Edo Uchile

n Derecho de autor.
Prohibida su reproduccio
UNIVERSIDAD DE CHILE FACULTAD DE CIENCIAS F ISICAS Y MATEMATICAS DEPARTAMENTO DE INGENIERIA MATEMATICA
ECUACIONES DIFERENCIALES ORDINARIAS

Versi on 2013
AXEL OSSES Centro de Modelamiento Matem atico Departamento de Ingenier a Matem atica axosses@dim.uchile.cl
n Derecho de autor. Prohibida su reproduccio
Se concede permiso para imprimir o almacenar una u nica copia de este documento. Salvo por las excepciones m as abajo se naladas, este permiso no autoriza fotocopiar o reproducir copias para otro uso que no sea el personal, o distribuir o dar acceso a copias electr onicas de este documento sin permiso previo por escrito del Director del Departamento de Ingenier a Matem atica (DIM) de la Facultad de Ciencias F sicas y Matem aticas (FCFM) de la Universidad de Chile. Las excepciones al permiso por escrito del p arrafo anterior son: (1) Las copias electr onicas disponibles bajo el dominio uchile.cl, (2) Las copias distribuidas por el cuerpo docente de la FCFM en el ejercicio de las funciones que le son propias. Cualquier reproducci on parcial de este documento debe hacer referencia a su fuente de origen. Este documento fue nanciado a trav es de los recursos asignados por el DIM para la realizaci on de actividades docentes que le son propias.
El texto original, excepto el u ltimo cap tulo, fue elaborado por el autor en el periodo 2002-2010, fue revisado por Juan Peypouquet el 2008 quien corrigi oy agreg o varias secciones y ejercicios a lo largo del texto y luego en 2010 por el propio autor. Este texto y el material docente de ejercicios que lo acompa na recibi o aportes y correcciones de los siguientes alumnos de la Facultad de Ciencias F sicas y Matem aticas en el periodo 2002-2012: Francisco Ortega, Oscar Peredo, Andre De Laire, Jorge Lemus, Nicol as Carre no, Felipe Serrano, Esteban Iglesias, Irma Paulina Arena. Otras correcciones han sido enviadas por acad emicos y alumnos que han encontrado u til este apunte y lo han usado en sus cursos en esta u otras universidades. A todos ellos el autor les agradece enormemente.
Indice general
Cap tulo 1. Nociones b asicas y m etodos elementales de resoluci on . . . . . . . . . . . 1. Motivaci on: leyes f sicas y problemas geom etricos . . . . . . . . . . . . . . . . . . . . . . 1.1. Modelamiento de un fen omeno en biolog a: la osmosis . . . . . . . . . . . . . 1.2. Modelamiento de una ley f sica: ley de gravitaci on universal . . . . . . . 1.3. Modelamiento de algunos problemas geom etricos . . . . . . . . . . . . . . . . . . 2. Deniciones b asicas y noci on de soluci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3. Resoluci on de EDO elementales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.1. Integraci on directa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2. Variables separables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.3. EDO lineal de primer orden: caso homog eneo . . . . . . . . . . . . . . . . . . . . . . 3.4. EDO lineal de primer orden: caso no homog eneo . . . . . . . . . . . . . . . . . . . 4. Ecuaciones que se reducen a casos elementales . . . . . . . . . . . . . . . . . . . . . . . . . 4.1. Ecuaciones homog eneas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.2. Ecuaci on de Bernoulli . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.3. Ecuaci on de Riccati . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.4. EDO de segundo orden sin variable dependiente . . . . . . . . . . . . . . . . . . . 4.5. EDO de segundo orden sin variable independiente . . . . . . . . . . . . . . . . . 4.6. Otros casos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Cap tulo 2. El problema de Cauchy: existencia, unicidad y m etodos num ericos 1. Deniciones preliminares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2. El problema de Cauchy. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3. Los teoremas de existencia y unicidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4. Aproximaci on del problema de Cauchy mediante m etodos num ericos . . . 4.1. Orden del algoritmo. Error local y global. . . . . . . . . . . . . . . . . . . . . . . . . . 4.2. M etodos de primer orden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.2.1. M etodo de Euler progresivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.2.2. M etodo de Euler retr ogrado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.3. M etodos de segundo orden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.3.1. M etodo de Euler modicado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.3.2. M etodo de Heun . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.4. Estabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.5. M etodos de Runge Kutta de orden 4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5. Ejemplo num erico: la ley de Omori en sismolog a . . . . . . . . . . . . . . . . . . . . . . 5.1. Soluci on anal tica comparada con las aproximaciones num ericas . . . 5.2. Lectura y an alisis de datos de r eplicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.3. Comparaci on entre datos reales y modelo . . . . . . . . . . . . . . . . . . . . . . . . . . 5.4. Modicaci on del modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.5. Capacidad predictiva . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5
1 1 1 3 4 5 7 8 9 15 17 21 21 24 24 26 26 28 31 31 33 34 36 36 37 37 38 39 39 39 40 43 44 44 46 48 49 50

6 Indice general
6. Ejemplo num erico: Lotka-Volterra y la pesca en el Mar Adri atico . . . . . . 7. Ejemplo num erico: Van del Pol y el sonido del caos . . . . . . . . . . . . . . . . . . . . 7.1. Simulaci on num erica caso no forzado:. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7.2. Simulaci on num erica caso forzado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Cap tulo 3. EDO lineales de orden superior . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1. La EDO lineal de orden n . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.1. Operadores diferenciales lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.2. Clasicaci on de las EDO lineal de orden n . . . . . . . . . . . . . . . . . . . . . . . . . 2. Polinomio y valores caracter sticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3. El problema de Cauchy. Teorema de Existencia y unicidad. . . . . . . . . . . . . 4. Estudio completo de la ecuaci on de orden dos . . . . . . . . . . . . . . . . . . . . . . . . . 4.1. Soluci on homog enea . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.2. Condiciones de borde. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.3. Soluci on particular . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.4. El fen omeno de resonancia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5. Estudio completo de la EDO lineal de orden n . . . . . . . . . . . . . . . . . . . . . . . . . 5.1. La estructura geom etrica de la soluci on: los espacios H y S . . . . . . . . 5.2. Wronskiano y F ormula de Abel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6. M etodos de resoluci on de EDO de orden n a coecientes constantes . . . . 6.1. Soluci on homog enea . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.2. Ecuaci on no homog enea . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.2.1. M etodo de los coecientes indeterminados . . . . . . . . . . . . . . . . . . . . 6.2.2. M etodo de variaci on de par ametros . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7. M etodos de resoluci on de EDO de orden n a coecientes variables . . . . . 7.1. Ecuaci on homog enea . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7.1.1. F ormulas de Abel y Liouville . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7.1.2. La ecuaci on de Euler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7.2. Ecuaci on no homog enea . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7.2.1. F ormula de Green . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7.2.2. Soluci on en serie de potencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8. Resoluci on de problemas con condiciones de borde. . . . . . . . . . . . . . . . . . . . .
51 55 55 59 63 63 63 65 65 66 67 67 70 70 72 73 73 76 78 78 83 83 86 88 88 88 89 90 90 91 94
Cap tulo 4. Transformada de Laplace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97 1. Deniciones y ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97 2. Propiedades b asicas de la transformada de Laplace . . . . . . . . . . . . . . . . . . . . 101 2.1. Transformada de una derivada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101 2.2. Transformada de una primitiva . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102 2.3. Traslaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103 2.4. Igualdad de transformadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103 2.5. Convoluci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103 2.6. Convergencia Uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104 2.7. Diferenciabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105 2.8. Integrabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105 3. Antitransformadas y aplicaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106 3.1. Descomposici on en fracciones parciales . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106 3.2. Aplicaci on a la EDO lineal de orden n . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108 4. Funciones generalizadas. Delta de Dirac . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111

Indice general 7
Cap tulo 5. Sistemas lineales de primer orden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115 1. Introducci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115 2. Sistemas lineales y ecuaciones de orden superior . . . . . . . . . . . . . . . . . . . . . . . 117 2.1. Paso de una ecuaci on lineal de orden n a un sistema lineal . . . . . . . . . 117 2.2. Paso de un sistema lineal a una ecuaci on lineal de orden n . . . . . . . . . 118 2.2.1. M etodo de sustituci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118 2.2.2. M etodo de reducci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118 3. Los teoremas de existencia y unicidad. Demostraci on.. . . . . . . . . . . . . . . . . . 119 3.1. El Teorema del Punto Fijo de Banach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121 3.2. Demostraci on del Teorema 5.2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123 3.3. Existencia y unicidad locales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125 4. Estructura geom etrica de las soluciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126 5. Resoluci on de sistemas lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130 5.1. Exponencial de una matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130 5.2. Exponencial de una matriz diagonalizable . . . . . . . . . . . . . . . . . . . . . . . . . 132 5.3. Exponencial de una matriz que no es diagonalizable . . . . . . . . . . . . . . . 136 5.4. Sistemas lineales y transformada de Laplace . . . . . . . . . . . . . . . . . . . . . . . 146 Cap tulo 6. An alisis cualitativo de sistemas no lineales . . . . . . . . . . . . . . . . . . . . . . 153 1. Sistemas no lineales y sistemas linealizados . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154 2. Diagramas de fase y de ujo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160 3. Clasicaci on de los puntos cr ticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 162 4. Puntos cr ticos de sistemas lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168 5. El enfoque traza - determinante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 176 6. Energ a, funciones de Lyapunov y estabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . 178
Cap tulo 1
Nociones b asicas y m etodos elementales de resoluci on

1. Motivaci on: leyes f sicas y problemas geom etricos
Las ecuaciones diferenciales ordinarias son identidades que vinculan una funci on con sus derivadas. Por ejemplo, si y (t) denota el n umero de bacterias en una colonia en funci on del tiempo1, la ecuaci on diferencial y (t) = y (t) donde es una constante positiva, expresa que el aumento de la poblaci on bacteriana, representada por la derivada y , es proporcional a la propia poblaci on y , esto es, mientras m as bacterias hay, m as r apido ellas se multiplican. La soluci on de una ecuaci on diferencial es una funci on y no un n umero, a diferencia de las ecuaciones algebraicas. En el ejemplo anterior se trata de encontrar la funci on y (t): n umero de bacterias en funci on del tiempo. Una posible soluci on es la funci on: y (t) = y0 et donde y0 es el n umero inicial de bacterias en t = 0. Este tipo de soluciones exponenciales aparecer an recurrentemente en la teor a y en la pr actica. De hecho, las ecuaciones diferenciales aparecen con frecuencia en muchas ramas de la matem atica, y sirven para plantear y resolver problemas provenientes de la f sica, la ingenier a, la econom a, la biolog a y de las ciencias sociales, entre otras disciplinas.2 Veremos a trav es de algunas leyes f sicas y de algunos problemas geom etricos que una ecuaci on diferencial es una forma simple de reproducir y en el mejor de los casos explicar una situaci on real, esto es, al n y al cabo una forma u til de modelar. 1.1. Modelamiento de un fen omeno en biolog a: la osmosis. Analicemos el fen omeno de la osmosis, presente en muchos procesos siol ogicos. Consideremos un experimento en que disponemos dos medios de salmuera A y B separados 0 0 por una membrana impermeable en t = 0 con concentraciones iniciales CA y CB 0 0 con CA < CB . En un instante t > 0 la membrana que los separa se vuelve semipermeable y permite el paso de las mol eculas de agua, pero no de las mol eculas de sal disueltas (ver Figura 1). El problema es modelar la evoluci on de las concentraciones de sal CA (t) y CB (t) en funci on del tiempo. Se observa experimentalmente que a medida que el tiempo transcurre, el agua se desplaza a trav es de la membrana
1A menudo llamaremos a una funci on y : R R por y (t) simplemente y su derivada por y siempre que esta exista. 2Las ecuaciones diferenciales se conocen tambi en bajo otros nombres en ciencias e ingenier a tales como: modelos diferenciales, ecuaciones de evoluci on, sistemas din amicos, etc. 1

2 1. NOCIONES BASICAS Y METODOS ELEMENTALES DE RESOLUCION
0 CA
0 CB
(t) C A
(t) C B
t=0
t>0
Figura 1. Osmosis por una membrana semipermeable. desde la soluci on de baja concentraci on A hacia la de alta concentraci on B hasta alcanzar asint oticamente un valor de equilibrio como se muestra en el gr aco de la Figura 2. Se constata, tambi en experimentalmente, que este valor de equilibrio corresponde al promedio M de concentraciones, el cual es conservado a trav es del tiempo. Esto tiene dos consecuencias: dicho promedio debe ser igual al promedio de las concentraciones iniciales y es por lo tanto conocido. Adem as, como CA (t)+ CB (t) = 2M es constante, podemos obtener en cada instante t la concentraci on en B conociendo la de A y viceversa. As es que el problema se reduce a encontrar solamente la funci on CA (t).
CB M CA t
Figura 2. Evoluci on de las concentraciones durante la osmosis que convergen asint oticamente al promedio M de las concentraciones de ambos medios. Si registramos en un gr aco el logaritmo natural de la diferencia M CA (t) en funci on del tiempo, observaremos que la curva experimental se ajusta bien a una recta de pendiente negativa . Una hip otesis razonable es entonces un ajuste exponencial de CA (t) a la as ntota de ordenada M , en efecto, ln(M CA (t)) = t + C CA (t) = M K et ,

1. MOTIVACION: LEYES F ISICAS Y PROBLEMAS GEOMETRICOS 3
donde K es una constante que se obtiene imponiendo la condici on inicial CA (0) = 0 0 CA lo que nos da K = M CA . Reemplazando la constante K en la expresi on anterior, esto nos provee de la f ormula siguiente para la concentraci on buscada: (1) Esta funci on representa un buen modelo de la realidad, ya que se ajusta razonablemente bien a las mediciones experimentales, sin embargo, nos resulta todav a misterioso por qu e deber amos aceptar este modelo de crecimiento exponencial como un modelo razonable y no otro modelo diferente, por ejemplo, un ajuste polinomial por pedazos. Esto nos lleva a preguntarnos hay alguna ley o principio que explique el fen omeno de la osmosis? Una idea, que resulta ser fundamental, consiste en estudiar si existe una relaci on simple entre la concentraci on CA (t) y su aumento CA (t). Derivando (1) obtenemos:
CA (t) =
CA (t) = M (M CA (0))et .
Ke t Ke t + M M (M (M Ke t ))
= = esto es, la relaci on buscada es: (2)
Entonces la soluci on (1) satisface (2). Interpretando (2) encontramos una relaci on diferencial simple y comprensible que podemos enunciar como la ley siguiente:
Ley de Osmosis
CA (t) = (M CA (t)).
El aumento de concentraci on es proporcional en cada instante a la diferencia de concentraci on entre el promedio asint otico de concentraciones y la concentraci on actual. La constante de proporcionalidad cuantica la permeabilidad de la membrana. La ley de osmosis representada por la ecuaci on diferencial (2) provee una interpretaci on m as intuitiva y profunda del proceso de osmosis. M as adelante veremos que (2) tiene como soluci on (1). La otra ventaja esta ley es que, aparte de su simplicidad, sirve para modelar por analog a otros problemas similares, como lo es la ley de enfriamiento o algunos modelos de poblaci on, que veremos m as adelante. Ejercicio Propuesto 1.1. Si en el gr aco del experimento de la Figura 2, el aumento de la concentraci on en A hubiese resultado con una forma sigmoide (esto es estrictamente creciente hacia la as ntota pero con un punto de inexi on) Qu e modelo diferencial propondr a usted para este fen omeno? Indicaci on: averiguar sobre el modelo de crecimiento log stico. 1.2. Modelamiento de una ley f sica: ley de gravitaci on universal. Muchos fen omenos de la naturaleza pueden modelarse a trav es de relaciones entre cantidades y sus variaciones3, esta idea revolucionaria para la ciencia fue introducida en el siglo XVII entre otros por Fermat, Newton y Leibniz. En t erminos
3o uxiones en la terminolog a original de Newton, que da la idea de continuo temporal.

matem aticos, estamos hablando en todos los casos de identidades que relacionan una funci on y sus derivadas o sea, de ecuaciones diferenciales. La mayor a de las leyes f sicas pueden representarse por ecuaciones diferenciales que involucran alguna funci on como inc ognita, la que puede representar por ejemplo el movimiento de un cuerpo o la concentraci on de una especie qu mica. Dichas ecuaciones diferenciales suelen ser simples, sin embargo el encontrar la funci on inc ognita puede llegar a ser una ardua o imposible tarea. Un ejemplo es la ley de la gravitaci on universal, que modela el movimiento de los planetas alrededor del sol:
n universal Ley de gravitacio
La aceleraci on de un planeta es proporcional a la fuerza que sobre el ejerce el sol, cuya magnitud es inversa al cuadrado de la distancia que los separa. Esta ley del siglo XVII lleva a dos ecuaciones con dos derivadas de la forma: y x , y = 2 2 3 / 2 +y ) (x + y 2 )3/2 donde (x, y ) es la posici on del planeta en el plano de origen en el Sol. Estas ecuaciones tienen como soluci on elipses en el caso de un solo planeta. En el caso de varios planetas, en realidad tambi en ejercen fuerza sobre un planeta los dem as planetas y no solamente el Sol, lo que lleva a orbitas much simo m as complicadas y al estudio posterior de orbitas ca oticas en el siglo XX por Poincar e entre otros4. El movimiento de los planetas hace parte de los esos fen omenos en los que se conoce la ley y por lo tanto las ecuaciones diferenciales que representan dicho fen omeno, pero no se logra comprender completamente la soluci on a dichas ecuaciones. La ley de movimiento en este caso resulta m as simple que el movimiento en si.5 Este ejemplo nos muestra a dem as que las ecuaciones diferenciales se pueden presentar en grupos de dos o m as formando sistemas de ecuaciones diferenciales.6 x = (x2 Ejercicio Propuesto 1.2. Averigue qui en recopil o los datos a partir de los que Kepler postul o la idea de orbitas el pticas. 1.3. Modelamiento de algunos problemas geom etricos. Las ecuaciones diferenciales pueden ser tambi en u tiles para plantear y resolver problemas geom etricos. Puede servir por ejemplo para agrupar una familia de curvas. Veamos el caso de las familias ortogonales. Consideremos la familia F de todas las par abolas con v ertice en el origen denidas por la ecuaci on y = ax2 , con a R. Derivando con respecto a x obtenemos y = 2ax. Si usamos la expresi on anterior para eliminar el par ametro a obtenemos La ecuaci on diferencial que representa la familia F : y y = 2 . x
4Ver http://www.dim.uchile.cl/ %7Eaxosses/Home/ODE.html donde se pueden ver esta y otras simulaciones relacionadas con este texto. 5 Es el caso tambi en de las ecuaciones de Navier-Stokes que modelan el movimiento de un uido tridimensional, y no se sabe si dan lugar o no a una u nica soluci on; o el de la ecuaci on de Schr odinger, que modela la compleja dualidad onda-part cula de manera incre blemente simple. 6 Ver Cap tulo 5.

DE SOLUCION 2. DEFINICIONES BASICAS Y NOCION 5
Esta ecuaci on diferencial revela la siguiente propiedad geom etrica de esta familia de par abolas: la pendiente en cada punto es el doble de la pendiente de la recta que une el punto con el origen. En general, algunas propiedades geom etricas compartidas por las curvas de una familia pueden conocerse al inspeccionar la ecuaci on diferencial correspondiente. Tratemos ahora de encontrar la familia G de todas las curvas que intersectan de manera perpendicular a las par abolas de la familia F . Esto es, G es la familia ortogonal a la familia F . Si la funci on z G dene una de estas curvas entonces z (x)y (x) = 1 para toda y F y para todo x R siempre que z (x) = y (x), esto es, las curvas se 2y (x) intersectan en el punto (x, y (x)). Dado que y (x) = , la ecuaci on que dene a x la familia G resulta ser: x x 1 = = . z (x) = y (x) 2y (x) 2z (x) Notar que reemplazamos y por z pues las curvas se intersectan. Tratemos de resolver la ecuaci on diferencial anterior. Esto es, tratemos de encontrar la forma de la funci on z (x) o m as precisamente, las curvas (x, z ). Tenemos que 2z (x)z (x) = x 2 d z (x) = x. dx Si integramos a ambos lados de la ecuaci on obtenemos x2 + C, 2 donde C es una constante. Escrito de otro modo, esto es z (x)2 = x2 z2 + = 1. C 2C La familia G est a integrada por todas las elipses que est an centradas en el origen. Ejercicio Propuesto 1.3. En la discusi on anterior, al reemplazar y por z , x dado que las curvas se intersectan, se obtiene la ecuaci on z = 2 z . Por otro lado, 1 que si hubi esemos reemplazado y por y = ax2 llegamos a la ecuaci on z = 2ax es completamente diferente. Conv enzace de que no es correcto reemplazar y por y = ax2 dado que a depende de x por lo que la segunda ecuaci on no es v alida. 2. Deniciones b asicas y noci on de soluci on
Ahora que ya hemos visto que las ecuaciones diferenciales ordinarias aparecen como una herramienta u til para modelar fen omenos naturales, veamos algunas deniciones. n 1.1. Una ecuaci Definicio on diferencial ordinaria (abreviada EDO) es una identidad de la forma F (x, y (x), y (x), y (x), . . . , y (n) (x)) = 0, donde x representa la variable independiente e y una la funci on inc ognita, llamada tambi en variable dependiente o soluci on de la EDO. La funci on F representa la

relaci on que liga las derivadas de y y la variable x. Se dice que la ecuaci on es ordinaria pues se deriva con respecto a una sola variable independiente7. En algunas situaciones, como en los problemas geom etricos, resulta natural usar x como variable independiente. En otras situaciones, como en los problemas donde se deriva respecto del tiempo, es mucho m as natural utilizar la letra t. En los primeros cap tulos hemos escogido arbitrariamente x como la variable independiente, pero cuando sea apropiado cambiaremos a t. Consideraremos aqu que F es una funci on a valores escalares, esto corresponde a una sola ecuaci on diferencial. Se puede considerar tambi en que F tome valores vectoriales, pero en este caso se tratar a de sistemas de ecuaciones diferenciales que veremos m as adelante en el Cap tulo 5. n 1.2. El orden de una ecuaci Definicio on diferencial es el grado de derivaci on m aximo que aparece en la ecuaci on que en este caso es el n umero natural n. n 1.3. Una EDO lineal de orden n es de la forma Definicio (3) an (x)y (n) + an1 (x)y (n1) + + a1 (x)y + a0 (x)y = Q(x), donde las funciones ai (x) R, i {1, . . . , n} son llamadas coecientes de la EDO. n 1.4. Si Q(x) (llamado com Definicio unmente lado derecho de la EDO) es id enticamente nulo, la EDO lineal se dice homog enea. Si Q(x) = 0, la EDO lineal se dice no homog enea. n 1.5. Si los coecientes ai (x) no dependen de x, se dice que la EDO Definicio lineal es a coecientes constantes. De lo contrario se dice que ella es a coecientes variables. En el caso que an (x) = 0 se puede dividir la EDO (3) por an (x). La EDO que as se obtiene con ai (x) Q(x) an (x) = 1, ai (x) = , i = 0, . . . , n 1, Q(x) = an (x) an (x) se dice que est a normalizada8 . Utilizaremos la barra sobre los coecientes y el lado derecho para indicar normalizaci on. n 1.6. Una EDO no lineal es simplemente una EDO que no es lineal. Definicio Cabe notar que existe una diferencia fundamental entre una EDO lineal y una no lineal. Por ejemplo, en una EDO lineal, si el lado derecho se duplica, la soluci on tambi en, en cambio esto no ocurre necesariamente en una EDO no lineal. Gran parte de este texto concierne en el estudio de EDO lineales, que son las m as simples, pero tambi en resolveremos algunas EDO no lineales en este cap tulo y estudiaremos algunos sistemas no lineales simples en el Cap tulo 6 nal. Ejemplo 1.1. y (1 + (y )2 ) = 4. EDO no lineal, de orden 1. Esta es la EDO de la curva braquist ocrona , que estudiaremos m as a fondo en el Ejemplo 1.9.
7Si se deriva con respecto a varias variables, se habla de Ecuaci on Diferencial Parcial (EDP). Notemos que existen tambi en las inecuaciones diferenciales, donde la igualdad en la Denici on 1.1 es reemplazada por una desigualdad. 8Si a (x) = 0 para valores discretos de x, se puede normalizar por intervalos. n

DE EDO ELEMENTALES 3. RESOLUCION 7
Ejemplo 1.2. xy + c sen(x)y = tan(x). EDO lineal de orden 1 a coecientes variables, no homog enea ni normalizada. Ejemplo 1.3. y 2y = 0. EDO lineal de orden 2 a coecientes constantes, homog enea y normalizada.
n Q(x) = 0 Q(x) = 0 i, ai = cte i, ai = ai (x) an = 1
orden de la EDO homog enea no homog enea coecientes constantes coecientes variables normalizada
n
Cuadro 1. Clasicaci on de la EDO lineal

i=0
ai (x)y (i) = Q(x).
3.
Resoluci on de EDO elementales
En este cap tulo estudiaremos algunas t ecnicas que nos permitir an determinar las soluciones de una gran cantidad de EDO. Comenzaremos por analizar cuatro tipos de ecuaciones de primer orden que llamaremos elementales: integraci on directa: y = f (x). variables separables: y = f (x)g (y ). lineal de primer orden homog enea: y + a0 (x)y = 0. lineal de primer orden no homog enea: y + a0 (x)y = Q(x). Posteriormente estudiaremos algunas otras ecuaciones de primer y segundo orden que pueden reducirse a estos casos elementales. Nos enfocaremos en la resoluci on de las ecuaciones y no siempre seremos demasiado rigurosos en los aspectos te oricos que justican los c alculos. Estos aspectos (existencia, unicidad, regularidad de la soluci on) ser an tratados con m as profundidad en cap tulos posteriores. Para resolver los casos elementales, ser au til el c alculo de primitivas y recordar el conocido Teorema Fundamental del C alculo. Teorema 1.1 (TFC). Sea f integrable en [a, b], entonces, dado x0 [a, b] e y0 R, la funci on y , denida por
x
y (x) = y0 +
x0
f (s)ds,
para
x [a, b],
es continua en [a, b] y se tiene y (x0 ) = y0 . Si adem as f es continua en [a, b] entonces la funci on y (x) es tambi en derivable9 en [a, b] con derivada continua igual a f (x),
9Derivable en el cerrado [a, b] signica derivable en el abierto (a, b) y con derivadas laterales en a+ y b .

esto es, se tiene que

x
(4) (5)
y (x) = y (x0 ) +
x0
y (s)ds,
x [a, b]
d dx
f (s)ds = f (x)
x0
x [a, b].
Las identidades anteriores ser an especialmente u tiles en este y los pr oximos cap tulos por lo que se sugiere al lector recordarlas siempre, teniendo especial cuidado en no confundir (4) y (5). 3.1. (6) Integraci on directa. Consideramos una EDO del tipo y = f (x).
Si la funci on f es integrable (por ejemplo si es continua o continua por pedazos10), gracias al TFC las soluciones existen y est an dadas por: (7) y= f (x)dx + C,
donde C R es una constante arbitraria. y=
Ejemplo 1.4. Las soluciones de la ecuaci on y = sen(x) son de la forma sen(x)dx + C = cos(x) + C, con C R.
Ejemplo 1.5. La ecuaci on y = x tiene como soluciones a las funciones de la forma x2 + C, con C R. y = xdx + C = 2
Denotaremos por C gen ericamente a una constante arbitraria sin importar las eventuales transformaciones biyectivas que la mantienen arbitraria (ponderaciones por un escalar no nulo, cambios de signo, suma de otra constante). Por ejemplo C , 2C , C/ 2, C , C + 4 pueden ser representadas por una misma constante gen erica. Si la transformaci on no es biyectiva, por ejemplo C 2 , entonces se pierde la arbitrariedad y es mejor escribir expl citamente C 2 o precisar de alg un modo que la constante no puede ser negativa. Ejemplo 1.6. Estudiemos la ecuaci on y = y= 1 para x = 0. x
dx + C = ln(|x|) + C = ln(|x|) + ln(k ) = ln(k |x|), k > 0. x En el c alculo anterior hemos reemplazado la constante arbitraria C por ln(k ) (donde k = eC > 0) para escribir la soluci on de manera m as compacta y sin perder arbitrariedad. Observemos tambi en que el m odulo en el logaritmo nos da la primitiva correcta de 1/x cuando x < 0. Como |x| no es derivable en x = 0, se considera
10Ver Cap tulo 4, donde se da la denici on de las funciones continuas por pedazos.

la resoluci on de la EDO separadamente en cada intervalo (, 0) y (0, ). Supongamos ahora que queremos encontrar la soluci on de (6) denida sobre un intervalo I y que adem as pase por cierto punto (x0 , y0 ) dado. Esto es, queremos resolver el siguiente problema11: y (x) = y (x0 ) =
x
f (x) para todo x I, y0 .

x
Integrando la ecuaci on y = f (x) entre x0 y x I obtenemos y (s)ds = f (s)ds

x0 x0
y del TFC (identidad (4)), se tiene que

x
(8)
y (x) = y (x0 ) +
x0
f (s)ds.
x
Deteng amonos aqu para comparar (7) y (8). La funci on F (x) = x0 f (s)ds en (8) es una primitiva bien particular de f : aquella que cumple F (x0 ) = 0. Entonces la constante C en (7) deja de ser arbitraria y se tiene que C = y (x0 ). En las ecuaciones de primer orden que estudiaremos en este curso, siempre podremos determinar la constante arbitraria si conocemos el valor de la funci on en un punto del intervalo12.
3.2. Variables separables. Una EDO en variables separables tiene la forma siguiente: (9) y = f (x)g (y ).
Lo primero que observamos es que si g (y0 ) = 0 entonces la funci on constante y (x) y0 dene una soluci on de la EDO (9). Para los valores de y donde g (y ) = 0 se tiene gy (y ) = f (x). Integrando y usando el Teorema del cambio de variables obtenemos (10) y (x) dx = g (y (x)) dy = g (y ) f (x)dx + C,
1 g
donde C R es una constante. Si G es una primitiva de f entonces G(y ) = F (x) + C.
y F es una primitiva de
Si queremos una f ormula expl cita para las soluciones debemos despejar y en funci on de x en la relaci on anterior13. Si no se puede despejar y , las soluciones quedan expresadas de manera impl cita o param etrica (ver Ejemplo 1.9).
11Ver Cap tulo 2 donde se estudia este problema conocido como problema de Cauchy. 12Para ecuaciones de orden n necesitaremos conocer los valores de la funci on y sus derivadas
hasta el orden n 1 pues las integraciones sucesivas arrojar an m as constantes. 13El Teorema de la Funci on Impl cita, que se estudia en el curso de C alculo en Varias Variables, da las condiciones para que esto sea posible.

