, b)||
y
vnul2 = vnul1
6.7.
C 1 implica diferenciable
Teorema 6.7.1. Sea el campo escalar f : A Rn Rm con A abierto. Si

f C 1 , entonces f es diferenciable en todo x A.
Observaci
on 6.7.2. Una funcion f puede ser diferenciable y a
un as f 6 C 1 .
Por ejemplo, la siguiente funcion es diferenciable en R, pero su derivada f 0 (x)
no es contnua en el origen.
(
x2 sin( x1 ) si x 6= 0
f (x) =
0
si x = 0
62
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.
CAPITULO 7. FUNCIONES COMPUESTAS E IMPLICITAS
Regla de la Cadena
Teorema 7.2.1. Sean f : A Rn Rm diferenciable en x0 A , y

g : B Rm Rp diferenciable en y0 = f (x0 ) B , tales que f (A) B
Entonces la funcion compuesta h : A Rp es diferenciable en x0 , y ademas
el diferencial de h en x0 es igual a la composicion de los diferenciales de f
en x0 con el de g en y0 , de la siguiente manera
dh(x0 ) = dg(y0 ) df (x0 )
O lo mismo expresado matricialmente, la matriz jacobiana de la compuesta
es igual al producto de las matrices jacobianas de la siguiente manera
Dh(x0 ) = Dg(y0 ) Df (x0 )
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.
7.4. TEOREMA DE CAUCHY-DINI
65
Notar que globalmente la relacion entre x, y y z no es funcional, pues por

ejemplo tanto el (0, 0, 1) como el (0, 0, 1) satisfacen la ecuacion, pero f (0, 0)
debe tener una u
nica imagen. En particular, la funcion definida implcitamente no tiene porque ser u
nica, otra funcionpdefinida implcitamente por la
misma ecuacion es g : D2 R2 , g(x, y) = 1 x2 y 2
7.4.
Teorema de Cauchy-Dini
Teorema 7.4.1. Teorema de Cauchy-Dini Sea F : A Rn+1 R con A

abierto y F C 1 , y sea la ecuacion F (x1 , . . . , xn , y) = 0.
Sea ademas P = (a1 , . . . , an , y0 ) A, tal que F (P ) = 0, y Fy0 (P ) 6= 0.
Entones la ecuacion define implcitamente a y como funcion de x1 , . . . , xn
en un entorno de Py = (a1 , . . . , an ), y resulta que f es diferenciable en Py , y
ademas
fx0 i (Py ) =
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
CAPITULO 7. FUNCIONES COMPUESTAS E IMPLICITAS
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
CAPITULO 8. POLINOMIO DE TAYLOR Y EXTREMOS
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
T1 (u, v) = f (x0 , y0 ) + df(x0 ,y0 ) (u, v)

= f (x0 , y0 ) + fx0 (x0 , y0 )u + fy0 (x0 , y0 )v
Y el polinomio de Taylor de segundo grado de f en (x0 , y0 ) es
1 2
d f(x0 ,y0 ) (u, v)
2!
= f (x0 , y0 ) + fx0 (x0 , y0 )u + fy0 (x0 , y0 )v +

1 00
00
00
+
fxx (x0 , y0 )u2 + 2fxy
(x0 , y0 )uv + fyy
(x0 , y0 )v 2
2!
T2 (u, v) = f (x0 , y0 ) + df(x0 ,y0 ) (u, v) +
Mas generalmente, si f : A Rn R, f C k , x0 A, y llamando

u = x x0 , el polinomio de Taylor de f de grado k en x0 es
Tk (u) = f (x0 ) + dfx0 (u) +
1
1 2
d fx0 (u) + . . . + dk fx0 (u)
2!
k!
El polinomio de Taylor sirve para aproximar la funcion en un entorno del

punto donde fue calculada. Es decir si f C k y Tk (u) es el polinomio de
grado k de f en x0 , entonces
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
Sabemos que R es un conjunto totalmente ordenado (ver definicion 12), y

por lo tanto cualquier subconjunto B R tambien hereda un orden total.
Tiene sentido entonces para B R preguntar si tiene un maximo o un
mnimo.
Por ejemplo, si A = (0, 1], entonces A tiene un maximo y es el elemento
1 A, pero no tiene ning
un mnimo.
Definici
on 67. Sea f : A Rn R un campo escalar, y sea Y = Im(f )
R el conjunto imagen de f .
Si Y tiene un maximo, decimos que es el m
aximo absoluto de f .
Si Y tiene un mnimo, decimos que es el mnimo absoluto de f .
Definici
on 68. Sea f : A Rn R un campo escalar, x0 A, E =
E(x0 , ) un entorno de x0 de radio > 0, y g = f |E , es decir la funcion f
restringida al entorno E, y sea YE = Im(g) la imagen de la funcion as restringida.
Si YE tiene un maximo, decimos que es un m
aximo relativo de f relativo
a x0 .
Si YE tiene un mnimo, decimos que es un mnimo relativo de f relativo
a x0 .
Definici
on 69. Llamamos extremos a los maximos y mnimos (absolutos
y relativos) de f .
Observaci
on 8.2.1. Las definiciones anteriores las podemos expresar tambien de la siguiente manera.
Sea el campo escalar f : A Rn R, y x0 A, entonces:
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.
Criterio de la derivada primera
Antes de enunciar el criterio, vamos a necesitar esta

