Captulo 4

DERIVACION DE FUNCIONES DE VARIAS

VARIABLES REALES.
4.1. Derivacion de funciones de varias variables reales.
Derivada parcial. Gradiente. Matriz Jacobiana
Como hemos visto en el Bloque Tematico 3, para una funcion derivable de variable
real con valores en R, su graca tiene una recta tangente en cada uno de sus puntos.
Entonces, para funciones de dos variables con valores en R debemos exigir, para que
sean derivables, que en cada punto de su graca tengan plano tangente (en terminos
intuitivos, que su graca sea una supercie suave). Como un primer paso para la
denicion de derivada, vamos a introducir el concepto de derivada parcial.
EN ESTE CAPITULO:
I DENOTARA El SUBCONJUNTO DE R
m
DEFINIDO MEDIANTE EL PRO-
DUCTO CARTESIANO DE m INTERVALOS ABIERTOS DE R, ES DECIR,
I = (a
1
, b
1
) (a
2
, b
2
) (a
m
, b
m
) =
= {(x
1
, x
2
, . . . , x
m
) : x
i
(a
i
, b
i
) para todo i = 1, . . . , m}.
c = (c
1
, . . . , c
m
) SERA UN PUNTO DE I.
Denicion 4.1.1 Sea f : IR. La derivada parcial de f con respecto a la variable
i-esima en c esta denida por
f
x
i
(c) = lm
x
i
c
i
f(c
1
, . . . , x
i
, . . . , c
m
) f(c
1
, . . . , c
i
, . . . , c
m
)
x
i
c
i
, (4.1)
45
46 CAP

ITULO 4.
o equivalentemente
f
x
i
(c) = lm
h0
f(c
1
, . . . , c
i
+ h, . . . , c
m
) f(c
1
, . . . , c
i
, . . . , c
m
)
h
, (4.2)
cuando uno cualquiera de los lmites anteriores existe y es un n umero real (los lmites
de (4.1) y (4.2) coinciden).
Es facil comprobar si existen las derivadas parciales de una funcion en un punto y
calcularlas en caso de existencia. En efecto, de acuerdo con la denicion dada para
f
x
i
,
vemos que esta derivada parcial consiste en derivar f respecto de la variable x
i
, con-
siderando las demas variables constantes. Por lo tanto, para ello basta aplicar nuestros
conocimientos de calculo de una variable, como se muestra en el siguiente ejemplo.
Ejemplo 4.1.2 Calcular todas las derivadas parciales, respecto a cada una de sus va-
riables, de la funcion f(x, y) = x
2
y + y
3
.
Si f : IR
n
, podemos escribir
f(x) = (f
1
(x), . . . , f
n
(x)) para todo x I,
y hablar de las derivadas parciales de cada funcion componente. Por ejemplo,
f
j
x
i
sera la
derivada parcial de la componente j-esima respecto a la i-esima variable.
Vamos a denir a continuacion el concepto de funcion derivable. Busquemos inspi-
racion en el caso de funciones de variable real con valores reales.
Si f : I RR,
f

(c) = lm
xc
f(x) f(c)
x c
,
o lo que es lo mismo,
lm
xc

f(x) f(c)
x c
f

(c)

= 0,
es decir,
lm
xc
|f(x) f(c) f

(c) (x c)|
|x c|
= 0.
Observar que:
| . | es la distancia eucldea en R.
f

(c) es la derivada parcial de f respecto a su unica variable, x.

f

(c) (x c) puede interpretarse como el producto de la matriz 1 1, (f

(c)), por
el vector, 1 1, (x c). Ello nos lleva a la siguiente denicion.
4.1. DERIVACI

ON DE FUNCIONES DE VARIAS VARIABLES REALES 47

Denicion 4.1.3 Sea f : IR
n
, f = (f
1
, . . . , f
n
). Decimos que f es derivable en c
si
lm
xc
d
n
[f(x) f(c), [J f(c)](x c)]
d
m
(x, c)
= 0,
donde:
d
n
y d
m
son las distancias eucldeas en R
n
y R
m
respectivamente (recordar que
d
n
((x
1
, . . . , x
n
), (y
1
, . . . , y
n
)) =

(x
1
y
1
)
2
+ . . . + (x
n
y
n
)
2
; y analogamente para
d
m
).
J f(c) es la matriz derivada de f en c (tambien llamada matriz Jacobiana de
f en c). Es una matriz n m, la cual esta denida por
J f(c) =

f
1
x
1
(c)
f
1
x
2
(c) . . .
f
1
xm
(c)
f
2
x
1
(c)
f
2
x
2
(c) . . .
f
2
xm
(c)
. . . . . . . . . . . .
fn
x
1
(c)
fn
x
2
(c) . . .
fn
xm
(c)