Ejemplo 1.7. Analicemos la ecuaci on y = xy. Aqu f (x) = x y g (y ) = y . Observemos primero que la funci on nula y (x) 0 dene una soluci on de la EDO. Si y = 0 hacemos dy = y Tenemos entonces que ln(|y |) = de donde |y | = exp x2 +C 2 = ke
x2 2
x dx + C.
x2 + C, 2
donde k = eC > 0. Eliminando el m odulo y considerando los posibles valores positivos y negativos vemos que todas las soluciones son de la forma y = ke
x2 2
con k R (el valor k = 0 nos da la soluci on nula). Ejemplo 1.8. Estudiemos ahora la EDO y = cos2 (y ). En este caso f (x) = 1 y g (y ) = cos2 (y ). Las soluciones constantes son de la forma as soluciones, y (x) 2 + k con k Z. Para encontrar las dem dy cos2 (y ) sec2 (y )dy = = dx + C x+C x + C,
tan(y ) =
donde C R. Para y ( 2 , 2 ) esto es
y = arctan(x + C ). Para los dem as valores de y debemos tener en cuenta la periodicidad de la funci on tangente. Tenemos entonces que todas las soluciones no constantes son de la forma y = k + arctan(x + C ), con C R y k Z.

3 2
32
Ejercicio Propuesto 1.4. Para el problema de Cauchy, vea c omo funciona el m etodo con integrales denidas. Si se integra entre x0 I y x I a ambos lados de (9), se tiene que y (x ) x dy f (x)dx. = y (x0 ) g (y ) x0 Como antes, si G es primitiva de G(y (x)) = =
1 g
y F es primitiva de f , se tiene que F (x) F (x0 ) + G(y (x0 )) F (x) + C
con C = G(y (x0 )) F (x0 ) constante. Compare (10) y (11) como se hizo antes entre (7) y (8). En el siguiente ejemplo la soluci on queda denida param etricamente. Ejemplo 1.9 (Braquist ocrona). Se denomina as a la forma que debe tener un alambre para que una argolla que se desliza por el sin roce bajo la acci on de la gravedad de un punto a otro de menor altura y no en la misma vertical, lo haga en el menor tiempo posible. El problema de encontrar la curva de tiempo m nimo (braquist ocrona en latin) fue propuesto por el matem atico suizo Jean Bernouilli en 1696 para desaar a la mismo encontr comunidad cient ca de su tiempo. El o una soluci on y otras cuatro soluciones aparecieron debidas a Leibniz, a LH opital, al hijo de Jean Bernouilli y una soluci on an onima que se atribuy o luego a Newton. Todas ellas usan ecuaciones diferenciales y c alculo diferencial. Para explicar la soluci on que Jean de Bernouilli encontr o, hay primero que explicar la forma continua de la conocida Ley de Snell proveniente de la optica. Pensemos en un deportista que debe cruzar un r o nadando desde un punto A y luego una playa de arena corriendo a un punto B, para llegar en el m nimo tiempo posible de A a B. En el agua nada a velocidad (cosntante) v1 mientras que en la arena corre a velocidad (tambi en constante) v2 con v1 < v2 . La intuici on nos dice que debe nadar y correr en l nea recta, pero nadar menos en el agua y correr m as

en la arena para minimizar su tiempo. De modo que su trayectoria debiera ser una l nea quebrada de A a B con v ertice en C situado en la interfaz agua-arena. Si a y b son las distancias verticales de A y B a C y c y x son las distancias horizontales de A a B y C respectivamente, entonces en tiempo total de la carrera est a dado por: (c x)2 + b2 x2 + a2 + T (x) = v1 v2 Haciendo T (x) = 0 se obtiene la coordenada x (lo que determina el punto C) de tiempo m nimo x cx = v1 x2 + a2 v2 (c x)2 + b2
de donde se obtiene a su vez, introduciendo los a ngulos de incidencia respecto de la normal a la interfaz 1 y 2 , la conocida Ley de Snell: sin 2 sin 1 = . v1 v2 Si se agrega ahora un tramo extra de cemento a la carrera de para ir de A a B, primero nadando un tramo de agua desde A, luego atravesando la arena, y nalmente corriendo en el cemento al punto nal B, donde el deportista tiene una velocidad v3 corriendo en el cemento con v1 < v2 < v3 , entonces de manera similar es f acil vericar que la trayectoria optima es una l nea con dos quiebres en C1 y C2 en ambas interfaces y se cumple que: sin 2 sin 3 sin 1 = = = cte. v1 v2 v3 De manera an aloga, la argolla de masa m que cae bajo la gravedad g tiene una velocidad v que va en aumento de acuerdo a la distancia vertical recorrida y . En efecto, igualando energ as cin etica y potencial se obtiene: 1 mv 2 = mgy v = 2gy. 2 Por esta raz on, Jean de Bernoulli conjetur o la Ley de Snell generalizada siguiente: sin = cte v donde es el angulo que instant aneamente forma la tangente a la curva en la posici on de la argolla y la vertical. Usando la propiedad geom etrica de que la tangente de /2 es la derivada de y se obtiene que: sin = cos(/2 ) = 1 1 + tan (/2 ) 1 cte 1 + (y )2 = 2gy.
2
1 + (y )2
por lo que, usando la Ley de Snell generalizada, se obtiene v=
Simplicando la expresi on anterior, se obtiene la EDO que describe la forma de la curva como sigue: y (1 + (y )2 ) = k2 , donde k = 1/(2g cte2 ) es una constante positiva.

Utilizaremos el m etodo de separaci on de variables para resolver la EDO de la braquist ocrona. Se tiene y y k2 y
= =
k2 y y dx + C.
1 2
dy
Haciendo y = k 2 sen2 dy = 2k 2 sen cos d obtenemos k sen 2k 2 sen cos d k cos 2k 2 2k 2 = x+C = x+C = x+C = x+C = 2k 2 sen 2 2 4 C.
sen2 d
1 cos(2) d 2 sen 2 2k 2 2 4 x
Por lo tanto, se tiene que x = x() e y = y () con k2 (2 sen 2) C 2 2 k (1 cos 2) . y = 2 Si ahora hacemos = 2, vemos que x = k2 ( sen ) C 2 k2 y = (1 cos ), 2 con R. La soluci on es una familia de curvas llamadas cicloides. Ver Figura 3. Digamos para terminar que el trabajo de toda la vida de Jean Bernoulli qued o marx =
Y
0
0.2
0.4
0.6
0.8
0.5
1.5
Figura 3. Curva Braquist ocrona con x [0, 2 ], y [1, 0], par ametro k = 1 y constante C = 0.

cado por el estudio de la curva cicloide, lo que qued o plasmado en sus obras completas de 1742 donde aparece su retrato sosteniendo un dibujo de la curva. Ejemplo 1.10 (El problema de la gota de lluvia). Consideremos una gota de masa inicial m0 y de densidad constante que cae del reposo y calculemos su masa en funci on del tiempo usando el siguiente principio:
Gota de lluvia
Una gota de lluvia que cae por efecto de su peso va aumentando su volumen a medida que captura gotas m as peque nas en su supercie inferior. Esto es, a una tasa que es proporcional a su velocidad de ca da y a su supercie inferior. Supondremos que i) la gota es esf erica, ii) la gota alcanza una aceleraci on constante, iii) esta aceleraci on l mite es menor que la de gravedad. Si el radio de la esfera es r(t) entonces su volumen es proporcional a r3 y su supercie media a r2 . Si la densidad es constante, entonces la masa es m(t) es proporcional a r3 de donde despejando r(t) resulta proporcional a m1/3 . Con esto, suponiendo que y es la distancia recorrida verticalmente hacia abajo por la gota, la EDO queda: m (t) = Km2/3 y , K > 0 constante.
Adem as, la segunda ley de Newton (atenci on que la masa es variable) es (my ) = mg. Al reemplazar en la primera EDO obtenemos m y + my Km
2/3
= = = =
mg mg g K (y )2 . g y
(y )2 + my (y ) + y
2
Km
1/3
m1/3 Derivando esta expresi on vemos que 1 2/3 m m = 3 de donde y y y (g y )2 = 3
K (y )2 g y
3y y
Suponiendo que y < g y que la aceleraci on es constante (y = 0) se obtiene que g y = . 7
= (g y )(g y 6y ) = (g y )(g 7y ).
= 6(g y )y y + 3y (y )2
(y )2 g y 2(g y )y y + y (y )2 = 3 (g y )2

Ahora integrando entre 0 y t una vez (y suponiendo que la gota parte del reposo) se obtiene la velocidad gt y = . 7 Reemplazando este valor en la EDO original de la masa se obtiene gK t m2/3 , 7 que es una EDO a variables separables, que podemos resolver: m = m2/3 dm 3m1/3 = = gK t2 +C 7 2 gK 2 t + C. 14
1/3 3
Si la masa inicial era m0 , entonces C = 3m0 . Luego m(t) = gK 2 1/3 t + m0 42 .
Ejercicio Propuesto 1.5. Es razonable pensar en el ejercicio anterior que la masa crece de manera no acotada con el tiempo? Qu e se podr a considerar adicionalmente en el modelo para mejorarlo? 3.3. (11) EDO lineal de primer orden: caso homog eneo. Se tiene la EDO: a1 (x)y + a0 (x)y = 0. a0 (x) , a1 (x) = 0 se obtiene: a1 (x)
Normalizando los coecientes, es decir, con a0 (x) = y = a0 (x)y. Presentaremos dos formas de resoluci on:
Variables separables: Claramente la funci on nula y (x) 0 dene una soluci on para esta EDO. Para los valores donde y = 0, notamos que la EDO (3.3) es de la forma y = f (x)g (y ) con f (x) = a0 (x) y g (y ) = y . As ln(|y |) = a0 (x)dx + C a0 (x)dx , a0 (x)dx k>0
|y | = k exp y = k exp
con k R, incluyendo la soluci on nula. Factor integrante: Denimos el factor (x) = exp a0 (x)dx

y observamos que (x) = a0 (x)(x). Si multiplicamos la ecuaci on por (x) obtenemos (x)y (x) + a0 (x)(x)y (x) (x)y (x) + (x)y (x) ((x)y (x))
= = =
0 0 0,
con lo cual el producto (x)y (x) es constante y as y (x) = k = k exp (x) a0 (x)dx
con k R, como antes. Este enfoque es la clave para resolver las ecuaciones lineales no homog eneas.
1 Ejemplo 1.11. Encontremos las soluciones de la ecuaci on y cos x + cos x y = 0, etodo de separaci on de variables. Tenemos que x = 2 + k usando el m
y +
1 y cos2 x y dy y ln(|y |) y
= = = = =
0 y sec2 x sec2 xdx + C tan x + C
k exp( tan x),
con k R.
Ejemplo 1.12. Resolvamos ahora el problema de Cauchy y (x) y (1) = = 2,

1 x y (x)
para x = 0,
1 usando el factor integrante. Escribiendo la EDO como y x y = 0 calculamos
(x) = exp Tenemos entonces que 1 y x 1 1 y 2y x x y x y x y
dx x
= exp( ln(x)) =
1 . x
= = = =
0 0 0 k, con k R.
As , todas las soluciones son de la forma y (x) = kx con k R. De acuerdo con la condici on inicial, nos interesa que 2 = y (1) = k 1, de donde k = 2. Concluimos que la soluci on del problema de Cauchy es y (x) = 2x.

3.4. EDO lineal de primer orden: caso no homog eneo. Se tiene la ecuaci on: (12) a1 (x)y + a0 (x)y = Q(x)
a0 ( x ) a1 ( x ) ,
Si a1 (x) = 0 podemos normalizar a0 (x) = ecuaci on como
Q(x) =
Q(x) a1 ( x )
y reescribir la
y + a0 (x)y = Q(x). Si multiplicamos ambos lados de la ecuaci on por el factor integrante (x) = exp obtenemos ((x)y (x)) (x)y (x) (13) y (x) = (x)Q(x) = = (x)Q(x)dx + C 1 C + (x) (x) (x)Q(x)dx. a0 (x)dx
n 1.7. El primer t Definicio ermino del lado derecho de (13), yh (x) = C = C exp (x) a0 (x)dx
se denomina soluci on homog enea. Aunque se habla de la soluci on homog enea, en realidad se trata de una familia de soluciones, indexadas por la constante C . n 1.8. El segundo t Definicio ermino en el lado derecho de (13), yp (x) = = 1 (x) exp (x)Q(x)dx a0 (x)dx exp a0 (x)dx Q(x)dx
se denomina soluci on particular (que se obtiene si C = 0). Se habla de la soluci on particular, pero depende de la primitiva que se escoja. Ejemplo 1.13 (Ley de osmosis). Retomamos el ejemplo de la introducci on donde estudiamos b asicamente el movimiento de agua desde una soluci on con baja concentraci on de soluto (soluci on A) a trav es de una membrana semipermeable hacia una soluci on con alta concentraci on de soluto (soluci on B). Si CA (t) es la 0 concentraci on de soluto que hay en la soluci on A en funci on del tiempo, CA es la 0 concentraci on inicial de soluto en A y si CB es la concentraci on inicial de soluto en B, una EDO que modela este fen omeno es:
CA (t)
0 0 CA + CB CA (t) , 2
con > 0.

18 1. NOCIONES BASICAS Y METODOS ELEMENTALES DE RESOLUCION 0 0 CA + CB = M , se tiene 2 CA + CA = M
Introduciendo la concentraci on promedio
CA exp
dt + CA exp
dt
= = = = =
M exp M et M et
dt
t CA e + CA et
CA et
CA et CA y como et dt =
M et dt + C Cet + M et et dt
1 t e , se tiene que CA (t) = Cet + M con C R. El resultado es una familia de curvas (indexadas por el par ametro C). Si evaluamos en el tiempo inicial t = 0, se puede encontrar el valor de la constante 0 C 0 CB 0 0 . Por C , es decir, CA (0) = C + M y CA (0) = CA . Luego C = CA M = A 2 lo tanto, la soluci on es 0 0 0 C 0 + CB CA CB et + A CA (t) = 2 2
Ejemplo 1.14 (Ley de enfriamiento de Newton14). Los m as valientes hemos experimentado el hecho de que al ba narnos en el mar cuando se acerca la noche el agua se siente tibia. Daremos una explicaci on a este hecho, basados en el siguiente principio:
Ley de enfriamiento de Newton
Cuando la diferencia de temperaturas entre un cuerpo y el medio ambiente es peque na, el calor transferido en una unidad de tiempo entre el cuerpo y la atm osfera es proporcional a la diferencia de temperatura entre el cuerpo y el medio ambiente. Sean T y TA las temperaturas del mar y del ambiente respectivamente, la EDO que modela el fen omeno es entonces: T (t) = k (TA (t) T (t)), donde k > 0 es una constante llamada coeciente de transferencia t ermica, y depende localmente de la supercie de contacto, calor espec co y masas involucradas. Sea T (0) = T0 es la temperatura inicial del mar.
14Ver http://www.dim.uchile.cl/ %7Eaxosses/Home/ODE.html donde se pueden ver esta y otras simulaciones relacionadas con este texto.

Supongamos primero que TA es constante. Tenemos entonces que T + kT T e

kt
= kTA = kTA ekt = kTA ekt = k TA ekt dt + C
+ kT e Te
kt
kt
T ekt T
= Cekt + TA
de donde, evaluando en t = 0, se obtiene C = T0 TA . Con esto, La temperatura del mar tiende exponencialmente a la temperatura ambiente. M as r apidamente a mayores valores de k . Ver Figura 1.14. T (t) = (T0 TA )ekt + TA .
10 9 8 7 6 5 4 3 2 1 0 0 1 2 3 4 5 6 7 8 9 10
k =3 k =2 k =1
Figura 4. Comportamiento de la temperatura del mar T (t) frente a una temperatura ambiente constante TA = 0 partiendo de una temperatura inicial T (0) = 10 para distintos valores de la constante k. Supongamos ahora que TA var a en el tiempo de manera peri odica. M as pre0 cisamente, supongamos que TA (t) = TA + A sen( t), de manera que oscila con frecuencia . La soluci on es (14) Desarrollando
0 T (t) = Cekt + TA + kekt
A sen(t)ekt dt
sen(t)ekt dt se obtiene = = 1 1 cos(t)ekt dt + sen(t)ekt k k 1 2 sen(t)ekt dt 2 cos(t)ekt + sen(t)ekt . 2 k k k
sen(t)ekt dt

Esto implica que 1+ Luego, 2 k2 sen(t)ekt dt = ekt sen(t) cos(t) . k k
A sen(t)ekt dt =
queda de la forma
k2
Ak ekt sen(t) cos(t) . Por lo tanto (14) 2 + k Ak 2 sen(t) cos(t) . 2 2 k + k
0 T (t) = Cekt + TA +
21
20
19
18
17
16 0 2 4 6 8 10 12
Figura 5. Variaci on de la temperatura del mar T (t) inicialmente con T (0) = 15 frente a una temperatura ambiente TA (t) = 20 + sen(2t) (l nea gruesa). Asint oticamente, T (t) tiene un desfase positivo y una amplitud menor respecto de TA (t). k y cos = podemos escribir Si consideramos sen = 2 2 2 k + k + 2 Ak 0 T (t) = Cekt + TA + (sen(t) cos() cos(t) sen()). k2 + 2
sen(t)
w k
Figura 6. Relaci on entre , k y .
0 Finalmente, T (t) = Cekt + TA + yh
k2
Ak sen(t ). Las variaciones de la + 2

yp
temperatura del mar se encuentran asint oticamente retrasadas o con desfase positivo con respecto a las del ambiente (ver Figura 5). Adem as, notar que la amplitud

4. ECUACIONES QUE SE REDUCEN A CASOS ELEMENTALES 21
asint otica de la temperatura del cuerpo es menor que la amplitud de variaci on de la temperatura ambiente ya que k/ k 2 + 2 < 1.
Ejercicio Propuesto 1.6. Explique c omo se puede estimar el coeciente k a partir del tiempo que separa dos m aximos sucesivos de la temperatura ambiente y de la temperatura del mar.
4.
Ecuaciones que se reducen a casos elementales
Veremos ahora algunas ecuaciones diferenciales que se pueden reducir a casos elementales mediante un cambio de variables. 4.1. Ecuaciones homog eneas. Sean f : R2 R una funci on de dos variables y k N. Se dice que f es homog enea de grado k si f (x, y ) = k f (x, y ) para cada , x, y R. Observemos que si f y g son homog eneas de grado k entonces (x,y ) el cuociente f puede escribirse como una funci o n que depende u nicamente del g(x,y ) cuociente entre x e y . En efecto,
y y y f (x 1, x x ) ) ) xk f (1, x f (1, x y f (x, y ) . = = = y y y = h k g (x, y ) g (x 1, x x ) x g (1, x ) g (1, x ) x
Una EDO es de tipo homog enea15 si se puede escribir como y . y = h x

y Para resolverlas hacemos el cambio de variable z = x , que reescribimos como y = xz de manera que y = xz + z . Tenemos entonces que xz + z = h(z ), de donde
h(z ) z , x que es una ecuaci on en variables separables. z = Ejemplo 1.15. Encontrar las soluciones de la ecuaci on x+y y = . xy
Es f acil vericar que se trata de una ecuaci on homog enea. Hacemos el cambio z = y/x, de donde y = zx e y = z + xz . La ecuaci on se convierte en z + xz = Despejando z obtenemos z = 1+z x + zx = . x zx 1z
1 1 + z2 1 1+z . z = x 1z x 1z
15No confundir con una EDO lineal homog enea.

Para resolver esta ecuaci on en variables separables hacemos 1z z = 1 + z2 zdz dz = 1 + z2 1 + z2 1 arctan(z ) ln(1 + z 2 ) = 2 1 x dx x ln |x| + C.
Si ahora deshacemos el cambio de variables obtenemos la soluci on expresada de manera impl cita: arctan y ln x 1+ y2 = ln |x| + C. x2
Ejemplo 1.16 (Curva de persecusi on). Sobre un r o, en la posici on P = (c, 0), un bote trata de alcanzar la orilla situada en la posici on O = (0, 0) como se muestra en la Figura 1.16. Se quiere caracterizar la posici on en el eje OY con respecto a la posici on en el eje OX. La rapidez de la corriente del r o es a en direcci on (0, 1). La rapidez del bote es b en direcci on ( cos , sen ) donde = (t) va variando en el tiempo de manera que este vector apunta siempre hacia O. Si las coordenadas del bote en un tiempo dado son B = (x, y ), la rapidez en cada eje esta dada por dx = b cos , dt dy = b sen a. dt dy dx dy = . Recordando que cos = dx dt dt
Aplicando regla de la cadena tenemos que
Figura 7. Bote con rapidez b cruzando un r o cuya corriente tiene rapidez a.

x y2 + x2
y sen =
y 2 + x2
vemos que a + b b
y 2
dy = dx
b sen a b cos
y +x 2
x y 2 +x 2
a x2 + y 2 by . bx
y x
Esta u ltima ecuaci on es homog enea. Hacemos el cambio de variable z = xz + z = y . Recordando que x e y son positivas tenemos que a 1 + z2 + z xz + z = b a z = 2 bx 1+z a dz = ln x + C. b 1 + z2 Reescribimos la constante C como C = a b ln k con k > 0 y obtenemos
ln(z + z+
1 + z 2) = 1 + z2 1 + z2 = =
ln(kx) b (kx) b (kx)

a 2a b
Despejando z y deshaciendo el cambio de variables obtenemos a 1 a (kx) b (kx) b z = 2 a a 1 y (kx) b (kx) b = x 2 a a x (kx) b (kx) b . y = 2 1 De la condici on de borde y (c) = 0 vemos que k = . c
2z (kx) b + z 2 .
Ejercicio Propuesto 1.7. Si las ruedas delanteras de un auto se mueven sobre una l nea recta que no es paralela a su eje, encuentre la curva que describen las ruedas traseras, considerando que la distancia entre las ruedas delanteras y las traseras permanece constante. Indicaci on: averigue sobre la curva tractriz. Por ejemplo, si el auto est a inicialmente con su eje delantero en el origen y el eje trasero en el punto (0, a) y se desplaza hacia arriba en la direcci on de eje y , debiera obtener la curva a + a2 x2 y = a ln a2 x2 . x Otra caracter stica importante de esta curva es que su supercie de revoluci on en torno al eje y se conoce como la pseudoesfera y es el espacio de la geometr a de Lobachevsky. Ejercicio Propuesto 1.8. Si el coyote parte del punto (c, 0), c > 0 con velocidad siempre en la direcci on del correcaminos que parte del origen a una velocidad v en la direcci on positiva del eje y , encuentre la curva de persecuci on del

coyote y demuestre que si < v el coyote nunca alcanza al correcaminos en cambio c a si > v lo alcanza en un tiempo t = v 1a2 donde a = v/ < 1. 4.2. Ecuaci on de Bernoulli. La ecuaci on de Bernoulli es de la forma y + p(x)y = q (x)y n
1n
con n = 0, n = 1.
Se realiza el cambio de variable z = y z = (1 n)y n y . Multiplicando n (1 n)y a ambos lados de la ecuaci on, queda (1 n)y n y + p(x)(1 n)y 1n z + p(x)(1 n)z = = (1 n)q (x) (1 n)q (x),
que resulta ser una ecuaci on lineal no homog enea de primer orden normalizada. Ejemplo 1.17 (Modelo log stico de poblaci on). El modelo log stico se basa en el siguiente principio:
Ley log stica
El aumento de una poblaci on es proporcional al producto entre la poblaci on misma y su diferencia respecto a un valor m aximo que es funci on de los recursos disponibles limitados. Esto traducido a una EDO queda como (15) P = P (M P ),
donde > 0 es constante (por ejemplo la diferencia entre tasas de natalidad y mortalidad) y M > 0 es la carga m axima alcanzable. Si P > M entonces P es negativo y la poblaci on decrece. En esta ecuaci on de Bernoulli hacemos el cambio 1 P de variables z = P z = y obtenemos 2 P z = M z + , de donde 1 = exp P
t
M (s)ds
0
1 + P0
exp
0 0
M (s)ds (s)ds .
Reordenando se obtiene (16) P = P0 M . P0 + (M P0 ) exp(M t)
Notemos que P (0) = P0 y que P M si t .
4.3. (17)
Ecuaci on de Riccati. La ecuaci on de Riccati es de la forma y = p(x)y 2 + q (x)y + r(x).
1 Se realiza el cambio de variable y = y1 + , donde y1 es alguna soluci on conocida z (por ejemplo f acil de calcular) de (17). Derivando con respecto a x se tiene y =

y1
z y reemplazando en (17), z2 z z2 z y1 2 z z y1 2 z z
y1
= p(x) y1 +
1 z
+ q (x) y1 +
1 z
+ r(x)
y1 q (x) p(x) + 2 + q (x)y1 + + r(x) z z z y1 p(x) q (x) 2 = [p(x)y1 + q (x)y1 + r(x)] + 2p(x) + 2 + z z z = 2p(x)y1 z p(x) q (x)z,
2 = p(x)y1 + 2p(x)
de donde que resulta ser una EDO lineal de primer orden no homog enea en la variable z . Ejemplo 1.18. Analicemos la ecuaci on diferencial y = 2 y + y 2 . Como se trata de una ecuaci on de primer orden a coecientes constantes, es posible encontrar una soluci on constante resolviendo la ecuaci on algebraica 2 2 = 0, cuyas ra ces son 2 y 1. Tomemos entonces y1 = 2 como una soluci on particular de la ecuaci on. Siguiendo el procedimiento descrito arriba podemos encontrar la soluci on general haciendo el cambio 1 1 =2+ , z z Sustituyendo en la ecuaci on obtenemos y = y1 + z z2 z 2 z z = = = 2 2 + 1 z y = z . z2
2
z + (2p(x)y1 + q (x))z = p(x),
1 z 1 4 1 2 2 + 4 + + 2 z z z 3z + 1. + 2+
Resolvemos la ecuaci on lineal de primero orden no homog enea multiplicando por el factor integrante (x) = exp( 3dx) = e3x . z e3x + 3ze3x ze3x
= =
e3x 1 ze3x = e3x + C, 3 1 con C R. Despejando encontramos z (x) = 3 + Ce3x . Esto nos dice nalmente que la soluci on general de la ecuaci on es 1 y (x) = 2 + con C R. 1, 3 Ce x 3 Notemos que tomando C = 0 recuperamos la otra soluci on constante y (x) 1. Es importante observar tambi en que si C > 0 la soluci on tiene una as ntota vertical
e3x