Definici
on 70. Sea f : A Rn R. Un punto crtico de f es un elemento x0 A tal que o bien f no es diferenciable en x0 , o bien es diferenciable
en x0 pero f (x0 ) = 0.
Si x0 es punto crtico, pero f (x0 ) no es extremo, decimos que (x0 , f (x0 )) es
punto silla.
Ahora si enunciamos el criterio de la derivada primera
Teorema 8.2.3. Criterio de la derivada primera
Sea f : A Rn R, f C 1 , entonces una condicion necesaria para que
f (x0 ) sea extremo, es que x0 sea punto crtico.
Es decir que el criterio de la derivada primera nos dice que si x0 A es punto
crtico, entonces o bien f (x0 ) es extremo, o bien (x0 , f (x0 )) es punto silla.
Demostracion. Sea g(t) = x0 + tv para un versor v Rn , y considero la
composicion
8.2. MAXIMOS
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.
Criterio de la derivada segunda
Antes de enunciar el criterio de la derivada segunda nos va a ser u

til la
siguiente
Definici
on 71. Sea f : A Rn R, f C 2 .
La matriz Hessiana es la matriz jacobiana del gradiente de f . Es decir:
fx001 x1 fx001 x2 . . . fx001 xn

fx00 x fx00 x . . . fx00 x
2 1
2 2
2 n
Hf =
...
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
73
Teorema 8.2.6. Criterio de Sylvester

Sea M Rnn una matriz cuadrada y simetrica.
Sean las n submatrices Mp = (aij )1i,jp con 1 p n.
A sus determinantes det(Mp ) con 1 p n se los conoce somo sus menores
principales.
El criterio de Sylvester dice que
M es definida positiva sii todos sus menores principales son positivos,
es decir det(Mp ) > 0 para 1 p n
M es definida negativa sii sus menores principales son de la forma
det(M1 ) < 0, det(M2 ) > 0, det(M3 ) < 0, . . ., es decir (1)p det(Mp ) > 0
para 1 p n. Es decir van intercambiando signo empezando por
negativo.
No lo encontre en la bibliografa, y no estoy seguro de si sera cierto, pero se
me ocurre que a lo mejor tambien es cierto lo siguiente:
M es semidefinida positiva sii todos sus menores principales son no
negativos, es decir det(Mp ) 0 para 1 p n
M es semidefinida negativa sii sus menores principales son de la forma
det(M1 ) 0, det(M2 ) 0, det(M3 ) 0, . . ., es decir (1)p det(Mp ) 0
para 1 p n.
M es no definida sii tiene menores principales tanto positivos como
negativos.
Ahora si enunciamos el criterio de la derivada segunda
Teorema 8.2.7. Criterio de la derivada segunda
Sea f : A Rn R, f C 2 y x0 A punto crtico. Entonces si la
matriz hessiana de f en x0 es definida positiva (Ver 72), la funcion presenta
un mnimo relativo f (x0 ), y si es definida negativa, la funcion presenta un
maximo relativo f (x0 ).
74
Si la matriz esta semidefinida (positiva o negativa), el criterio no decide.

Si la matriz no esta definida, no hay extremo, es decir que (x0 , f (x0 )) es
punto silla.
Combinando el criterio 8.2.6 de Sylvester con el criterio 8.2.7 de la derivada
segunda, podemos construir el criterio del Hessiano
Teorema 8.2.8. Criterio del Hessiano
Sea f : A Rn R, f C 2 y x0 A punto crtico.
Sean las n submatrices Mp = (aij )1i,jp con 1 p n, y sean det(Mp ) sus
menores principales.
Entonces
Si det(Mp ) > 0 para 1 p n, f (x0 ) es mnimo relativo.
Si (1)p det(Mp ) > 0 para 1 p n, f (x0 ) es maximo relativo.
Si alg
un det(Mp ) = 0, el criterio no decide.
En cualquier otro caso, el punto (x0 , f (x0 )) es un punto silla.
Ejemplo 22. Veamos el caso particular n = 3. Sea f : A R3 R, f C 2
y x0 A punto crtico de f . Queremos saber si f (x0 ) es extremo relativo.
Sea Hf (x0 ) la matriz hessiana de f en x0
00
00
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
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) = g(x, y) + f (x, y)

