Vector gradiente

Funciones. Máximos y mínimos. Derivada direccional. Crecimiento. Decrecimiento. Trayectoria. Derivadas parciales

  • Enviado por: Alfredo
  • Idioma: castellano
  • País: Venezuela Venezuela
  • 17 páginas
publicidad
cursos destacados
El patrimonio Etnográfico en la Isla de La Palma
UNED
El curso trata de poner en valor el patrimonio material e inmaterial de la isla de La Palma y repasar el estado actual...
Solicita InformaciÓn

Prehistoria y Arte Rupestre en Cantabria: Conocimiento del Pasado y Patrimonio del Presente
UNED
El arte es un patrimonio exclusivo de nuestra especie; se aborda el conocimiento del primer arte, el conservado...
Solicita InformaciÓn

publicidad

REPÚBLICA BOLIVARIANA DE VENEZUELA

MINISTERIO DE EDUCACIÓN, CULTURA Y DEPORTE

UNIVERSIDAD YACAMBÚ

CABUDARE, ESTADO LARA

“VECTOR GRADIENTE”

Y

“MAXIMOS Y MINIMOS DE FUNCIONES DE DOS VARIABLES”

ALUMNO:

ALFREDO J. PEREZ T.

CALCULO III

PROF: RONALD UGEL.

Gradiente

La derivada direccional Duf(x,y) puede expresarse como el producto escalar del vector unitario

Vector gradiente

y el vector

Vector gradiente

Este vector es importante y tiene usos diversos. Lo llamamos vector gradiente de f.

Definición 1.2

Si z=f(x,y), entonces el gradiente de f, que se denota mediante Vector gradiente
, es el vector

Vector gradiente

Otra notación para el gradiente es grad f(x,y)

Puesto que el gradiente de f es un vector, podemos escribir la derivada direccional de f en la dirección de u como

Vector gradiente

En otras palabras, la derivada direccional es el producto escalar del gradiente por el vector dirección. Este importante resultado constituye el contenido del siguiente teorema.

Teorema 1.2

Si f es una función diferenciable de x e y, la derivada direccional de f en la dirección del vector unitario u es

Vector gradiente

Ejemplo 1.3

Calcular la derivada direccional de en (-1,3) en la dirección que va desde P(-1,3) a Q(1,-2)

Solución

Un vector en la dirección especificada es

Vector gradiente

y un vector unitario en esta dirección es

Vector gradiente

Como , el gradiente (-1,3) es

Vector gradiente

En consecuencia, en (-1,3) la derivada direccional es

Vector gradiente

Ya hemos visto que hay muchas derivadas direccionales en el punto (x,y) de una superficie. En muchas aplicaciones nos gustaría conocer en qué dirección movernos para que f(x,y) crezca lo más rápidamente posible. Llamamos a esta dirección de máxima pendiente, y viene dada por el gradiente, como se establece en el teorema 1.3.

Aplicaciones del gradiente

Teorema 1.3

Si f es una función diferenciable en el punto (x,y)

1) Si Vector gradiente
, entonces Vector gradiente
para todo u.

2) La dirección de máximo crecimiento de f viene dada por Vector gradiente
.

El valor máximo de Vector gradiente
es Vector gradiente
.

3) La dirección de mínimo crecimiento de f viene dada por -Vector gradiente
.

El valor mínimo de Vector gradiente
es -Vector gradiente
.

Para visualizar una de las propiedades del gradiente, consideremos un esquiador descendiendo una de las laderas de una montaña. Si f(x,y) denota la altitud del esquiador, entonces - indica la dirección que el esquiador debe adoptar para deslizarse por la trayectoria de máxima pendiente (Recordemos que el gradiente indica dirección en el plano xy y por si mismo no señala hacia arriba o hacia abajo en la ladera de la montaña).

Como ilustración alternativa del gradiente consideremos la temperatura T(x,y) en un punto (x,y) cualqueira de una placa metálica plana. En este caso, grad T da la dirección de máximo crecimiento de la temperatura en el punto (x,y), como se señala en el ejemplo 1.4.

