Captulo I

El Problema
1.1

Planteamiento del problema

Al estudiar el clculo de varias variables, el estudiante se encuentra con diversa

s dificultades:
A)
Encontrar informacin sobre el tema que complemente la que se encuentra en
los textos
B)
Ver aplicaciones que le aclaren la teora
1.2 Objetivo General
Objetivo del proyecto
Elaborar un documento que sirva de ayuda a los estudiantes de Matemtica III en la
Universidad Fermn Toro de tal manera que les permita reforzar sus conocimientos
en las aplicaciones de las derivadas parciales en la solucin de problemas prcticos
y les adentre en el campo de la utilizacin de los conocimientos en derivadas par
ciales en la solucin de los mismos.
1.3 Objetivos Especficos
1)
Presentar informacin sobre el tema que complemente la que se encuentra en
los textos
2)
Ejemplificar con aplicaciones que aclaren la teora
3) En algunos casos se completar el estudio del problema utilizando
graficac
in ya que ello contribuye a la comprensin del mismo, tal como se ve al graficar la
funcin
z = (sen r)/r, en donde r =

1.4 Justificacin
....La falta de material, la complejidad de algunos textos que an as no presentan
suficientes ejemplos.
.
1.5 Alcances y Limitaciones
Se ejemplificarn y aplicarn los mtodos aprendidos en clase,
Una limitacin es que los ejemplos son de mximo 2 variables independientes. Sin emb
argo, salvo la complejidad en los clculos, los procedimientos se pueden aplicar s
in restriccin para mayor nmero de variables.
Captulo 2
Marco Terico
2.1 Antecedentes
Los problemas de optimizacin de funciones de una o mas variables se presentan no
slo en problemas de ingeniera sino tambin en asuntos relacionados con actividades c
uotidianas especialmente relacionadas con la economa.

Algunos de estos problemas son:

a)
Clculo de costos, en donde se desea maximizar una ganancia o minizar cost
os. En general ambos aspectos son importantes.
b)
Clculo de distancias mnimas entre una trayectoria y un punto o problemas s
imilares
c)
Clculo de cantidades producidas, ya sean unidades, peso u otra medida de
produccin, cumpliendo ciertas restricciones respecto de los insumos
2.2 Bases Tericas
Mximo y Mnimo relativos
Para calcular valores mximos o mnimos locales de una funcin de una variable, es comn
:
2.
Calcular la 1ra. derivada
3.
Igualar la 1ra. derivada a 0 y a partir de all, calcular los puntos crticos
4.
Calcular la 2da. derivada en los puntos crticos
a)
Si la segunda derivada es positiva en el punto crtico, la funcin tiene un
valor mnimo local en tal punto.
b)
Si la 2da. derivada es negativa, en tal punto crtico, la funcin alcanza un
mximo local en tal punto.
c)
Si la segunda derivada es igual a 0, en el punto crtico, el punto es un p
unto de inflexion .
Los grficos ejemplifican los casos:
(a)

(b)

(c)

An en los casos a) y b), para calcular mximos o mnimos globales , hay que comparar los
valores mximos y mnimos locales , hallados antes, con los valores de la funcin en los
extremos del intervalo ya que podran presentarse situaciones como se muestra en
el siguiente grfico:

en donde los mximos o mnimos locales, en el interior del intervalo ?a,b? no son mxi
mos o mnimos globales, los cuales en este caso se encuentran en los extremos a y
b. En tales puntos, no sucede que f (a) = 0 o f (b) = 0. La condicin f (x) = 0 no garan
tiza siempre que el punto sea un mnimo o un mximo local, tal como sucede en los punt
os de inflexin. Por ello se dice que la condicin f (x) = 0 no es una condicin suficie
nte, pero si necesaria, bajo ciertas condiciones de diferenciabilidad en el inte
rior del intervalo (que la primera derivada exista y sea continua).
Esta distincin entre condicines necesarias y suficientes, es fundamental en toda i
nvestigacin.