.
[J f(c)](x c) es el producto de la matriz n m, J f(c), por el vector columna
m1 formado por las m componentes de x c. Dicho producto da lugar a un vector
columnna n 1 de R
n
.
Denicion 4.1.4 La aplicacion lineal R
m
R
n
cuya matriz asociada es J f(c) se lla-
ma diferencial de f en c y se denota por Df(c). Dicha aplicacion lineal esta denida,
para cada x = (x
1
, x
2
, . . . , x
m
) R
m
, de la siguiente forma:
Df(c)(x) =

f
1
x
1
(c)
f
1
x
2
(c) . . .
f
1
xm
(c)
f
2
x
1
(c)
f
2
x
2
(c) . . .
f
2
xm
(c)
. . . . . . . . . . . .
fn
x
1
(c)
fn
x
2
(c) . . .
fn
xm
(c)

x
1
x
2
. . .
x
m

.
Denicion 4.1.5 Si f : I R
2
R, el plano de R
3
denido por
z = f(c) + [J f(c)](x c),
se llama plano tangente a la graca de f en el punto (c, f(c)).
Recordar que si f : I RR, y = f(c) + f

(c) (x c) es la ecuacion de la recta

tangente a la graca de f en en el punto (c, f(c)).
Ejemplo 4.1.6
(a) Calcular la matriz Jacobiana de la funcion f : R
2
R
2
, denida por f(x, y) =
(2 sin x + cos(y), y
2
e
2x
).
48 CAP

ITULO 4.
(b) Calcular Df((,

2
)).
(c) Calcular la ecuacion del plano tangente a la graca de f
1
en el punto (,

2
).
Proposicion 4.1.7 Sea f : IR
n
. Si f es derivable en c, entonces f es continua en
c.
Ejemplo 4.1.8 Puede ocurrir que existan todas las derivadas parciales de una funcion
en un punto y que la funcion ni siquiera sea continua en dicho punto. En efecto, sea
f : R
2
R denida por
f(x, y) =

1 si x = 0 o y = 0
0 si x = 0 e y = 0.
Se verica que existen todas las derivadas parciales de f en (0, 0), pero f no es continua
en este punto.
Hemos visto que probar la existencia de las derivadas parciales resulta un problema
muy sencillo. La comprobacion de la derivabilidad en un punto es mas complicada de
realizar directamente. Un metodo sencillo nos lo da el siguiente resultado (comparar
con el Ejemplo 4.1.8).
Teorema 4.1.9 Sea f : IR
n
, f = (f
1
, . . . , f
n
). Si existen todas las derivadas par-
ciales
f
j
x
i
(i = 1, . . . , m, j = 1, . . . , n) y dichas derivadas parciales son continuas en c,
entonces f es derivable en c.
Ejemplo 4.1.10 Todo polinomio de m variables f : R
m
R es derivable en R
m
.
Observacion 4.1.11 El recproco del Teorema 4.1.9 en general no es cierto. Si f es
derivable en c, claramente existen las derivadas parciales de f en c. Pero estas derivadas
parciales pueden no ser continuas en c.
Ejemplo 4.1.12 Sea f : R
2
R denida por
f(x, y) =

0 si (x, y) = (0, 0)
(x
2
+ y
2
) sin(
1

x
2
+y
2
) si (x, y) = (0, 0).
Probar que f es derivable en (0, 0) y que las derivadas parciales de f no son continuas
en dicho punto.
4.2. PROPIEDADES DE LAS FUNCIONES DERIVABLES. 49
Denicion 4.1.13 Sea f : IR una funcion derivable en I.
(a) El vector gradiente de f en c es
f(c) = (
f
x
1
(c), . . . ,
f
x
m
(c)).
f(c) es simplemente la matriz jacobiana en c, J f(c), que en este caso es un vector
la en R
m
.
(b) La derivada direccional de f en c a lo largo de la direccion de un vector v
(|v| = 1) es
f(c) v,
donde signica producto escalar.
Ejemplo 4.1.14 Calcular el vector gradiente de f(x, y, z) =