Los puntos crticos (restringidos) los hallamos calculando su gradiente e igualando a cero:
L(, x, y) = (0, 0, 0)
de donde
g(x, y) = 0
gx0 + fx0 = 0
gy0 + fy0 = 0
Para cada punto crtico restringido podemos analizar si es extremo analizando
geometricamente la funcion, o usando el hessiano restringido:
8.3. EXTREMOS CONDICIONADOS
77
0 gx0 gy0
00
00
fxy
H = gx0 fxx
00
00
fyy
gy0 fyx
El criterio del hessiano restringido en este caso dice que

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

Definici
on 73. Sea [a, b] R un intervalo compacto, y sea P = {a = x0 <
x1 < . . . < xn = b} una particion de [a, b]. Sea f una funcion acotada en
[a, b].
Notamos
mi =
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
donde el nfimo y el supremo se calcula sobre todas las particiones posibles.

Rb
Si son iguales, se nota a f dx y se dice que f es Riemann-integrable en [a, b],
y lo denotamos f R
9.2.
Curva regular a trozos, curva de jordan
Definici
on 74. Una curva C Rn decimos que es regular a trozos si
puede escribirse como C = ki=1 Ci donde cada Ci es una curva regular, y el
extremo final de una coincide con el inicial de la siguiente.
Es decir si cada curva Ci 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. INTEGRAL DE LINEA
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
Definimos la longitud de C como la integral de la funcion constante 1, es

decir
Z
Long(C) =
dc =
C
||g 0 (t)||dt
Dada la misma curva C con misma parametrizacion g, y dado el campo

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

g(a) hasta g(b)
82
POTENCIAL
9.4.
Campos conservativos
Dado un campo vectorial f : A Rn Rn , con A abierto y f C 1 ,

podemos preguntarnos si en realidad se trata del gradiente de un campo
escalar : A Rn R, C 2 , tal que = f . Esto motiva la siguiente
Definici
on 76. Dado f : A Rn Rn , con A abierto y f C 1 .
Si existe : A Rn R, C 2 , tal que
= f
decimos que f es un campo conservativo, y que es su funci
on potencial.
Ejemplo 25. No todos los campos vectoriales son conservativos
Por ejemplo f (x, y) = (y, x) no es conservativo. Si lo fuera, como f C 1
se tendra una C 2 tal que = f , pero en ese caso sera 0x = y
y 0y = x. Se cumplen las hipotesis del teorema de Schwarz, por lo tanto
00xy = 00yx con lo cual llegamos a 1 = 1 lo cual es absurdo, y por lo tanto f
no es un campo conservativo.
Es facil construir ejemplos de campos conservativos, smplemente elegimos un
campo escalar C 2 , y su gradiente es un campo conservativo. Por ejemplo
si (x, y) = x2 + y 2 entonces se tiene que (x, y) = f (x, y) = (2x, 2y) es un
campo conservativo, cuya funcion potencial es .
9.5.
Teorema de la independencia del camino
Teorema 9.5.1. Sea el campo vectorial conservativo f : A Rn Rn , y

sea : A Rn R su funcion potencial.
Sea C A una curva regular con parametrizacion g : [a, b] Rn .
Entonces
9.5. TEOREMA DE LA INDEPENDENCIA DEL CAMINO
83
Z
f dc = (g(b)) (g(a))
C
Demostracion. Queremos calcular

Z
f (g(t)) g 0 (t)dt
f dc =
C
Como f = se tiene
Z
Z
f dc =
(g(t)) g 0 (t)dt
Ahora consideramos la funcion compuesta h = g, h(t) = (g(t)). La

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

Z
h0 (t)dt = h(b) h(a)
Pero h = (g(t)), finalmente

Z
f dc = (g(b)) (g(a))
C
84
POTENCIAL
Es decir que la integral de f sobre la curva C no depende del camino, sino

solamente de los puntos inicial g(a) y final g(b) de la curva.
Corolario 9.5.2. Si f es conservativo, la integral sobre cualquier curva cerrada da cero.
Demostracion. Como C es cerrada g(a) = g(b), y como f es conservativo se

tiene
Z
f dc = (g(b)) (g(a)) = (g(a)) (g(a)) = 0
C
9.6.
Condici
on necesaria para la existencia de
funci
on potencial
Teorema 9.6.1. Sea f : A Rn Rn conservativo con f C 1 , entonces

su matriz jacobiana Df es contnua y simetrica.
Dicho de otra forma, si f C 1 tiene matriz jacobiana Df que o bien no es
continua, o bien no es simetrica (o ninguna de las dos), entonces f no puede
ser un campo conservativo.
Demostracion. Como f C 1 es claro que su matriz jacobiana debe ser
contnua, pues sus columnas son sus derivadas parciales.
Como f es conservativo, existe : A Rn R, C 2 tal que = f .
Luego la matriz jacobiana de f debe ser la matriz hessiana de .
Luego por la observacion 8.2.4, la matriz jacobiana de f debe ser simetrica.
DE SUFICIENCIA PARA LA EXISTENCIA DE FUNCION