Ejemplo 1.4

La temperatura, en grados Celsius, sobre la superficie de una placa metálica viene dada por

Vector gradiente

midiendo x e y en centímetros. Desde el punto (2,-3), ¿en qué dirección crece la temperatura más rápidamente?. ¿A qué ritmo se produce este crecimiento?

Solución

El gradiente es

Vector gradiente

Se sigue que la dirección de más rápido crecimiento viene dada por

Vector gradiente

como se muestra en la figura 5.5, y que la razón de crecimiento es

Vector gradiente
por centímetro

Curvas de nivel

Vector gradiente

figura 1.5

Dirección de más rápido crecimiento en (2,-3)

La solución que se presenta en el ejemplo 1.4 puede resultar engañosa. A pesar de que el gradiente apunta en la dirección de crecimiento más rápido de la temperatura, no necesariamente apunta hacia el lugar más caliente de la placa. En otras palabras, el gradiente proporciona una solución local al problema de encontrar un crecimiento relativo a la temperatura en el punto (2, -3). Una vez que abandonamos esa posición, la dirección de más rápido crecimiento puede cambiar.

Ejemplo 1.5

Vector gradiente
Una partícula rastreadora de calor está situada en el punto (2,-3) de una placa metálica cuya temperatura en (x,y) es . Encontrar la trayectoria de la partícula al moverse de forma continua en la dirección de más rápido crecimiento de la tempertatura.

Solución

Representaremos la trayectoria por la función posición

Vector gradiente

Un vector tangente en cada punto (x(t),y(t)) viene dado por

Vector gradiente

Puesto que la partícula busca el crecimiento más rápido de temperatura, la dirección de

Vector gradiente

son las mismas en cada punto de la trayectoria. Luego

Vector gradiente

Estas ecuaciones diferenciales representan un crecimiento exponencial y las soluciones son

Vector gradiente

Como la partícula parte de (2,-3) se sigue que 2=x(0)=C1 y -3=y(0)=C2. Luego la trayectoria se representa mediante

Vector gradiente

Eliminando el parámetro t, obtenemos

Vector gradiente

Mostramos esta trayectoria en la figura 1.6.

Vector gradiente

figura 1.6

Camino seguido por una partícula que va hacia el calor

En la figura 1.6, la trayectoria de la partícula (determinada por el gradiente en cada punto) aparece como ortogonal a cada una de las curvas de nivel. Esto se clarifica cuando consideramos el hecho de que la temperatura T(x,y) es constante sobre una curva, de nivel dada. Luego en un punto arbitario (x,y) de la curva, la razón de cambio de T en la dirección de un vector tangente unitario u es 0, y podemos escribir

Vector gradiente

u es un vector tangente unitario. Puesto que el producto escalar de Vector gradiente
y u es cero, deben ser ortogonales. Este resultado se anuncia en el siguiente teorema:

Teorema 1.4

Si f es diferenciable en (x0,y0) y Vector gradiente
, entonces Vector gradiente
es

normal a la curva de nivel que pasa por (x0,y0).

Ejemplo 1.6

Dibujar la curva de nivel correspondiente a c=0 para la función Vector gradiente
y encontrar vectores normales en diferentes puntos de la curva.

Solución

La curva de nivel para c=0 viene dada por

Vector gradiente

como se indica en la figura 1.7. Como el vector gradiente de f en (x,y) es

Vector gradiente

Vector gradiente

figura 1.7

El gradiente es normal a la curva de nivel

podemos utilizar el teorema 1.4 para concluir que es normal a la curva de nivel en el punto (x,y). Algunos vectores gradientes son

Vector gradiente

Maximos y minimos en funciones de varias variables

Teorema 2.1

Sea f una función continua de dos variables x e y definida en una región acotada cerrada R del plano xy.

  • Al menos hay un punto en R en el que f adquiere su valor mínimo.

  • Al menos hay un punto en R en el que f adquiere su valor máximo.

