Diferenciabilidad de Funciones de $\mathbb{R}^{2}\rightarrow \mathbb{R}$

Introducción

En funciones de varias variables la continuidad significa que no hay “saltos” en la gráfica: puedes acercarte a un punto desde cualquier dirección y el valor de la función coincide, sin embargo, hay que verificar esto para todas las direcciones posibles hacia el punto. Más aún, diremos que la función es diferenciable si se puede aproximar localmente por un plano tangente.

Las derivadas parciales miden cómo cambia una función de varias variables cuando cambias solamente una variable y mantienes las demás constantes.

Definición. Sea $A\subset\mathbb{R}^{2}$, un abierto, $f:A\rightarrow\mathbb{R}$ y $(x_{0},y_{0})\in A$. Se dice que f es diferenciable en $(x_{0},y_{0})$ si existen las derivadas parciales $\displaystyle{\frac{\partial f}{\partial x}(x_{0},y_{0}),~~\frac{\partial f}{\partial y}}(x_{0},y_{0})$ tal que
$$f((x_{0},y_{0})+(h_{1},h_{2}))=f(x_{0},y_{0})+\frac{\partial f}{\partial x}(x_{0},y_{0})h_{1}+\frac{\partial f}{\partial y}(x_{0},y_{0})h_{2}+r(h_{1},h_{2})$$donde
$$\lim_{(h_{1},h_{2})\rightarrow(0,0)}\frac{r(h_{1},h_{2})}{|(h_{1},h_{2})|}=0$$.

Diferenciabilidad implica continuidad de Funciones de $\mathbb{R}^{2}\rightarrow \mathbb{R}$

Teorema 1. Si la función $f:A\subset\mathbb{R}^{2}\rightarrow \mathbb{R}$ definida en $A$ de $\mathbb{R}^{2}$, es diferenciable en el punto $p=(x_{0},y_{0})\in A$, entonces es continua en ese punto.

Demostración. Si f es diferenciable en el ´punto $p=(x_{0},y_{0})\in A$ se tiene
$$f((x_{0},y_{0})+(h_{1},h_{2}))=f(x_{0},y_{0})+\frac{\partial f}{\partial x}(x_{0},y_{0})h_{1}+\frac{\partial f}{\partial y}(x_{0},y_{0})h_{2}+r(h_{1},h_{2})$$
tomando limite se tiene
$$\lim_{(h_{1},h_{2})\rightarrow(0,0)}f((x_{0},y_{0})+(h_{1},h_{2}))=\lim_{(h_{1},h_{2})\rightarrow(0,0)}f(x_{0},y_{0})+\cancel{\frac{\partial f}{\partial x}(x_{0},y_{0})h_{1}}+\cancel{\frac{\partial f}{\partial y}(x_{0},y_{0})h_{2}}+\cancel{r(h_{1},h_{2})}$$
se tiene entonces que
$$\lim_{(h_{1},h_{2})\rightarrow(0,0)}f((x_{0},y_{0})+(h_{1},h_{2}))=f(x_{0},y_{0})$$
por lo que f es continua en $(x_{0},y_{0})$

Aplicación del Teorema del Valor Medio de Funciones de $\mathbb{R}^{2}\rightarrow \mathbb{R}$

El teorema del valor medio de funciones de $\mathbb{R}^{2}\rightarrow \mathbb{R}$ es una generalización del teorema de una variable: Si una función es continua en el segmento que une dos puntos en $\mathbb{R}^{2}$ y diferenciable en los puntos interiores al mismo, Si

$$P=(x_1,y_1),Q=(x_2,y_2),$$

entonces existe un punto C en el segmento entre P y Q tal que

$$f(Q)-f(P)=\mathrm{\nabla }f(C)\cdot (Q-P)\mathrm{.}$$

La idea es que el cambio total de la función entre dos puntos puede expresarse mediante la derivada en algún punto intermedio, pero ahora la derivada es el gradiente y se toma en la dirección que une los dos puntos.

Teorema 2. Suponga que $f:A\subset\mathbb{R}^{2}\rightarrow\mathbb{R}$ es tal que
$$\left|\frac{\partial f}{\partial x}(x_{0},y_{0})\right|\leq M$$ y $$\left|\frac{\partial f}{\partial x}(x_{0},y_{0})\right|\leq M$$

donde $M$ no depende de $x,y$ entonces $f$ es continua en $A$.