x
2
+ y
2
+2 z x +3 x
2
y.
Proposicion 4.1.15 (Interpretacion fsico-geometrica del gradiente) Suponga-
mos que f(c) = 0. Entonces:
(i) La derivada direccional de f en c en la direccion de un vector v mide la velocidad
con que f crece a partir de c en la direccion (y sentido) de v.
(ii) La direccion (y sentido), a partir de c, en que f crece mas rapidamente es la del
vector gradiente f(c). Ademas, la velocidad de crecimiento de f en esa direccion es
|f(c)|.
(iii) Las direcciones, a partir de c, en las que la velocidad de crecimiento de f es
nula vienen dadas por los vectores perpendiculares al vector gradiente f(c).
Observacion 4.1.16 La direccion (y sentido), a partir de c, en que f decrece mas
rapidamente es la del vector f(c). Ademas, la velocidad de decrecimiento de f en
esa direccion es |f(c)|.
Ejemplo 4.1.17 Desde el punto (0, 1, 1), en que direccion (y sentido) crece f(x, y, z) =
x
2
y
2
+z
2
mas rapidamente? En que direcciones la velocidad de crecimiento de f es
nula?
4.2. Propiedades de las funciones derivables. Regla
de la cadena. Cambio de variable.
Proposicion 4.2.1 (Propiedades de las funciones derivables)
(i) Sea f : IR
n
, f = (f
1
, . . . , f
n
). Entonces, f es derivable en c si y solo si todas
sus funciones componentes, f
i
, son derivables en c.
50 CAP

ITULO 4.
(ii) (Derivada de la suma) Sean f, g : IR
n
derivables en c. Entonces, f +g es
derivable en c. Ademas,
J(f + g)(c) = J f(c) + J g(c)
(suma de matrices).
(iii) Sean f, g : IR derivables en c. Entonces,
(iii.1) (Derivada del producto) f g es derivable en c. Ademas,
J(f g)(c) = g(c) J f(c) + f(c) J g(c).
(iii.2) (Derivada del cociente) Si f(c) = 0,
g
f
es derivable en c. Ademas,
J

g
f

(c) =
f(c) J g(c) g(c) J f(c)
[f(c)]
2
.
(iii) (Regla de la cadena) Sea J R
n
un producto cartesiano de n intervalos
abiertos. Sean f : IR
n
, g : JR
p
tales que f(I) J. Si f es derivable en c y g es
derivable en f(c), entonces g f es derivable en c. Ademas,
J(g f)(c) = [J g(f(c)] J f(c)
(producto de matrices).
La regla de la cadena suele usarse para realizar cambios de variables en problemas
donde aparecen derivadas parciales de primer orden. Por ejemplo, cuando se pasa de
coordenadas cartesianas a coordenadas polares.
Ejemplo 4.2.2 Sea g : R
2
R, (x, y) g(x, y). Consideremos las coordenadas po-
lares
x = r cos , y = r sin .
Calcular las derivadas parciales de g respecto a r y a .
4.3. Derivadas parciales de orden superior. Matriz
Hessiana.
Denicion 4.3.1 Sea f : IR. Se dice que f es de clase C
1
en I cuando todas las
derivadas parciales
f
x
i
existen y son continuas en I.
Cuando todas las
f
x
i
son a la vez de clase C
1
, se dice que f es de clase C
2
en I.
De forma analoga podemos denir las funciones de clase C
p
o C

en I.
4.4. F

ORMULA DE TAYLOR 51
Para cada i, j = 1, . . . , m, la correspondiente derivada parcial segunda de f, es

x
i
(
f
x
j
), y suele escribirse

2
f
x
i
x
j
. Tambien, suele escribirse

2
f
x
2
i
en vez de

2
f
x
i
x
i
.
De forma analoga se denen las derivadas parciales de ordenes superiores.
Denicion 4.3.2 Sea f : IR una funcion que admite derivadas parciales de orden
2 en I. La matriz Hessiana de f en c I es la matriz mm denida por
Hf(c) =

2
f
x
1
x
1
(c) . . .

2
f
x
1
xm
(c)
.
.
. . . .
.
.
.

2
f
xmx
1
(c) . . .