  • Definición 2.1

    Sea f una función definida en una región R conteniendo el punto (x0,y0)

  • f(x0,y0) es un mínimo relativo de f si Vector gradiente
    para todo (x,y) en un disco abierto que contiene a (x0,y0).

  • f(x0,y0) es un máximo relativo de f si Vector gradiente
    para todo (x,y) en un disco abierto que contiene a (x0,y0).

  • Decir que z0=f(x0,y0) es un máximo relativo de f significa que el punto (x0,y0,z0) es al menos tan alto como los puntos de su entorno en la gráfica de z=f(x,y). De forma similar, z0=f(x0,y0) es un mínimo relativo de f si (x0,y0,z0) está al menos tan bajo como los puntos de su entorno en la gráfica.

    Para localizar extremos relativos de f, investigaremos los puntos en que su gradiente es cero o no está definido. Llamaremos a tales puntos puntos críticos de f.

    Definición 2.2

    Sea f definida en una región abierta R conteniendo (x0,y0). Decimos que (x0,y0) es un punto crítico de f si se verifica una de las siguientes afirmaciones:

    Vector gradiente

    Recordemos del teorema 1.3 que si f es diferenciable y

    Vector gradiente

    entonces toda derivada direccional en (x0,y0) ha de ser cero. Eso implica que la función tiene un plano tangente horizontal en el punto (x0,y0) como se ilustra en las figuras 2.3 y 2.4. Es evidente que ese punto es candidato a que haya en el un extremo relativo.

    Vector gradiente

    figura 2.3

    Máximo relativo

    Vector gradiente

    figura 2.4

    Mínimo relativo

    Teorema 2.2

    Si f(x0,y0) es un extremo realtivo de f en una región abierta R, entonces (x0,y0) es un punto crítico de f.

    Ejemplo 2.1

    Determinar los extremos relativos de

    Vector gradiente

    Solución

    Comenzamos buscando los puntos críticos de f. Como

    Vector gradiente

    se hallan definidas para todo x e y, los únicos puntos críticos son aquellos en que se anulan ambas derivadas parciales primeras. Para localizar estos puntos, anulamos fx y fy, y resolvemos el sistema de ecuaciones

    4x+8=0 y 2y-6=0

    para obtener el punto crítico (-2,3). Completando cuadrados, podemos concluir que para todo (x,y) distinto de (-2,3),

    Vector gradiente

    Por lo tanto, hay un mínimo relativo de f en (-2,3). El valor del mínimo relativo es f(-2,3)=3, como se ve en la figura 2.5.

    Vector gradiente

    figura 2.5

    El ejemplo 2.1 nos muestra un mínimo relativo para un tipo de punto crítico -aquel en que ambas derivadas parciales primeras son nulas-. En el ejemplo 2.2 nos fijamos en un máximo relativo que ocurre en el otro tipo de punto crítico -aquel para el que las derivadas parciales primeras no existen-.

    Ejemplo 2.2

    Determinar los extremos relativos de

    Vector gradiente

    Solución

    Como

    Vector gradiente

    vemos que ambas derivadas parciales están definidas en todo el plano xy, excepto en (0,0). Además, este es el único punto crítico, ya que las derivadas parciales no pueden anularse simultáneamente salvo que x e y sean nulos. En la figura 2.6 vemos que f(0,0)=1. Para cualquier otro (x,y) está claro que

    Vector gradiente
    < 1

    Luego, f(0,0) es un máximo relativo de f.

    Vector gradiente

    figura 2.6

    fx y fy no están definidas en (0,0)

    En este ejemplo, fx(x,y)=0 para todo punto del eje y, excepto (0,0). Sin embargo, como fy(x,y) no es nula, estos puntos no son puntos críticos. Recordemos que una de las derivadas parciales debe no estar definida o ambas deben anularse en caso de conducir a un punto crítico.

    El teorema 2.2 nos dice que para encontrar los extremos relativos necesitamos solamente examinar valores de f(x,y) en puntos críticos. Sin embargo, al igual que se cumple para una función de una variable, los puntos críticos de una función de dos variables no siempre nos conduce a máximos o mínimos relativos. Algunos puntos críticos conducen a puntos de silla, que no son ni máximos ni mínimos relativos. Por ejemplo, el punto de silla que se muestra en la figura 2.7 no es un extremo relativo, ya que en un disco abierto centrado en el (0,0) la función toma ambos, valores negativos (sobre el eje x) y valores positivos (sobre el eje y).