26 1. NOCIONES BASICAS Y METODOS ELEMENTALES DE RESOLUCION 1 3
en x =
ln(3C ), de modo que |y (x)| si x
1 3
ln(3C ).
4.4.
EDO de segundo orden sin variable dependiente. En la ecuaci on G(x, y , y ) = 0
no aparece la variable y expl citamente. En estos casos se realiza el cambio de variable p = y , con lo cual la ecuaci on se transforma en G(x, p, p ) = 0, que es una EDO de primer orden. Ejemplo 1.19. Para resolver la ecuaci on x y = y 1 1+x hacemos el cambio p = y , p = y . Luego, p+1 1+ 1+ 1 x x p 1+x p = p+1 dp = p+1 = ln |p + 1| = con k R.
1 dx x x + ln |x| + C y de all , p = 1 + kxex
En t erminos de y esto es una ecuaci on con integraci on directa y y = x + k (x 1)ex + K = 1 + kxex con k, K R.
4.5. ci on
EDO de segundo orden sin variable independiente. En la ecuaH (y, y , y ) = 0
la variable independiente x no aparece expl citamente. Se realiza el cambio de variable dp d2 y dp dy dp dy = y = = p, p = y = dx dx2 dx dy dx dy con lo cual la ecuaci on se transforma en dp = 0 H y, p, p dy que es una EDO de primer orden en la variable p con variable independiente y . Ejemplo 1.20 (Ley de Hooke). Se tiene el sistema indicado en la Figura 1.20, siendo k > 0 constante de elasticidad del resorte y m la masa del cuerpo. La Ley de Hooke establece que:

Ley de Hooke
Para peque nos desplazamientos en torno a la posici on de equilibrio, la fuerza de restituci on del resorte es proporcional al desplazamiento.
Esto es my = ky . Es decir, y + w2 y = 0, con w = z = dz y y la ecuaci on se reescribe como dy dz z + w2 y dy dz z dy
k . Si z = y entonces m
= =
0 w2 y.
Integrando con respecto a la variable y vemos que zdz z2 2 (y )2 y
= = = =
w 2 w 2
ydy + C
y2 +C 2 w 2 y 2 + 2C
2C w 2 y 2 .
Finalmente usando separaci on de variables obtenemos dy 2C w 2 y 2 dy 1

w2 2 2C y
= =
dt + 2Cdt + 2Ct + sen( 2Ct + ) 2C sen( 2Ct + ) w
wy arc sen 2C wy 2C y
= = =
con C, R.
Ejemplo 1.21 (Cadena cayendo). Para el sistema de la segunda gura, el largo de la cadena es L y su densidad es [masa / largo], por lo tanto la EDO que lo describe es Ly g y y L = = gy 0.

k m
y
Figura 8. Sistema mec anico de un resorte y una masa. Deniendo = nos da z dz 2 y dy dz z dy z2 2 z y Esto es = 0 = 2 y = 2 = = y2 +C 2 2 y 2 + 2C y 2 + a2 con a= 2C . 2 g se tiene la EDO y 2 y = 0. El mismo cambio de variable L
dy = dt = t + . y 2 + a2 Haciendo el cambio de variable y = a senh en el lado izquierdo, a cosh d a cosh = = t + t + .
Por lo tanto, y = a senh(t + ), con R constante. 4.6. Otros casos. En ocasiones es posible reducir una ecuaci on complicada a otra m as simple mediante un cambio de variables. No hay una regla general para determinar el cambio correcto, de modo que la experiencia es clave. Ejemplo 1.22. La ecuaci on y = (x + y )2 es de Riccati. Sin embargo, para aplicar el m etodo descrito m as arriba es necesario conocer una soluci on particular, lo que puede no ser evidente. Otra opci on es usar el cambio w = x + y . Esto nos da w = 1 + y y la ecuaci on se transforma en w = w 2 + 1,

Figura 9. Sistema mec anico de una cadena bajo el efecto de g con un extremo cayendo. que es una ecuaci on en variables separables. Para hallar la soluci on general hacemos dw = dx, w2 + 1 de donde arctan(w) = x + C . Esto es y = x + tan(x + C ), con C R.
Ejemplo 1.23. En la ecuaci on y = cos(x + y + 1) 1 cos(x + y + 1)
podemos hacer el cambio z = x + y + 1. Con esto, z = y + 1 y la ecuaci on se convierte en 1 z = 1 cos(z ) (1 cos(z ))dz = dx x+C con C R. z sen(z ) =
La soluci on queda denida impl citamente como y sen(x + y + 1) = C.
Otro procedimiento u til es integrar la variable independiente en t erminos de la variable dependiente y luego despejar. La justicaci on, a grandes rasgos y sin entrar en detalles, es la siguiente: en los intervalos donde y existe y no se anula, la expresi on y = y (x) dene impl citamente a x en funci on de y . Es decir, podemos escribir x = x(y ). Observando que x(y (x)) = x y usando la regla de la cadena vemos que x (y (x))y (x) x (y ) = 1 = 1 . y (x)

Ejemplo 1.24. La ecuaci on puede escribirse como y (ey x) = y
ey x 1 = = x . y y Esta es una ecuaci on lineal de primer orden en x si se toma y como variable: 1 1 x + x = ey . y y Multiplicando por el factor integrante (y ) = y esto nos da (xy ) xy = ey = ey + C
y la soluci on queda denida de manera impl cita. Otra manera de resolver la ecuaci on es yx + y (xy ) xy = ey y = ( ey ) = ey + C.
Cap tulo 2
El problema de Cauchy: existencia, unicidad y m etodos num ericos

1. Deniciones preliminares
Para establecer los teoremas generales de existencia y unicidad de EDO, as como m etodos pr acticos de resoluci on por computador, requerimos primero precisar la noci on de soluci on de una EDO. n 2.1. Dado un intervalo real I (no reducido a un punto), denotaDefinicio remos por C n (I ) el conjunto de las funciones y : I R cuyas derivadas hasta el orden n existen y son continuas en I y las llamaremos funciones de clase C n .
Es f acil ver que C n (I ) es un espacio vectorial con las operaciones usuales de suma y ponderaci on por escalar. Consideremos ahora una funci on F : I Rn+1 R. La noci on1 de soluci on que estudiaremos es la siguiente:
n 2.2. Diremos que una funci Definicio on y : I R es soluci on de la ecuaci on diferencial F (x, y, y , y , . . . , y (n) ) = 0 en el intervalo I si y C n (I ) y F (x, y (x), y (x), y (x), . . . , y (n) (x)) = 0 para todo x I . Por otra parte, la soluci on general de una ecuaci on diferencial es una expresi on que agrupa, de manera compacta y expl cita, la familia de todas las soluciones. Una soluci on cualquiera se denomina tambi en a veces soluci on particular. Ejemplo 2.1. Consideremos la ecuaci on diferencial y (x) = 0 en un intervalo I . Recordemos que la derivada de una funci on en un intervalo es cero si, y s olo si, la funci on es constante. Por lo tanto, la soluci on general de la ecuaci on es y (x) = C con C R. En muchas ocasiones las ecuaciones diferenciales revelan informaci on cualitativa acerca de soluci on, como vemos en el siguiente ejemplo: Ejemplo 2.2. Consideremos la ecuaci on diferencial y = 1 |y | en R. En el cap tulo precedente estudiamos las t ecnicas que nos permiten resolver esta ecuaci on. Sin embargo, sin necesidad de resolver, solamente al examinar la ecuaci on diferencial podemos tener una idea de c omo son las soluciones. En efecto, vemos
1M as adelante, en el cap tulo de Transformada de Laplace, veremos un caso m as general de soluciones continuas y con derivada continua por pedazos. 31

32 2. EL PROBLEMA DE CAUCHY: EXISTENCIA, UNICIDAD Y METODOS NUMERICOS
que las funciones constantes y (x) 1 y y (x) 1 son de clase C 1 y satisfacen y = 1 |y | en R, por lo que denen soluciones de la EDO. Supongamos ahora que y : R R es una soluci on de la EDO. En los puntos donde y toma valores entre 1 y 1, su derivada es positiva; luego y es creciente. En otro caso, y es decreciente. Adem as mientras m as cerca est e y (x) de los valores 1 y 1, m as cercana a 0 ser a su derivada. Si al contrario, |y (x)| es muy grande, la pendiente ser a muy pronunciada.
Otro dato que obtenemos directamente de la ecuaci on es que si y : R R dene una soluci on, entonces la funci on yc : R R denida por yc (x) = y (x + c) tambi en dene una soluci on (basta sustituir en la ecuaci on). Esto nos dice que al trasladar una soluci on hacia la derecha o hacia la izquierda obtenemos m as soluciones.2 Con toda esta informaci on deducimos que, de existir, las soluciones de la EDO deben tener un aspecto bastante similar a las que se muestran a en la gr aca siguiente:
2Esto es una particularidad de las EDO aut onomas, que no dependen expl citamente de la variable independiente.

2. EL PROBLEMA DE CAUCHY 33
2.
El problema de Cauchy
En el ejemplo anterior, si bien la ecuaci on diferencial tiene m as de una soluci on, el gr aco sugiere que por cada punto (x0 , y0 ) de R2 pasa una y s olo una de estas curvas. Determinar una (o la) soluci on de una EDO que pasa por cierto punto dado es lo que se conoce como resolver el problema de Cauchy. n 2.3. El problema de Cauchy asociado a una ecuaci Definicio on de primer orden consiste en encontrar y C 1 (I ) tal que (P C ) y (x) = y (x0 ) = f (x, y (x)) y0 , para todo x I,
donde I es un intervalo, x0 I e y0 R. La igualdad y (x0 ) = y0 se llama condici on inicial o de borde seg un la variable x se interprete como tiempo o espacio respectivamente. Las soluciones del problema de Cauchy se ajustan a las condiciones iniciales o de borde. Es importante no confundirlas con la familia de soluciones de la ecuaci on diferencial sin condiciones iniciales o de borde (soluci on general). Dependiendo de f , x0 e y0 , el problema de Cauchy puede o no tener soluci on y, en caso de tener, esta puede o no ser u nica. Los Teoremas 2.1 y 2.2 m as adelante garantizar an la existencia y unicidad de soluci on del problema de Cauchy bajo ciertas condiciones. Veamos bajo qu e hip otesis es razonable esperar que el problema de Cauchy asociado a una EDO tenga una u nica soluci on. En primer lugar, para que y (x) sea continua es necesario que y (x) y f (x, y ) (como funci on de dos variables) lo sean. Sin m as informaci on sobre la funci on y es poco probable que la composici on f (x, y (x)) sea continua si f no lo es3. Es de esperar que necesitemos imponer que la funci on f sea continua para garantizar que el problema tenga soluci on. Sin embargo, esto no es suciente para obtener la unicidad, como muestra el siguiente ejemplo: Ejemplo 2.3. Consideremos el problema de Cauchy: y (x) y (0) = = 0. y (x) para todo x R,
La funci on constante y (x) 0 es soluci on, al igual que la funci on y (x) = 0

x2 4
si x < 0, si x 0.
Observemos que la derivada de la funci on g (y ) = y = 0. M as precisamente, l my0

y 0 y 0
y diverge cerca del valor
= .
3A menudo se utiliza el abuso de notaci on de llamar f a la funci on x f (x, y (x)) y a la funci on (x, y ) f (x, y ).

Entonces, para probar la unicidad de soluci on para el problema de Cauchy necesitaremos una segunda condici on. Esta ser a que el cuociente en el l mite anterior se mantenga acotado cerca del punto, y a esto lo llamaremos una condici on de tipo Lipschitz. 3. Los teoremas de existencia y unicidad
n 2.4. Sean f : I R R una funci Definicio on y L > 0. Decimos que f es globalmente Lipschitz con respecto a la segunda variable, con constante de Lipschitz L, si para cada y, z R y para cada x I se tiene (18) Enunciaremos ahora el Teorema de Existencia y Unicidad Global4. Teorema 2.1. Sea I un intervalo. Supongamos que f : I R R es una funci on continua con respecto a su primera variable y globalmente Lipschitz con respecto a su segunda variable. Entonces para cada x0 I e y0 R existe una u nica soluci on global y C 1 (I ) del problema de Cauchy (P C ). El teorema garantiza que la soluci on existe en todo el intervalo de denici on (para la primera variable) de f . Por eso la soluci on es global. En particular, si f : R R R entonces la soluci on queda denida en todo R. |f (x, y ) f (x, z )| L|y z |.
Ejemplo 2.4. En el Ejemplo 2.2 esbozamos las soluciones de la ecuaci on y = 1 |y |. En este caso tenemos que la f : R R R est a denida por f (x, y ) = 1 |y |. Claramente esta funci on es continua con respecto a su primera variable, pues no depende expl citamente de ella. Veamos que es globalmente Lipschitz con respecto a la segunda (verique gr acamente considerando la pendiente de la recta secante a la funci on f (y ) = 1 |y | entre dos puntos cualesquiera y y z ): |f (x, y ) f (x, z )| = 1 |y | (1 |z |) = |y | |z | |y z |.
El Teorema 2.1 nos dice que por cada punto (x, y ) del plano pasa una u nica soluci on, como se aprecia en la gura del Ejemplo 2.2. El que f verique (18) para todo x I y para todos y, z R es una hip otesis bastante restrictiva. Para garantizar existencia y unicidad locales, en realidad basta que la funci on f sea Lipschitz con respecto a su segunda variable en un entorno de la condici on inicial. Presentamos a continuaci on un Teorema de Existencia y Unicidad Local5. Teorema 2.2. Sea I un intervalo. Tomemos x0 I e y0 R. Supongamos que f : I R R es una funci on continua (con respecto a su primera variable) en x0 . Supongamos tambi en que existen r, , L > 0 tales que |f (x, y ) f (x, z )| L|y z | siempre que y, z [y0 r, y0 + r] y x I [x0 , x0 + ]. Denotemos m ax{|f (x, y )| | x I, |x x0 | , |y y0 | r}, r , y J = I (x0 0 , x0 + 0 ). 0 = m n , M Entonces existe una u nica soluci on local y C 1 (J ) del problema de Cauchy (P C ). M =
4Cuya versi on m as general ser a el Teorema 5.2 que se demostrar a m as adelante en este texto. 5Cuya versi on m as general ser a el Teorema 5.4 que se demostrar a m as adelante tambi en.

3. LOS TEOREMAS DE EXISTENCIA Y UNICIDAD 35
Notemos que la soluci on puede no quedar denida en todo I sino que en un subconjunto J . Por eso se le llama soluci on local. De hecho, la soluci on puede estar denida en un intervalo tanto m as peque no cuanto m as grande sea M . Una funci on con la propiedad descrita en el teorema decimos que es localmente Lipschitz con respecto a su segunda variable en un entorno de (x0 , y0 ). Ejemplo 2.5. Consideremos la ecuaci on y = y 2 , con condici on inicial y (0) = y0 > 0. Por el momento sabemos que existe una u nica soluci on que est a denida cerca de x0 = 0. Primero veamos que la funci on f (x, y ) = y 2 es localmente Lipschitz con respeto a su segunda variable en un entorno de y0 . En efecto, para > 0 cualesquiera y 0 < r y0 se tiene que |f (x, y ) f (x, z )| = |y 2 z 2 | = |y + z ||y z | 2(y0 + r)|y z | siempre que y, z [y0 r, y0 + r] (no hay restricci on del tipo |x x0 | ) y una constante de Lipschitz es L = 2(y0 + r). Calculemos los valores de M y 0 que da el Teorema 2.2 para saber d onde tenemos garantizada la existencia de una u nica soluci on. Por otra parte, 0 = r(y0 + r)2 . Pero como todo lo anterior es v alido para cualquier r > 0 podemos tomar 1 r = . 0 = m ax 2 r>0 (y0 + r) 4 y0 Todo lo anterior nos dice que existe una u nica soluci on y est a denida, al menos, 1 en el intervalo ( 41 , ). y0 4y0 1 es la soluci on de la ecuaci on (en Por otra parte, observemos que y (x) = x+ 1
y0
M = m ax{y 2 | |y y0 | r} = (y0 + r)2 .
el cap tulo anterior vimos c omo deducir esto). En realidad ella est a denida en el 1 , ), que es m a s grande de lo que predice el Teorema 2.2. Observeintervalo ( y 0 mos, sin embargo, que el punto donde y deja de existir est a m as cerca de x0 = 0 cuando m as grande sea y0 . Ejemplo 2.6. Retomando el Ejemplo 2.3, notemos que la funci on f (x, y ) = y no es localmente Lipschitz con respecto a y en un entorno de y0 = 0, de modo que el Teorema 2.2 no permite esperar que exista una u nica soluci on. Sin embargo, se puede probar f acilmente que la funci on s es localmente Lipschitz si tomamos y0 > 0. Se deja al lector vericar esto y encontrar el intervalo de existencia y unicidad. La condici on de Lipschitz no es siempre f acil de vericar directamente. Un criterio pr actico que funciona a menudo es el siguiente. Supongamos que f : I R R es continua con respecto a su primera variable y de clase C 1 con respecto a su segunda variable. Con la ayuda del Teorema del Valor Medio se puede demostrar que f satisface las condiciones del Teorema 2.2. En efecto si C = [x0 , x0 + ] [y0 r, y0 + r] entonces |f (x, y ) f (x, z )| L|y z |, donde6 L = m ax
6No confundir y = dy con f . dx y (x,y )C
f (x, y ) . y

4.
Aproximaci on del problema de Cauchy mediante m etodos num ericos
En esta secci on presentaremos algunos m etodos num ericos b asicos que se pueden utilizar para aproximar la soluci on y (x) de un problema de Cauchy del tipo y (x) = y (x0 ) = f (x, y (x)) y0 , para todo x [x0 , x0 + L],
donde L > 0 es el largo total del intervalo. En primer lugar dividimos [x0 , x0 + L] en N peque nos subintervalos In = L [xn , xn+1 ], n = 0, . . . , N 1 de la misma longitud: para ello, escribimos h = N y para n = 1, . . . , N denimos xn = x0 + nh, de manera que xN = x0 + L y [x0 , x0 + L] = [x0 , x1 ] [x1 , x2 ] [xN 1 , xN ]. La idea es encontrar puntos {y1 , . . . , yN } tales que el error en = yn y (xn ) sea peque no para cada n = 1, . . . , N , pero en particular en el punto nal xN = x0 + L.
x0
x1
x2
x3
x0 + L
Soluci on exacta y su aproximaci on en el intervalo [x0 , x0 + L].
Integrando la ecuaci on diferencial en cada intervalo In = [xn , xn+1 ] obtenemos

xn+1
(19)
y (xn+1 ) y (xn ) =
f (s, y (s))ds.
xn
La manera de aproximar la integral que aparece del lado derecho nos dar a diversos m etodos para encontrar los puntos {yn }N . n=1 4.1. Orden del algoritmo. Error local y global. En las siguientes secciones veremos varios algoritmos de discretizaci on usando la identidad integral (19). Como ya mencionamos, al discretizar nos interesar a que los errores de discretizaci on globales en = yn y (xn ) sean peque nos, esto es, que la soluci on discretizada se mantenga cerca de la soluci on exacta. Sin embargo, el error se va acumulando al pasar de un intervalo Ii al siguiente y eso quiere decir que los errores en I0 , I1 , . . . , In van a incidir en el error en al nal del intervalo en xn+1 . Por eso llamamos a en error global.

4. METODOS NUMERICOS 37
Para saber cu al es el error de discretizaci on local en cada intervalo In , hay que considerar el problema de Cauchy local z = z (xn ) = f (x, z ), x In yn
es decir, considerar la soluci on exacta si esta coincidiera con la num erica en x = xn . En general z (xn+1 ) diere de yn+1 lo que lleva a denir el error de discretizaci on local: dn = yn+1 z (xn+1 ), que tambi en diere del error global en . n 2.5. El m Definicio aximo p tal que |dn | Chp+1 para una constante C independiente de h se dene como el orden del m etodo. Que el orden sea p y no p + 1 se explica pues el error de discretizaci on global eN luego de N = h/L iteraciones ser a comparable con la suma de los N errores locales dn , n = 0, . . . , N 1: |e N |
N 1 n=0
dn CN hp+1 =
C p h L
por lo que se pierde un order al sumar y el error acumulado al nal del c alculo medido en el u ltimo intervalo se comporta solamente como hp . No analizaremos el orden de cada uno de los m etodos que veremos en detalle, aunque s lo indicaremos. Es f acil convencerse de que el orden del m etodo depende principalmente del error de la cuadratura que se escoge para aproximar el t ermino integral de la derecha en (19). Entonces, cuadraturas por rect angulos, trapecios y el m etodo de Simpson generar an m etodos de cada vez mayor orden. 4.2. M etodos de primer orden. La manera m as obvia de aproximar la integral en (19) es usar un rect angulo. Esto nos da los m etodos de Euler de primer orden, de acuerdo con el extremo del intervalo que usemos para denir la altura del rect angulo. 4.2.1. M etodo de Euler progresivo. Empezamos haciendo y (x0 ) = y0 . Aproximamos la integral
x1
f (s, y (s))ds
x0
por el area del rect angulo con base en el segmento [x0 , x1 ] y cuya altura esta dada por el valor del integrando en el extremo izquierdo del intervalo [x0 , x1 ]. Tenemos que
x1
y (x1 ) y (x0 ) = de donde Esto sugiere denir
x0
f (s, y (s))ds (x1 x0 )f (x0 , y (x0 )),
y (x1 ) y (x0 ) + hf (x0 , y (x0 )) = y0 + hf (x0 , y (x0 )). y1 = y0 + hf (x0 , y0 )).

Inductivamente, para n = 1, . . . , N 1 denimos (20) yn+1 = yn + hf (xn , yn ).
Observemos que esto es equivalente a yn+1 yn = f (xn , yn ) =: dn . h El cuociente del lado izquierdo es una aproximaci on de la derivada de la funci on y . Se dice que este es un m etodo expl cito pues la expresi on (20) nos da una f ormula para yn+1 en t erminos del valor conocido yn .
dn
xn
M etodo de Euler progresivo:
xn+1 xn
xn+1
f (s, y (s))ds dn (xn+1 xn ).
4.2.2. M etodo de Euler retr ogrado. Esta vez aproximamos la integral utilizando el valor del integrando en el extremo derecho de cada subintervalo. Para n = 0, . . . , N 1 denimos (21) lo que equivale a yn+1 yn = f (xn+1 , yn+1 ). h Se dice que este es un m etodo impl cito pues es necesario resolver la ecuaci on (21), que generalmente es no lineal, para determinar yn+1 . Este proceso puede ser dif cil, lo cual representa una desventaja de este m etodo. Sin embargo, el m etodo de Euler retr ogrado (y los m etodos impl citos en general) goza de mejores propiedades de estabilidad, concepto que presentaremos m as adelante. yn+1 = yn + hf (xn+1 , yn+1 ),

dn+1
xn
M etodo de Euler retr ogrado:
xn+1 xn
xn+1
f (s, y (s))ds dn+1 (xn+1 xn ).
4.3. M etodos de segundo orden. Los m etodos de segundo orden utilizan dos aproximaciones sucesivas para calcular la integral, basadas en el valor del integrando en dos puntos distintos del subintervalo. Los que presentamos a continuaci on son casos especiales de los llamados esquemas de Runge-Kutta. 4.3.1. M etodo de Euler modicado. Tambi en se basa en una aproximaci on de la integral por un rect angulo, pero esta vez se toma el valor del integrando en el punto medio del subintervalo xn+1 = xn + h 2 . Dicho valor es f (xn+1 , y (xn+1 )). Es necesario estimar el valor de y (xn+1 ), para lo cual se utiliza el m etodo de Euler progresivo (en lugar de resolver una ecuaci on no lineal). As , cada iteraci on del algoritmo tiene dos etapas. Primero calculamos h f (xn , yn ), 2 que aproxima el valor de y (xn+1 ). Luego hacemos yn+1 = yn + yn+1 = yn + hf (xn+1 , yn+1 ).
cn+1
xn
M etodo de Euler modicado:
xn+1
xn+1 xn
xn+1
f (s, y (s))ds cn+1 (xn+1 xn ).
4.3.2. M etodo de Heun. En esta ocasi on utilizamos la regla de los trapecios para aproximar la integral:
xn+1 xn
f (s, y (s))ds
h f (xn , yn ) + f (xn+1 , y (xn+1 )) . 2

Al igual que en el m etodo de Euler modicado, estimaremos el valor de y (xn+1 ) usando el m etodo de Euler progresivo. As , denimos yn+1 = yn + hf (xn , yn ) y luego calculamos yn+1 = yn + h f (xn , yn ) + f (xn+1 , yn+1 ) . 2
dn+1 dn
xn
M etodo de Heun:
xn+1 xn
xn+1
f (s, y (s))ds
1 (dn+1 2
+ dn )(xn+1 xn ).
Ejemplo 2.7. Estudiemos el problema y (x) y (0) = = y (x) + ex 1, = = = = ex 1 1 x + C, C R. para x (0, 1),
Se trata de una ecuaci on lineal de primer orden no homog enea que sabemos resolver. e
x
y y y e x y e x y e
x
Tomando en cuenta la condici on inicial, vemos que la soluci on es (22) y (x) = ex (x + 1).
Veamos ahora c omo funcionan los m etodos descritos arriba. Para ello dividimos el intervalo [0, 1] en 20 subintervalos de longitud 0, 05. La siguiente tabla muestra los valores que da la ecuaci on diferencial (ED) mediante la f ormula (22), los m etodos de Euler progresivo (EP), de Euler retr ogrado (ER), de Euler modicado (EM) y de Heun (H), junto con los errores cometidos al aplicar cada m etodo.
4.4. Estabilidad. A grandes rasgos, un m etodo es estable en la medida en que los valores que entrega se mantienen cerca de la soluci on que se pretende aproximar. Es decir, si el error en = yn y (xn ) se mantiene acotado o peque no. Hay diferentes criterios de estabilidad, pero nosotros nos centraremos en la llamada estabilidad asint otica, que tiene que ver con el comportamiento a largo plazo.