2
f
xmxm
(c)

.
Proposicion 4.3.3 Si f es de clase C
2
, sus derivadas cruzadas segundas son iguales,
es decir,

2
f
x
i
x
j
=

2
f
x
j
x
i
para todo i, j = 1, . . . , m,
lo que quiere decir que la matriz Hessiana es simetrica.
Pero, en general, no puede asegurarse la igualdad de las derivadas segundas cruzadas.
Ejemplo 4.3.4 Calcular todas las derivadas parciales segundas y la matriz Hessiana
de la funcion f(x, y, z) = x
2
y z 4(x y)
3
+ xz
2
.
4.4. Formula de Taylor para funciones reales de varias
variables reales
Teorema 4.4.1 (Formula de Taylor) Sea f : IR una funcion de clase C
p+1
en
I y sea c = (c
1
, . . . , c
m
) I. Entonces, para todo x = (x
1
, . . . , x
m
) I,
f(x) = f(c) + [
m

i=1
f
x
i
(c)] (x
i
c
i
) +
1
2!
[
m

i,j=1

2
f
x
i
x
j
(c)] (x
i
c
i
) (x
j
c
j
) + . . .
+
1
p!
[
m

i
1
,..,ip=1

p
f
x
i
1
...x
ip
(c)] (x
i
1
c
i
1
)...(x
ip
c
ip
) + R
p
(x),
donde para cada x I el resto R
p
(x) esta dado por la expresion
R
p
(x) =
1
(p + 1)!
[
m

i
1
,..,i
p+1
=1

p+1
f
x
i
1
...x
i
p+1
(d)] (x
i
1
c
i
1
)...(x
i
p+1
c
i
p+1
),
siendo d R
m
tal que d
i
esta entre c
i
y x
i
para todo i = 1, . . . , m.
52 CAP

ITULO 4.
Como en el caso de funciones reales de una variable real, estudiado en el Bloque
Tematico 3, la expresion anterior de f(x) se llama formula de Taylor de orden p de
f en c. El polinomio de grado p considerado en dicha expresion, se llama polinomio de
Taylor de grado p de f en c y se denota por T
m
(x). Este polinomio nos proporciona
un valor aproximado de f(x) cuando x esta cerca de c (es decir, x
i
esta cerca de c
i
, para
todo i = 1, . . . , m) y R
p
(x) nos da la expresion del error cometido en dicha aproximaci on.
Ejemplo 4.4.2
1. (a) Calcular el polinomio de Taylor de grado 2 de f(x, y) = sin(x) +sin
2
(y) en el
punto (

2
,

2
).
(b) Utilizar dicho polinomio para calcular un valor aproximado de sin(1.1

2
) +
sin
2
(1.2

2
).
4.5. Funcion implcita. Funcion inversa
A continuacion vamos a enunciar el teorema de la funcion implcita. Antes vamos a
dar una introduccion. Se trata de despejar n variables, z
1
, . . . , z
n
, de n ecuaciones:
F
1
(x
1
, . . . , x
m
, z
1
, . . . , z
n
) = 0.
F
2
(x
1
, . . . , x
m
, z
1
, . . . , z
n
) = 0.
. . . . . . . . . . . . . . . . . . . . . . . . .. ..
F
n
(x
1
, . . . , x
m
, z
1
, . . . , z
n
) = 0, (4.3)
cerca de un punto (x
0
, z
0
).
Sea el determinante de la matriz

F
1
z
1
. . .
F
1
zn
.
.
. . . .
.
.
.
Fn
z
1
. . .
Fn
zn

en (x
0
, z
0
).
Teorema 4.5.1 (Teorema de la funcion implcita) Si = 0, entonces el sistema
de ecuaciones (4.3) dene de manera unica funciones derivables
z
i
= k
i
(x
1
, . . . , x
m
) (i = 1, . . . , n),
cerca del punto (x
0
, z
0
). Sus derivadas parciales se pueden calcular por derivacion im-
plicita.
4.5. FUNCI

ON IMPL

ICITA. FUNCI

ON INVERSA 53
Ejemplo 4.5.2 Demostrar que es posible despejar u y v de las ecuaciones
xu + y v u
2
= 2, xu
3
+ y
2
v
4
= 2
como funciones de x e y de manera unica, cerca del punto (x, y, u, v) = (1, 1, 1, 1)
Calcular
u
x
,
v
x
,
u
y
y
v
y
en el punto (1, 1).
El teorema de la funcion inversa es una consecuencia del teorema de la funcion
implcita. En este caso se trata de despejar x
1
, . . . , x
n
en las ecuaciones
f
1
(x
1
, . . . , x
n
) = y
1
.
. . . . . . . . . . . . . . . .. ..
f
n
(x
1
, . . . , x
n
) = y
n
. (4.4)
Teorema 4.5.3 (Teorema de la funcion inversa) Sea f : IR
n
una funcion con
componentes f
1
, . . . , f
n
. Supongamos que todas las derivadas parciales de las funciones
componentes f
i
existen y son continuas en I. Consideremos las ecuaciones de (4.4) cerca
de una solucion dada (x
0
, y
0
). Si det(J f(x
0
, y
0
)) = 0, entones en las ecuaciones de (4.4)
se puede despejar de manera unica x = g(y) para (x, y) cerca de (x
0
, y
0
). Ademas, g es
derivable cerca de y
0
siendo su matriz jacobiana la inversa de la matriz jacobiana de la
funcion original f.
Ejemplo 4.5.4 Consideremos las ecuaciones
x
4
+ y
4
x
= u, sin(x) + cos(y) = v (x = 0).
Cerca de que puntos (x, y) podemos despejar x, y en terminos de u, v?
Elegir uno de estos puntos (x, y) y calcular la matriz jacobiana de x, y respecto a
u, v cerca de (x, y, u, v).
54 CAP