    Vector gradiente

    figura 2.7

    Punto de silla en (0,0,0): fx(0,0=fy(0,0)=0

    Para las funciones de los ejemplos 2.1 y 2.2, es relativamente fácil determinar los extremos relativos, ya que cada función fue, o bien dada o susceptible de escribirse en forma de cuadrados perfectos. Para funciones más complicadas, los argumentos algebraicos no son tan útiles, y dependemos de los medios más analíticos que se introducen en el siguiente criterio de las derivadas parciales segundas. Este es el criterio que en dos variables corresponde al criterio de la segunda derivada para funciones de una variable.

    Criterio de las segundas derivadas parciales

    Teorema 2.3

    Sea una función f con derivadas parciales primeras y segundas continuas en una región abierta que contiene un punto (a,b) para el que fx(a,b)=0 y fy(a,b)=0. Para determinar si en dicho punto hay un extremo relativo de f, definimos la cantidad

    Vector gradiente

  • Si d > 0 y fxx(a,b) > 0, entonces f(a,b) en un mínimo relativo.

  • Si d > 0 y fxx(a,b) < 0, entonces f(a,b) en un máximo relativo.

  • Si d < 0, entonces (a,b,f(a,b)) es un punto de silla.

  • Este criterio no da información si d=0.

  • Si d > 0, entonces fxx(a,b) y fyy(a,b) deben tener el mismo signo. Esto significa que se puede reemplazar fxx(a,b) por fyy(a,b) en las dos primeras partes del criterio.

    Una técnica apropiada para recordar la fórmula de d en el criterio anterior viene dada por el determinante

    siendo fxy(a,b)=fyx(a,b).

    Ejemplo 2.3

    Encontrar los extremos relativos de

    Vector gradiente

    Solución

    Comenzamos buscando los puntos críticos de f. Puesto que

    Vector gradiente

    están definidas para todo x e y, los únicos puntos críticos son aquellos para los cuales ambas derivadas parciales primeras son nulas. Para localizar estos puntos, hacemos fx(x,y) y fy(x,y) cero y obtenemos el sistema de ecuaciones siguiente:

    Vector gradiente

    De la segunda ecuación vemos que x=y, y sustituyendo en la primera obtenemos dos soluciones: y=x=0 e y=x=4/3. Como

    fxx(x,y) = -6x, fyy(x,y) = -4 y fxy(a,b) = 4

    se sigue que para el punto crítico (0,0),

    Vector gradiente

    y, por el criterio de las derivadas parciales segundas, concluimos que (0,0,1) es un punto de silla de f. Para el punto crítico (4/3,4/3),

    Vector gradiente

    y como

    Vector gradiente

    concluimos que f(4/3,4/3) es un máximo relativo, como se muestra en la figura 28.

    Vector gradiente

    figura 2.8

    El criterio de las derivadas parciales segundas puede fallar, a la hora de buscar los extremos realtivos, de dos formas. Si una de las derivadas parciales primeras no está definida, entonces no podemos usar el criterio. También si d = 0 el criterio no es útil. En tales casos, debemos confiar en una gráfica o en algún otro tipo de tratamiento, como se ve en el ejemplo 2.4.

    Ejemplo 2.4

    Hallar los extremos realtivos de

    Solución

    Como

    Vector gradiente

    vemos que ambas derivadas parciales son nulas si x = 0 o y = 0. Es decir, todo punto de el eje x o del eje y es un punto crítico. Como

    Vector gradiente

    vemos que si x = 0 o y = 0, entonces

    Vector gradiente

    Luego el criterio de las derivadas parciales segundas no decide. Sin embargo, como f(x,y)=0 para todo punto del eje x o del eje y, y puesto que Vector gradiente
    >0 para los demás puntos, podemos concluir que cada un de estos puntos críticos conduce a un mínimo absoluto, como se muestra en la figura 29.