Demostración. Sean $(x_{0},y_{0}),(x_{0}+h_{1},y_{0}+h_{2})\in A$ tenemos entonces que $$f(x_{0}+h_{1},y_{0}+h_{2})-f(x_{0},y_{0})=f(x_{0}+h_{1},y_{0}+h_{2})\textcolor{Red}{-f(x_{0}+h_{1},y_{0})+f(x_{0}+h_{1},y_{0})}-f(x_{0},y_{0})$$ Aplicando teorema del valor medio se tiene que existen $\xi_{1},\in\ (x_{0},x_{0}+h_{1})$,$\xi_{2}\in(y_{0},y_{0}+h_{2})$ tal que $$f(x_{0}+h_{1},y_{0}+h_{2})\textcolor{Red}{-f(x_{0}+h_{1},y_{0})}=\frac{\partial f}{\partial y}(x_{0}+h_{1},\xi_{2})h_{2}$$ $$\textcolor{Red}{f(x_{0}+h_{1},y_{0})}-f(x_{0},y_{0})=\frac{\partial f}{\partial x}(\xi_{1},y_{0}+h_{2})h_{1}$$ por lo tanto $$\left|f(x_{0}+h_{1},y_{0}+h_{2})-f(x_{0},y_{0})\right|=\left|\left(\frac{\partial f}{\partial y}(x_{0}+h_{1},\xi_{2})h_{2}\right)+\left(\frac{\partial f}{\partial x}(\xi_{1},y_{0}+h_{2})h_{1}\right)\right|\leq $$ $$\left|\left(\frac{\partial f}{\partial y}(x_{0}+h_{1},\xi_{2})\right)\right||h_{2}|+\left|\left(\frac{\partial f}{\partial x}(\xi_{1},y_{0}+h_{2}\right)\right|)|h_{1}|\leq M(|h_{2}|+|h_{1}|)$$ si tenemos que $\displaystyle{|(h_{1},h_{2})|}<\delta$ entonces $$M(|h_{2}|+|h_{1}|)<2M\delta~\therefore~~~\epsilon=2M\delta\Rightarrow \delta=\frac{\epsilon}{2M}$$.

Diferenciabilidad y Derivadas Direccionales

La idea de la derivada direccional es muy sencilla: mide qué tan rápido cambia una función si te mueves desde un punto en una dirección específica. Qué tan rápido está aumentando o disminuyendo la «altura» mientras caminas en esa dirección.

Teorema 3. Si $f:\mathbb{R}^{n}\rightarrow \mathbb{R}$ es una función diferenciable en $x_{0}$ en la dirección del vector unitario u entonces
$$\frac{\partial f}{\partial u}(x_{0})=\sum_{i=1}^{n}\frac{\partial~f}{\partial x_{i}}\cdot u_{i}$$.

Demostración. Sea $u\in\mathbb{R}^{n}$ tal que $u\neq0$ y $|u|=1$ como $f$ es diferenciable en $x_{0}$, se tiene que
$$f(x_{0}+h)-f(x_{0})=\sum_{i=1}^{n}\frac{\partial f}{\partial x_{i}}(x_{0})h_{i}+r(h)$$satisface
$$\lim_{(h)\rightarrow 0}\frac{r(h)}{|(h)|}=0$$
tomando $h=tu$ se tiene $|h|=|tu|=|t||u|=|t|$\
se tiene entonces
$$f(x_{0}+t(u))-f(x_{0})=\sum_{i=1}^{n}\frac{\partial f}{\partial x_{i}}(x_{0})tu_{i}+r(tu)$$
tenemos entonces
$$\lim_{t\rightarrow0}\frac{f(x_{0}+t(u))-f(x_{0})}{t}=\sum_{i=1}^{n}\frac{\partial f}{\partial x_{i}}(x_{0})u_{i}+\cancel{\lim_{t\rightarrow0}r(tu)}$$
es decir
$$\frac{\partial f}{\partial u}(x_{0})=\sum_{i=1}^{n}\frac{\partial f}{\partial x_{i}}(x_{0})u_{i}$$ $\square$.