POTENCIAL85
9.7. CONDICION
9.7.
Condici
on de suficiencia para la existencia de funci
on potencial
Teorema 9.7.1. Sea f : A Rn Rn tal que cumple la condicion necesaria

para que exista funcion potencial (es decir tiene Df contnua y simetrica).
Si ademas A es smplemente conexo, entonces f es conservativo.
Observaci
on 9.7.2. La condicion de suficiencia (A smplemente conexo),
junto con la necesaria me garantizan que el campo es conservativo. Pero
que no se cumpla que A sea smplemente conexo no me garantiza que el
campo f no sea conservativo. Hay funciones que no cumplen la condicion de
suficiencia y a
un as son conservativos.
Ejemplo 26. Dado A = R2 {(0, 0)}. Claramente A no es smplemente
conexo. Ahora definimos
f : A R2
f (x, y) = (2x, 2y)
Existe el siguiente C 2
:A R
(x, y) = x2 + y 2
de forma que f = , es decir que el campo f es conservativo.
86
POTENCIAL
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)
(x,y)[xi1 ,xi ][yj1 ,yj ]
M(i,j) =
sup
f (x, y)
(x,y)[xi1 ,xi ][yj1 ,yj ]
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
M(i,j) 4xi 4yj

CAPITULO 10. INTEGRALES MULTIPLES
88
sp (f ) =
m X
n
X
m(i,j) 4xi 4yj
j=1 i=1
Luego definimos
ZZ
f dxdy = nf Sp (f )
p part
ZZ
f dxdy = sup sp (f )
p part
donde el nfimo y el supremo se calcula sobre todas las particiones posibles.

Si sonRRiguales, se dice que f es Riemann-integrable en R = [a, b] [c, d], se
nota R f dxdy, y se dice que es la integral doble de f sobre R.
La definicion para funciones de la forma f : R R3 R es analoga.
Definici
on 78. Sea f : A R2 R, con A acotado y f acotada.
Por ser A acotado, el mismo se encuentra dentro de un rectangulo R =
[a, b] [c, d], es decir A R.
Definimos la funcion h : R R como
(
f (x, y)
h(x, y) =
0
si (x, y) A
si (x, y) 6 A
Luego definimos la integral de f sobre A como

ZZ
ZZ
f dxdy =
A
hdxdy
R
si dicha integral existe.

La definicion para funciones de la forma f : A R3 R es analoga.
89
Definici
on 79. Sea A R2 acotada. Definimos su area como
ZZ
area(A) =
dxdy
A
Sea H R3 acotada. Definimos su vol

umen como
ZZZ
dxdydz
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
En total hay 3! = 6 tipos de regiones elementales en R3 , que se corresponden

con las permutaciones de las tres variables x, y, z ya que basicamente consiste
en ordenar las variables.
De nuevo f1 , f2 , g1 , g2 son funciones contnuas, y por lo tanto acotadas.
Ejemplo 27. En R2 , supongamos que tenemos la region R definida por
(
0 x 2
R=
cos(x) y 2 + sin(x)
La podemos representar graficamente de la siguiente manera
Esta region R es una region elemental tipo I.

Observaci
on 10.0.3. Como todas las funciones que definen una region elemental R son contnuas en un compacto, resultan ser acotadas, por lo tanto
R es un conjunto acotado, y como R es cerrado, resulta que ademas R es
compacto.
10.1.
Teorema de Fubini en R2
El siguiente teorema nos permite calcular ciertas integrales dobles realizando

dos integrales simples iteradas.
10.2. TEOREMA DE CAMBIO DE VARIABLES
91
Teorema 10.1.1. Sea f : A R2 R contnua, con A region elemental

tipo I, de la forma A = {(x, y) R2 : a x b, f (x) y g(x)} entonces
Z
ZZ
g(x)
f (x, y)dy
dx
f (x, y)dxdy =
a
f (x)
Observaci
on 10.1.2. Si A es una region elemental tipo I y II, entonces
puedo cambiar el orden de integracion.
10.2.
Teorema de cambio de variables
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)
f (g(u, v))||det(Dg(u, v))||dudv

B
Ahora enunciamos la version del teorema para R3

Teorema 10.2.2. Sea f : A R3 R contnua, y g : U R3 R3
biyectiva, g C 1 , y (x, y, z) = g(u, v, w), y sea A = g(B), entonces
ZZZ
ZZZ
f (x, y, z)dxdydz =
A=g(B)
10.3.
f (g(u, v, w))||det(Dg(u, v, w))||dudvdw

B
Coordenadas cartesianas y polares en

R2
Son los cambios de variables mas utilizados en R2

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())
|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.
Coordenadas cartesianas, cilndricas y

esf
ericas en R3
Son los cambios de variables mas utilizados en R3

Definici
on 83. Las coordenadas cartesianas corresponde a tomar la funcion identidad de R3
g : R3 R3
g(u, v, w) = (u, v, w)
|det(Dg)| = 1
Las superficies coordenadas son planos paralelos a los planos coordenados.