Pese a ello, en la prctica, los mtodos de optimizacin comienzan buscando los puntos
en los cuales se cumple la condicin necesaria f(x) = 0, para concluir posteriorme
nte, an sin utilizar la segunda derivada que el punto es de mxima o de mnima, como
lo ejemplificaremos ms adelante, comparando por ejemplo los valores de la funcin e
n los puntos crticos y por ltimo comparndolos con valores de la funcin en la frontera
del dominio, o sea, en el caso de una variable, en los extremos del intervalo.
Partiendo por ejemplo del hecho de que el trasmisor del dengue es el zancudo aede
s egipty , cuya existencia es necesaria para que se desaten epidemias, los investi
gadores pueden determinar los sitios en donde podran desatarse epidemias de tal e
nfermedad. Pese a que la presencia de este zancudo, no es suficiente para que la
enfermedad se propague ya que se necesitan otras condiciones. Digamos que las z
onas en donde existe el aedes egipty son los puntos crticos .
En optimizacin no siempre se utiliza la segunda derivada o derivadas de orden sup
erior, tal como sucede con el mtodo de los multiplicadores de Lagrange, en donde
para hallar los puntos de mxima o mnima de una funcin z = f(x,y), sometida a una re
striccin del tipo g(x) = 0, se buscan los puntos en donde ?f(x) = ? ?g(x), princi
pio descubierto por el astrnomo y matemtico Francs Luis Lagrange (1736- 1813), qui
en descubri que tal condicin, aun cuando no era suficiente, era necesaria. Localiz
ados los puntos crticos , se determinar de alguna manera cuales son de mxima y cuales
son de mnima.
Extenderemos la definicin a funciones de dos variables independientes
Definicion
1. Una funcion f(x,y) tiene un mximo relativo en (a,b) si hay una vecindad de ra
dio ??centrada en (a,b) tal que
f(a,b) > f(x,y)
2. Hay un minimo relativo en (x,y) si
f(a,b) < f(x,y)
para todos los (x,y) en una vecindad de radio ?.
I.
Los extremos relativos de una funcin de una variable ocurren solamente si la prim
era derivada es cero en el punto. Una proposicin similar se cumple para funcione
s de dos variables, pero en este caso el gradiente reemplaza a la primera deriva
da.
II.
Teorema
Si f(x,y) alcanza un mximo o mnimo relativo en el punto P, entonces
gradf(P) = 0
Ejemplo
Sea
f(x,y) = x2 + xy - 2y + x - 1
entonces
gradf = <2x + y + 1,x - 2> = 0

Por lo tanto
x - 2 = 0
o
x = 2
Luego
2(2) + y + 1 = 0
Entonces
y = 5
Un extremo posible es (2,-5).
Note que el hecho de que la primera derivada de 0 no garantiza un mximo o un mnimo
. El hecho de que el gradiente sea 0, tampoco garantiza un extremo relativo. Si
n embargo, la segunda derivada viene al rescate.
Empezamos por definir una versin de la segunda derivada en dos variables.
Definicion
Llamamos a la matriz:
fxx
fxy
fyx
fyy
El hessiano. Su determinante es
D = fxxfyy - fxy2
Ahora podemos generalizar la prueba de la segunda derivada para funciones de dos
variables. Este teorema permite clasificar los puntos crticos como mximos, mnimos
o ni lo uno ni lo otro. Hay un caso tpico de punto crtico que no es ni de mxima n
i de mnima. Se denomina, un punto de silla. Una superficie con un punto de silla
se comporta como la tpica silla de montar. Adelante y atrs del punto crtico va hac
ia arriba, mientras que va hacia abjo de derecha a izquierda.
Teorema (Test de la Segunda Derivada para funciones de dos variables)
Si gradf = 0, concluimos
D
fxx
Type
> 0
> 0
Rel Min
> 0
< 0
Rel Max
< 0
any
Silla
= 0
any
No concluye
Ejemplo:
Sea
f(x,y) = -x2 - 5y2 + 8x - 10y - 13
Luego
gradf = <-2x + 8,-10y - 10> = 0
Como

en

(4,-1)

fxx = -2,

fyy = -10,

and

fxy = 0

Entonces
D = (-2)(-10) - 0 > 0
luego f tiene un mximo relativo en (4,-1) el cual es f(4,-1) = 8.
I.
Ejemplo: Sea
f(x,y) = 4xy - x4 - y4
Entonces
gradf = <4y - 4x3,4x - 4y3>
II.