Ejemplo. Halle la derivada direccional de $f(x,y)=\ln(x^{2}+y^{3})$ en el punto $(1,-3)$ en la dirección $(2,-3)$

Solución. En este caso
$$u=(2,-3)~\Rightarrow~|u|=\sqrt{13}~\rightarrow~\frac{u}{|u|}=\left(\frac{2}{\sqrt{13}},\frac{-3}{\sqrt{13}}\right)$$
$$\frac{\partial f}{\partial x}(1,-3)=\frac{2x}{x^{2}+y^{3}}\left|_{(1,-3)}\right.=\frac{-2}{26}$$

$$\frac{\partial f}{\partial y}(1,-3)=\frac{3y^{2}}{x^{2}+y^{3}}\left|_{(1,-3)}\right.=\frac{-27}{26}$$

por lo tanto
$$D_{\left(\frac{2}{\sqrt{13}},\frac{-3}{\sqrt{13}}\right)}f\left(1,-3\right)=\left(\frac{-2}{26}\right)\cdot\left(\frac{2}{\sqrt{13}}\right)+\left(\frac{-27}{26}\right)\cdot \left(\frac{-3}{\sqrt{13}}\right)=\frac{77\sqrt{13}}{338}$$

El Gradiente

La información que nos da el vector gradiente nos indica cómo cambia la función dependiendo de la dirección en la que se mueve una función, ya que indica, hacia dónde crece más rápido. Tengamos en cuenta que en una función de $\mathbb{R}^{n}\rightarrow \mathbb{R}$, un punto $(x,y)$ tiene muchas opciones para desplazarse en el dominio.

¿Cómo cambia la función dependiendo de la dirección en la que me mueva?

Sea $f:A\subset \mathbb{R}^{n}\rightarrow \mathbb{R}$ una función diferenciable en $x_{0}\in A$. Entonces el vector cuyas componentes
son las derivadas parciales de f en $x_{0}$ se le denomina Vector Gradiente
$$\left(\frac{\partial f}{\partial x_{1}}(x_{0}),\frac{\partial f}{\partial x_{2}}(x_{0}),…,\frac{\partial f}{\partial x_{n}}(x_{0}),\right)$$
y se le denota por $\nabla f$.

En el caso particular $n=2$ se tiene
$$\nabla f(x_{0})=\left(\frac{\partial f}{\partial x}(x_{0}),\frac{\partial f}{\partial y}(x_{0})\right)$$
En el caso particular $n=3$ se tiene
$$\nabla f(x_{0})=\left(\frac{\partial f}{\partial x}(x_{0}),\frac{\partial f}{\partial y}(x_{0}),\frac{\partial f}{\partial z}(x_{0})\right)$$.

Ejemplo. Calcular $\nabla f$ para $f(x,y)=x^{2}y+y^{3}$
Solución. En este caso
$$\nabla f(x,y)=\left(2xy,x^{2}+3y^{2}\right)$$.

Teorema 4. Si $f:\mathbb{R}^{2}\rightarrow \mathbb{R}$ es una función diferenciable en $(x_{0},y_{0})$ en la dirección del vector unitario u entonces
$$\frac{\partial f}{\partial u}(x_{0},y_{0})=\nabla f(x_{0},y_{0})\cdot u$$.

Sea $u\in\mathbb{R}^{n}$ tal que $u\neq0$ y $|u|=1$ como $f$ es diferenciable en
$(x_{0},y_{0})$, se tiene que
$$f((x_{0},y_{0})+(h_{1},h_{2}))=f(x_{0},y_{0})+\frac{\partial f}{\partial x}(x_{0},y_{0})h_{1}+\frac{\partial f}{\partial y}(x_{0},y_{0})h_{2}+r(h_{1},h_{2})$$

satisface
$$\lim_{(h_{1},h_{2})\rightarrow(0,0)}\frac{r(h_{1},h_{2})}{|(h_{1},h_{2})|}=0$$
tomando $h=tu$ se tiene $|h|=|(h_{1},h_{2})|=|tu|=|t||u|=|t|$

se tiene entonces
$$f((x_{0},y_{0})+t(u))=f(x_{0},y_{0})+\frac{\partial f}{\partial x}(x_{0},y_{0})tu_{1}+\frac{\partial f}{\partial y}(x_{0},y_{0})tu_{2}+r(tu_{1},ru_{2})$$
y también
$$\frac{r(h_{1},h_{2})}{|(h_{1},h_{2})|}=\frac{r(tu_{1},ru_{2})}{|tu|}=\frac{r(tu_{1},ru_{2})}{|t||u|}=\frac{r(tu_{1},ru_{2})}{|t|}$$
tenemos entonces
$$\lim_{t\rightarrow0}\frac{r(tu_{1},ru_{2})}{|t|}=\lim_{t\rightarrow0}\frac{f((x_{0},y_{0})+t(u))-f(x_{0},y_{0})}{|t|}-\frac{\frac{\partial f}{\partial x}(x_{0},y_{0})tu_{1}}{|t|}-\frac{\frac{\partial f}{\partial y}(x_{0},y_{0})tu_{2}}{|t|}$$
es decir
$$0=\frac{\partial f}{\partial u}(x_{0},y_{0})-\frac{\partial f}{\partial x}(x_{0},y_{0})u_{1}-\frac{\partial f}{\partial y}(x_{0},y_{0})u_{2}$$
y en consecuencia