ITULO 4.
4.6. Extremos de funciones reales de varias varia-
bles reales
Denicion 4.6.1 Sea S un subconjunto no vaco de R
m
, sea c = (c
1
, . . . , c
m
) S y sea
f : SR. Se dice que f tiene un maximo (resp. mnimo) relativo en c S cuando
existen (a
1
, b
1
) intervalo abierto en R de centro c
1
, . . . , (a
m
, b
m
) intervalo abierto en R
de centro c
m
, tal que (a
1
, b
1
) . . . (a
m
, b
m
) esta contenido en S, y ademas
f(x) f(c) para todo x (a
1
, b
1
) . . . (a
m
, b
m
).
(resp. f(x) f(c) para todo x (a
1
, b
1
) . . . (a
m
, b
m
)).
Se dice que c es un extremo relativo de f en S si c es un maximo o un mnimo
relativo.
Proposicion 4.6.2 (Condicion necesaria de extremo relativo) Sea f : IR
una funcion derivable en I. Si c I es un extremo relativo de f en I, entonces f(c) = 0.
Ejemplo 4.6.3 Calcular los extremos relativos de las funciones f, g : R
2
R denidas
por:
f(x, y) = x
2
+ y
2
, g(x, y) = x
2
y
2
.
Proposicion 4.6.4 Sea f : IR. Sea c I un extremo relativo de f en I. Se verica
lo siguiente.
(i) Supongamos que hHf(c) h

0 para todo h R
m
y que hHf(c) h

= 0 si y
solo si h = 0. Entonces, c es un mnimo relativo de f en I. En este caso se dice que la
matriz hessiana, Hf(c), es denida positiva.
(ii) Supongamos que hHf(c) h

0 para todo h R
m
y que hHf(c) h

= 0 si y
solo si h = 0. Entonces, c es un maximo relativo de f en I. En este caso se dice que la
matriz hessiana, Hf(c), es denida negativa.
(Para cada h R
m
, h

denota el vector columna m1 asociado a h).

Observacion 4.6.5
1. Los puntos que no son extremos relativos se llaman puntos de silla.
2. Para un uso comodo del anterior resultado, necesitamos un criterio que nos per-
mita reconocer rapidamente cuando la matriz hessiana es denida positiva o negativa.
Dicha matriz es denida positiva si y solo si los determinantes de todas las submatri-
ces diagonales son > 0. Cuando el signo de dichos determinantes es alterno, la matriz
hessiana es denida negativa. Y si no estamos en uno de los casos anteriores, el punto
no es un extremo relativo, es decir, es un punto de silla.
Por ejemplo en el caso m = 2. Supongamos c = (x
0
, y
0
).
4.6. EXTREMOS DE FUNCIONES REALES DE VARIAS VARIABLES REALES55
f
x
(x
0
, y
0
) =
f
y
(x
0
, y
0
) = 0

2
f
x
2
(x
0
, y
0
) > 0

2
f
x
2
(x
0
, y
0
)

2
f
x
2
(x
0
, y
0
) (

2
f
xy
(x
0
, y
0
))
2
> 0

(x
0
, y
0
) es un mnimo relativo

f
x
(x
0
, y
0
) =
f
y
(x
0
, y
0
) = 0

2
f
x
2
(x
0
, y
0
) < 0

2
f
x
2
(x
0
, y
0
)

2
f
x
2
(x
0
, y
0
) (

2
f
xy
(x
0
, y
0
))
2
> 0

(x
0
, y
0
) es un maximo relativo

f
x
(x
0
, y
0
) =
f
y
(x
0
, y
0
) = 0

2
f
x
2
(x
0
, y
0
) > 0

2
f
x
2
(x
0
, y
0
)

2
f
x
2
(x
0
, y
0
) (

2
f
xy
(x
0
, y
0
))
2
< 0

(x
0
, y
0
) es un maximo relativo