X 0 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50 0.55 0.60 0.65 0.70 0.75 0.80 0.85 0.90 0.95 1
ED 1 1.104 1.216 1.336 1.466 1.605 1.755 1.916 2.089 2.274 2.473 2.687 2.915 3.161 3.423 3.705 4.006 4.328 4.673 5.042 5.437
EP 1 1.100 1.208 1.323 1.447 1.581 1.724 1.878 2.043 2.219 2.409 2.612 2.829 3.061 3.310 3.577 3.861 4.166 4.491 4.838 5.210
Error 0 0.004 0.008 0.013 0.018 0.024 0.031 0.038 0.046 0.055 0.064 0.075 0.086 0.099 0.113 0.128 0.145 0.163 0.182 0.204 0.227
ER 1 1.108 1.224 1.350 1.485 1.631 1.788 1.957 2.138 2.333 2.543 2.768 3.010 3.269 3.547 3.845 4.165 4.507 4.873 5.266 5.686
Error 0 0.004 0.009 0.014 0.020 0.026 0.033 0.041 0.050 0.059 0.070 0.082 0.094 0.108 0.124 0.140 0.159 0.178 0.200 0.224 0.250
EM 1 1.104 1.216 1.336 1.465 1.605 1.754 1.915 2.088 2.273 2.472 2.685 2.914 3.159 3.421 3.702 4.003 4.325 4.670 5.038 5.432
Error 0 0.000 0.000 0.000 0.000 0.000 0.001 0.001 0.001 0.001 0.001 0.001 0.002 0.002 0.002 0.002 0.003 0.003 0.003 0.004 0.004
H 1 1.104 1.216 1.336 1.465 1.605 1.754 1.915 2.088 2.273 2.472 2.685 2.914 3.159 3.422 3.703 4.004 4.326 4.671 5.039 5.433
Error 0 0.000 0.000 0.000 0.000 0.000 0.000 0.001 0.001 0.001 0.001 0.001 0.001 0.001 0.002 0.002 0.002 0.002 0.003 0.003 0.003
Cuadro 1. Desempe no de los m etodos estudiados
Supongamos que se quiere aproximar la soluci on de un problema de Cauchy del tipo y (x) = y (x0 ) = f (x, y (x)) y0 , para todo x [x0 , ),
Tomamos h > 0 y denimos xn = x0 + nh, de manera que [x0 , ) = [x0 , x1 ] [x1 , x2 ] Calculamos los valores de yn que nos entrega el algoritmo y los comparamos con los valores de la soluci on exacta del problema de Cauchy. Diremos que un m etodo de aproximaci on es 1. Incondicionalmente estable si l mn |yn y (xn )| = 0 para cualquier valor de h > 0. 2. Condicionalmente estable si l mn |yn y (xn )| = 0 para algunos valores de h > 0. 3. Inestable si |yn y (xn )| no converge a cero para alg un valor de h > 0. Para entender mejor este concepto analizaremos la estabilidad de los m etodos de primer orden descritos arriba al momento de aproximar ciertas ecuaciones. Ejemplo 2.8. Estudiaremos el problema y (x) y (0) = = ay (x) para x (0, ), y0 ,
con a > 0 e y0 > 0. Se trata de una ecuaci on lineal de primer orden cuya soluci on es y (x) = y0 eax . Observemos que l mx y (x) = 0 para todos los valores de a e y0 . Por lo tanto, l mn y (xn ) = 0.

y0
Soluci on de la ecuaci on diferencial.
Al aplicar el m etodo de Euler progresivo tenemos yn+1 = yn + hf (xn , yn ) = yn + h(ayn ) = (1 ah)yn = (1 ah)n+1 y0 . Tenemos dos casos: 1. Si h < 2/a, l mn yn = 0 y por ende l mn |yn y (xn )| = 0. 2. Si h 2/a, la sucesi on diverge y no existe l mn |yn y (xn )|.
Por lo tanto el m etodo es condicionalmente estable (e inestable si h 2/a). Notemos que la inestabilidad se maniesta por oscilaciones no acotadas de la soluci on num erica. Este hecho resulta ser mucho m as general y se aplica incluso como denici on de inestabilidad en m etodos num ericos para ecuaciones diferenciales.
h<
1 a
h=
1 a
1 a

<h<
2 a
2 a
M etodo de Euler progresivo con distintos valores de h.
Ejemplo 2.9. Si aplicamos el m etodo de Euler retr ogrado para el problema de Ejemplo 2.8 obtenemos yn+1 = yn + hf (xn+1 , yn+1 ) = yn + h(ayn+1 ).

Despejando vemos que yn+1 = 1 1 y0 . yn = 1 + ah (1 + ah)n+1
Como 1 + ah > 1 para todo h > 0 tenemos que l mn yn = 0 y por lo tanto l mn |yn y (xn )| = 0 sin importar el valor de h. Esto nos dice que el m etodo es incondicionalmente estable.
y0

M etodo de Euler retr ogrado.
La estabilidad condicional es frecuente entre los m etodos expl citos y la incondicional, entre los impl citos. Como resumen del an alisis precedente, digamos que el error de los m etodos de Euler progresivo y retr ogrado es similar cuando h es peque no y ambos m etodos son estables, pero si h crece, el m etodo de Euler progresivo se vuelve inestable. Ejemplo 2.10. Estudiemos ahora la ecuaci on y (x) y (0) = = ay (x) y0 , para x (0, ),
con a > 0 e y0 > 0. Se trata de una ecuaci on lineal de primer orden cuya soluci on es y (x) = y0 eax . Esta vez no es cierto que l mx y (x) = 0 para ning un valor de a. El m etodo de Euler progresivo nos da yn = (1 + h)n y0 , mientras que el m etodo de Euler retr ogrado nos da yn = (1 h)n y0 . En ning un caso existe l mn |yn y (xn )|. Esto se ve f acilmente pues ambos l mites son de la forma l mn |bn cn | con b = c. Por lo tanto, ambos m etodos son inestables.
4.5. M etodos de Runge Kutta de orden 4. Al hacer una cuadratura del tipo Simpson para la integral:
xn+1 xn
f (s, y (s)) ds
h 1 , y (x )) + f (xn+1 , y (xn+1 ))) (xn , f (y (xn )) + 4f (xn+ 2 n+ 1 2 6
1 = xn + h/2 se inspira el siguiente algoritmo que hace parte de los donde xn+ 2 m etodos de Runge-Kutta de orden 4 expl citos. Este algoritmo es uno de los m as utilizados para resolver ecuaciones diferenciales ordinarias:

y0 g1 g2
= y (0) = f (xn , yn ) = f , yn + xn+ 1 2
h g1 2 h , yn + g 2 ) g3 = f (xn+ 1 2 2 g4 = f (xn+1 , yn + h g3 ) h yn+1 = yn + (g1 + 2g2 + 2g3 + g4 ) 6 No daremos aqu mayores detalles de la deducci on del m etodo, para lo cual puede consultar un libro especializado en m etodos num ericos. Sin embargo, para acercarse a su comprensi on haga el siguiente ejercicio. Ejercicio Propuesto 2.1. Verique que si f no depende de x se tiene que g2 = g3 y se recupera en este caso la idea de la cuadratura de Simpson. 5. Ejemplo num erico: la ley de Omori en sismolog a
En esta secci on veremos como se aplica una variante de la ley de Omori proveniente de la sismolog a, que, usando ecuaciones diferenciales ordinarias, se usa para la predicci on de r eplicas de sismos. Trabajaremos con los datos del terremoto del 27 de Febrero del 2010 en Chile. Primero resolvemos la EDO anal ticamente para compararla con soluciones aproximadas usando los m etodos num ericos de Euler, de Euler modicado y de Heun, para valores de par ametros apropiados. Sea yM en n umero acumulado de r eplicas de magnitud mayor o igual que M en funci on del tiempo, donde t = 0 corresponde al tiempo de ocurrencia del sismo principal. La ley de Omori modicada7 dice lo siguiente: p , (23) yM (t) = kM pt e 1 donde p y kM son constantes positivas. Esto es, el n umero de r eplicas de una magnitud mayor o igual que M decrecen con t, donde t es el tiempo que lleva transcurrido desde el sismo principal. 5.1. Soluci on anal tica comparada con las aproximaciones num ericas. La soluci on anal tica se obtiene f acilmente por integraci on directa: para t [0, T ]. Para la discretizaci on, consideramos un paso de discretizaci on h > 0, tn = h 1 = tn + . Se dene: t0 + nh, yn aproxima yM (tn ), tn+ 2 2 p f (t) = kM pt . e 1 Notar que f no depende de y . a) M etodo de Euler: y0 = yM (t0 ) yM (t) = ln(ept 1) pt + c, cR
7B.-F. Apostol, Eulers transform and a generalized Omoris law, Physics Letters A 351 (2006) 175176.

5. EJEMPLO NUMERICO: LA LEY DE OMORI EN SISMOLOG IA 45
yn+1 b) M etodo de Euler modicado: y0 yn+ 1 2 yn+1
= yn + h f (tn ) = = = yM (t0 ) h yn + f (tn ) 2 yn + h f (tn+ 1 ). 2
Notar que el paso 2 de este m etodo resulta innecesario pues f no depende de y . c) M etodo de Heun: yM (t0 ) yn + h f (tn ) h yn+1 = yn + (f (tn ) + f (tn+1 )). 2 Notar que el paso 2 de este m etodo resulta innecesario pues f no depende de y . Ahora comparamos la soluci on anal tica con las aproximaciones num ericas. Notar que en t = 0 la funci on yM est a indenida, por ello hay que escoger como condici on inicial alg un t0 > 0 cercano a cero y partir del valor de la soluci on anal tica en ese tiempo. Por ejemplo si elegimos c = 1200, kM = 200, p = 0.01, T = 200, t0 = h = 4, la comparaci on de m etodos da como resultado la Figura suguiente.
Comparacion de soluciones h=8.00 1300
y0 yn+1
= =
1200
1100
1000
900
800 Euler Euler Modificado Heun Sol Analitica 0 20 40 60 80 100 120 140 160 180 200
700
600
El c odigo matlab para producir el gr aco es:

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
% Ley de Omori modificada % Parametros p=0.01; kM=200; c=1200; % Solucion analitica yM=@(t) kM*(log(exp(p*t)1) p*t)+c; % intervalo de tiempo: T=200; h=8; t0=h; t=t0:h:T; N=(Tt0)/h; % lado derecho de la EDO f=@(t) kM*p/(exp(p*t)1); % Soluciones numericas % 1. Metodo de Euler progresivo y Euler(1)=yM(t0); for i=1:N ti=t0+(i1)*h; y Euler(i+1) = y Euler(i) + h*f(ti);

16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34
35 36
end % 2. Metodo de Euler modificado y Euler Mod(1)=yM(t0); for i=1:N tim=t0+(i1)*h+h/2; y Euler Mod(i+1) = y Euler Mod(i) + h*f(tim); end % 2. Metodo de Heun y Heun(1)=yM(t0); for i=1:N ti=t0+(i1)*h; tf=t0+i*h; y Heun(i+1) = y Heun(i) + h/2*(f(ti)+f(tf)); end % Comparacion figure(2); hold on plot(t,y Euler,'x'); plot(t,y Euler Mod,'+'); plot(t,y Heun,'o'); plot(t,yM(t),'k'); legend('Euler','Euler Modificado','Heun','Sol ... Analitica','Location','SouthEast') title(sprintf('Comparacion de soluciones h= %3.2f',h)) hold off
Los gr acos muestran que para valores decrecientes de h el desempe no del m etodo de Euler es siempre muy deciente (del orden de 10 % al nal del intervalo) en cambio los m etodos de Euler modicado y de Heun muestran menor error (del orden de 1 % al nal del intervalo). En todo caso Heun aproxima por exceso y Euler modicado por defecto. 5.2. Lectura y an alisis de datos de r eplicas. Los datos de r eplicas se pueden obtener de la base de datos del servicio geol ogico de EEUU (USGS) de la p agina: http://earthquake.usgs.gov/earthquakes/eqarchives/epic/epic_rect.php usando los par ametros siguientes: Output File Type: Spreadsheet Format (comma delimited) Database: USGS/NEIC (PDE) 1973 - Present Latitude of Rectangular Area: top -32, bottom -40 Longitude of Rectangular Area: left -75, right: -70 Date: 2010/02/27 2010/04/15 Magnitude, Depth, Intensity: nada Deber a obtener una lista como la siguiente la que debe almacenar en un archivo ascii datos.txt: Year,Month,Day,Time(hhmmss.mm)UTC,Latitude,Longitude,Magnitude,Depth 2010,02,27,063412.62,-36.03, -72.85,8.8, 26 2010,02,27,065234.01,-34.87, -72.61,6.2, 35 2010,02,27,065626.19,-34.35, -72.20,5.6, 34 2010,02,27,065931.92,-33.97, -72.12,5.3, 21 2010,02,27,070204.26,-38.10, -73.71,5.1, 35 ... Aparecen en primer lugar los datos del terremoto del 27 de Febrero a las 06:34 UTC (tiempo universal coordinado correspondiente al horario de Greenwich), que

corresponde restando 3 horas a las 3:34 de la madrugada hora local de Chile continental, y tuvo una magnitud de 8.8. Luego aparecen otros sismos en la misma regi on rectangular que supondremos son r eplicas del sismo inicial. El siguiente programa de matlab leer datos.m le facilitar a la lectura de los datos:
1 2 3
4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36
% Archivo leer datos.m % Lectura de datos separados por coma, A=importdata('datos.txt',',',1); %1 significa saltar 1 linea de ... comentarios % Lectura de magnitudes. A.data son los datos numericos magnitudes=A.data(:,7); mmin=nanmin(magnitudes); mmax=nanmax(magnitudes); mstep=0.2; % Graficos de numero de replicas >= magnitud min % y(t) es la funcion interpolada de los datos figure(1); hold on i=0; y=[]; for M=mmin+0.6:mstep:mmax2.8 seleccion=find(magnitudes>=M); B=A.data(seleccion,:); agno=B(:,1); mes=B(:,2); dia=B(:,3); UTC=B(:,4); aux=UTC/104; hora=fix(aux); min=fix((auxhora)*100); seg=fix(((auxhora)*100min)*100); fecha=datenum(agno,mes,dia,hora,min,seg); ndatos=length(fecha); numero replicas=1:ndatos; % interpolacion de datos a malla de tiempo uniforme % y almacenados en el cell array y { i} t=nanmin(fecha):0.25:nanmax(fecha); i=i+1; y {i }.data=interp1(fecha,numero replicas,t); y {i } .magnitud min=M; y {i }.fechas=t; % graficos plot(fecha,numero replicas,'r.'); plot(t,y {i }.data); title('Num acumulado de replicas en funcion del tiempo') xlabel('tiempo'); ylabel('numero de replicas'); label=sprintf('Magn>= %3.1f (y %d)',M,i); text(fecha(ndatos),ndatos,label); datetick('x','dd/mm'); grid on end hold off
Los datos de las r eplicas quedan almacenados como y{1}.data, y{2}.data, y{3}.data, etc. Las magnitudes m nimas respectivas son M(i)=y{i}.magnitud min. Una unidad de tiempo corresponde a 6 horas, y{i}.data(1) es 1 y corresponde al sismo inicial y y{i}.data(5) es el n umero de r eplicas de magnitud mayor o igual que M(i) luego de trascurridas (5-1)*6=24 horas del terremoto. Si desea ver las curvas tiene que hacer simplemente: plot(y{i}.data) o bien plot(y{i}.fechas,y{i}.data); datetick(x,dd/mm) para verlo con fechas. Si gracamos los datos reales de las r eplicas y{1}, y{2}, y{3}, etc. para el sismo del 27 de Febrero del 2010 en funci on de una nueva variable = ln(ept 1) pt

y {i} 1 2 3 4 5 6 7 8 9 10
M 4.0 4.2 4.4 4.6 4.8 5.0 5.2 5.4 5.6 5.8
kM 290 258 211 150 93 51 19 9 6 4
y0 396 367 322 254 190 139 89 45 25 15
para distintos valores de p. Se obtiene aproximadamente un haz de rectas que se intersectan en un punto, esto es y y0 = kM ( 0 ) donde y0 , 0 se pueden estimar.
Num acumulado de replicas en funcion del tiempo 1200 Magn>=4.0 (y1) 1000 Magn>=4.2 (y2) 1000 Magn>=4.4 (y3) numero de replicas 800 Magn>=4.6 (y4) 600 Magn>=4.8 (y5) 400 Magn>=5.0 (y6) 200 Magn>=5.2 (y7) Magn>=5.4 (y8) Magn>=5.6 Magn>=5.8 (y9) (y10) Magn>=6.0 (y11) 28/02 07/03 14/03 21/03 tiempo 28/03 04/04 11/04 18/04
Grafico de los datos en funcion de tau para p=0.02
1200
800
600
400
200
0 21/02
0 4
3.5
2.5
1.5
0.5
Se observa que el valor p = 0.02 da rectas aproximadas que se intersectan en un punto. Usando las pendientes de estas rectas, podemos aproximar kM para cada valor de M . Esto se resume en la siguiente tabla de valores. Se toma t [ti , tf ] con ti = 5, tf = 45. 0 = (ti ). Las pendientes kM = y {i}(tf ) y {i}(ti ) (tf ) (ti )
proveen los kM respectivos y las posiciones est an dadas por y0 = y {i}(ti ).
5.3. Comparaci on entre datos reales y modelo. La soluci on anal tica est a dada por: yM (t) = y0 + kM ( 0 ), (t) = log(ept 1) pt
al reemplazar los valores obtenidos en la parte anterior se obtiene el siguiente gr aco, donde en azul se graca la soluci on anal tica y en rojo los datos reales:

Datos v/s ajuste teorico 1200
1000
800
600
400
200
200
20
40
60
80
100
120
140
160
180
200
La comparaci on con las curvas num ericas de Euler modicado o Heun es similar, dado que ya vimos que las curvas te orica y num erica se ajustaban bien en estos casos. Se observa un buen ajuste al comienzo de las curvas hasta t = 50 aproximadamente que corresponde al 10 de marzo del 2010. Los valores de kM y de y0 dependen de M , pero no al parecer los valores de 0 ni p que son los mismos para todas las curvas. 5.4. Modicaci on del modelo. Observe del gr aco anterior que el d a 11 de marzo se produce una discontinuidad en la derivada de las curvas yM . Podemos mejorar el modelo aproximando el haz de rectas por una funci on lineal por pedazos, esto es kM es una constante diferente antes y despu es del 11 de marzo. Al hacer esto, se obtienen ajustes como el de la gura, donde en azul se graca la soluci on num erica usando el m etodo de Euler modicado y en rojo los datos reales:
Ajuste mejorado 1200
1000
800
600
400
200
200
20
40
60
80
100
120
140
160
180
200
Notemos que aunque todav a es posible obtener una soluci on anal tica en este caso, si kM = kM (t) fuera una funci on complicada del tiempo, de modo tal que kM (t) eptp1 no tenga una primitiva anal tica, entonces no podr a obtenerse una

soluci on anal tica y el u nico recurso ser an los m etodos num ericos. Esto suele suceder en la pr actica en la ingenier a y las ciencias, en que los modelos simples con que se introducen y se estudian los fen omenos tienen soluci on anal tica, pero para aplicarlos en la pr actica es necesario introducir modelos m as complejos que suelen no tener dichas soluciones y es necesario recurrir a las aproximaciones num ericas. 5.5. Capacidad predictiva. Ser a posible estimar con nuestro mejor modelo el n umero de r eplicas con magnitud mayor o igual a 5 que se producir an del 16 de abril al 16 de mayo del 2010? El modelo puede dar una predicci on. Tomando M = 5 y calculando yM (16/05/2010) yM (16/04/2010) con el modelo de secci on anterior se obtienen 2 r eplicas de magnitud mayor o igual a 5. El c odigo matlab para estos u ltimos pasos se pueden consultar a continuaci on, la programaci on de la parte predictiva se deja como ejercicio al lector interesado.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41
%% % Ley de Omori modificada, parte 2 % Leer datos reales de replicas leer datos; % Grafico p=0.02; ti=5; tf=45; figure(3); hold on for i=1:10 t=1:length(y { i } .data); tau=log(exp(p*t)1)p*t; plot(tau,y {i } .data,'r.',tau,y {i } .data,''); kM(i)=(y {i }.data(tf)y {i } .data(ti))/(tau(tf)tau(ti)); y0(i)=y { i }.data(ti); end hold off title(sprintf('Grafico de los datos en funcion de tau para ... p= %3.2f',p)); tau0=tau(ti); % Datos y ajuste teorico figure(5); hold on for i=1:10 t=1:length(y { i } .data); tau=log(exp(p*t)1)p*t; y analitica=y0(i)+kM(i)*(tautau0); plot(t,y {i }.data,'r.',t,y analitica,''); end title('Datos v/s ajuste teorico'); hold off % Ajuste lineal por pedazos % Ajuste en el segundo tramo de las curvas p2=0.02; ti2=51; tf2=100; for i=1:10 t=1:length(y { i } .data); tau2=log(exp(p2*t)1)p2*t; kM2(i)=(y {i } .data(tf2)y { i } .data(ti2))/(tau2(tf2)tau2(ti2)); y02(i)=y {i }.data(ti2); end

6. EJEMPLO NUMERICO: LOTKA-VOLTERRA Y LA PESCA EN EL MAR ADRIATICO 51
42 43 44 45 46 47 48 49 50 51 52 53 54 55 56
tau02=tau(ti2); % Grafico figure(6) hold on for i=1:10 t=1:length(y { i }.data); tau=log(exp(p*t)1)p*t; tau2=log(exp(p2*t)1) p2*t; y analitica=y0(i)+kM(i)*(tautau0); y analitica2=y02(i)+kM2(i)*(tautau02); y analitica3=y analitica. *(t<ti2)+y analitica2.*(t>=ti2); plot(t,y {i } .data,'r.',t,y analitica3,''); end title('Ajuste mejorado') hold off
6.
Ejemplo num erico: Lotka-Volterra y la pesca en el Mar Adri atico
Notar que en este cap tulo solo se explic o c omo resolver ecuaciones de primer orden: y = f (x, y (x)) pero los m etodos num ericos presentados pueden aplicarse tanto si f es una funci on a valores escalares, o sea, una sola EDO, o si f es a valores vectoriales, es decir, un sistema de varias EDO8. Aunque veremos sistemas de EDO hasta m as adelante, en este punto resulta relativamente f acil generalizar los m etodos anteriores a sistemas, lo cual ser au til en la pr actica. Esto ser au til tambi en para resolver de EDO de orden superior, que ser an revisadas en los pr oximos cap tulos, pues veremos que es posible reducirlas a un sistema de EDO. En efecto, en el caso de sistemas, la funci on inc ognita y es un vector de varias componentes. Por ejemplo, en el caso de dos componentes, f = (f1 , f2 ) e y = (y1 , y2 ) y esto ser a:
y1 y2
= =
f1 (x, y1 (x), y2 (x)) f2 (x, y1 (x), y2 (x)),
por lo que los m etodos para discretizar (19) se extienden simplemente usando integraci on y operaciones por componentes. Ilustremos esto con un ejemplo donde aprovechamos adem as de aplicacar el m etodo de Runge-Kutta. Se trata de un ejemplo hist orico: la pesca en el Mar Adri atico. Despu es de la primera guerra, los pescadores del Mar Adri atico estaban sorprendidos pues la cantidad de presa para pescar hab a disminuido en vez de aumentar, a pesar de que durante los a nos de la guerra se hab a dejado de pescar. Se propuso el siguiente modelo para explicar la situaci on, que es un sistema de dos EDO de primer orden no-lineales: x = a by x y = c + dx y
8Esta secci on puede leerse tambi en junto con el Cap tulo 5, aunque no se requiere.

y(t) III II
IV
I x(t)
Figura 1. Orbita del sistema de Lotka-Volterra en el plano de fases en torno al punto de equilibrio. En el cuadrante I, las presas (x(t)) y predadores (y (t)) aumentan. En el cuadrante II, las presas comienzan a disminuir, pero los predadores siguen en aumento. En III, tanto presas como predadores disminuyen. En el cuadrante IV, las presas comienzan de nuevo a aumentar, mientras los predadores siguen disminuyendo. Esta din amica poblacional se repite cada ciclo pasando nuevamente por I, II, III y IV y as sucesivamente.
Si x e y representan las poblaciones de presa y predador respectivamente, la presa crece relativamente (a > 0) si no hay predador y el predador decrece relativamente (c < 0) si no hay presa. Por otro lado, los encuentros entre presa y predador favorecen a los predadores (d > 0) y merman las presas (b < 0). Es f acil ver que si x = y = 0 entonces hay un punto de equilibrio dado por x= c , d y= a b
Estas ecuaciones son un cl asico modelo del tipo predador-presa, y son llamadas ecuaciones de Lotka-Volterra en honor a Vito Volterra (1860-1940) f sico y matem atico italiano y su contempor aneo Alfred J. Lotka (1880-1949) qu mico americano. Resulta c omodo representar la soluci on x(t), y (t) del sistema de Lotka-Volterra como pares ordenados (x(t), y (t)), los que se dibujan com puntos en un plano, llamado plano de fases. La curva descrita por la soluci on, partiendo del punto inicial (x0 , y0 ), al variar t se donomina trayectoria. Asimismo, el punto de equilibrio del sistema tambi en puede representarse por un punto del plano: (x, y ) = c a , . d b
Es posible mostrar que las poblaciones de predador y presa, si no est an en equilibrio, describen curvas cerradas que al cabo de un cierto tiempo vuelven a pasar por el punto inicial y giran (o se dice que oscilan) en torno al punto de equilibrio. A estas trayectorias cerradas se les llama orbitas peri odicas (ver Figura 1).

6. EJEMPLO NUMERICO: LOTKA-VOLTERRA Y LA PESCA EN EL MAR ADRIATICO 53
Si ahora se provoca un cambio en los par ametros de la forma a c a + a c c
esto equivale a pasar de una situaci on con pesca a una nueva situaci on sin pesca. Este cambio hace que el punto de equilibrio se mueva de la posici on en el plano de la siguiente forma: c a , d b c c a + a , d b
esto es, en una disminuci on de las presas y un aumento de los predadores en una situaci on sin pesca, lo que se traduce en un desplazamiento de las orbitas del plano hacia arriba y hacia la izquierda, La Figura 2 muestra una s ntesis del an alisis anterior.
Figura 2. Modelo de explicaci on de la disminuci on de presas despu es de la Primera Guerra Mundial en el Mar Adri atico. El resultado que explicaba el aparentemente extra no fen omeno fue muy celebrado en la epoca y hasta hoy este modelo es utilizado en modelos m as complejos de planicaci on de pesca y de otros recursos renovables. Para la resoluci on num erica de este modelo utilizaremos un m etodo de RungeKutta de orden 4. Notar que en este caso la funci on f es una funci on de R2 en 2 R : x(a by ) f (x, y ) = y (c + dx) que no depende expl citamente del tiempo (pues supusimos a, b, c y d constantes) y el par (x, y ) se maneja como vector. Con todo, el m etodo num erico queda:

(x0 , y0 ) g1 g2 g3 g4 (xn+1 , yn+1 )
= (x(0), y (0)) = f (xn , yn ) = f h g1 2 h = f (xn , yn ) + g2 2 = f ((xn , yn ) + h g3 ) h = (xn , yn ) + (g1 + 2g2 + 2g3 + g4 ) 6 (xn , yn ) +
De hecho, es posible vericar que un m etodo de tipo Euler de orden 1 o de Runge-Kutta de orden 2 no provee suciente precisi on para que las orbitas sean cerradas, y es por esto que es necesario utilizar un m etodo de orden 4. Los resultados num ericos obtenidos con el m etodo de Runge-Kutta de orden 4 descrito m as arriba se muestran en la Figura 3, donde se hizo la simulaci on del paso de una situaci on con pesca (l neas oscuras) a una situaci on sin pesca (l neas claras)9. Observe que el punto de equilibrio que est a en el centro de las orbitas se desplaza arriba y hacia la izquierda como predice la teor a.
Figura 3. Resultado de la aproximaci on utilizando el m etodo de Runge-Kutta de orden 4 para estudiar los equilibrios con (orbitas centradas a la derecha y abajo) y sin pesca ( orbitas centradas a la izquierda y arriba). Se observa una disminuci on de las presas (eje x) de 1 a 0.5 a pesar de la prohibici on de pesca. Esto se explica por el aumento de predadores (eje y) de 1 a1.5. Hay un desplazamiento del punto de equilibrio de (1,1) a (0.5, 1.5).

7. EJEMPLO NUMERICO: VAN DEL POL Y EL SONIDO DEL CAOS 55
7.
Ejemplo num erico: Van del Pol y el sonido del caos
La idea es aproximar y estudiar num ericamente algunas propiedades del llamado oscilador de Van der Pol, adem as de reproducir el hist orico sonido del caos asociado a esta ecuaci on. Considere el oscilador de Van der Pol: x (1 x2 )x + x = f (t), con condiciones iniciales x(0) = x0 , x (0) = y0 . Esta EDO no lineal de orden 2 fue usada en los a nos 20 por los holandeses Balthasar van der Pol y J. van der Mark para modelar los latidos del coraz on10. Ellos mismos construyeron un circuito el ectrico en que el voltaje se comportaba como este oscilador y notaron un curioso hecho: cuando el sistema estaba forzado por una funci on peri odica f de cada vez mayor frecuencia, se pod a registrar con un micr ofono conectado al circuito una escala de sonidos puros, que correspond an a la respuesta por bloqueo de frecuencia que buscaban, pero intercalados de un extra no y misterioso sonido. En ese momento se lo atribuyeron al sistema de audio, pero m as tarde se sabr a que era debido a la alternancia de orden y caos del oscilador: era el sonido del caos registrado por primera vez en 1927. El circuito original ya no existe, pero hay al menos una copia moderna que funciona con semiconductores11 y que pertenece al c elebre escritor y divulgador de la Teor a del Caos, James Gleick. t > 0,
7.1. Simulaci on num erica caso no forzado: Consideramos la variable auxiliar y = x y escribimos la EDO original de la forma X = F (t, X ) donde X = (x, y ) es de dimensi on 2, esto es: x y
= =
y (1 x2 )y x.
Programamos un m etodo de Runge Kutta de orden 4 para resolver este u ltimo sistema usando los m etodos de las secciones precedentes, teniendo cuidado con el cambio de notaci on. Para ello, denimos las variables en un solo vector X y una funci on con que calculamos el lado derecho de X = F (t, X ):
10B. van der Pol and J. van der Mark, The heartbeat considered as a relaxation oscillation, and an electrical model of the heart. The London, Edinburgh, and Dublin Philosophical Magazine and Journal of Science Ser.7, 6, 763775, 1928. 11Theres No Quiet Without Noise, by David Colman, New York Times, July 8, 2011.