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)
|det(Dg)| =
Las superficies coordenadas son cilindros sobre el eje z, semiplanos que parten
del eje z, y planos paralelos al xy.
Ejemplo 28. Calcular el vol

umen del cuerpo H definido como
(
x2 + y 2 1
p
H=
0 z x2 + y 2
A continuacion representamos graficamente el cuerpo H. Observar que son
los puntos dentro depun cilndro de radio 1 sobre el eje z, y entre el plano
z = 0 y el cono z = x2 + y 2

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

g(, , ) = ( cos() sin(), sin() sin(), cos())
En este caso
|det(Dg)| = 2 sin()
Las superficies coordenadas son esferas centradas en el origen, conos centrados en el origen sobre el eje z, y semiplanos que parten del eje z.
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 (g(u, v))||gu0 (u, v) gv0 (u, v)||dudv
f ds =
Definimos el area de la superficie como la integral de la funcion constante

1, es decir
ZZ
ZZ
area() =
||gu0 (u, v) gv0 (u, v)||dudv
ds =
Dada la misma superficie (orientable) con misma parametrizacion g, y

dado el campo vectorial f : A R3 R3 contnuo, tal que A , definimos
el diferencial de superficie vectorial como
97
98
CAPITULO 11. INTEGRALES DE SUPERFICIE Y FLUJO
ds = (gu0 (u, v) gv0 (u, v))dudv

y definimos la integral de f sobre en este caso tambien llamado flujo como
ZZ
ZZ
f (g(u, v)) (gu0 (u, v) gv0 (u, v))dudv
f ds =
En este caso decimos que se trata de la integral sobre la superficie en la

orientacion con vector normal gu0 (u, v) gv0 (u, v).
11.2.
Caso superficie gr
afica de campo escalar
Sea f : A R2 R, su conjunto grafica consiste en el conjunto

= {(x, y, z) A R : z = f (x, y)}
La misma la podemos parametrizar como
g(x, y) = (x, y, h(x, y))
Luego
gx0 = (1, 0, h0x )

gy0 = (0, 1, h0y )
gx0 gy0 = (fx0 , fy0 , 1)
Por lo tanto, el diferencial de superficie vectorial es
ds = (fx0 , fy0 , 1)dxdy
y el diferencial de superficie escalar es
11.3. CASO SUPERFICIE DEFINIDA IMPLICITAMENTE
99
q
ds = 1 + (fx0 )2 + (fy0 )2 dxdy
11.3.
Caso superficie definida implcitamente
Sea el campo escalar G : A R3 R, G C 1 y supongamos la superficie

corresponde al conjunto de nivel 0 de G. Es decir es la superficie de ecuacion
G(x, y, z) = 0
y supongamos ademas que G0z (x, y, z) 6= 0
Entonces por el teorema 7.4.1 de Cauchy-Dini, la ecuacion define implcitamente a z = w(x, y), con w diferenciable. Luego podemos parametrizar de
la siguiente forma
g(x, y) = (x, y, w(x, y))
gx0 = (1, 0, wx0 )

gy0 = (0, 1, wy0 )
gx0 gy0 = (wx0 , wy0 , 1)
Pero
G0x
G0z
G0y
= 0
Gz
wx0 =
wy0
reemplazando
100
CAPITULO 11. INTEGRALES DE SUPERFICIE Y FLUJO
gx0 gy0 = (
G0x G0x
1
, 0 , 1) = 0 G
0
Gz Gz
Gz
Por lo tanto, el diferencial de superficie vectorial es

ds =
G
dxdy
G0z
y el diferencial de superficie escalar es
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
Ahora en R3 . Veamos algunas formulas para el calculo de masa, momentos

y centro, sobre curvas en el espacio, regiones solidas, y supercicies.
101
102
CAPITULO 12. CALCULO

DE MASA, MOMENTOS, Y CENTRO
Sea C R3 una curva, A R3 una region solida, y R3 una superficie.