$$\frac{\partial f}{\partial u}(x_{0},y_{0})=\frac{\partial f}{\partial x}(x_{0},y_{0})u_{1}+\frac{\partial f}{\partial y}(x_{0},y_{0})u_{2}=\left(\frac{\partial f}{\partial x}(x_{0},y_{0},\frac{\partial f}{\partial y}(x_{0},y_{0}\right)\cdot\left(u_{1},u_{2}\right)=\nabla f(x_{0},y_{0})\cdot u$$ $\square$.

Ejemplo. Halle la derivada direccional de $f(x,y)=\ln(x^{2}+y^{3})$ en el punto $(1,-3)$ en la dirección $(2,-3)$.

Solución. En este caso

$$\frac{\partial f}{\partial x}(1,-3)=\frac{2x}{x^{2}+y^{3}}\left|_{(1,-3)}\right.=\frac{-2}{26}$$

$$\frac{\partial f}{\partial y}(1,-3)=\frac{3y^{2}}{x^{2}+y^{3}}\left|_{(1,-3)}\right.=\frac{-27}{26}$$

por lo tanto
$$\nabla f(1,-3)=\left(\frac{-2}{26},\frac{-27}{26}\right)\cdot \left(\frac{2}{\sqrt{13}},\frac{-3}{\sqrt{13}}\right)=\frac{77}{26\sqrt{13}}=\frac{77\sqrt{13}}{338}$$.

Dirección de Mayor Crecimiento de una Función

Teorema 5. Supongamos que $\nabla(f(x))\neq(0,0,0)$. Entonces $\nabla(f(x))$ apunta en la dirección a lo largo de la cual f crece más rápido.

Demostración. Si v es un vector unitario, la razón de
cambio de f en la dirección v está dada por $\nabla(f(x))\cdot v$ y
$\nabla(f(x)) \cdot v$ = $|\nabla{f(x)}|~|v|\cos\Theta$ = $|\nabla{f(x)}|\cos\Theta$,
donde $\Theta$ es el ángulo entre $\nabla{f}$, $v$. Este es máximo cuando $\Theta~=~0$ y esto ocurre cuando $v$, $~\nabla{f}$ son paralelos. En otras palabras, si queremos movernos en una dirección en la cual $f$ va a crecer más rápidamente, debemos proceder en la dirección $\nabla{f(x)}$. En forma análoga, si queremos movernos en la dirección en la cual $f$ decrece más rápido, habremos de proceder
en la dirección $-\nabla{f}$.

Ejemplo. Encontrar la dirección de rapido crecimiento en $(1,1,1)$ para $\displaystyle{f(x,y,z)=\frac{1}{\sqrt{x^{2}+y^{2}+z^{2}}}}$.

Solución. En este caso:

$$\nabla f(1,1,1)=\left(\frac{\partial \left(\frac{1}{\sqrt{x^{2}+y^{2}+z^{2}}}\right)}{\partial x},\frac{\partial \left(\frac{1}{\sqrt{x^{2}+y^{2}+z^{2}}}\right)}{\partial y},\frac{\partial \left(\frac{1}{\sqrt{x^{2}+y^{2}+z^{2}}}\right)}{\partial z}\right)\left|_{(1,1,1)}\right.=$$

$$\left(-\frac{x}{\sqrt{x^{2}+y^{2}+z^{2}}},-\frac{y}{\sqrt{x^{2}+y^{2}+z^{2}}},-\frac{z}{\sqrt{x^{2}+y^{2}+z^{2}}}\right)\left|_{(1,1,1)}\right.=-\frac{1}{3\sqrt{3}}\left(1,1,1\right)$$
Podemos tomar

$$u=\frac{\nabla f}{|\nabla f|}$$
en este caso
$$u=\frac{-\frac{1}{3\sqrt{3}}\left(1,1,1\right)}{\frac{1}{3}}=\left(-\frac{1}{\sqrt{3}},-\frac{1}{\sqrt{3}},-\frac{1}{\sqrt{3}}\right)$$.

Puntos Estacionarios

Para hablar de puntos estacionarios necesitamos que la función sea diferenciable pero ¿qué pasa en un punto donde el gradiente es el vector cero?