1 2 3 4 5 6 7 8 9 10
% Funcion que implementa el sistema de Van der Pol caso no forzado % dX = F(t,X,mu) entrega el vector de dimension 2 % correspondiente a la derivada de X dada por la % EDO de Van der Pol con el parametro mu, caso % no forzado, i.e. f = 0. function dX = F(t,X,mu) x=X(1); y=X(2); dX=[y;mu*(1x2)*yx]; end
Utilizamos N intervalos de tiempo y hacemos que la rutina Runge-Kutta retorne (x y) y el arreglo con los puntos de discretizaci on del tiempo tintervalo: function [tintervalo x y]=RK(I,X0,mu,N) para luego poder gracar. El m etodo Runge Kutta de orden 4, con xn+h/2 = xn + h 2 y corresponde al siguiente algoritmo: y0 g1 g2 g3 g4 yn+1 En este caso: x t y X = (x, y ) de la EDO = = = = = = y (0) f (xn , yn ) f h g1 2 h 1 , yn + f xn+ 2 g2 2 f (xn+1 , yn + hg3 ) h yn + (g1 + 2g2 + 2g3 + g4 ) 6 , yn + xn+ 1 2
dX = F (t, X, mu) I (2) I (1) h N A continuaci on se presenta el c odigo del archivo RK.m en matlab:
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
% Funcion que implementa RungeKutta de orden 4 para Van der Pol % [tintervalo x y]=RK(I,X0,mu,N) % x,y: solucion con condiciones iniciales % 'X0' (en R2) y parametro 'mu'(en R), sobre el intervalo % 'I'(=[a,b], a,b en R). % 'tintervalo' corresponde a la discretizacion de 'I' function [tintervalo x y]=RK(I,X0,mu,N) h = (I(2)I(1))/N; % tamano de cada intervalo. tintervalo = I(1):h:I(2); % se genera la discretizacion del tiempo. x(1) = X0(1); y(1) = X0(2); % guardo las condiciones iniciales. for i = 1:N % Ejecucion de Runge Kutta de orden 4. X = [x(i); y(i)]; % actualizo X. t = tintervalo(i); g1 = F( t , X ,mu); g2 = F(t+h/2, X+h/2*g1,mu);

17 18 19 20 21 22
g3 = F(t+h/2, X+h/2*g2,mu); g4 = F( t+h , X+h*g3 ,mu); X = X+(h/6)*(g1 +2*g2 +2*g3 +g4); x(i+1) = X(1); y(i+1) = X(2); % guardo el resultado. end end
Ahora consideramos f 0, t [0, 60], N=100, 500 y 1000 intervalos de tiempo, y resolvemos la ecuaci on para {0.1, 1, 5} gracando (t, x(t)) y (x(t), y (t)) para condiciones iniciales (x0 , y0 ) = (3, 1) y (x0 , y0 ) = (0.5, 0). Para realizar las gr acas, se cre o la funci on vanderpol RK.m siguiente:
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
22 23 24
25 26 27 28 29 30
% Oscilador de Van der Pol function vanderpol RK() I = [0 60]; %iteracion sobre las condiciones iniciales. for i = 1:2 if i==1; X0 = [3;1]; else X0 = [0.5;0]; end %iteracion sobre mu. for mu = [0.01 1 5] figure % se abre una ventana para cada mu p = 1; % indica posicion en el subplot %iteracion sobre N. for N = [100 500 1000] % se resuelve el sistema con RK orden 4. [t x y]=RK(I,X0,mu,N); % Graficas subplot(3,2,p) plot(t, x); % grafica (t,x) xlabel('t'); ylabel('solucion') title(['van der Pol, mu = ',num2str(mu),', N = ... ',num2str(N)]); subplot(3,2,p+1) plot(x, y); % grafica (x,y) con y = x' title(['van der Pol, mu = ',num2str(mu),', N = ... ',num2str(N)]); xlabel('x'); ylabel('y = dx') p = p+2; % se pasa a la siguiente fila del subplot end end end end
Algunos de los gr acos obtenidos se muestran en las p aginas a continuaci on. Se observa un ciclo l mite, esto es, una orbita peri odica del sistema tal que otras trayectorias no cerradas tienden en espiral hacia ella, desde el interior o desde el exterior, cuando el tiempo tiende a innito. Se observa que a mayor , m as na tiene que ser la discretizaci on para garantizar la convergencia del m etodo. Esto se deduce al comparar las guras 4, 5 y 6 (caso (x0 , y0 ) = (3, 1)). Otra observaci on es que para el caso = 0.1 la orbita es circular, luego se estira y se asemeja a un rect angulo de esquinas curvas ( = 1), para luego adoptar una forma con mayor curvatura (caso = 5).

Figura 4. Soluci on Van der Pol para = 0.1, (x0 , y0 ) = (3, 1).
Figura 5. Soluci on Van der Pol para = 1, (x0 , y0 ) = (3, 1).

Figura 6. Soluci on Van der Pol para = 5, (x0 , y0 ) = (3, 1).
Tambi en se podr a hacer la implementaci on utilizando el comando ode45 de matlab obteni endose resultados muy similares al m etodo previamente programado. Al programar se utiliza la misma funci on F que denimos antes: edo = @(t,X) F(t,X,mu) [t,X]=ode45(edo,I,X0); 7.2. Simulaci on num erica caso forzado. Consideremos ahora f (t) = A sin(t), con A = 1.2, = 2/10, t [0, 1000]. Escribimos esta vez la ecuaci on como: x y = y = (1 x2 )y x + A cos(z ) =
y deniendo una funci on F(t,X,mu,A,omega). Calculamos la soluci on (usando esta vez ode45) y gracando (t, x(t)) y (x(t), y (t)) para {6, 8.53, 12} y para condiciones iniciales (x0 , y0 , z0 ) = (2, 0, 0). Los siguientes programas muestran la implementaci on de este sistema de EDO en matlab y su resoluci on usando ode45.
1 2 3 4 5 6 7 8 9 10
% Funcion que implementa el sistema de EDO de Van der Pol caso forzado. % dX = F2(t,X,mu,A,omega) entrega el vector de dimension 3 % derivada de X dada por la EDO de Vander Pol con el parametro mu % y una funcion forzante f(t) = A*sin(omega*t). function dX = F2(t,X,mu,A,omega) x=X(1); y=X(2); z=X(3); dX=[y;mu*(1x2)*yx+A*cos(z);omega]; end

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27
% Oscilador de Van der Pol % Caso forzado f(t) = Asin(wt) function vanderpol2() A = 1.2; omega = 2*pi/10; I = [0 1000]; X0 = [2;0;0]; figure % se abre una ventana p = 1; % indica posicion en el subplot %iteracion sobre mu. for mu = [6 8.53 12] edo = @(t,X) F2(t,X,mu,A,omega); [t,X] = ode45(edo,I,X0); % se resuelve el sistema % x = X(:,1); y = X(:,2); % Graficas subplot(3,2,p) plot(t, x); % grafica (t,x) xlabel('t'); ylabel('solucion') title(['van der Pol, mu = ',num2str(mu)]); subplot(3,2,p+1) plot(x, y); % grafica (x,y) title(['van der Pol, mu = ',num2str(mu)]); xlabel('x'); ylabel('y = dx') p = p+2; % se pasa a la siguiente fila del subplot soundsc(x) % con esto se 'escucha' la solucion. end end
Figura 7. Soluciones Van der Pol en el intervalo [0,1000] para (x0 , y0 ) = (2, 0) y = 0.

Notar que al nal del c odigo utilizamos el comando de matlab: x=X(:,1); soundsc(x) para escuchar la soluci on. Estos son los sonidos que escuch o van del Pol y su colega en 1927. Para = 6 se escucha un sonido de frecuencia constante, para = 12 se escucha un sonido m as variable, pero no tanto como para = 8.53, con el que se escucha un sonido m as irregular, como un ruido. Para = 6, cuya soluci on se escucha como un sonido regular, el ciclo l mite se observa con gran nitidez, al contrario del caso = 8.53, cuya soluci on se escucha como un ruido irregular, donde se tiene que la gr aca de (x,y) est a delimitada, pero es dif cil determinar a partir de la gr aca si existe un ciclo l mite o no. De lo anterior, se deduce que el orden (soluci on peri odica) corresponde al caso = 6 y el caos, al caso = 8.53. Ejercicio Propuesto 2.2. El siguiente es un modelo epidemiol ogico introducido por Kermack & McKendrick, ambos brit anicos, en 192712. Modela la composici on de una poblaci on constante N = x + y + z ante una enfermedad, donde x(t) representa el n umero de personas suceptibles de contagiarse, y (t) el n umero de infectados y z (t) el n umero de inmunes a la enfermedad para cada t 0: x = y z
= =
xy y y x0 > 0, y (0) = y0 > 0, z (0) = 0, x0 + y0 = N,
xy
x(0) =
donde > 0 es un par ametro de infecci on y > 0 la tasa de inmunizaci on. Todo esto suponiendo que las soluciones x, y , z existen, son u nicas, no negativas, continuas y con derivada continua para t 0. Pruebe los siguientes hechos a partir del modelo: La epidemia crece inicialmente en el n umero de infectados si el n umero inicial de suceptibles supera el umbral = , esto es x0 > y (0) > 0. Suponiendo que existe el l mite
t
l m (x, y, z ) = (x , y , z )
se puede demostrar que y = 0, x = N z y z es ra z de la funci on: z F (z ) = N z x0 exp . Esto puede obtenerse de dividir la primera y u ltima de las EDO. Se puede usar el Teorema del Valor intermedio para probar que la ra z anterior existe y es u nica. Discretice estas ecuaciones para valores de los par ametros que elija, tal como se hizo en el ejemplo anterior (notar que la variable dependiente es t no x como antes, adem as hay tres componentes y no dos como antes). Tomando un n umero de individuos suceptibles inferior y superior al umbral te orico y simule.
12Kermack, W. O. y McKendrick, A. G. A contribution to the theory of epidemics, Proc. Roy. Soc. (A) 115 (1927), 700721, 139 (1932), 5583.
Cap tulo 3
EDO lineales de orden superior

En este cap tulo estudiaremos las ecuaciones diferenciales lineales de orden n, con n N. Comenzaremos por dar las deniciones necesarias para formular el problema de Cauchy y enunciar el Teorema de Existencia y Unicidad, que ser a demostrado m as adelante. Con el n de presentar de una manera m as clara la estrategia de resoluci on de estas ecuaciones comenzaremos por hacer un estudio detallado del caso de orden 2. Esto nos permitir a mostrar las t ecnicas en un contexto m as abordable. En seguida veremos c omo resolver la ecuaci on de orden arbitrario a coecientes constantes y daremos ideas de lo que puede hacerse cuando los coecientes son variables, caso mucho m as complejo.
1.
La EDO lineal de orden n
Primero daremos una breve introducci on a los operadores diferenciales lineales, lo que nos ayudar a a plantear y resolver en algunos casos las diferentes EDO lineales que nos interesa estudiar. 1.1. Operadores diferenciales lineales. As como una funci on transforma n umeros en n umeros: f (x) = y , un operador transforma funciones en funciones: P (f ) = g . Por ejemplo, la derivada o la integral son operadores que transforman una funci on en su derivada o primitiva, respectivamente. Los operadores que involucran solamente derivadas de una funci on se denominan operadores diferenciales (en oposici on a los operadores integrales, que involucran primitivas). Aplicaremos los operadores a funciones de clase C n , recordemos que C n denota el subespacio de funciones f : I R tales que f, f , f , . . . , f (n) existen y son continuas en el intervalo I . n 3.1. Un operador diferencial es lineal si f, g C n (I ), > 0 se Definicio tiene que: P (f + g ) = P f + P g. n 3.2. Denotaremos por Definicio Dk = D D =
k veces
dk dxk
el operador derivada de orden k , entendiendo que la derivada de orden 0 es el operador identidad I (que a menudo se omite).
63

64 3. EDO LINEALES DE ORDEN SUPERIOR
n 3.3. Un operador diferencial lineal de orden n a coecientes vaDefinicio riables tiene la forma general:
n
P (x, D)
=
k=0
ak (x)Dk an (x)Dn + an1 (x)Dn1 + . . . + a1 (x) D + a0 (x),
donde ak (x) son funciones denidas en I . Si an = 1 el operador se dice normalizado. M as precisamente, si f C n (I ), entonces P (x, D)f es la funci on (continua si los ak lo son) cuyo valor en el punto x I es P (x, D)f (x) = an (x)f (n) (x) + + a1 (x)f (x) + a0 (x)f (x). Si los coecientes ak son todos constantes se dice que el operador diferencial lineal es a coecientes constantes1. n 3.4. Un operador diferencial lineal de orden n a coecientes consDefinicio tantes tiene la forma:
n
P (D) =
k=0
ak Dk = an Dn + an1 Dn1 + + a1 D + a0 .
La suma y ponderaci on por escalar de operadores se dene de la misma manera que para funciones. Con estas operaciones los operadores forman un espacio vectorial: (P1 + P2 )(f ) = P1 (f ) + P2 (f ), (P1 )(f ) = P1 (f ). El producto de operadores diferenciales corresponde a su composici on: P1 P2 = P1 P2 . Con este producto y suma, los operadores lineales forman de hecho una estructura algebraica de anillo donde la unidad es el operador identidad I . En particular, se tiene la distributividad por la derecha y por la izquierda, que es una propiedad heredada de la composici on de funciones: (P1 + P2 )Q = P1 Q + P2 Q, Q(P1 + P2 ) = Q P1 + Q P2 .
Aunque el producto (o composici on) de operadores no es en general conmutativo, en el caso de operadores lineales a coecientes constantes s lo es: P1 (D)P2 (D) = P2 (D)P1 (D) por lo que el anillo resulta conmutativo. Ejercicio Propuesto 3.1. La vericaci on de las propiedades distributivas y conmutativa en el caso de operadores lineales se deja como ejercicio al lector. Ejercicio Propuesto 3.2. Verique que si P1 es de orden n1 y P2 es de orden n2 entonces P1 P2 es de orden n1 + n2 .
1En este texto consideraremos siempre coecientes reales, pero puede ser interesante en las aplicaciones considerar coecientes complejos.
si P1 , P2 son operadores lineales,

2. POLINOMIO Y VALORES CARACTER ISTICOS 65
1.2.
Clasicaci on de las EDO lineal de orden n.
n 3.5. Una EDO lineal de orden n a coecientes variables es una Definicio identidad de la forma general P (x, D)y = Q(x), donde P (x, D) = ak (x)D es un operador diferencial de orden n, ak son los coecientes (con an = 1) y Q el lado derecho2. La EDO anterior se dice a coecientes constantes si todos los coecientes de P son constantes: n 3.6. Una EDO lineal de orden n a coecientes constantes es una Definicio identidad de la forma P (D)y = Q(x), donde P (D) =
n k=0 n k=0 k
ak Dk , ak R, an = 1.
n 3.7. Una EDO lineal a coecientes variables o constantes se dice Definicio homog enea si Q 0. Usando la notaci on anterior, podemos organizar el estudio de las EDO lineales separando en cuatro grupos como resume la tabla siguiente. En ella se indican adem as en it alica algunos conceptos y temas que se tratar an en este cap tulo, por lo que la tabla sirve de gu a de estudio.
EDO lineal orden n coecientes constantes coecientes variables homog enea subespacio H de soluciones homog eneas P (D )y = 0 polinomio caracter stico valores caracter sticos P (x, D)y = 0 f ormula de Abel f ormula de Liouville no homog enea hiperplano S de soluciones particulares P (D )y = Q coecientes indeterminados variaci on de par ametros P (x, D)y = Q representaci on de Green variaci on de par ametros
Cuadro 1. Tabla resumen del estudio de EDO lineales de este cap tulo.
2.
Polinomio y valores caracter sticos
Vimos que los operadores lineales a coecientes constantes forman un anillo conmutativo, por lo que resulta natural hacer un paralelo3 entre los operadores lineales de orden n a coecientes constantes y los polinomios de grado n que tambi en tienen propiedades de anillo conmutativo. Esto lleva naturalmente a denir:
2Asumimos la ecuaci on normalizada, eso explica por qu e ponemos barras sobre los coecientes
y el lado derecho. 3 Matem aticamente hablando, se trata de un homeomorsmo.

n 3.8. El polinomio caracter Definicio stico asociado a la EDO de la Denici on 3.1 es

n
p() =
k=0
ak k
y sus ra ces se llaman valores caracter sticos de la EDO. Esto lo usaremos m as adelante, primero para ecuaciones de orden 2 y luego de orden arbitrario, pero veamos primero la siguiente secci on.
3.
El problema de Cauchy. Teorema de Existencia y unicidad.
Necesitaremos aceptar un resultado de existencia y unicidad de soluciones para poder desarrollar la teor a y los m etodos de resoluci on m as adelante. Para establecerlo, introduzcamos primero la noci on precisa de soluci on de una EDO lineal: n 3.9. Se dice que y es soluci Definicio on de la EDO lineal P (x, D)y = Q en el intervalo I si y C n (I ) y P (x, D)y (x) = Q(x) para todo x I . Ahora bien, dado x0 I , nos daremos para la EDO anterior n condiciones iniciales en x0 . Esto es, nos damos los valores de las primeras n 1 derivadas en x0 . Esto escrito en forma de n-tuplas corresponde a: y (x0 ), y (x0 ), . . . , y (n1) (x0 ) = y0 , y0 , . . . , y0
(0) (1) (n1)
donde el lado derecho es un vector dado en Rn . Con todo esto, podemos introducir el problema de Cauchy correspondiente: n 3.10. El problema de Cauchy para EDO lineales de orden n consiste Definicio en encontrar y C n (I ) tal que (24) P (x, D)y (x) = Q(x) y (x0 ), y (x0 ), . . . , y
(n1)
x I
(x0 ) = y0 , y0 , . . . , y0
(0)
(1)
(n1)
Teorema 3.1 (Existencia y Unicidad). Supongamos que las funciones ak (x), k = 1, . . . , n 1 y Q(x) son continuas en el intervalo I . Entonces para cada x0 I y para cada vector de condiciones iniciales, el problema de Cauchy (24) tiene una u nica soluci on. Corolario 3.1. Notemos que, bajo las hip otesis del teorema anterior, si la EDO lineal es homog enea y con condiciones iniciales nulas, la u nica soluci on es la (k ) soluci on nula. Esto es si Q 0 y y0 = 0 para cada k = 0, . . . , n 1, entonces y 0. Aplicaremos numerosas veces el Teorema de Existencia y Unicidad en este Cap tulo pero m as adelante lo demostraremos en el Cap tulo 5.

4. ESTUDIO COMPLETO DE LA ECUACION DE ORDEN DOS 67
4.
Estudio completo de la ecuaci on de orden dos
Aunque se puede comenzar el estudio de las ecuaciones lineales de orden n inmediatamente, por razones pedag ogicas es preferible comenzar con el estudio de las ecuaciones de orden 2. Adem as nos permitir a introducir otros temas importantes en las aplicaciones como son la resonancia, el amortiguamiento, los problemas con condiciones de borde, los problemas espectrales, etc4. Consideremos una EDO lineal de segundo orden normalizada a coecientes constantes (25) y + a1 y + a0 y = Q on de operadores esto es con a0 , a1 en R. En notaci P (D)y = D2 y + a1 Dy + a0 y = (D 1 )(D 2 )y = Q, donde 1 y 2 son las ra ces del polinomio caracter stico p() = 2 + a1 + a0 . Introduciendo la variable auxiliar z = (D 2 )y se obtiene el siguiente sistema de dos EDO lineales de primer orden que sabemos resolver: (D 1 )z (D 2 )y = = Q z.
De la primera ecuaci on encontramos z , que sustituimos en la segunda ecuaci on para obtener y . M as precisamente, los resultados de la Secci on 3 nos dan z y de donde y (x) = C2 e2 x + C1 e2 x e(1 2 )x dx = C1 e1 x + e1 x = C2 e2 x + e2 x e1 x Q(x)dx e2 x z (x)dx,
Soluci on Homog enea yh (x)
+ e2 x
e(1 2 )x
e1 t Q(t)dt dx .
Soluci on Particular yp (x)
4.1. cos:
Soluci on homog enea. Se tienen tres casos para los valores caracter sti-
1. Si 1 y 2 son reales y distintos vemos inmediatamente que la soluci on queda de la forma yh (x) = Ae1 x + Be2 x . 2. Si 1 = 2 = R entonces yh (x) = Aex + Bxex . 3. Finalmente, si 1 y 2 son complejos conjugados de la forma iw con w = 0 tendremos que yh (x) = ex Aeiwx + Beiwx . Estas soluciones nos dan valores
4Agreguemos que los problemas de segundo orden aparecen de manera natural debido a las aplicaciones en todos los ambitos de la segunda ley de Newton.

complejos, lo cual es un inconveniente. Para resolver este problema recordemos que eiwx = cos(wx) + i sen(wx), de donde eiwx + eiwx eiwx eiwx = cos(wx) y = sen(wx). 2 2i As podemos escribir yh (x) = ex (C cos(wx) + D sen(wx)), con C = (A + B ) y D = (A B )/i. Resumimos lo anterior en el siguiente resultado: Teorema 3.2. La soluci on homog enea yh de la EDO (25) a coecientes constantes con valores caracter sticos 1 , 2 est a dada por: 1. yh = C1 e1 x + C2 e2 x si 1 , 2 R, 1 = 2 . 2. yh = C1 ex + C2 xex si 1 = 2 = R. 3. yh = C1 ex sen wx + C2 ex cos wx si 1,2 = iw, con w = 0. Ejemplo 3.1 (Analog a electromec anica). En la gura 1, observamos a la izquierda un sistema mec anico en el cual m es la masa del objeto, k es la constante de elasticidad del resorte y b es la constante de amortiguamiento. La fuerza total del sistema, en funci on del tiempo se representa por F (t). El sistema de la derecha representa un circuito el ectrico RCL, donde L es la inductancia de la bobina, C es la capacidad del condensador y R es la resistencia. E (t) representa el voltaje aplicado en funci on del tiempo. La corriente que circula se representa por dq dt .
k F(t) m b
y
E(t)
q
-
Figura 1. Analog a electromec anica. Las ecuaciones que describen estos sistemas son b k F (t) R 1 E (t) y + y= y q + q + q= , m m m L CL L respectivamente. En ambos casos se trata de una EDO lineal de orden 2 a coecien1 (todas constantes positivas), tes constantes. Si identicamos m L, b R y k C b k entonces son an alogos. El polinomio caracter stico es 2 + m + m y sus ra ces son 2 b b k , donde = 4m2 m . Escribamos por comodidad B = b/2m y = 2m supongamos que al sistema no se le aplica fuerza o voltaje; es decir, F (t) = 0 o E (t) = 0, seg un el caso. Hay 3 situaciones posibles: y +

1. Si > 0 entonces b > 2 km (la constante de amortiguamiento b es grande), por lo que decimos que el sistema est a en r egimen sobreamortiguado. Las ra ces son reales, negativas y distintas. La soluci on es yh = C1 e(B
)t
+ C2 e(B +
)t
2. Si = 0 las ra ces a cr ticamente son reales e iguales. Decimos que el sistema est amortiguado (b = 2 km. En este caso la soluci on es yh = C1 eBt + C2 teBt . 3. Finalmente, si < 0 las ra ces son complejos conjugados. Decimos que el sistema on es est a subamortiguado (b < 2 km) y la soluci yh = C1 eBt sen t + C2 eBt cos t . t + C4 , pues
De manera equivalente podemos escribir yh = C3 eBt sen sen(a + b) = sen a cos b + sen b cos a.
20 15 10 5 30 20 10 0
10
20
30
40
50
60
70
80
90
100
10
20
30
40
50
60
70
80
90
100
10 0 10 0 1 2 3 4 5 6 7 8 9 10
Figura 2. Reg menes sobreamortiguado (arriba), cr ticamente amotiguado (centro) y subamortiguado (abajo), con C1 = C2 = 10.

4.2. Condiciones de borde. Hemos visto que una ecuaci on lineal de segundo orden tiene una u nica soluci on si especicamos el valor de la funci on y su derivada en un punto. Otro problema interesante es determinar si existe alguna soluci on que parta de un punto y llegue a otro predenido. Este tipo de problema aparece con frecuencia en f sica, ingenier a y econom a. Consideremos, por ejemplo, un problema del tipo y + y = 0 y (0) = 0 y (1) = 0. Deseamos saber para cu ales valores de este problema tiene soluciones y cu antas. De acuerdo con el signo de podemos distinguir 3 casos: 1. = 0. Si y = 0 entonces y (x) = Ax + B . Reemplazando en x = 0 vemos que B = 0 y reemplazando en x = 1 vemos que A = 0. La funci on nula es la u nica soluci on del problema. 2. = w2 < 0. Las soluciones son de la forma Las condiciones en 0 y 1 nos dan el sistema A+B Aew + Bew = 0 = 0
y (x) = Aewx + Bewx .
para A y B . Como w = 0, la u nica soluci on es A = B = 0. De nuevo, s olo obtenemos la soluci on nula. 3. = w2 > 0. En este caso las soluciones est an dadas por y (x) = A sen(wx) + B cos(wx). Esta vez las condiciones en 0 y 1 nos dan el sistema B A sen(w) para A y B . Si w = k con entonces toda funci on de la forma y (x) = A sen(wx) es soluci on del problema. 4.3. Soluci on particular. Al inicio de la secci on mostramos una soluci on particular yp . Dicha soluci on depende fuertemente de la estructura exponencial de las soluciones de la ecuaci on homog enea y por lo tanto la expresi on es v alida u nicamente cuando los coecientes son constantes. Presentaremos ahora un caso especial del m etodo de variaci on de par ametros, que permite obtener una soluci on particular cuando se conocen dos soluciones homog eneas exigiendo u nicamente que sean sucientemente distintas, lo que en orden dos quiere decir simplemente que no sean una m ultiplo de la otra (ver Ejemplo 3.2). Sean y1 e y2 dos soluciones de la ecuaci on homog enea tal que una no es m ultiplo de la otra. Buscamos una soluci on particular de la forma yp (x) = 1 (x)y1 (x) + kZ = = 0 0

2 (x)y2 (x), donde las funciones 1 (x) y 2 (x) son inc ognitas. En lo que sigue reemplazamos yp en (25) y ordenamos los t erminos convenientemente, omitiendo la dependencia de x para mayor claridad. Obtenemos Q = = = =
yp + a1 y p + a0 y p
(1 y1 + 2 y2 ) + a1 (1 y1 + 2 y2 ) + a0 (1 y1 + 2 y2 ) (1 y 1 + 2 y2 ) + 1 y1 + 2 y 2 + 1 y 1 + 2 y2
y 1 + 2 y 2 + 1 y 1 + 2 y 2 ) + a0 (1 y1 + 2 y2 ) +a1 (1 y 1 + 2 y2 ) (1 y1 + 2 y2 ) + 1 y1 + 2 y2 + a1 (1
+ a0 y1 ) = 2 (y2 + a1 y 2 + a0 y2 ) = 0. pues 1 (y1 + a1 y 1 N otese que si imponemos 1 y 1 + 2 y2 = 0, obtenemos el sistema 1 y 1 + 2 y2 1 y 1 + 2 y2
= =
0 Q,
que se escribe de forma matricial como y1 (x) y1 (x) y2 (x) y2 (x) y1 (x) y1 (x)
1 (x) 2 (x)
0 Q(x)
El determinante de la matriz de la izquierda: W (x) = W (y1 , y2 ) = y2 (x) y2 (x)

= y1 (x)y2 (x) y2 (x)y1 (x)
se denomina Wronskiano de la EDO. Si es distinto de cero para todo x,5 la matriz es invertible y obtenemos la soluci on buscada. Primero vemos que
1 2
= =
1 W (y1 , y2 ) 1 W (y1 , y2 )
0 Q y1 y1
y2 y2 0 Q
= =
Qy2 W (y1 , y2 ) Qy1 . W (y1 , y2 )
Luego integramos ambas expresiones para obtener los valores de 1 (x) y 2 (x): 1 2 = = Qy2 dx + K1 W (y1 , y2 ) Qy1 dx + K2 W (y1 , y2 )
As , una soluci on particular yp es (26) yp = y1 Qy2 dx + y2 W (y1 , y2 ) Qy1 dx. W (y1 , y2 )
Se propone al lector como ejercicio comprobar que en los tres casos mencionados en el Teorema 3.2 el Wronskiano es distinto de cero en todo R.
5M as adelante veremos cu ando esto ocurre. En la EDO lineal de segundo orden tiene que ver con que las soluciones escogidas no sean una m ultiplo de la otra.