Sea : R3 R contnua la densidad de masa.
Concepto
M : Masa
Mxy :
Momento
estatico respecto al
plano xy
Mxz :
Momento
estatico
respecto
al plano xz
Myz :
Momento
estatico
respecto
al plano yz
G: Centro de masa
Mx : Momento estatico
respecto al eje x
My : Momento estatico
respecto al eje y
Mz : Momento estatico
respecto al eje z
Ixy : Momento de inercia respecto al plano
xy
Ixz : Momento de inercia respecto al plano
xz
Iyz : Momento de inercia respecto al plano
yz
Ix : Momento de inercia respecto al eje x
Iy : Momento de inercia respecto al eje y
Iz : Momento de inercia respecto al eje z
Curvas
R
R C dc
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
CAPITULO 12. CALCULO

DE MASA, MOMENTOS, Y CENTRO
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
Sea f : A R3 R3 , f C 1 , f = (P, Q, R), entonces definimos el rotor de

f como
rot(f ) = f = (Ry0 Q0z , Pz0 Rx0 , Q0x Py0 )
y la divergencia de f como
div(f ) = f = Px0 + Q0y + Rz0
Teorema 13.0.1. Teorema de Green
Dada una region elemental A R2 con curva frontera C = A regular o
regular a trozos (automaticamente cerrada y simple, o sea de Jordan), y sea
105
106
CAPITULO 13. TEOREMAS DE GREEN, STOKES Y GAUSS
el campo vectorial f : B R2 R2 , f C 1 , f = (P, Q), y con A B,

entonces
I
ZZ
Q0x Py0 dxdy
f dc =
C + =A
Teorema 13.0.2. Teorema de Stokes

Dada una superficie (orientable) abierta R3 y su curva borde C =
regular/a trozos (automaticamente cerrada y simple), y sea f : A R3 R3 ,
f C 1 con f = (P, Q, R), y con A, entonces
I
ZZ
f dc =
C + =
rot(f ) ds
Teorema 13.0.3. Teorema de la divergencia

Dada una region elemental del espacio H R3 , y su superficie frontera
= H una superficie regular/a trozos (automaticamente cerrada y simple),
y sea f : A R3 R3 , f C 1 , con f = (P, Q, R), y H A, entonces
ZZ
ZZZ
f ds =
+ =H
13.1.
div(f )dxdydz
H
Campos irrotacionales, solenoidales, y

arm
onicos
Definici
on 88. Sea A Rn un conjunto abierto.
Un campo vectorial f : A R3 R3 , f C 1 se dice irrotacional si
rot(f ) = 0
Un campo vectorial f : A R3 R3 , f C 1 se dice solenoidal si div(f ) =
0
Un campo escalar f : A R3 R, f C 1 se dice arm
onico si div(grad(f )) =
0

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
CAPITULO 13. TEOREMAS DE GREEN, STOKES Y GAUSS
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
Esa es la solucion general de z, para obtener la solucion general de y se

reemplaza z = xy y listo.
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.
DIFERENCIAL TOTAL EXACTA

14.2. ECUACION
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.
Convertible a exacta con factor integrante
Supongamos que queremos resolver una ecuacion diferencial de la forma

P (x, y)dx + Q(x, y)dy = 0
con P y Q definidos sobre A R2 smplemente conexo, pero tal que Q0x Py0 6=
0.
La ecuacion diferencial no es total exacta, pero a lo mejor la podemos convertir en total exacta multiplicando la ecuacion por una funcion que llamaremos factor integrante, que la convierta en una ecuacion diferencial
total exacta. Luego la resolvemos como cualquier ecuacion diferencial total
exacta.
El problema ahora es como encontrar un factor integrante. Vamos a trabajar
solo con factores integrantes que dependen de una sola variable, o bien x o
bien y.
Proposici
on 14.2.1. Si Q0x Py0 6= 0 pero al dividirla por P o por Q depende
solamente de una variable, hay un factor integrante respecto de esa variable.
112
Si hay factor integrante respecto a x el mismo es

R
(x) = e
Py0 Q0x
dx
Q
Si hay factor integrante respecto a y el mismo es

R
(y) = e
Q0x Py0
P
dy
Demostracion. Vamos a ver el caso de factor integrante respecto a y.

Supongamos que exite (y) tal que al multiplicar por la ecuacion diferencial
la convierte en total exacta, por lo tanto
(y)P (x, y)dx + (y)Q(x, y)dy = 0
es total exacta, teniendo en cuenta que depende solo de y tenemos
Q0x [0 P + Py0 ] = 0
Q0x 0 P Py0 = 0
(Q0x Py0 ) = 0 P
Q0x Py0
0
=
P
Q0 P 0
Como xP y depende solo de y, esto es una ecuacion diferencial de variables

separable en , con 0 = d/dy, lo resolvemos
Z
d
=
Q0x Py0
dy
P
DIFERENCIAL LINEAL DE 2o ORDEN