Al resolver:
4y - 4x3 = 0

llegamos a
y = x3
Por lo tanto
4x - 4(x3)3 = 0
o
x - x9 = 0
Luego
x = 1

or

x = 0

or

x = -1

Colocando estos valores en

y = x3 y encontramos los puntos
(1,1), (0,0) y (-1,-1)
Como
fxx = -12x2,

fyy = -12y2,

fxy = 4

Se concluye
D = 144x2y2 - 16
Podemos concluir la siguiente tabla:
Punto D
fxx
Tipo
(1,1) 126
-12
Max
(0,0) -16
0
Silla
(-1,-1) 126
-12
Max
La teora de los multiplicadores de Lagrange se basa en la condicin necesaria de Ku
hn-Tucker y est ampliamente explicada en diferentes textos.
2.3. Definicin de Trminos Bsicos
Punto de Silla: Un punto donde el gradiente de f es 0 y falla el test de la segun
da derivada.

Gradiente: Vector cuyas componentes son las derivadas parciales de la funcin, res
pecto a cada una de las variables independientes.
Mximo o mnimo local: Definido como Mximo o Mnimo relativo en la seccin 2.2
Mximo o Mnimo global: Llamado a veces Mximo o Mnimo absoluto. Se caracteriza porque
en l, el valor de la funcin es mayor o igual que cualquier otro valor en el domini
o de la funcin, en el caso de Mximo. Definicin similar para Mnimo Global.
Condicion necesaria o suficiente: En la implicacin p ? q, p es la condicin suficie
nte para q, mientras que q es condicin necesaria para p.
Este proyecto mostrar diferentes tcnicas en el rea de optimizacin de funciones de va
rias variables, por medio de ejemplos.
Ejemplo 1. En donde se ejemplifica como una vez encontrados los puntos crticos, e
xisten diversas tcnicas para encontrar si el punto es de mxima o de mnima.
En el captulo II, bases tericas, se calcul el punto crtico (4, -1) de la funcin
f(x,y) = -x2 - 5y2 + 8x - 10y
13, utilizando la condicin necesaria ?f(x,y) = 0
.
All se utiliz el determinante del Hessiano D = fxxfyy
fxy2 = 20 > 0 y el hecho de
que fxx = - 2 < 0, para concluir que all se daba el valor mximo de la funcin.
El siguiente razonamiento demuestra lo mismo sin utilizar ni el Hessiano, ni seg
undas derivadas.
Razonamos as:
Sea h ? 0, k ? 0. Probaremos que f(4+h, -1+k) < f(4, -1) = 8, concluyendo de est
a manera que en (4,-1) acontece un mximo.
f(4+h,-1+k) = - (4+h)2 5(-1+k)2 + 8(4+h) 10(-1+k) 13 = -42 5(-1)2+8(4) 10(-1)- 13
8h
h2 + 10k - 5k2 + 8h 10 k = f(4,-1)
(h2 + k2) < f(4,-1), para todo h ? 0, k ? 0.
Ejemplo 2 Un ejemplo en donde se ejemplifican otros mtodos para determinar si un
punto crtico es de mxima o de mnima.
* Hallar los valores de x e y tales que x + y = 5 y z = xy sea mximo.
Solucin: Utilizaremos el mtodo de los multiplicadores de Lagrange.
La funcin a optimizar es z = f(x,y) = xy, sometida a la restriccin g(x,y) = 5.
fx = y, fy = x,
gx = 1, gy = 1. Por lo tanto, de la condicin necesa
ria
?f(x,y) = ? ?g(x,y) tenemos que x = ?, y = ?. De donde x = y. De la restric
cin x + y = 5, concluimos que x = y = 5/2.
Evidentemente z = xy = 25/4, no es un mnimo ya que cumpliendo la restriccin hay mu
chas parejas xy, tales que f(x,y) < 25/4, como es el caso de x = 0, y = 0. Po
r lo tanto debe ser un mximo.
Examinando la funcin z = xy, en el grfico adjunto, encontramos que en el primer cu
adrante, es nada menos que el rea del rectngulo con vrtices en (0,0) y (x,y). Al mo
verse (x,y) desde x= 0, y = 5, hasta x= 5, y = 0, tal rea es en principio 0, cuan
do (x,y) = (0,5), toma valores positivos y regresa a 0, cuando (x,y) = (5,0).
Como z= f(x,y) > 0, para x ? 0, y ? 0 y la funcin es continua y acotada ya que z=
f(x,y) = xy < 5x5 = 25 (su rea es menor que la del cuadrado de lado 5) tal funcin
alcanza un mximo. El nico canditato es x= 5/2, y = 5/2, nico punto que cumple la co
ndicin necesaria de Lagrange, el cual es por lo tanto el mximo.