4.4. El fen omeno de resonancia. Todos hemos experimentado el siguiente hecho: una copa de cristal puede hacerse sonar si se frota suavemente con el dedo ndice lig eramente humedecido y apoyado en un movimiento giratorio sobre el borde de la copa. Otro ejemplo es cuando tomamos impulso sobre un columpio o cuando un auto va sobre calaminas. Se trata de fen omenos oscilatorios en que la amplitud de la oscilaci on alcanza valores muy considerables ante una cierta solicitaci on externa espec ca. Lo mismo ocurre para anar algunos instrumentos musicales, en especial los de cuerda, utilizando un instrumento llamado diapas on o cuando un cantante de opera hace vibrar su cuerpo y su cabeza para proyectar el sonido de su voz en una sala. Tambi en, y en relaci on al Ejemplo 3.1 de la analog a electromec anica, un circuito de radio puede ser sintonizado, es decir, pueden ser elegidos adecuadamente los valores de L, C y R para que amplique una frecuencia de onda electromagn etica determinada que se capta de la atm osfera. Recordemos que la ecuaci on es y + b k F (t) y + y= . m m m
Para simplicar los c alculos supondremos que no hay amortiguamiento. Es decir, b = 0. En este caso, dos soluciones linealmente independientes son sen(t) y cos(t), donde = = k . m
Supongamos que se tiene la ecuaci on y + k y = A cos(t), m
donde = es la frecuencia y A es la amplitud del est mulo forzante. Para encontrar la soluci on particular usaremos la f ormula (26) (m as adelante estudiaremos un m etodo m as eciente para este tipo de lado derecho). El Wronskiano es W (y1 , y2 ) = La f ormula (26) nos dice que yp = A sen(t) cos(s) cos(s)ds + cos(t) cos(s) sen(s)ds . sen(t) cos(t) cos(t) sen(t) = .
Recordemos que cos() cos() sen() cos() = = 1 [cos( + ) + cos( )] 2 1 [sen( + ) + sen( )] . 2

5. ESTUDIO COMPLETO DE LA EDO LINEAL DE ORDEN n 73
Tenemos entonces que yp = A sen(t) [cos(( + )s) + cos(( )s)]ds 2 A cos(t) + [sen(( + )s) + sen(( )s)]ds 2 A sen(t) sen(( + )t) sen(t) sen(( )t) + 2 + A cos(t) cos(( + )t) cos(t) cos(( )t) + . + 2 +
Agrupando el primer t ermino con el tercero y el segundo con el cuarto, podemos usar las f ormulas para la suma de angulos y obtener yp = A A cos(t) cos(t) = 2 cos(t). + 2 + 2
A Vemos que la amplitud del movimiento es 2 as peque na sea la 2 . Mientras m diferencia entre y m as grande ser a la amplitud.
Ejercicio Propuesto 3.3. Realice los c alculos con b = 0 y observe que ocurre A un fen omeno similar, pero obtenemos esta vez la amplitud . (k m 2 )2 + b2 2 La resonancia se produce para un valor de cercano a la frecuencia fundamental si b es sucientemente peque no. 5. Estudio completo de la EDO lineal de orden n
Comencemos por extender las nociones de dependencia e independencia lineal: n 3.11. Las funciones y1 , . . . , yk en C n (I ) son linealmente indepenDefinicio dientes (l.i.) si la armaci on (27) C1 y1 (x) + + Ck yk (x) 0 para todo x I
implica necesariamente que todos los coecientes C1 , . . . , Ck son cero. Si por el contrario existen C1 , . . . , Ck tales que al menos uno es distinto de cero y se tiene (27), decimos que las funciones y1 , . . . , yk son linealmente dependientes (l.d.). Ejemplo 3.2. Dos funciones y1 e y2 son linealmente dependientes si, y s olo si, una es m ultiplo de la otra. M as adelante veremos c omo el Wronskiano puede ayudarnos a comprobar si k funciones (k 2) son linealmente independientes. 5.1. La estructura geom etrica de la soluci on: los espacios H y S . Vamos a estudiar la estructura de la soluci on general de una ecuaci on diferencial lineal de orden n. En primer lugar, denotemos por H el conjunto de todas las soluciones de la ecuaci on homog enea: H = y C n (I ) | y (n) (x) + + a1 (x)y (x) + a0 (x)y (x) = 0 x I . Teorema 3.3. H es subespacio vectorial de C n (I ) de dimensi on n.

n. Es f Demostracio acil ver que H es subespacio vectorial de C n (I ) y lo dejamos como ejercicio para el lector. Para demostrar que su dimendi on es n vamos a construir una base de H con n elementos. M as precisamente encontraremos n funciones l.i. y1 , . . . , yn tales que cualquier elemento de H puede escribirse como combinaci on lineal de ellas. Seleccionemos x0 I . De acuerdo con el Teorema de Existencia y Unicidad, para cada i = 1, . . . , n podemos encontrar una funci on as yi C n tal que y (n) (x) + + a1 (x)y (x) + a0 (x)y (x) = 0 para todo x I y adem satisface la condici on inicial yi (x0 ) = = . . . (i1) (x0 ) = yi . . . yi
(n1) yi (x0 )
0 0
(x0 ) =
0.
Construimos as n funciones y1 , . . . , yn . Probaremos ahora que son linealmente independientes. Supongamos que 1 y1 (x) + + n yn (x) = 0 para todo x I . Derivando, tenemos que
1 y1 (x) + + n yn (x) = . . . (n1) (n1) (x) = (x) + + n yn 1 y1
1 y1 (x) + + n yn (x)
0 0 . . . 0.
Evaluando en x = x0 vemos que 1 = 2 = = n = 0 (en cada l nea queda s olo un sumando), con lo que las funciones y1 , . . . , yn son linealmente independientes. Ahora probaremos que todo elemento yh H puede escribirse como combinaci on lineal de y1 , . . . , yn . Queremos encontrar constantes 1 , . . . , n R tales que para todo x I , (28) yh (x) = 1 y1 (x) + 2 y2 (x) + + n yn (x). 1 2 . . . n yh (x) yh (x) . . . (n1) yh (x) Derivando esa expresi on (n 1) veces se obtiene y1 (x) y2 (x) ... yn (x) y1 (x) y2 (x) ... yn (x) . . . . . . . . . . . . (n1) (n1) (n1) y1 (x) y2 (x) . . . yn (x)
para todo x I . Evaluando en x = x0 : 1 1 2 .. . . . . 1 n
yh (x0 ) yh (x0 ) . . . (n1) yh (x0 )

5. ESTUDIO COMPLETO DE LA EDO LINEAL DE ORDEN n (i1) 75
Hemos probado que (28) es cierta cuando x = x0 si i = yh (x0 ) para i = 1, . . . , n. Resta demostrar ahora que, en efecto, la igualdad en (28) se tiene para todo x I y no s olo en x0 . Para ello, denamos la funci on z h = 1 y 1 + 2 y 2 + + n y n . Debemos probar que yh (x) = zh (x) para todo x I . Notemos primero que la funci on yh zh es soluci on del problema de Cauchy y (n) + an1 (x)y (n1) + + a0 (x)y = 0 x I y (x0 ), y (x0 ), . . . , y (n1) (x0 ) = (0, 0, . . . , 0) .
y por el Teorema de Existencia y Unicidad, Teorema 3.1 (ver la observaci on que le sigue), yh zh es la funci on nula. Denotamos por S el conjunto de todas las soluciones de la ecuaci on diferencial lineal de orden n no homog enea S = y C n (I ) | y (n) + + a1 (x)y + a0 (x)y = Q en I . Sean X un espacio vectorial, A un subsepacio de X y x X . Un hiperplano o subespacio af n es un conjunto de la forma x + A = { z X | z = x + a para alg un a A }. Teorema 3.4. Si yp S es cualquier soluci on de la ecuaci on no homog enea, entonces S = yp + H. Geom etricamente, esto quiere decir que S es un hiperplano que se obtiene al desplazar por y0 el subespacio H.
Y
p
S
Y
1
H
Y
2
Figura 3. Representaci on de los espacios H y S en 2 dimensiones sobre C 2 (I ).

n. Basta ver que la resta de dos funciones en S est Demostracio a en H; es decir, es soluci on de la ecuaci on homog enea. Pero esto es inmediato de la linealidad de la ecuaci on. Corolario 3.2. Todo elemento de S se escribe de la forma y = C1 y1 + C2 y2 + + Cn yn + yp , donde y1 , . . . , yn son soluciones linealmente independientes de la ecuaci on homog enea, yp es cualquier solucion particular de la ecuaci on no homog enea y las Ci R son constantes arbitrarias que dependen del vector de condiciones iniciales.6 5.2. Wronskiano y F ormula de Abel.
n 3.12. El Wronskiano asociado a n funciones y1 , . . . , yn C n (I ) es Definicio W (x) = W (y1 , . . . , yn ) = y1 (x) y1 (x) . . . (n1) y1 (x) ... ... .. . ... yn (x) yn (x) . . . (n1) yn (x) .
Notar que W es una funci on de clase C 1 en I . Usamos tambi en la notaci on W (y1 , . . . , yn ) para enfatizar la dependencia de las funciones y1 , . . . , yn . Enunciaremos ahora dos resultados t ecnicos sobre determinantes que necesitaremos en las demostraciones que siguen: Lema 3.1. El determinante es multilineal por las y columnas. Por ejemplo, si det(A) = det(F1 , F2 , . . . , Fn ), donde Fi es la i- esima la de A, se tendr a que det(F1 , . . . a + b . . . , Fn ) = det(F1 , . . . a . . . , Fn ) + det(F1 , . . . b . . . , Fn ).
Lema 3.2. Sea A(x) una matriz con entradas variables (dependientes de x). Como arriba escribimos det(A) = det(F1 , F2 , . . . , Fn ) = det(C1 , C2 , . . . , Cn ), donde las Fi y las Cj son las las y columnas de A, respectivamente. Tenemos que d |A(x)| dx
n
=
i=1 n
det(F1 , . . . , Fi , . . . , Fn )
det(C1 , . . . , Cj , . . . , Cn ). j =1
Con esto, la t ecnica para derivar el determinante de una matriz es la siguiente: 1. Se deriva la primera la (o columna) y se calcula el determinante de la matriz as obtenida. 2. Se hace lo mismo con cada una de las las (o columnas) de la matriz. 3. Se suman los resultados parciales.
6Las C no son los calculados en la demostraci on del Teorema 3.3. i i

5. ESTUDIO COMPLETO DE LA EDO LINEAL DE ORDEN n 77
La demostraci on del Lema 3.2 puede hacerse f acilmente por inducci on o utilizando la denici on de derivada y el Lema 3.1. Recordemos que si dos las en una matriz son iguales, su determinante es cero. Cuando calculamos la derivada del Wronskiano usando el m etodo descrito arriba (por las) nos encontramos con que la mayor a de los sumandos, salvo el u ltimo, tienen una la repetida y por lo tanto son cero. As obtenemos y1 (x) y1 (x) . . . (n2) y1 (x) (n) y1 (x) ... ... .. . ... ... yn (x) yn (x) . . . (n2) yn (x) (n) yn (x)
W (y1 , . . . , yn ) =
Como las funciones y1 , . . . yn son soluciones de la ecuaci on homog enea, la u ltima la se reescribe para obtener y1 (x) y1 (x) . . . (n2) y1 (x) (i) n1 i=0 ai (x)y1 ... ... .. . ... ... yn (x) yn (x) . . . (n2) yn (x) (i) n1 i=0 ai (x)yn
W (y1 , . . . , yn ) =
Gracias al Lema 3.1, podemos expandir la u ltima la. Todos los sumandos, salvo el u ltimo, tienen una la repetida, por lo que la derivada del Wronskiano queda de la forma (29) W (x) = an1 (x)W (x). Al integrar la ecuaci on (29) obtenemos la F ormula de Abel: Teorema 3.5 (F ormula de Abel). Sean y1 , . . . , yn H. Entonces el Wronskiano W satisface W (x) = C exp an1 (x)dx
con C R. En particular, si se anula en un punto, se anula siempre. Resumiremos algunas propiedades del Wronskiano que tienen que ver con independencia lineal de funciones en el siguiente resultado: Teorema 3.6. Sean y1 , . . . , yn C n (I ). 1. Si W (x0 ) = 0 para alg un x0 I entonces y1 , . . . , yn son linealmente independientes. 2. En general, el que W (x) = 0 para todo x I no basta para garantizar que y1 , . . . , yn sean linealmente dependientes. 3. Si y1 . . . , yn son funciones en H, las siguientes proposiciones son equivalentes: a ) W (x0 ) = 0 para alg un x0 I ; b ) W (x) = 0 para todo x I ; y c ) y1 , . . . , yn son linealmente independientes.

n. La parte 1 se deja como ejercicio al lector. Un contraejemplo Demostracio para la parte 2 es y1 = x3 e y2 = |x3 |, para n = 2. En cuanto a la parte 3, la equivalencia entre a) y b) es evidente gracias a la f ormula de Abel y la implicancia b) c) es clara gracias a la parte 1. Para la otra implicancia, probemos que si W (x0 ) = 0 para alg un x0 I , entonces y1 , . . . , yn son linealmente dependientes. En efecto, si W (x0 ) = 0 para alg un x0 I , se tiene que existen 1 . . . , n R no todos nulos tales que y1 (x0 ) ... yn (x0 ) 0 1 y1 (x0 ) ... yn (x0 ) 2 0 . . = . , . .. . . . . . . . . . (n1) (n1) 0 n y1 (x0 ) . . . yn (x0 ) pues la matriz del lado izquierdo no es invertible. Deniendo z (x) = 1 y1 (x) + + n yn (x), se tiene que z (x0 ) z (x0 ) z (n1) (x0 ) = = 1 y1 (x0 ) + + n yn (x0 ) 1 y1 (x0 ) + + n yn (x0 ) . . . (n1) (n1) (x0 ) + + n yn (x0 ) = 1 y1 = 0 = 0 = 0.
Como z H, por el Teorema de Existencia y Unicidad, se tiene que z (x) = 0 para todo x I . Luego existen 1 . . . , n R no todos nulos tales que 1 y1 (x) + + n yn (x) = 0 para todo x I . Nota: si y1 , . . . , yn son una base de H; es decir, si son n soluciones linealmente independientes de la ecuaci on homog enea, la matriz siguiente es invertible y1 ... yn y1 ... yn = . . . . . . . . . (n1) (n1) y1 . . . yn y se denomina matriz fundamental de soluciones asociada a la base y1 , . . . , yn . No se debe confundir la matriz fundamental con el Wronskiano, que es W = det . Esta matriz ser a reaparecer a en el Cap tulo 5 sobre sistemas lineales. 6. M etodos de resoluci on de EDO de orden n a coecientes constantes
En esta secci on estudiaremos varios m etodos para resolver la ecuaci on diferencial lineal de orden n a coecientes constantes. Para la ecuaci on homog enea describiremos un m etodo que sigue la misma l nea de lo que se hizo para la ecuaci on de orden 2, usando los valores caracter sticos. Finalmente nos enfocaremos en la b usqueda de soluciones particulares de la ecuaci on homog enea. 6.1. Soluci on homog enea. La EDO y (n) + an1 y (n1) + + a0 y = 0
se escribir a de la forma P (D)y = 0, donde P (D) es el operador diferencial

n
P (D) = Dn + an1 Dn1 + + a1 D + a0 =
ai D i
i=1

EDO LINEAL COEFICIENTES CONSTANTES 6. RESOLUCION 79
con an = 1. El operador P (D) est a asociado al polinomio caracter stico Como se trata de un polinomio de grado n, tendr a n ra ces reales o complejas llamadas valores caracter sticos (quiz a repetidos). Supondremos que 1 , . . . l son las l ra ces distintas y tienen multiplicidades m1 , . . . , ml , respectivamente. Recordemos que como los coecientes del polinomio son reales, las ra ces que sean complejas vendr an en pares conjugados. El polinomio se puede descomponer de la forma
l
p() = n + an1 n1 + + a1 + a0 .
p() = ( 1 )m1 ( 2 )m2 . . . ( l )ml =

l i=1
i=1
( i )mi ,
mi . La factorizaci on de p() induce una an aloga en P (D), donde donde n = el producto corresponde a una composici on: P (D) = (D 1 ) (D 1 ) (D l ) (D l )
m1 veces ml veces
Note que esta factorizaci on permite de hecho resolver la EDO de orden n como una serie de EDO de orden 1, En efecto, es claro que entonces si denimos nuevas variables zi de la forma: P (D)y = 0 (D 1 )m1 . . . (D l )ml y = 0, = 0
(D 1 ) (D 1 ) (D l ) (D l )y
z n 1 z n 2 z1
lo que genera un sistema en cascada de n EDOs lineales de orden 1: (D 1 )z1 = 0 = z1 . . . = z m1 1 . . . = zn1 (D 1 )z2
(D 1 )zm1 (D l )y
En principio, este es un m etodo v alido para resolver la EDO (incluso la no-homog enea) pero veremos a continuaci on que la soluci on homog enea se puede obtener de una forma mucho m as expl cita. Propiedades 3.1. (Traslaci on) 1. P (D + )1 = p() 2. P (D)ex = ex P (D + )1 = ex p() 3. P (D)(f (x)ex ) = ex P (D + )f (x) n. Demostracio 1. Recordemos que
k i=0
(D + )k f (x) = (D + ) . . . (D + ) f (x) =
k veces
k i
f (i) (x)ki , luego,

si f (x) = 1, para todo i > 0, f (i) (x) = 0, con lo que se obtiene (D + )k 1 = n1 i k , por lo tanto P (D + )1 = n + i =0 ai = p(). 2. De 1) y 3) con f (x) = 1 se tiene el resultado. 3. Se sabe que
j
Dj (f (x)ex ) =
k=0 j
j k
Dk (f (x))Dj k (ex ) j k Dk (f (x))j k
= = Ahora,
ex
k=0 x
e (D + )j f (x)
n
P (D)(f (x)ex ) =
j =0 n
aj Dj (f (x)ex ) aj ex (D + )j f (x)
j =0 n
= = = ex
aj (D + )j f (x)
j =0
e P (D + )f (x).
Con ayuda de la propiedad 2) se pueden encontrar l soluciones de la ecuaci on homog enea. Si i es una ra z del polinomio p(), se tiene que: P (D)ei x = ei x p(i ) = 0
=0
Lo que quiere decir que e l.i.:
1 x
,e
2 x
,...,e
l x
son soluciones de (H). Veamos que son ... ... . . . ... el x l el x . . . l1 l x l e 1 1 . . . l 1 1 ... ... . . . ... 1 l . . . l 1 l
W (x, e1 x , . . . , el x ) =
e1 x 1 e1 x . . . l1 1 x 1 e
l
exp
i=1 l
i x
exp
i=1
i x C
i=j
(i j )
Como i = j si i = j , el Wronskiano es distinto de cero y las funciones son l.i. Para formar la base necesitamos n funciones l.i., por lo tanto hay que encontrar

n l m as. De la propiedad 3), se tiene que (i es una ra z del polinomio p()): P (D)(xk ei x ) = ei x P (D + i )xk = (D 1 + i )m1 . . . (D i i )mi . . . (D l i )ml xk = (D 1 + i )m1 . . . (D i1 i )mi1 (D i+1 i )mi+1 Como Dmi xk = 0 1 k mi 1, se encuentran mi 1 soluciones de (H): xei x , x2 ei x , . . . , xmi 1 ei x Repitiendo este procedimiento para cada mi , se encuentran n l soluciones, ya que l l i=1 (mi 1) = i=1 mi l = n l . Ejemplo 3.3. En este caso n = 10. Veamos todas las soluciones que se encuentran con este m etodo: 1 = 1, m1 = 2 2 = 3, m2 = 5 3 = 0, m3 = 3 {e3x , xe3x , x2 e3x , x3 e3x , x4 e3x } {1, x, x2 } {ex , xex } (D 1)2 (D + 3)5 D3 y = 0 . . . (D l i )ml Dmi xk
Veamos si son l.i. Para todo x I se debe cumplir:
1,1 ex + 1,2 xex + = 0
2,1 e3x + 2,2 xe3x + 3,1 x2 e3x + 4,1 x3 e3x + 5,1 x4 e3x + 3,1 + 3,2 x + 3,3 x2
3 5 2
Aplicando (D 1) (D + 3) D a esta expresi on, se transforma en 23,3 = 0 Aplicando (D 1)3 (D + 3)5 D, se obtiene 3,2 = 0 Y sucesivamente, se obtiene que i,ji = 0 para todo i {1, 2, 3}, j {1, 2, 3, 4, 5}, por lo tanto, son l.i. En general, las n soluciones encontradas son l.i., pues dada la ecuaci on 2,1 e2 x + + 2,m2 xm2 1 e2 x + . . . l x ml 1 l x l,1 e + + l,ml x e = 0 Al aplicar el operador (D 1 )m1 . . . (D i )mi 1 . . . (D l )ml , se obtiene e
i x
1,1 e1 x + + 1,m1 xm1 1 e1 x +
i,mi 1 (D 1 )m1 . . . (D l )ml (D i )mi 1 (xmi 1 ei x ) i,mi 1 (D 1 + i )

m1
= 0 = 0 = 0
. . . (D l + i )
ml
mi 1 mi 1
p (i )
(mi 1)!
ei x i,mi 1 (mi 1)! p(i )

Se verica que p (i ) = 0 y (mi 1)! = 0, por lo tanto i,mi 1 = 0. Repitiendo la aplicacion progresivamente, se verica que todos los i,mi 1 son iguales a cero, con lo cual las n funciones son l.i.. Antes de pasar a los ejemplos resumiremos la discusi on anterior en el siguiente resultado: Teorema 3.7. Supongamos que 1 , . . . , l son los valores caracter sticos, con multiplicidades m1 , . . . , ml , de la ecuaci on homog enea Una base para H es la generada por las siguientes funciones linealmente independientes: Para cada valor caracter stico real ex , ex cos(x), xex , ..., xm1 ex . ... xm1 ex cos(x), xm1 ex sen(x). Para cada par de valores caracter sticos complejos i , xex cos(x), ex sen(x), Ejemplo 3.4. En este caso n = 10. Veamos todas las soluciones que se encuentran con este m etodo: 2 = 3, m2 = 5 {e3x , xe3x , x2 e3x , x3 e3x , x4 e3x }, 3 = 0, m3 = 3 {1, x, x2 }. 1 = 1, m1 = 2 {ex , xex }, (D 1)2 (D + 3)5 D3 y = 0. xex sen(x), ... (D 1 )m1 . . . (D l )ml y = 0.
Ejemplo 3.5. Resolveremos ahora la ecuaci on diferencial El polinomio caracter stico es p() y (5) y (4) + 2y 2y + y y = 0. = 5 4 + 23 22 + 1 = ( 1)(2 + 1)2 = ( 1)(4 + 22 + 1)
Obtenemos entonces las soluciones
= ( 1)( i)2 ( + i)2 .
Finalmente, toda soluci on homog enea se escribe como combinaci on lineal de estas funciones, por lo que la soluci on general es yh (x) = C1 ex + C2 cos(x) + C3 sen(x) + C4 x cos(x) + C5 x sen(x).
2 , 2 = i, m2 = 2 {cos(x), sen(x), x cos(x), x sen(x)}.
1 = 1, m1 = 1 {ex },

6.2. Ecuaci on no homog enea. Estudiaremos dos m etodos para encontrar una soluci on particular de la ecuaci on no homog enea. El m etodo de coecientes indeterminados, que puede usarse cuando el lado derecho involucra u nicamente polinomios, senos, cosenos y exponenciales. Consiste en postular que la soluci on es de cierto tipo (similar al lado derecho), pero con coecientes que son determinados a posteriori. Tiene la ventaja de que los c alculos son extremadamente sencillos ya que involucran u nicamente derivaci on de polinomios, exponenciales y funciones trigonom etricas. El m etodo de variaci on de par ametros se basa en la representaci on de la ecuaci on de orden n como un sistema lineal de primer orden. De hecho, tambi en es un m etodo valioso para encontrar soluciones particulares de estos sistemas. Consiste en representar la soluci on particular como una combinaci on variable de las soluciones homog eneas. Tiene dos ventajas notables en cuanto a su rango de aplicaciones: en primer lugar, sirve para cualquier tipo de lado derecho; en segundo lugar, el m etodo tambi en es u til, al menos te oricamente, para el estudio de ecuaciones a coecientes variables. Tambi en tiene dos puntos en contra: es necesario conocer una base del espacio de soluciones homog eneas y adem as involucra operaciones con matrices y c alculo de integrales. 6.2.1. M etodo de los coecientes indeterminados. Este m etodo puede aplicarse para encontrar una soluci on particular de la ecuaci on P (D)y = qk0 (x)e0 x
con 0 C y qk0 e0 x una funcion que puede ser un polinomio por una exponencial, un polinomio por seno o coseno por una exponencial o cualquier combinaci on lineal de estos, donde gr(qk0 ) k0 en caso de ser un polinomio. Este m etodo tiene la desventaja aparente de ser muy restrictivo en cuanto al tipo de lado derecho para el cual es u til. Sin embargo, estas funciones son sumamente frecuentes en la aplicaciones. El operador diferencial que anula el lado derecho es (D 0 )k0 +1 , pues (D 0 )k0 +1 P (D)y = = = (D 0 )k0 +1 qk0 (x)e0 x e0 x Dk0 +1 qk0 (x) 0
Si 0 R, la ecuaci on se transforma una homog enea de orden n + k0 + 1 que sabemos resolver. on, Si 0 C, se aplica adem as el operador (D 0 )k0 +1 a ambos lados de la ecuaci con lo que se obtiene (D 0 )k0 +1 (D 0 )k0 +1 P (D)y = 0, que es una homog enea de orden n + 2(k0 + 1). Hay dos casos que se estudiar an: A. Caso no resonante: 0 = j para todo j {1, . . . , l} A.1 Caso real: 0 R: P (D)y = qk0 (x)e0 x (D 0 )
k0 +1
P (D) y=0
y = yh + yp y =y h
La idea es obtener yp comparando y h e yh , m as precisamente, como combinaci on lineal de aquellas funciones que aparezcan en y h y que sean l.i. con las que aparezcan en yh .

Se sabe que yh es combinacion linel de funciones pertenecientes a M =

i R
{ei x , xei x , . . . , xmi 1 ei x } {ej x cos wj x, . . . , xmj 1 ej x cos wj x}
{ej x sen wj x, . . . , xmj 1 ej x sen wj x} Ey h es combinacion lineal de elementos pertenecientes a M = M e0 x , xe0 x , . . . , xk0 e0 x
j =j iwj
Luego, yp = (A0 + A1 x + + Ak0 xk0 )e0 x , con Ai constantes en R a determinar. Reemplazando yp en P (D)y : e
0 x
P (D + 0 )(A0 + A1 x + + Ak0 x ) = rk0 (x) =
P (D)(A0 + A1 x + + Ak0 xk0 )e0 x

k0
qk0 (x)e0 x qk0 (x)e0 x qk0 (x),
donde rk0 (x) es un polinomio cuyos coecientes dependen de Ai para i {0, . . . , k0 }. Igualando coecientes se obtiene un sistema lineal de (k0 + 1) (k0 + 1), de donde se calculan los coecientes. Ejemplo 3.6. Encontraremos una soluci on particular de la ecuaci on (D 1)(D 2)y = xe3x . Tenemos que = 3, que no es un valor caracter stico de la ecuaci on. Como el polinomio que acompa na a la exponencial en el lado derecho tiene grado 1, proponemos como soluci on yp (x) = (A0 + A1 x)e3x . Aplicamos a yp el operador diferencial P (D) = (D 1)(D 2) = D2 3D +2 y obtenemos P (D)yp (x) = (6A1 + 9A0 + 9A1 x)e3x 3(A1 + 3A0 + 3A1 x)e3x +2(A0 + A1 x)e3x = (3A1 + 2A0 + 2A1 x)e3x .
Comparando con el lado derecho de la ecuaci on tenemos el sistema 0 1 = 3A1 + 2A0 = 2A1 ,
cuya soluci on es A0 = 3/4, A1 = 1/2. De aqu , una soluci on particular de la ecuaci on es 3x 3 yp (x) = 1 2x 4 e .