14.3. ECUACION
(y) = e
Q0x Py0
P
113
dy
que es el factor integrante respecto a y.

El caso de factor integrante respecto a x es analogo.
14.3.
Ecuaci
on diferencial lineal de 2o orden
Recordemos que en 27 habamos visto la definicion de la ecuacion diferencial

lineal de orden n. Y en 2.5.1 aprendimos a resolver la ecuacion diferencial
lineal de primer orden.
Ahora vamos a trabajar con las lineales de segundo orden.
Definici
on 92. Una ecuacion diferencial se dice lineal de segundo orden
si se la puede expresar como
y 00 + a(x)y 0 + b(x)y = g(x)
La misma se dice homogenea si g(x) es la funcion constante cero.
En cualquier caso, la ecuaci
on diferencial homog
enea asociada es
y 00 + a(x)y 0 + b(x)y = 0
Si a(x) = a y b(x) = b son funciones constantes, nos queda
y 00 + ay 0 + by = g(x)
y se dice que la ecuacion diferencial es a coeficientes constantes.
Nos proponemos resolver las ecuaciones diferenciales lineales de segundo orden a coeficientes constantes. Para ello nos va a ser de mucha ayuda la siguiente
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)

14.3. ECUACION
115
Por lo tanto satisface la ecuacion diferencial, y debe ser su solucion general.
14.3.1.
Resoluci
on de la homog
enea asociada
Veamos ahora como podemos resolver la ecuacion diferencial homogenea asociada, que es de la forma
y 00 + ay 0 + by = 0
La 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

14.3. ECUACION
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.
Como encontrar una soluci

on particular
Ahora nos faltara aprender a encontrar una solucion particular de la ecuacion

diferencial lineal no homogenea
y 00 + ay 0 + by = g(x)
118
El metodo de coeficientes indeterminados sirve cuando la funcion g(x)

es relativamente sencilla, que en este contexto significa combinacion lineal de
polinomios, exponenciales o trigonometricas.
Consiste en tratar de adivinar la forma que debe tener la solucion, proponiendo como solucion una familia de funciones acorde al problema, y luego
se determinan los coeficientes.
Si la funcion es polinomica, se propone una combinacion lineal de polinomios generico, en principio del mismo grado.
Por ejemplo si g(x) = 2x2 , propongo yp = ux2 + vx + w
Si la funcion es exponencial, se propone una combinacion lineal de
exponenciales.
Por ejemplo si g(x) = e2x + 2ex , propongo yp = ue2x + vex
Si la funcion es trigonometrica, se propone una combinacion lineal de
trigonometricas.
Por ejemplo si g(x) = cos(2x), propongo yp = u cos(2x) + v sin(2x)
Por ejemplo
g(x)
2x2
e2x + 2ex
cos(2x)
propongo yp
ux2 + vx + w
ue2x + vex
u cos(2x) + v sin(2x)
Se reemplazan en la EDO y se averiguan los coeficientes indeterminados

u, v, w, . . ..
En algunos casos puede pasar que la solucion propuesta ya sea solucion de
la homogenea asociada, en ese caso se va a llegar a un absurdo. En ese caso
lo que se puede hacer es multiplicar por x la solucion propuesta y volver a
intentar. Si sigue pasando puedo multiplicar por x2 y volver a intentar, y
as sucesivamente.

14.3. ECUACION
119
Veamos ahora el otro metodo, conocido como variaci

on de par
ametros,
para encontrar una solucion particular de la ecuacion diferencial lineal no
homogenea
y 00 + ay 0 + by = g(x)
y supongamos que la solucion general de la homogenea asociada es
y = c1 y1 (x) + c2 y2 (x)
Este metodo consiste en buscar una solucion particular y que verifique lo
siguiente
y = (x)y1 (x) + (x)y2 (x)

y 0 = (x)y10 (x) + (x)y20 (x)
(14.1)
(14.2)
derivando la ecuacion (1) obtenemos

y 0 = 0 y1 + y10 + 0 y2 + y20
para que se cumpla la ecuacion (2) pedimos
0 y1 + 0 y2 = 0
derivando (2)
y 00 = 0 y10 + y100 + 0 y20 + y200
Reemplazando en la ecuacion diferencial
y 00 + ay 0 + by = g(x)
(14.3)
120
obtenemos
0 y10 + y100 + 0 y20 + y200 + a(y10 + y20 ) + b(y1 + y2 ) = g(x)
0 y10 + 0 y20 + (y100 + ay10 + by1 ) + (y200 + ay20 + by2 ) = g(x)

{z
}
|
{z
}
|
0
lo cual impone
0 y10 + 0 y20 = g(x)
(14.4)
juntando (3) y (4) obtenemos
0 y1 + 0 y2 = 0
0 y10 + 0 y20 = g(x)
(14.5)
(14.6)
que es un sistema de ecuaciones lineales en 0 y 0 .