Ejemplo 3
Este ejemplo muestra una aplicacin real de la teora de optimizacin a la termodinmica
.
La temperatura en un punto (x,y) en una placa de metal est dada por 4x2 - 4xy + y
2. Una hormiga, camina sobre la placa, moviendose en un crculo de radio 6 con cen
tro en el orgen. Cules son las temperaturas mas alta y mas baja, soportadas por la
hormiga en su recorrido?
La funcin objetiva
La funcin a maximizar y minimizar en este ejemplo es la que describe la temperatu

ra.
.
Derivadas Parciales
Las derivadas parciales en este problema son:

La restriccin
La restriccin est dada por la circunferencia en la cual viaja la hormiga.
.
La funcin a diferenciar
La funcin a diferenciar es (esta es una manera equivalente de describir la condic
in necesaria de Lagrange:
If Fx = 0, then 4x - 2y - x = 0, despejando y
.
Al sustituir y en Fy = 0 results in
Multiplicando por 2 y factorizando, obtenemos
Luego x = 0, = 0, and = 5 son las soluciones. Debemos considerar tres casos.
Primero: if x = 0, al estudiar la ecuacin de la circunferencia obtenemos y = 6
.
Segundo, si = 0 de Fx = 0, concluimos y = 2x and x2 + 4x2 = 36 de la ecuacin de
l
crculo. Por lo tanto,
.
Tercero, si = 5 entonces y = -x/2 y
, luego y . Finalmente, calculando
la temperatura f(x,y) en cada uno de los puntos, llegamos a una temperatura mxim
a en y a una temperatura mnima en .
La temperatura mxima es 180 y la mnima de 0 grados, mientras la hormiga describe e
l crculo. El punto crtico (0, ) queda descartado porque en l se da una temperatura
de 36 que no es ni mxima ni mnima.
Ejemplo 4
Una aplicacin del mtodo de Lagrange con representacin grfica
Problema
Hallar los valores mximos y mnimos de , sujeta a las restricciones
Solucin: La condicin de Lagrange nos lleva a resolver
o sea
1=
, es decir
junto con .
Se concluyen de aqu las siguientes soluciones:
( , ) , ( ,- ) , (- , ),(- ,- ). En cada uno de estos puntos la funcin a optimi
zar toma en su orden los valores
Ejemplo5
Muestra una aplicacin al ajuste de puntos por curvas, utilizando las tcnicas de mni
mos cuadrados
Recta de Regresin por mnimos cuadrados
Asuma que tiene los puntos (1,1) y (4,2) y desea hallar la recta
y = mx + b
que pase por ellos como se muestra en la figura