A.2 Caso complejo: 0 C: (D 0 ) yp

k0 +1
P (D)y = qk0 (x)e0 x

k0 +1
(D 0 )
P (D) y=0
y =y h
y = yh + yp
Comparando yh con y h , se tiene que = (A0 + A1 x + + Ak0 xk0 )ex cos w0 x + (B0 + B1 x + + Bk0 xk0 )ex sen w0 x
Al reemplazar yp en la EDO se obtienen 2k0 + 2 ecuaciones. Ejemplo 3.7. En este caso 0 = 3 i, y la soluci on homog enea es yh = C1 ex + C2 e2x , luego yp
yp yp
(D 1)(D 2)y
= xe3x cos x
= = =
(A0 + A1 x)e3x cos x + (B0 + B1 x)e3x sen x 0 + A 1 x)e3x cos x + (B 0 + B 1 x)e3x sen x (vericar) (A +A x)e3x cos x + (B +B x)e3x sen x (vericar) (A
0 1 0 1
0 , B 0 , A 1 , B 1 , A 0 , B 0 , A 1 , B 1 estan en funcion de A0 , B0 , A1 , B1 . donde A Reemplazando yp en la EDO, se tiene que 0 + A 1 x)e3x cos x + (B 0 + B 1 x)e3x sen x = (A xe3x cos x
0 = 0, A 1 = 1, B 0 = 0 y B 1 = 0, lo que permite De donde se deduce que A encontrar A0 , B0 , A1 y B1 . B. Caso resonante: 0 = j para alg un j {1, . . . , l} B.1 Caso real: 0 R: P (D)y = qk0 (x)e0 x
k0 +1
(D 0 )
P (D) y=0
y = yh + yp y =y h .
La segunda ecuaci on se puede escribir de la forma = (D 1 )m1 . . . (D 0 )m0 +k0 +1 . . . (D l )ml y 0 Es decir, 0 aumento su multiplicidad, luego, comparando y h e yh , se tiene que yp es combinaci on lineal de elementos de {xm0 e0 x , xm0 +1 e0 x , . . . , xm0 +k0 e0 x } es decir, yp Al factor xm0 se le llama factor de resonancia. B.2 Caso complejo: 0 C Repitiendo el proceso, se observa que yp es de la forma yp = xm0 (A0 + A1 x + + Ak0 xk0 )e0 x cos w0 x +xm0 (B0 + B1 x + + Bk0 xk0 )e0 x sen w0 x. = xm0 (A0 + A1 x + + Ak0 xk0 )e0 x

Ejemplo 3.8. Queremos encontrar una soluci on particular de la ecuaci on (D 1)2 (D + 1)y = (4x + 3)ex . Vemos que el coeciente = 1 en la exponencial del lado derecho es valor caracter stico de multiplicidad 2. En vista de lo discutido anteriormente proponemos una soluci on de la forma yp (x) = x2 (A0 + A1 x)ex = (A0 x2 + A1 x3 )ex . El operador diferencial es P (D) = (D 1)2 (D + 1) = D3 D2 D + 1. Tenemos Dyp (x) D2 yp (x) D yp (x) de modo que P (D)yp = (4A0 + 6A1 + 12A1 x)ex . Al igualar al lado derecho obtenemos el sistema 3 4 = 4A0 + 6A1 = 12A1 ,
3
= = =
(A1 x3 + (A0 + 3A1 )x2 + 2A0 x)ex (A1 x3 + (A0 + 6A1 )x2 + (4A0 + 6A1 )x + 2A0 )ex (A1 x3 + (A0 + 9A1 )x2 + 6(A0 + 3A1 )x + 6(A0 + A1 ))ex ,
cuya soluci on es A0 = 1/4, A1 = 1/3. Con esto encontramos la soluci on particular yp (x) = 1 2 1 3 x x + x e . 4 3
6.2.2. M etodo de variaci on de par ametros. Notemos que la ecuaci on de orden n puede escribirse como un sistema de la forma z (x) = zk (x0 ) = donde Ac (x)z (x) + b(x) para x I y (k1) (x0 ) para k = 1, . . . n,
Supongamos que tenemos una base y1 , . . . , yn de soluciones de la ecuaci on homog enea. Recordemos que y1 ... yn y1 ... yn = . . .. . . . . . (n1) (n1) y1 . . . yn
Ac =
0 0 . . . 0 a0
1 0 . . . 0 a1
0 1 . . . 0 a2
.. .
0 0 . . . 1 an1
b=
0 0 . . . Q

es la matriz fundamental de soluciones y1 y1 Ac = . . . (n) y1
Buscaremos una soluci on de la forma
y notemos que . . . yn . . . yn . = . .. . . . ... yn

(n)
yp (x) = F1 (x)y1 (x) + + Fn (x)yn (x). Observemos que esta expresi on es justamente la primera componente del vector F y las otras componentes son sus derivadas. La idea es encontrar el vector F de manera que F sea soluci on del sistema de primer orden: ((x)F (x)) = Ac (x)(x)F (x) + b(x). La regla para la derivaci on de un producto es v alida para matrices (ver Lema 5.1). Luego ((x)F (x)) = = (x)F (x) + (x)F (x) Ac (x)(x)F (x) + (x)F (x),
de manera que si encontramos F tal que (x)F (x) = b(x), entonces la primera componente del vector (x)F (x) ser a una soluci on particular de la ecuaci on de orden n original. Ahora bien, la matriz es invertible pues est a formada por soluciones linealmente independientes de la ecuaci on. De este modo podemos tomar F (x) = (x)1 b(x) dx.7
Ejemplo 3.9. Encontremos una soluci on particular de la ecuaci on 1 . 1 + e x Los valores caracter sticos de la ecuaci on son 1 y 1, por lo que dos soluciones linealmente independientes de la ecuaci on homog enea son ex y ex . Construimos y (x) y (x) = (x) = Luego (x)1 b(x) = 1 2 e x ex e x ex 1 2 0
1 1+ex
ex ex
e x e x
(x)1 =
1 2
e x ex
e x ex e x ex
1 2(1 + ex )
Tenemos entonces que F1 (x) = y F2 (x) = 1 2 ex dx = ln 1 + ex x 1+e ex dx ex = + ln 1 + ex . 1 + e x 2
7Se puede usar la regla de Cramer en lugar de calcular la inversa. Esto da origen a la f ormula de representaci on de Green, que estudiaremos m as adelante.

Finalmente obtenemos la soluci on particular yp (x) = = F1 (x)ex + F2 (x)ex 1 ex ln 1 + ex + ex ln 1 + ex . 2
7.
M etodos de resoluci on de EDO de orden n a coecientes variables
7.1. Ecuaci on homog enea. 7.1.1. F ormulas de Abel y Liouville. En el caso de la ecuaci on homog enea con coecientes variables, el m etodo de los valores caracter sticos no se puede aplicar y no existe una metodolog a general para encontrar las soluciones. No obstante, podemos f acilmente encontrar una soluci on linealmente independiente a partir de otra conocida en el caso de orden dos, utilizando la f ormula de Abel, dada en el Teorema 3.5. Esta dice que si y1 e y2 son soluciones de la ecuaci on lineal homog enea de orden dos entonces el Wronskiano W satisface W (x) = C exp a1 (x)dx .
M as precisamente, la F ormula de Abel nos dice que

y2 y1 y1 y2 = C exp
a1 (x)dx .
En los intervalos donde y1 = 0 obtenemos

y2 C y1 y2 = exp y1 y1
a1 (x)dx ,
que es una ecuaci on lineal de primer orden que sabemos resolver. Multiplicamos la ecuaci on por el factor integrante (x) = exp y obtenemos y2 y1 Integrando obtenemos y2 = Dy1 + y1 C 1 2 exp y1 a1 (x)dx du.
y1 dx y1
1 y1
C 2 exp y1
a1 (x)dx .
Si tomamos D = 0 obtenemos la F ormula de Liouville y2 = Cy1 1 2 exp y1 a1 (x)dx du.
Ejemplo 3.10. Se tiene la EDO x2 y + xy y = 0 y una soluci on y1 = x. Se pide encontrar otra soluci on linealmente independiente y2 . Para ello escribimos la ecuaci on normalizada: 1 1 y + y 2 y = 0. x x

EDO LINEAL COEFICIENTES VARIABLES 7. RESOLUCION 89
La f ormula de Abel nos da

xy2 y2 = C exp
dx x
de donde 1 1 y y2 x 2 x2 y2 x y2 x = = = C x3 C x3 C + D. 2x2
1 . Tomamos C = 2, D = 0 y obtenemos y2 = x
Este m etodo puede aplicarse a la ecuaci on de orden n > 2, teniendo en cuenta que la f ormula de Abel nos entregar a una EDO de orden n 1 a coecientes variables. Si bien no se obtiene de manera tan sencilla la soluci on faltante, esto constituye una reducci on de orden con lo que la b usqueda de la n- esima soluci on linealmente independiente puede ser m as tratable. 7.1.2. La ecuaci on de Euler. La ecuaci on de Euler es de la forma an xn y (n) + . . . a1 xy + a0 y = 0, donde a0 , a1 , . . . an son constantes y an = 0. Se hace el cambio de variable x = eu , z (u) = y (eu ), siempre y cuando x = 0. Con esto z (u) = eu y (eu ) = xy (x). Luego z (u) = eu y (eu ) + e2u y (eu ) = xy (x) + x2 y (x), con lo cual y as sucesivamente. Al nal queda una ecuaci on lineal de orden n a coecientes constantes. Ejemplo 3.11. Estudiaremos la ecuaci on x2 y (x) + xy (x) = 0. Los cambios de variable descritos arriba nos conducen a z (u) z (u) + z (u) = 0. Es decir, z (u) = 0. Las soluciones de esta ecuaci on son de la forma z (u) = Au + B , con A, B R. As , y (x) = z (ln(x)) = A ln(x) + B, x = 0. x2 y (x) = z (u) z (u)
Ejemplo 3.12. Para la ecuaci on x3 y (x) + x2 y (x) 4xy (x) = 0

vemos que xy (x) x2 y (x) x3 y (x) La ecuaci on se transforma en z (u) 2z (u) 3z (u) = 0. El polinomio caracter stico es p() = ( 3)( + 1), de donde los valores caracter sticos son 1 = 0, 2 = 3 y 3 = 1. As , las soluciones son de la forma z (u) = A + Be3u + Ceu , de donde y (x) = A + Bx3 + Cx1 . = = = z (u) z (u) 3z (u) + 2z (u). z (u) z (u)
7.2. Ecuaci on no homog enea. En esta secci on presentaremos dos m etodos para buscar soluciones particulares a la ecuaci on no homog enea. La f ormula de Green es una consecuencia del m etodo de variaci on de par ametros, por lo que se necesita conocer a priori una base para el espacio H de soluciones homog eneas. El segundo m etodo, que involucra series de potencias, no requiere conocer las soluciones de la ecuaci on homog enea, por lo que en muchas ocasiones es u til tambi en para estudiar este tipo de ecuaci on. 7.2.1. F ormula de Green. El m etodo de variaci on de par ametros visto antes para coecientes constantes se aplica en el caso de coecientes variables. Para ello, se deben conocer primero n soluciones linealmente independientes de la ecuaci on homog enea. Recordemos que en ese contexto se busca
n
yp (x) =
i=1
Fi (x)yi (x),
donde el vector F satisface F = b. Para encontrar las coordenadas del vector F tambi en se puede utilizar la regla de Cramer. Para ello, denotemos por Wi el determinante de la matriz i que se obtiene al cambiar la i- esima columna de la matriz por el vector b. El Wronskiano es W = det . La regla de Cramer nos dice i que Fi = W esima columna de Wi tiene ceros en todas las W . Pero notemos que la i- componentes salvo la u ltima. En virtud de la f ormula de cofactores para el c alculo del determinante podemos escribir Wi = (1)n+i QWi , donde Wi es el determinante de la matriz de tama no (n 1) (n 1), que se obtiene al eliminar de la i- esima columna y la n- esima la.

Con esto queda

n
yp
=
i=1 n
Fi (x)yi (x) yi (x)

i=1
= = =
Wi (s) ds W (s)
n
1 W (s) Q(s) W (s)
yi (x)Wi (s)ds
i=1 n i=1
yi (x)(1)n+i Wi (s)ds.
N otese que hemos escrito s para la variable antes de integrar y x para la variable integrada. Si usamos de nuevo la f ormula de los cofactores para escribir la suma como el determinante de una matriz de tama no n n obtenemos Q(s) W (s) y1 (s) y1 (s) . . . (n2) y1 (s) y1 (x) ... ... . . . ... ... yn (s) yn (s) . . . (n2) yn (s) yn (x)
yp =
ds.
=R(x,s)
Hemos demostrado el siguiente resultado: Teorema 3.8 (Teorema de Representaci on de Green). Una soluci on particular de la ecuaci on no homog enea es yp = es la funci on de Green. 7.2.2. Soluci on en serie de potencias. El siguiente m etodo ser a presentado de manera ilustrativa; sin profundizar en los detalles te oricos que justican su aplicaci on. Sean I un intervalo abierto, x0 I y f : I R. Decimos que f anal tica en un entorno de x0 si existen a0 , a1 , a2 , . . . tales que la serie k=0 ak (x x0 )k converge absolutamente para todo x sucientemente cercano a x0 y f (x) =
k=0
G(x, s)Q(s)ds,
donde
G(x, s) =
R(x, s) W (s)
ak (x x0 )k .
1 (k ) (x0 ). Los coecientes ak son los mismos que entrega la f ormula de Taylor: ak = k !f Los polinomios, las exponenciales, todas las funciones trigonom etricas e hiperb olicas y sus inversas son anal ticas. Las derivadas y primitivas de funciones anal ticas tambi en lo son. Adem as, para encontrar una derivada o primitiva basta derivar o integrar la serie t ermino a t ermino. Algunos ejemplos de funciones y sus representaciones en series de potencias se pueden ver en el Cuadro 2.

ex
xn n! n=0 (1)n x2n+1 (2n + 1)! n=0 x2n+1 (2n + 1)! n=0
n=0
ln(1 x) cos(x)
xn n n=1 (1)n x2n (2n)! n=0 x2n (2n)! n=0 (1)n x2n+1 2n + 1 n=0

sen(x)
senh(x) 1 1x
cosh(x)
xn
arctan(x)
Cuadro 2. Algunas funciones y sus series de potencias.
Dada una ecuaci on diferencial lineal de orden n a coecientes variables, nos proponemos encontrar una soluci on particular de la forma y (x) =
k=0
ak xk .
No nos preocuparemos ac a por las condiciones que garantizan que la soluci on es en efecto lo sucientemente regular para tener una representaci on en serie de potencias. La estrategia es aplicar el operador diferencial a la expresi on en serie para y , derivando t ermino a t ermino las series que aparezcan. Esto dar a un sistema de ecuaciones lineales para los coecientes. Una vez resuelto el sistema construimos la serie. En muchos casos es posible relacionarla con otras series conocidas y reconocer a qu e funci on pertenece. Ejemplo 3.13. Analicemos el problema de Cauchy y (x) y (x) = 0 y (0) = 1 y (0) = 0.
k=0
Escribimos y (x) =
ak xk (aqu x0 = 0) y tenemos que = = =

k=2 k=0 k=0
y (x) y (x)
k (k 1)ak xk2
k=0
ak xk
k=0
(k + 2)(k + 1)ak+2 xk
ak xk
(k + 2)(k + 1)ak+2 ak xk .
Al igualar el lado derecho a la funci on nula obtenemos

k=0
(k + 2)(k + 1)ak+2 ak xk = 0 + 0x + 0x2 + . . .

y de all una ecuaci on para cada potencia de x. Para cada k debe cumplirse que (k + 2)(k + 1)ak+2 ak = 0; Si k = 2m, a2m = y si k = 2m + 1, a2m+1 = As , x2m+1 x2m + a1 . y (x) = a0 (2m)! (2m + 1)! m=1 m=1 Obtenemos una combinaci on lineal de dos soluciones linealmente independientes de la ecuaci on. Para determinar las constantes a0 y a1 utilizamos las condiciones iniciales. 1 = y (0) = a0 0 = y (0) = a1 . Tenemos nalmente que y (x) = x2m = cosh(x). (2m)! m=0

es decir,
ak+2 =
ak . (k + 2)(k + 1)
a2m2 1 a0 + = = ; (2m)(2m 1) (2m)! (2m)!
a2m1 1 a1 + = = . (2m + 1)(2m) (2m + 1)! (2m + 1)!
Tambi en pod amos haber usado el m etodo de los valores caracter sticos pues los coecientes son constantes. La soluci on general es y (x) = aex + bex . Las condiciones iniciales determinan para a y b el sistema a+b ab = = 1 0,
on queda que tiene como soluci on a = b = 1 2 . La soluci y (x) = 1 x e + ex = cosh(x). 2
Ejemplo 3.14. Encontraremos ahora una soluci on particular de la ecuaci on x2 y (x) + xy (x) = x(1 x)2 . Escribimos yp (x) =
k=0
ak xk y tenemos que
k=0
x2 yp (x) + xyp (x) =
k 2 ak xk .

Debemos escribir el lado derecho en serie de potencias, para lo cual podemos usar la informaci on en el Cuadro 2 y la derivaci on t ermino a t ermino. Tenemos x (1 x)2 = x = x = x = d dx d dx
1 1x xk
k=0
kxk1
k=1 k=1
kxk .
Igualando coeciente a coeciente vemos que k 2 ak = k , de donde a0 puede tomar cualquier valor y ak = 1/k para k > 1. As , una soluci on particular es yp (x) =
k=1
xk = ln(1 x). k
En el Ejemplo 3.11 se encontraron las soluciones de la ecuaci on homog enea correspondiente. Con esa informaci on, la soluci on general resulta ser y (x) = A ln(x) + B ln(1 x).
8.
Resoluci on de problemas con condiciones de borde.
En el caso de EDO lineales de segundo orden, ya vimos algunos problemas con condiciones de borde, como era el caso del problema espectral de la Secci on 4.2. En el caso de EDO lineales de orden n, se pueden plantear tambi en problemas con condiciones de borde, y al menos estudiar bajo qu e condiciones la soluci on puede existir y ser u nica. Notemos que en estos problemas no se aplica directamente el Teorema de Existencia y Unicidad por no estar el problema planteado directamente como un problema de Cauchy (con todas las condiciones de borde en solo un punto). Esto se ilustra a trav es de los siguientes ejemplos. Ejemplo 3.15. Dada la ecuaci on y (4) + p(x)y = g (x) con p y g continuas en x (0, 1) y condiciones de borde y (0) = y (0) = y (1) = y (1) = 0. Suponiendo que para g = 0 la u nica soluci on es la nula, demostremos que existe una u nica soluci on si g = 0. Dado que p (coeciente) y g (lado derecho) son funciones continuas, sabemos que la soluci on general y tiene la forma: y = Ay1 + By2 + Cy3 + Dy4 +yp
yh
donde A, B , C , D son constantes, y1 , y2 , y3 , y4 son soluciones (l.i.) de clase C 4 ([0, 1]) de la ecuaci on homog enea y (4) + p(x)y = 0 e yp es cualquier soluci on particular de (4) y + p(x)y = g (x).

DE PROBLEMAS CON CONDICIONES DE BORDE. 8. RESOLUCION 95
Imponiendo las cuatro condiciones de borde se obtiene: y (0) = 0 y (1) = 0 y (0) = 0 y (1) = 0 = Ay1 (0) + By2 (0) + Cy3 (0) + Dy4 (0) + yp (0) = Ay1 (1) + By2 (1) + Cy3 (1) + Dy4 (1) + yp (1) = Ay1 (0) + By2 (0) + Cy3 (0) + Dy4 (0) + yp (0)
= Ay1 (1) + By2 (1) + Cy3 (1) + Dy4 (1) + yp (1)
Esto escrito como un sistema lineal queda as y1 (0) y2 (0) y3 (0) y4 (0) y1 (1) y2 (1) y3 (1) y4 (1) () y1 (0) y2 (0) y3 (0) y4 (0) y1 (1) y2 (1) y3 (1) y4 (1)
M
yp (0) A B yp (1) = (0) C yp yp (1) D
Si g = 0 una soluci on particular es yp = 0. En este caso sabemos del enunciado que la u nica soluci on es la soluci on nula, entonces 0 A B 0 M C = 0 A=B=C=D=0 0 D
de donde M es invertible, por lo que el sistema (*) tambi en tiene soluci on u nica cualquiera sea el yp escogido. Por ello siempre hay una soluci on (para cada yp elegido hay un set de constantes A, B , C , D asociadas soluciones del sistema (*)). Para convencerse de que es u nica, basta tomar dos soluciones y , z , y la resta de ambas u = y z satisface la ecuaci on homog enea con las mismas condiciones de borde, que sabemos por enunciado debe ser nula. Por esto u = 0 es decir y = z . Ejemplo 3.16. Dada la ecuaci on y + y = cos(x) en (0, 1), > 0 con condiciones de borde y (0) = y (1) = 0, analicemos la soluci on en t erminos de las constantes y . Igual que en el ejemplo anterior, la soluci on tiene la forma: y = Ay1 + By2 + yp
donde A y B son constantes, y1 e y2 son dos soluciones l.i. de la ecuaci on homog enea e yp es una soluci on particular cualquiera. En este caso, por ser la EDO a coecientes constantes, podemos obtener expl citamente y1 e y2 a partir de los valores caracter sticos: 2 + = 0 = i, = de donde y1 = cos(x) e y2 = sin(x). Con esto: y = A cos(x) + B sin(x) + yp . Imponiendo las condiciones de borde se obtiene:
y (0) = 0 = A sin( 0) B cos( 0) + yp (0) = B + yp (0) y (1) = 0 = A sin( ) B cos( ) + yp (1)
El sistema que se obtiene es el siguiente: ()
0 sin( ) cos( )
M
A B
yp (0) yp (1)

La matriz M es invertible si y s olo si sin( ) = 0, es decir, si = k para ning un k entero. Si es as , la soluci on es u nica tal y como ocurri o en el ejemplo anterior. Si por el contrario = k0 para alg un k0 entero, entonces la soluci on existe si yp (0) pertenece al n ucleo de M , esto es, si su segunda componente es nula: yp (1)
si por el contrario yp (1) = 0 no hay soluci on que sea compatible con las condiciones de borde. Por otro lado yp tiene la forma ( ) yp (1) = 0
(i) yp = C cos(x) + D sin(x) o bien (ii) yp = Cx cos(x) + Dx sin(x)
si = (caso no resonante) si = (caso resonante)
de donde la condici on (***) queda en el caso (i)
C sin( ) = D cos( ) que se cumple en particular si = 0 o si tan = D/C . En el caso (ii) se puede llegar a una condici on similar que liga C con D.
Cap tulo 4
Transformada de Laplace
1. Deniciones y ejemplos
n 4.1. Dada f : [0, +) R se llama transformada de Laplace de Definicio f a la funci on (30) L[f ](s) =
+ 0
est f (t)dt
que asocia a s R el valor L[f ](s) cuando la integral converge. Si la transformada de Laplace de una funci on existe para s > c, a la m nima cota c se le llama as ntota de la transformada. Veamos algunos ejemplos para funciones conocidas: Ejemplo 4.1. Primero f (t) = 1. Claramente, si s 0 la integral converge. Si s > 0 entonces L[1](s) =
0 st e dt 0
no
est dt =
1 st e s
1 . s
1 Luego L[1](s) = para s > 0 (la as ntota es c = 0). s Ejemplo 4.2. Analicemos ahora f (t) = eat con a C. Al igual que antes, es evidente que si s Re(a) entonces la integral 0 est eat dt = 0 e(sa)t dt no converge. Si s > Re(a), L[eat ](s) =
0 +
e(sa)t dt
+ 0
= = De all , L[eat ](s) =
1 para s > Re(a) (la as ntota es c = Re(a)). sa
1 (sa)t e sa 1 . sa
Ejemplo 4.3. Recordemos ahora que cos wt + i sen wt = eiwt , de manera que Re(eiwt ) = cos wt e Im(eiwt ) = sen wt son la parte real e imaginaria de eiwt , respectivamente. De ejemplo anterior tenemos que L[eiwt ](s) = 1 s + iw = 2 s iw s + w2
97
para s > 0.

98 4. TRANSFORMADA DE LAPLACE
En virtud de la denici on de la transformada de Laplace, L[Re(f )] = ReL[f ] con lo cual L[cos wt](s) = s2 s + w2 y L[sen wt](s) = s2 w + w2 para s > 0. e L[Im(f )] = ImL[f ],
De la linealidad de la integral tenemos la siguiente propiedad: Propiedad 4.1. La transformada de Laplace es un operador lineal. Es decir, si R y si f y g son funciones de [0, +) en R tales que L[f ](s) y L[g ](s) existen, entonces L[f + g ](s) = L[f ](s) + L[g ](s). Ejemplo 4.4. Recordemos que cosh(t) = s > 1 tenemos que L[cosh(t)](s) = = = y L[senh(t)](s) = = = e t + e t e t e t y senh(t) = . Para 2 2
1 L[et ](s) + L[et ](s) 2 1 1 1 + 2 s1 s+1 s , 2 s 1 1 L[et ](s) L[et ](s) 2 1 1 1 2 s1 s+1 1 . 2 s 1
Una funci on f tiene una discontinuidad de salto en a Dom(f ) si los l mites laterales l mxa+ f (x) y l mxa f (x) existen, son nitos y distintos. Una funci on f : [0, +) R se dice continua por pedazos si tiene un n umero nito o numerable de discontinuidades de salto en [0, +), pero sobre cada subintervalo acotado de [0, +) tiene a lo m as un n umero nito de estas. Veamos algunos ejemplos: Ejemplo 4.5. La funci on f (t) = (1)[t] = 1 0t<1 1 1 t < 2
extendida peri odicamente a [0, ) con per odo 2, se llama onda cuadrada y es continua por pedazos.

1. DEFINICIONES Y EJEMPLOS 99
0 1
Gr aco de la onda cuadrada.
Ejemplo 4.6. La funci on f (t) = t [t] o bien f (t) = t, 0 t < 1 extendida peri odicamente a [0, ) con per odo 1, llamada onda de dientes de sierra, es continua por pedazos.
Gr aco de la onda de dientes de sierra.
Ejemplo 4.7. La funci on f (t) = tan(t) no es continua por pedazos pues

+ t 2
l m tan(t) =
t 2
l m tan(t) = +.
Ejemplo 4.8. La funci on f (t) = tampoco es continua por pedazos. n 4.2. Una funci Definicio on f : [0, +) R es de orden exponencial si existen R y M > 0 tales que |f (t)| M et para todo t 0. Al menor de tales se le llama orden exponencial de f . Gr acamente, el hecho de tener orden exponencial signica que la funci on est a encerrada entre M et y M et . n 4.3. El espacio C es el conjunto de las funciones f : [0, +) R Definicio que son continuas por pedazos y de orden exponencial . Es un subespacio vectorial del espacio de todas las funciones de [0, +) en R. 0
1 t
t=0 t=0

Observemos que si f C entonces |f (x)| de modo que f C . |f (0)| + |f (0)| + M ex ,

0
|f (s)|ds
M x e
Propiedad 4.2. Si f C entonces para todo s > , existe L[f ](s) (y converge absolutamente). Adem as M |L[f ](s)| s para todo s > . En particular, l ms+ L[f (t)](s) = 0. n. Recordemos que si la integral converge absolutamente, enDemostracio tonces converge. Con esto basta probar que
0
|est f (t)|dt
0
para todo s > . En efecto,

0
M s
|est f (t)|dt
= M
est |f (t)|dt
est et dt e(s)t dt
0
M
0
1 e(s+)t s + C . s
Ejercicio Propuesto 4.1. Demostrar que tk , k N, tiene transformada de k! Laplace y que L[tk ](s) = k+1 , s > 0. s La func on escal on de Heaviside se dene como 0 t<a Ha (t) = 1 ta
a
Funci on escal on de Heaviside Ha (t).