Resumiendo, estamos buscando (x) y (x) para encontrar una solucion
particular de la forma
y = (x)y1 (x) + (x)y2 (x)
y para ello imponemos
(
0 y1 + 0 y2 = 0
0 y10 + 0 y20 = g(x)
Lo resolvemos por cualquier metodo, por ejemplo lo escribo en forma matricial
14.4. LINEAS DE CAMPO
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
g 0 (t) = (x0 (t), y 0 (t)) = (P, Q) = f (g(t))

en notacion de Leibniz
(dx, dy) = (P, Q)dt
y por lo tanto
y0 =
Q
P
Otra forma de pensarlo: las lneas de campo son las curvas que en cada punto
tiene la misma pendiente que el campo (P, Q) que es y/x = Q/P , por lo
tanto satisfacen la 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
14.4. LINEAS DE CAMPO
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.
En R2 tenemos el siguiente caso particular, que podemos demostrar de una

forma mas cartesiana.
Teorema 14.4.3. Sea f : A R2 R2 un campo conservativo, y una
funcion potencial de f , es decir tal que = f .
Entonces las lneas de campo de f son ortogonales a las lneas equipotenciales
de .
124
Demostracion. Por la observacion 14.4.1, las lneas de campo de f son la

familia de curvas cuya ecuacion diferencial es
y0 =
Q
P
(14.1)
Por otro lado, si es una funcion potencial de f , es decir tal que = f ,

entonces las lneas equipotenciales son la familia de curvas
(x, y) = C
Buscamos su ecuacion diferencial, diferenciando ambos miembros
0x (x, y)dx + 0y (x, y)dy = 0
usando que = (0x , 0y ) = (P, Q)
P dx + Qdy = 0
Qdy = P dx
o equivalentemente su ecuacion diferencial es
y0 =
P
Q
(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.

Dami Apunte v4

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Dami Apunte v4

Загружено:

Авторское право:

Доступные форматы

An

2. Ecuaciones diferenciales 1o parte

9. Integral de Lnea y Funci

11.Integrales de Superficie y Flujo

13.Teoremas de Green, Stokes y Gauss

CAPITULO 1. NOCIONES PREVIAS

Operaciones con conjuntos

1.5. PRODUCTO CARTESIANO

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

CAPITULO 1. NOCIONES PREVIAS

Ejemplo 4. Por ejemplo, una relacion de A en D podra ser:

CAPITULO 1. NOCIONES PREVIAS

1.9. ESTRUCTURAS ALGEBRAICAS

Observamos que en ning

CAPITULO 1. NOCIONES PREVIAS

3. La multiplicacion se distribuye sobre la suma, es decir dados a, b, c R

1.9. ESTRUCTURAS ALGEBRAICAS

5. (k + q)v = kv + qv para todo k, q K y v V

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

CAPITULO 1. NOCIONES PREVIAS

CAPITULO 2. ECUACIONES DIFERENCIALES 1o PARTE

Ejemplo 15. y 00 + 8xy 0 13y = 1 es una EDO de 2o orden.

Soluciones de una EDO

2.4. ECUACIONES DIFERENCIALES DE VARIABLES SEPARABLES21

Ecuaciones Diferenciales de Variables Separables

o, usando la notacion de Leibniz

CAPITULO 2. ECUACIONES DIFERENCIALES 1o PARTE

DIFERENCIAL ORDINARIA LINEAL DE 1o ORDEN23

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

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

CAPITULO 2. ECUACIONES DIFERENCIALES 1o PARTE

Y nos quedo una EDO en v de variables separables, la resolvemos

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

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

Como se podra imaginar, no es sencillo recordar dichar formula, es por eso

2.6. FAMILIAS DE CURVAS

Familias de curvas ortogonales

Los siguientes graficos representan familias de curvas ortogonales.

CAPITULO 2. ECUACIONES DIFERENCIALES 1o PARTE

2.6. FAMILIAS DE CURVAS

y luego las mismas son ortogonales sii se cumple

Demostracion. (Enfoque parametrico)

CAPITULO 2. ECUACIONES DIFERENCIALES 1o PARTE

g10 (t) = (1, y10 (t))

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

CAPITULO 3. NOCIONES DE TOPOLOGIA

y dados v, w Rn , definimos su distancia como

CAPITULO 3. NOCIONES DE TOPOLOGIA

El conjunto contiene a todos sus puntos frontera.

Intuitivamente, un conjunto conexo es aquel formado por una sola pieza,

3.6. CONJUNTO CONEXO

C = D2 (4, 4) = {(x, y) R2 : (x 4)2 + (y 4)2 1}

CAPITULO 3. NOCIONES DE TOPOLOGIA

Conjunto conexo por poligonales

Conjunto smplemente conexo

Esta es la nocion mas compleja de conexidad que vemos. Intuitivamente,

Mas formalmente, si denotamos S 1 al crculo unitario de R2 y D2 al disco

Si n = m = 1 decimos que f es una funci

CAPITULO 3. NOCIONES DE TOPOLOGIA

CAPITULO 4. LIMITE Y CONTINUIDAD

Para funciones vectoriales y campos vectoriales es u

Como probar que un lmite no existe

Primero necesitamos esta

Como Lyx 6= Lxy no existe el lmite pedido.