Una manera de resolver el problema es hallar una recta que se acerca ms a los pun
tos en el sentido que minimice la suma de los cuadrados de las distancias de los
puntos a dicha recta, como muestra la figura
Una manera de resolver el problema es halla la recta de regresin por mnimos cuadra
dos. Calculando
d12 + d22 + d32 = f(m,b) = (y1 - (mx1+ b))2 + (y2 - (mx2+ b))2 + (y3 (mx3+ b))2
y aplicando la condicin necesaria de optimizacin en las variables m y b
gradf = <fm, fb> = 0
Tenemos que
fm = 2(y1 - (mx1+ b))(-x1) + 2(y2 - (mx2+ b))(-x2) + 2(y3 - (mx3+ b))(-x
3) = 0
y
fb = -2(y1 - (mx1+ b)) - 2(y2 - (mx2+ b)) - 2(y3 - (mx3+ b)) = 0
Por lo tanto
A.
x1(y1 - (mx1+ b)) + x2(y2 - (mx2+ b)) + x3(y3 - (mx3+ b)) = 0
B.
(y1 - (mx1+ b)) + (y2 - (mx2+ b)) + (y3 - (mx3+ b)) = 0
Es decir, utilizando la notacin de sumatoria
C.
?xiyi - m?xi2 - b?xi = 0
D.
?yi - m?xi - nb = 0
En este caso n=3, ya que hay solo 3 puntos. Sin embargo esta frmula trabaja, para
cualquier nmero arbritario de puntos.
Despejando m y b
m = [n ? xiyi - ? xi ? yi ]/[n? xi2 - (? xi)2]
y
b = 1/n ( ? yi - m? xi )
Ejemplo: Hallemos la recta de regresion para
I.
(3,2), (5,1) and (4,3)

Utilizacin del ejemplo 2 para corroborar las bases tericas de la condicin de Lagran
ge

Si dibujamos las curvas de nivel de la funcin objetiva (funcin a optimizar), en el

plano XY, junto con la recta restriccin x + y = 5, encontramos que cuando M sea
mximo o mnimo, el punto (x,y) debe estar tanto en la recta restriccin x + y = 5 co
mo en la curva de nivel y = M/x (hiprbola). El valor de M ser el mximo cuando la cu
rva de nivel de f(x,y) = xy, y= M/x, sea tangente a la restriccin g(x,y) = 0. En
dicho lugar, el vector ?f(x,y) es perpendicular a su curva de nivel y = M/x. D
e otro lado ?g(x,y) es perpendicular a x + y = 5 en dicho punto (considerndola co
mo una curva de nivel de una funcin, por estar igualada a una constante). Por ser
los dos lugares geomtricos tangentes, concluimos que los gradientes son paralelo
s entre s, lo cual significa que ?f(x,y) = ? ?g(x,y) para algn ?.
El problema de la lechera. Otra manera de justificar la condicin de Lagrange.
La lechera (MilkMaid) o nia que atiendes las vacas, divisa a la vaca. Situada en
el punto C (Cow). Debe llevarle agua y por lo tanto ir primero al ro. No puede ir
directamente de M a C, ya que no pasara por el ro. Por lo tanto, busca la ruta ma
s corta para ir a la rivera del ro en lnea recta y llegar a la vaca.
Considerando que la ribera del ro satisface la ecuacin g(x,y) = 0, debemos hallar
un punto R(x,y) en la ribera tal que la suma de las distancias MR + RC sea mnima
. Si la lechera se transladase a un punto sobre una elipse y luego se dirigiera
a la vaca, la distancia que recorrera sera la suma de las distancias del punto de
la elipse hacia los focos. Tal suma de las distancias es una constante, en la el
ipse, dndole una libertad de escogencias de rutas que le permiten una amplia vari
edad de recorridos. Ms como desea que el punto est sobre la rivera del ro, debe esc
oger una elipse que toque la rivera del ro. En este punto de tangencia los gradie
ntes de la funcin a optimizar y de la restriccin son paralelos tal como se describ
i en el estudio del ejemplo2, por lo tanto ?f(x,y) = ? ?g(x,y), donde f(x,y) = M
R + RC (Aqu interviene el teorema de Pitgoras para expresar de manera funcional la
suma de las distancias) y g(x,y) = 0, es la ecuacin de la ribera del ro.
Esta otra justificacin de la condicin de Lagrange.