A ese punto lo llamamos punto estacionario (o punto crítico), es donde la función no aumenta ni disminuye inmediatamente en ninguna dirección. Pero sí son candidatos a ser máximos, mínimos locales o puntos silla.

Definición. Sea $f:\Omega\subset \mathbb{R}^{n} \rightarrow \mathbb{R}$ diferenciable, a los puntos $x \in \Omega$ tales que $\nabla f(x)=0$ se les llama puntos críticos (o punto estacionario.) de la función.

Ejemplo. Sea $f:\mathbb{R}^{2}\rightarrow\mathbb{R}$ dada por $f(x,y)=x^{2}-y^{2}$ hallar los puntos críticos de $f$

Solución. Se tiene que $\nabla f(x)=(2x, 2y)$ $\hspace{0.5cm}$ $\nabla f(x)=0\Leftrightarrow(2x, 2y)=(0,0)\Leftrightarrow 2x=0$ y $2y=0\Leftrightarrow x=0$ y $y=0$ \hspace{0.5cm} $\therefore$ $(0,0)$ es el único punto crítico de $f$.

Ejemplo. Que condición se debe satisfacer para que la función $f:\mathbb{R}^{2}\rightarrow\mathbb{R}$ dada por $f(x,y)=ax^{2}+2bxy+cy^{2}+dx-ey+f$ tenga un punto crítico

$\nabla f=(2ax+2by+d, 2bx+2cy-e)$ entonces

$\nabla f=0\Leftrightarrow 2ax+2by+d=0$ y $2bx+2cy-e=0$

$\Rightarrow$ $ 2ax+2by=-d$ y $2bx+2cy=e$ se necesita que

$$\begin{vmatrix} 2a & 2b \\ 2b & 2c \end{vmatrix} \neq 0 $$

$\Rightarrow$ $2a(2c)-(2b)^{2}\neq 0$ $\therefore$ $ac-b^{2}\neq 0$

Más adelante

En la siguiente entrada veremos como la regla de la cadena representa una herramienta del cálculo que permite derivar funciones compuestas. Si una variable depende de otra, y esa a su vez depende de otra, la derivada de la función final se obtiene multiplicando las derivadas intermedias. También veremos cómo gracias a que el gradiente representa la dirección de máximo crecimiento nos ayuda a definir el plano tangente de una función en un punto dado.

Tarea Moral

1.- Sea la función $f:\mathbb{R^2}\rightarrow \mathbb{R}$ con $f:xe^y$ calcula: $\nabla f=(\frac{\partial{f}}{\partial{x}}, \frac{\partial{f}}{\partial{y}}, \frac{\partial{f}}{\partial{z}})$

2.- Sea $f(x,y)=x^2+y+3y^2$ calcula la derivada direccional en el punto $(2,-4)$ en la dirección $(3,2)$.

3.- Evalua el gradiente de $f(x,y,z)=log(x^2+y^2+z^2)$ en $(1,0,1)$

4.- Sean $f,g:\mathbb{R}^2\rightarrow \mathbb{R}$ prueba que $\nabla(fg)=f \nabla g+ \nabla f g$

5.- Sea $f(x,y,z)=x^2e^{-yz}$ calcula la derivada direccional de $f$ en la dirección del vector unitario $v=(\dfrac{1}{3},\dfrac{1}{3},\dfrac{1}{3})$

Enlaces

El siguiente enlace contiene una calculadora en python que te va a permitir saber el valor de la derivada direccional de una función de dos dimensiones en un punto y una dirección en específico.
Lo que hace es:

Es decir:

1. Calcula las derivadas parciales.
2. Forma el gradiente.
3. Evalúa el gradiente en el punto.
4. Normaliza el vector dirección.
5. Hace el producto punto.
   
   NOTA:

Como se usa la librería SymPy toma en cuenta que las operaciones matemáticas se hace bajo la siguiente denotación:

multiplicación: *

elevar al cuadrado: **

raíz n-ésima: x**(1/n) (donde n es un número natural)

En la siguiente imagen se muestra un ejemplo de cómo debes introducir tus datos al programa para calcular la derivada direccional de la función: $f(x,y)=x^2+3y-4$, en la dirección $(1, \dfrac{1}{2})$, en la dirección $(2,3)$. Observa que no es necesario escribir paréntesis en el prompt.

https://colab.research.google.com/drive/19EHSU3DyMZgHt2a2IZtO6vToMrCJVeHC?usp=sharing