    Vector gradiente

    figura 2.9

    Los extremos absolutos se una función pueden producirse de dos formas. Primero, algunos extremos relativos también son extremos absolutos. Así en el ejemplo 2.1, f(-2,3) es un mínimo absoluto de la función. Por otra parte, el máximo relativo encontrado en el ejemplo 2.3 no es un máximo absoluto de la función. Segundo, pueden existir extremos absolutos en un punto del borde del dominio como se verá en el ejemplo 2.5

    Ejemplo 2.5

    Encontrar los extremos absolutos de la función f(x,y)=sen(xy) en la región cerrada dada por Vector gradiente

    Solución

    De las derivadas parciales

    fx(x,y) = y cos(xy) , fy(x,y) =x cos(xy)

    vemos, que cada punto de la hipérbola Vector gradiente
    es un punto crítico. Además, en cada uno de estos puntos f toma el valor uno, que sabemos que es el máximo absoluto, como se ve en la figura 210. El otro punto crítico de f situado en la región dada es (0,0). Conduce a un mínimo absoluto de 0, ya que

    Vector gradiente

    Vector gradiente

    figura 2.10

    Para buscar otros extremos absolutos, consideremos las cuatro fronteras de la región formada al proyectar según los planos verticales Vector gradiente
    . Una vez hecho eso, vemos que sen(xy)=0 en todos los puntos del eje x. del eje y, así como el punto Vector gradiente
    . Cada uno de estos puntos proporciona un mínimo absoluto de la superficie de la figura 2.10.

    Aplicaciones de los extremos de funciones de dos variables

    Hay muchas aplicaciones de los extremos de funciones de dos (o más) variables. A continuación estudiaremos algunas de ellas.

    Ejemplo 2.6

    Una caja rectangular descansa sobre el plano xy con un vértice en el origen. Encontrar el volumen máximo de la caja si su vértice opuesto al origen pertenece al plano 6x+4y+3z=24, como se indica en la figura 2.11.

    Solución

    Puesto que un vértice de la caja pertenece al plano 6x+4y+3z=24, tenemos que z=(1/3)(24-6x-4y) y podemos escribir el volumen, xyz, de la caja como función de dos variables:

    Vector gradiente

    Haciendo iguales a cero las dos derivadas parciales primeras,

    Vector gradiente

    obtenemos los puntos críticos (0,0) y (4/3,2). En (0,0) el volumen es cero, por lo que aplicamos el criterio de las derivadas parciales segundas al punto (4/3,2)

    Vector gradiente

    Como

    Vector gradiente

    y

    Vector gradiente

    deducimos por el criterio de las derivadas parciales segundas que el volumen máximo es

    Vector gradiente

    unidades cúbicas.

    Observar que el volumen es nulo en los puntos del borde del dominio triangular de V.

    Vector gradiente

    figura 2.11

    En muchos problemas sobre aplicaciones, el dominio de la función a optimizar es una región acotada cerrada. Para encontrar puntos de máximo o mínimo, se debe, además de buscar los puntos críticos, considerar el valor de la función en los puntos de la frontera.

    Ejemplo 2.7

    El beneficio que se obtiene produciendo x unidades del modelo A e y unidades del modelo B se aproxima mediante el modelo

    Vector gradiente

    solución

    Tenemos

    Vector gradiente

    Igualando estas derivadas parciales a cero, obtenemos el sistema de ecuaciones siguiente:

    Vector gradiente

    Resolviendo, obtenemos x=2000, y=4000. Las derivadas parciales segundas de P son

    Vector gradiente

    Además, como Pxx < 0 y

    Vector gradiente

    concluimos que el nivel de producción de x=2000 unidades e y=4000 unidades conduce a un beneficio máximo.

    En este último ejemplo hemos supuesto que la factoría es capaz de producir el número requerido de unidades para llegar a un beneficio máximo. En la práctica real, la producción se encuentra limitada por restricciones físicas.

    Vídeos relacionados