CURSO: Clculo en Varias Variables

TEMA: Funciones reales de variable vectorial (Mximos y mnimos)

BIBLIOGRAFA: Clculo en Varias Variables (J. Stewart)
FECHA: Martes 08 de marzo de 2011.

Podemos resumir el estudio puntos extremos, tema de este captulo, en dos partes:
1. El estudio de extremos de funciones f : R
n
7R sin restricciones.
2. El estudio de extremos de funciones f : R
n
7R con restricciones.
1 Consideraciones nales sobre extremos de funciones sin restric-
ciones
Cuando la funcin f es diferenciable, ya sabemos obtener candidatos a minimizadores locales, maximizadores
locales o puntos de ensilladura, mediante la resolucin del sistema de n ecuaciones y n variables:
f(x) =

0
Sin embargo, los puntos donde f no es diferenciable
1
no deberan ser descartados, pues tambin son can-
didatos.
Denicin 1.1 (Puntos estacionarios, crticos y extremos) El conjunto de vectores donde f es dife-
renciable y para los cuales f(x) =

0, se denominan puntos estacionarios o puntos crticos. El conjunto de
puntos estacionarios junto con los puntos donde f no es diferenciable los llamaremos puntos extremos.
Ejemplo 1.1 Determine los puntos extremos de f(x, y) = x
4
+y
4
4xy+1 y clasifquelos. Primero hallamos
f(x, y) =

4x
3
4y, 4y
3
4x

As, f(x, y) = (0, 0) si, y slo si,

4x
3
4y = 0
4y
3
4x = 0


x
3
= y
y
3
= x
de donde
x
9
= x x
9
x = 0 x

x
8
1

= 0 (x = 0)

x
8
= 1

(x = 0) [(x = 1) (x = 1)]
As, todos los puntos estacionarios son
(0, 0) , (1, 1) , (1, 1)
Ahora calculamos

2
f(x, y) =

12x
2
4
4 12y
2

Seguidamente vemos que

2
f(0, 0) =

0 4
4 0

: indenida

2
f(1, 1) =

12 4
4 12

: denida positiva

2
f(1, 1) =

12 4
4 12

: denida positiva
1
Donde las n derivadas parciales no existen, y si existen, n 1 no son continuas.
1
As, (0, 0) es un punto de silla, mientras que (1, 1) y (1, 1) son minimizadores locales. Observe adems
que,
f(0, 0) = 1
f(1, 1) = 1 = f(1, 1)
Ejemplo 1.2 Halle los puntos extremos de f : R
2
7 R, donde f(x, y) =
p
7x
2
+ y
2
. (Vea la gura 1).
0
2
4
z
10
5
y x
-2
-4
0 0
-2
2
-4
4
Figura 1:
Observe que
f
x
(x, y) = 7
x
2
p
7x
2
+ y
2
f
y
(x, y) =
y
p
7x
2
+ y
2
y stas no existen en el punto (0, 0). Note adems que no existen puntos estacionarios. Por lo tanto, el
nico punto extremo es (0, 0) y f(0, 0) = 0. Como se puede observar, ste es un caso difcil, pues al no ser
la funcin diferenciable en algunos puntos nos impide usar las herramientas que tenemos hasta ahora.
Pero no siempre estamos interesados en soluciones locales, en la mayora de los problemas aplicativos
estamos interesados en soluciones de carcter global. Esto se consigue cuando el panorama es convexo.
Denicin 1.2 (Funcin convexa y cncava) Una funcin f : R
n
7 R se dice convexa, si para todo
x, y R
n
y [0, 1], se cumple
f( x + (1 ) y) f(x) + (1 ) f(y)
La funcin se dice cncava si cambiamos por .
Por ejemplo, funciones convexas y funciones cncavas tienen grcos como se muestran a continuacin.
2
La denicin de convexidad de funciones no es prctica. Sin embargo, el siguiente teorema s.
Teorema 1.1 Sea una funcin f : R
n
7R la cual posee segundas derivadas parciales continuas en todo R
n
.
1. f es una funcin convexa si, y slo si,
2
f(x) 0, x R
n
.
2
2. f es una funcin cncava si, y slo si,
2
f(x) 0, x R
n
.
3
Teorema 1.2 Sea una funcin f : R
n
7R la cual posee segundas derivadas parciales continuas en todo R
n
.
1. Si f es una funcin convexa, entonces cualquier punto estacionario es un minimizador global.
2. Si f es una funcin cncava, entonces cualquier punto estacionario es un maximizador global.
Con esto podemos hacer un estudio ms completo de mximos y mnimos de funciones.
Ejemplo 1.3 Halle la distancia ms corta desde cualquier punto (1, 0, 2) al plano denido por la ecuacin
x + 2y + z = 4.
Solucin. Puesto que z = 4x2y, cualquier punto (x, y, z) sobre el plano tiene la forma (x, y, 4 x 2y).
Luego, para resolver el problema tendramos que hallar un minimizador global de

d(x, y) = || (x, y, 4 x 2y) (1, 0, 2) ||

como
|| (x, y, 4 x 2y) (1, 0, 2) || =
q
(x 1)
2
+ y
2
+ (6 x 2y)
2
anticipamos que tendremos dicultades con la diferenciabilidad de

d. Sin embargo, esto se puede evitar
encontrando un minimizador global de esta otra funcin:
d(x, y) =

d(x, y)

2
= || (x, y, 4 x 2y) (1, 0, 2) ||
2
= (x 1)
2
+ y
2
+ (6 x 2y)
2
el cual ya no presenta ese inconveniente. As,
d(x, y) = (4x + 4y 14, 4x + 10y 24)
y d(x, y) =

0 si, y slo si,

4x + 4y 14 = 0
4x + 10y 24 = 0
de donde x =
11
6
y y =
5
3
. Por lo tanto, el nico punto extremo (estacionario) es

11
6
,
5
3

. Veamos la hessiana,

2
d(x, y) =

4 4
4 10

As,
2
d(x, y) > 0, (x, y) R
2
(denida positiva y, por tanto, semidenida positiva), por consiguiente d
es convexa. Por lo tanto,

11
6
,
5
3

es un minimizador global de d en R
n
. Finalmente, la menor distancia
buscada es:

11
6
,
5
3

11
6
,
5
3
, 4
11
6
2

5
3

(1, 0, 2)

=
5
6

6
o
2
Matriz hessiana semidenida positiva.
3
Matriz hessiana semidenida negativa.
3