2. PROPIEDADES BASICAS DE LA TRANSFORMADA DE LAPLACE 101
Observemos que si a 0, entonces Ha (t) = H0 (t a). La transformada de Laplace de Ha , con a 0 es L[Ha ](s) = para s > 0. Si a < b denimos el pulso entre a y b como t<a 0 1 at<b Pab (t) = 0 t b.
est Ha (t) dt =
a
est dt =
1 as e s
a
Pulso entre a y b.
Notar que Pab (t) = Ha (t) Hb (t). Luego, su transformada de Laplace para 0 a < b ser a L[Pab (t)](s) = L[Ha (t) Hb (t)](s) = L[Ha (t)](s) L[Hb (t)](s). Por lo tanto L[Pab (t)](s) = 2. 1 as (e ebs ) para s > 0. s
Propiedades b asicas de la transformada de Laplace
En esta secci on estudiaremos reglas operacionales que ser an u tiles para aplicar la transformada de Laplace a la resoluci on de ecuaciones lineales de orden superior y sistemas lineales de primer orden. 2.1. Transformada de una derivada. Sea f C derivable. Calculemos la transformada de Laplace de su derivada para s > . L[f ](s) =
0 + 0 t
est f (t)dt est f (t)dt + est f (t)

0 t0+
= s
= sL[f ](s) + l m est f (t) l m est f (t). Como f es de orden exponencial , se tiene que
t
l m |est f (t)| l m |est et | = l m e(s)t = 0

t t +
pues s > . Llamando f (0 ) = l mt0+ f (t) tenemos que L[f ](s) = sL[f ](s) f (0+ ) para s > .

Para la segunda derivada, si s > tenemos L[f ](s) = sL[f ](s) f (0+ ) = s(sL[f ](s) f (0+ )) f (0+ ) = s2 L[f ](s) sf (0+ ) f (0+ ).
n1 k=0
Repitiendo este procedimiento obtenemos, para s > , L[f (n) ](s) = sn L[f ](s) sk f (nk1) (0+ ).
Ejemplo 4.9. Un cohete despega con velocidad inicial v0 desde la Tierra en forma vertical. Luego de algunos segundos, se activan los motores de emergencia, por lo que adquiere una aceleraci on a > 0 durante un intervalo de tiempo breve. Si la gravedad de la Tierra es g , encuentre la ecuaci on de movimiento del cohete suponiendo que tiene masa m y (t1 , t2 ) es el intervalo en el que funcionan los motores de emergencia, con t2 > t1 . De la sumatoria de fuerzas obtenemos d2 m 2 y (t) = mg + ma(Pt1 t2 (t)), dy donde y (t) es la posici on del cohete con respecto a la Tierra. Las condiciones iniciales del cohete son y (0) = 0 y y (0) = v0 . Eliminando m a ambos lados y aplicando L se obtiene la ecuaci on on recordando las expresiones para L[y (t)](s), L[Pt1 t2 (t)](s) y L[1](s), la expresi queda g a s2 L[y ](s) sy (0+ ) y (0+ ) = (et1 t et2 t ) s s + + Pero y (0 ) = 0 y y (0 ) = v0 . Luego a a g v0 L[y ](s) = 2 + 3 et1 t 3 et2 t 3 s s s s En breve veremos c omo recuperar una funci on a partir de su transformada. Continuaremos este c alculo en el Ejemplo 4.12. 2.2. Transformada de una primitiva. Sea f C localmente integrable.
t
L[y (t)](s) = aL[Pt1 t2 (t)](s) g L[1](s)
Sea a R. Encontremos la transformada de la funci on F (t) = s > se tiene L[F ](s) = sL[F ](s) F (0+ ). Por lo tanto, la transformada de F es L[F ](s) = para s > . 1 1 L[f ](s) s s
a
f (u)du. Para
a
f (u)du
0

2. PROPIEDADES BASICAS DE LA TRANSFORMADA DE LAPLACE t t t u 103
Si denotamos expresi on es
t t a a
f (u)du =
a a
f (v )dv du. La transformada de esta
f (u)du (s)
a a
= =
t 1 1 a t L f (u)du f (u)du (s) s s 0 a a 1 a 1 1 a L[f ](s) 2 F (t)dt. f (u)du 2 s s 0 s 0
repitiendo el proceso, se obtiene la f ormula para la transformada de la n- esima integral: L

n veces
2.3. Traslaciones. Una traslaci on en el dominio temporal t corresponde a un factor exponencial en el dominio de Laplace s. Si f C y a R, la funci on f trasladada hacia la derecha se dene en todo [0, ) como H (t a)f (t a). Se tiene entonces que L[H (t a)f (t a)](s) = =
0 0
1 . . . f (u)du (s) = sn L[f ](s) a a
k=1
1 sk
...
f (u)du.
n k veces
est H (t a)f (t a)dt est f (t a)dt es(u+a) f (u)du L[f (t)](s).
= = e
0 sa
De manera an aloga, una traslaci on en el dominio de Laplace corresponde a un factor exponencial en el dominio temporal. L[f (t)](s a) = =
a 0
e(sa)t f (t)dt est ea f (t)dt
L[eat f (t)](s).
2.4. Igualdad de transformadas. Nos proponemos ver ahora cu ando una funci on est a un vocamente determinada por su transformadad de Laplace. Nos interesa saber cu ando L[f ] = L[g ] implica que f = g . La respuesta est a dada por el siguiente teorema, que enunciamos sin demostraci on: Teorema 4.1 (Lerch). Si f, g C y L[f ](s) = L[g ](s) para todo s > entonces f (t) = g (t) para todo t 0, salvo en la uni on de las discontinuidades de f y g. 2.5. Convoluci on. Sean f y g funciones en C . El producto de convoluci on entre f y g de dene como
t
(f g )(t) =
f (s)g (t s)ds.

Se deja al lector vericar la siguiente: Propiedad 4.3. El producto de convoluci on es conmutativo, asociativo y distribuye con respecto a la suma en C . Teorema 4.2. Sean f, g C . Entonces L[(f g )](s) = L[f ](s) L[g ](s). En palabras, la transformada de la convoluci on es el producto de las transformadas. n. Dadas f y g en C , tenemos que Demostracio L[(f g )](s) =
0 t
est
0 t 0
f (u)g (t u)du dt
=
0
est f (u)g (t u)dudt.

0 u 0
Cambiando el orden de integraci on y haciendo un cambio de variables tenemos

0 0 t
est f (u)g (t u)dudt
= =
0
est f (u)g (t u)dtdu es(w+u) f (u)g (w)dwdu

0
=
0
esu f (u)du
esw g (w)dw
L[f ](s)L[g ](s).
2.6. Convergencia Uniforme. Veremos ahora unos detalles t ecnicos de convergencia. Sean f C y M > 0 > . Denimos (s) =
0
est f (t)dt
n (s) =
0
est f (t)dt,
con s I = [0 , M ]. Tenemos que |n (s) (s)| = para todo s I . Si g

I
est f (t)dt
= supsI |g (s)|, entonces n

I
C (s)t e s n C (s)n e s
Por lo tanto n a en I .
0 cuando n , con lo que n converge uniformemente
C (s)n e s s> C e(0 )n . = 0 sup

2. PROPIEDADES BASICAS DE LA TRANSFORMADA DE LAPLACE 105
2.7. Diferenciabilidad. Sea f C . Calcularemos la derivada con respecto a s de la transformada de Laplace de f . d L[f (t)](s) ds = =
0
d ds

est f (t)dt
d st e f (t)dt ds test f (t)dt
=
0
L[tf (t)](s).
La derivaci on bajo el signo integral se justica por la convergencia uniforme. Repitiendo el proceso, la derivada n- esima de la transformada de Laplace de f se expresa como dn L[f (t)](s) = (1)n L[tn f (t)](s). dsn 2.8. que
s 0 s
Integrabilidad. Gracias de nuevo a la convergencia uniforme, tenemos

0 0 0 s s
L[f (t)](u)du
=
0
eut f (t)dt du eut f (t)du dt
= = = =
1 ut e f (t) dt t 0 0 f (t) f (t) st e dt + dt t t 0 0 f (t) f (t) L (s) + dt t t 0 f (t) , t
para f C . Si en la f ormula de la derivada de la transformada, se toma g (t) = se obtiene d f (t) = L[f (t)](s). L ds t Por lo tanto f (t) f (t) l m L (s) L (s) = L[f (t)](u)du. s t t s Si f (t) f (t) C se tiene l ms L (s) = 0. En consecuencia t t L f (t) (s) = t
s
L[f (t)](u)du
f (t) t
t) Se puede vericar que f ( mt0+ t C cuando f (t) C y l nito. Bajo esta condici on obtenemos s 0
existe y es
L[f (t)](u)du =
L[f (t)](u)du +
f (t) dt, t

que equivale a integrar desde 0 a . Es decir,

0
L[f (t)](u)du =
f (t) dt. t
3.
Antitransformadas y aplicaciones
Una funci on f (en el dominio temporal) es antitransformada de una funci on (en el dominio de Laplace) si se cumple que L[f ] = . Se denota como f (t) = L1 [](t). En esta secci on estudiaremos un m etodo para calcular antitransformadas de funciones racionales y presentaremos aplicaciones a la ecuaci on diferencial lineal de orden n y a sistemas de ecuaciones lineales de primer orden. 3.1. Descomposici on en fracciones parciales. Repasaremos el m etodo de descomposici on en fracciones parciales estudiado en el curso de c alculo integral. p(x) Supongamos se tiene la expresion racional , donde p y q son polinomios a coeq (x) p(x) cientes reales tales que gr(p) < gr(q ). Se quiere escribir como una suma de q (x) expresiones m as simples. Se pueden presentar varios casos: 1. q (x) tiene n ra ces reales distintas y simples: q (x) = (x a1 ) . . . (x an ), con ai = aj si i = j . Hacemos An A1 p(x) + + . = q (x) x a1 x an 2. q (x) tiene solo una ra z real de multiplicidad n: q (x) = (x a)n . Hacemos p(x) An A1 A2 + + . = + q (x) x a (x a)2 (x a)n 3. q (x) tiene 1 ra z compleja simples. Entonces su conjugado tambi en es ra z simple, de modo que q (x) = ax2 + bx + c = (x z )(x z ), z C \ R. Hacemos Ax + B p(x) = 2 . q (x) ax + bx + c 4. Si q (x) tiene 1 ra z compleja de multiplicidad n: q (x) = (ax2 + bx + c)n = n n (x z ) (x z ) con z C \ R. Hacemos p(x) An x + Bn A1 x + B1 A2 x + B2 + + . = 2 + q (x) ax + bx + c (ax2 + bx + c)2 (ax2 + bx + c)n 5. Cualquier combinaci on de estos casos. Una vez descompuesta la expresi on original, se deben encontrar los valores de los coecientes de la parte derecha. Existen varias formas de encontrarlos, veremos 2 m etodos: M etodo 1: Multiplicar por q (x) a ambos lados y evaluar ra z por ra z (sirve cuando las ra ces son simples).

3. ANTITRANSFORMADAS Y APLICACIONES 107
M etodo 2: Desarrollar la suma de la parte derecha e igualar coecientes. Ejemplo 4.10. Se desea descomponer la expresi on s . s2 3 s + 2 Las ra ces son s = 1 y s = 2, ambas simples. La expresi on se descompone como s A B = + . s2 3 s + 2 s1 s2 s = A(s 2) + B (s 1). Evaluando en s = 1 vemos que A = 1 y evaluando en s = 2 vemos que B = 2. Ejemplo 4.11. Se desea descomponer la expresi on 1 . s2 ((s a)2 + b2 ) Las ra ces son s = 0, con multiplicidad 2, y s = a bi, ambas simples. Utilizando una combinaci on de 2. y 4., la descomposici on queda (31) C + Ds A B 1 . = + 2+ s2 ((s a)2 + b2 ) s s (s a)2 + b2
Utilizamos el m etodo 1. Para ello multiplicamos a ambos lados por q (s). Obtenemos
Como hay una ra z doble usaremos el m etodo 2. Desarrollamos el lado derecho de (31) y obtenemos As((s a)2 + b2 ) + B ((s a)2 + b2 ) + (C + sD)s2 1 = . s2 ((s a)2 + b2 ) s2 ((s a)2 + b2 )
Reordenando los t erminos deducimos una igualdad para los numeradores:
1 = s3 (A + D) + s2 (2aA + B + C ) + s(A(a2 + b2 ) 2aB ) + (Ba2 + Bb2 ). Igualando los coecientes obtenemos 4 ecuaciones: 0 = 0 = 0 = 1 = que nos dan A= (a2 2a , + b2 )2 B= a2 1 , + b2 C= 3 a2 b 2 , (a2 + b2 )2 D= 2a . (a2 + b2 )2 A+D 2aA + B + C
Ba2 + Bb2
A(a2 + b2 ) 2aB
M as adelante, en el Ejemplo 5.11, mostraremos una aplicaci on concreta del m etodo de fracciones parciales a un problema de intercambio de masas atmosf ericas.

3.2. Aplicaci on a la EDO lineal de orden n. Se tiene la siguiente EDO a coecientes constantes: P (D)y (t) = Q(t) con P (D) un operador diferencial de orden n normalizado (an = 1) y Q(t) combinaci on lineal de funciones en C . Aplicando L a ambos lados de la EDO, se obtiene:
n
L
n
j =1
j =1
aj L Dj y (s)
aj Dj y (s)
= L[Q](s)
= L[Q](s).
Pero se sabe que donde L Dj y (s) = sj L[y ](s) Rj (s), Rj (s) = Con esto la ecuaci on queda
n j 1 k=0
sk y (j k1) (0+ ).
n j =1
Escribimos entonces
j =1
aj sj L[y ](s) L[y (t)](s) =
aj Rj (s) = L[Q](s).
R(s) L[Q(t)](s) + , P (s) P (s)

n
donde P (s) =
aj sj
j =1
R(s) =
j =1
aj Rj (s).
Llamando yh (t) e yp (t) a la funciones tales que L[yh ](s) = se tiene que Luego yh (t) = L1 L[ y ] = L[ yh ] + L[ yp ]. R (t) P e yp (t) = L1 L[Q] (t). P R(s) P (s) y L[yp ] = L[Q](s) P (s)
Para encontrar yp (t), consideremos G(t) = L1 yp (t)
1 (t). Tenemos P
= L1 L[G(t)](s)L[Q(t)](s) (t) = (G Q)(t)

t
= L1 L[(G Q)(t)](s) (t) G(t )Q()d.
=
0

3. ANTITRANSFORMADAS Y APLICACIONES 109
Todo se reduce entonces a encontrar antitransformadas de funciones de la forT (s) , donde T y P son polinomios y gr(P ) > gr(T ) (observe que P es de grado ma P (s) n, R es de grado n 1 y 1 es de grado cero). Gracias a la linealidad, si descomponemos en fracciones parciales, basta averiguar cu ales son las antitransformadas de cada uno de los t erminos que aparecen en la descomposici on. Primero recordemos que 1 s 1 (s )k 1 (s )2 + w2 s (s )2 + w2 = = = = L L[H (t)](s ) = = = = L[et H (t)](s) L et L
tk 1 (s ) (k 1)! 1 L sen(wt) (s ) w L [cos(wt)] (s )
et sen(wt) (s) w
tk 1 (s) (k 1)!
L [et cos(wt)] (s).
Inmediatamente obtenemos las antitrasformadas et H (t) et tk 1 (k 1)! = L1 = L1 = L1 = L1 1 (t) s
et sen(wt) w et cos(wt)
1 (t) (s )k 1 (t) (s )2 + w2 s (t). (s )2 + w2
Esto es casi todo lo que se necesita para determinar la antitransformada de una T (s) funci on de la forma . S olo falta encontrar las antitransformadas de fracciones P (s) del tipo 1. L1 s (t) (s2 + a2 )n 2. L1 1 (t) (s2 + a2 )n
para n 2. Haremos los c alculos para n = 2 y dejamos el caso general como ejercicio para el lector. d 1 2s 1. Basta considerar = 2 . Por lo tanto ds s2 + a2 (s + a2 )2 L1 s (t) = (s2 + a2 )2 = = 1 1 d 1 (t) L 2 ds s2 + a2 1 1 d L L[sen(at)](s) (t) 2a ds 1 t sen(at). 2a

110 4. TRANSFORMADA DE LAPLACE t
2. Recordando que L L1
f =
0
1 L[f ], se tiene: s L1 L1 1 s (t) s (s2 + a2 )2 1 1 L t sen(at) (s) (t) s 2a

t 0
1 (t) = (s2 + a2 )2 = = = =
L1 L
t
1 t sen(at) (s) (t) 2a
1 t sen(at) 0 2a 1 1 sen(at) t cos(at) . 2 a2 a
Resumimos los ejemplos m as relevantes de funciones y sus transformadas en la siguiente tabla: f (t) et Ha (t) Pab (t) et tk 1 (k 1)! L[f ](s) 1 s 1 as e s
1 as (e ebs ) s 1 (s )k 1 (s )2 + w2 s (s )2 + w2 2as (s2 + a2 )2 2 a2 (s2 + a2 )2
et sen(wt) w et cos(wt) t sen(at) 1 sen(at) t cos(at) a
Ejemplo 4.12. Continuando el Ejemplo 4.9 del cohete, hay que encontrar las funciones que al ser transformadas por L, equivalen a cada uno de los sumandos del miembro derecho de la ecuaci on v0 a a g L[y ](s) = 2 + 3 et1 t 3 et2 t 3 . s s s s Utilizando las conclusiones de la discusi on precedente vemos que a gt2 a . L[y ](s) = L v0 t + (t t1 )2 H (t t1 ) (t t2 )2 H (t t2 ) + 2 2 2

4. FUNCIONES GENERALIZADAS. DELTA DE DIRAC 111
Por lo tanto, la ecuaci on de movimiento del cohete es a gt2 a . y (t) = v0 t + (t t1 )2 H (t t1 ) (t t2 )2 H (t t2 ) + 2 2 2
utilizando la transformada de Laplace. Para ello observemos que L[y + 2y + 2y ](s) = = s2 L[y ](s) sy (0+ ) y (0+ )
2
Ejemplo 4.13. Resolvamos ahora el problema de Cauchy y + 2y + 2y = 0 y (0) = 1 y (0) = 1 L[y ] + 2L[y ] + 2L[y ]
= con lo cual
2
(s + 2s + 2)L[y ](s) s 3. 0 0
+2(sL[y ](s) y (0+ )) + 2L[y ](s)
s+3 s+3 L[y ](s) = . 2 s + 2s + 2 Como las raices de s2 + 2s + 2 = 0 son complejas, se escribe ese polinomio de la forma (s + 1)2 + 1, con lo que se obtiene s+3 s+1 2 L[y ](s) = = + . (s + 1)2 + 1 (s + 1)2 + 1 (s + 1)2 + 1 1 s+1 y L [ex sen x] (s) = , se tiene Como L [ex cos x] (s) = 2 (s + 1) + 1 (s + 1)2 + 1 que L[y ](s) y (x) L[y ](s) = = = L ex cos x + 2ex sen x (s) L ex cos x (s) + 2L ex sen x (s)
(s + 2s + 2)L[y ](s) s 3 =
2
L[y + 2y + 2y ](s) =
(s + 2s + 2)L[y ](s) =
ex (cos x + 2 sen x).
4.
Funciones generalizadas. Delta de Dirac
Sea : R R una funci on integrable. La acci on de sobre una funci on f : R R es [f ] = cuando esta integral est e bien denida.
(t)f (t) dt
La delta de Dirac pertenece a las llamadas funciones generalizadas o distribuciones. No es exactamente una funci on, sino m as bien una regla que a cada funci on

continua f le asigna un n umero real, que es su valor en cero f (0). Las funciones generalizadas se denen en t erminos de su acci on sobre cierto tipo de funciones. En estricto rigor, denimos la acci on de la delta de Dirac sobre una funci on continua f mediante [f ] =
(t)f (t) dt = f (0).
La notaci on de integral es bastante sugerente pero se debe recordar que la delta de Dirac no es una funci on, aunque comparta ciertas propiedades con las funciones integrables. Siguiendo la notaci on presentada arriba, escribiremos a [f ] =

(t a)f (t) dt = f (a).
La delta de Dirac modela un impulso, golpe o chispazo. Se interpreta como un gran est mulo aplicado instant aneamente a un sitema. Ejemplo 4.14. Tomando la funci on continua f (t) 1 tenemos que
(t) dt =
(t) 1 dt = 1.
Una propiedad interesante de la delta de Dirac es que se puede aproximar, en cierto sentido, por funciones propiamente tales. M as precisamente, su acci on sobre una funci on continua se puede obtener como el l mite de las acciones de una sucesi on de funciones integrables. Sea = P01 el pulso entre 0 y 1. Si n (t) = n(nt) entonces + n (t)dt = 1 para cada n. Si a > 0 y f es continua entonces Si f es continua entonces l mn fn (t)f (t)dt = f (0) = [f ]. Observaci on: Cabe destacar que las funciones n no son las u nicas que dan origen a ; basta con que cumplan las propiedades enunciadas. La transformada de Laplace de una funci on f en el punto s puede interpretarse como la acci on de f sobre la funci on t est . Tiene sentido entonces denir la transformada de Laplace de la delta de Dirac mediante L[ ](s) = = = = =
n + a
fn (t)f (t)dt =
+ a
fn (t)f (t)dt = 0.
l m L[n ](s)
l m
n (t)est dt nest dt
0 1/n
n n
l m
l m
n (1 es/n ) s

4. FUNCIONES GENERALIZADAS. DELTA DE DIRAC 113
12
10
0.2
0.4
0.6
0.8
1.2
1.4
1.6
1.8
Figura 1. Las funciones n . para s R. Observemos que esto es consistente con L[ ](s) =
0
(t)est dt = e0 = 1.
Por otra parte, la delta de Dirac es el elemento neutro para el producto de convoluci on. Es decir, para f C se tiene Por el Teorema de Lerch, f 0 = 0 f = f (salvo, quiz a, en una cantidad numerable de puntos). L[f ] = L[f ] L[ ] = L[f ].
Cap tulo 5
Sistemas lineales de primer orden

1. Introducci on
Hasta aqu se han estudiado ecuaciones lineales con una sola funci on inc ognita. Estudiaremos ahora sistemas de ecuaciones diferenciales lineales, tanto porque permiten modelar problemas f sicos que involucran la interacci on de diversas variables dependientes, como tambi en porque a ellos pueden reducirse las ecuaciones lineales de grado superior. Comenzaremos por comentar algunos resultados acerca de funciones vectoriales y matriciales. n 5.1. El espacio Definicio C n (I )m = C n (I ) C n (I )
m veces
est a conformado por los vectores de m funciones n veces continuamente derivables en el intervalo I . De manera an aloga, C n (I )mk son las matrices de m k funciones n veces continuamente derivables en el intervalo I . Haremos la identicaci on C n (I )m1 = C n (I )m . Estos conjuntos tienen estructura de espacio vectorial para la suma y ponderaci on por escalar componente a componente. La integraci on y derivaci on se hace componente a componente: f1,1 . . . f1,k . . .. . . . . . fm,1 . . . fm,k f1,1 . . . f1,k . . .. . . . . . fm,1 . . . fm,k f1,1 . . . fm,1 ... .. . ... ... .. . ... f1,k . . . fm,k
f1 ,1 . . . fm, 1
f1 ,k . . . . fm,k
Adem as tenemos la regla para la derivaci on de un producto. Lema 5.1. Si A(t) Mnm (R) y B (t) Mmp (R), con n, m, p N, entonces (A(t)B (t)) = A (t)B (t) + A(t)B (t).
115

116 5. SISTEMAS LINEALES DE PRIMER ORDEN
n. Para la componente ip se cumple que Demostracio

m m
j =1
aij (t)bjp (t)
(aij (t)bjp (t))
j =1 m
=
j =1 m
(a ij (t)bjp (t) + aij (t)bjp (t)) m
=
j =1
a ij (t)bjp (t) +
j =1
aij (t)b jp (t).
n 5.2. Un sistema lineal de EDO en Rn es un sistema de n ecuaciones Definicio escrito de la forma (32) X (t) = A(t)X (t) + B (t) X (t0 ) = X0 , para t I
donde I es un intervalo, A(t) Mnn (R), B (t) Rn para cada t en I , y X0 Rn son condiciones iniciales en t = t0 I . En el caso B 0 se dice que el sistema es homog eneo. En el caso que A es una matriz constante, se dice que el sistema es a coecientes constantes. Ejemplo 5.1 (Poluci on en dos estanques). Dos estanques 1 y 2, que contienen V [m3 ] de agua, se encuentran interconectados por medio de un canal, por el cual 3 uye agua desde 1 a 2 a raz on de b[ m es del s ]. El sistema es alimentado a trav kg m3 on [ m3 ], que contamina estanque 1 a raz on de b[ s ], con un poluente de concentraci 3 el agua. El agua sale del sistema por un canal del estanque 2, con un caudal de b[ m s ]. En esta situaci on se produce una contaminaci on del agua en ambos estanques. Para tratar de disminuir este efecto negativo, se propone a nadir otro canal que conecte a 3 los dos estanques, para que devuelva ujo de 2 a 1, a raz on de b[ m s ], donde > 0. Sin embargo, para evitar el rebalse del sistema, se debe aumentar el ujo del canal 3 anto ayuda esta soluci on a disminuir la poluci on ya existente a b(1 + )[ m s ]. Cu del agua en los estanques?
b (1+)
Figura 1. Poluci on en dos estanques del ejemplo 5.1

2. SISTEMAS LINEALES Y ECUACIONES DE ORDEN SUPERIOR 117
Para el estanque 1, tenemos que la variaci on de la cantidad de poluente por unidad de tiempo es la diferencia de las concentraciones que entran y las que salen por unidad de tiempo, es decir: x 1 = b + bx2 1 1 b(1 + )x1 . V V
Repitiendo el razonamiento para el estanque 2, resulta el sistema: x 1 (t) = x 2 (t) = b + b b(1 + ) x2 (t) x1 (t) V V b b b(1 + ) x1 (t) x2 (t) x2 (t). V V V
Este es un sistema de ecuaciones que se puede escribir, en forma matricial, como x 1 x 2 =

) b(1+ V b(1+) V b V ) b(1+ V
x1 x2
b 0
Se trata de un sistema lineal de dos ecuaciones de primer orden no homog eneo a coecientes constantes.
2.
Sistemas lineales y ecuaciones de orden superior
2.1. Paso de una ecuaci on lineal de orden n a un sistema lineal. Veamos c omo una ecuaci on lineal de orden n puede interpretarse como un sistema de n ecuaciones lineales de primer orden con n inc ognitas. Para ello, consideremos el siguiente cambio de variables: z1 (x) z2 (x) = y (x) = y (x) . . . = y (n1) (x)
zn (x)
Derivando cada nueva variable, se tiene

z1 (x) = y (x) z2 (x) = y (x) . . . . . . (n) zn (x) = y (x)
= = = =
z2 (x) z3 (x) . . . an1 (x)y (n1) (x) a0 (x)y (x) + Q an1 (x)zn (x) a0 (x)z1 (x) + Q. ... ... .. . ... 0 0 . . . an1 z1 z2 . . . zn
z
Con esto, el sistema queda de la forma: 0 1 0 z1 0 z2 0 1 . = . . . . . . . . . . . zn a0 a1 a3

z Ac
0 0 . . . Q
b

Las condiciones iniciales y (x0 ), . . . , y (n1) (x0 ) corresponden a las condiciones iniciales en el sistema z1 (x0 ), . . . , zn (x0 ). El problema de Cauchy se escribe z (x) = zk (x0 ) = Ac (x)z (x) + b(x) para x I y (k1) (x0 ) para k = 1, . . . n.
Llamaremos a Ac (x) la matriz compa nera de la ecuaci on de orden n. 2.2. Paso de un sistema lineal a una ecuaci on lineal de orden n. Veamos ahora la identicaci on rec proca. Para explicar c omo se hace esta identicaci on presentaremos dos m etodos aplicados a un sistema de dos ecuaciones con dos inc ognitas. El caso general lo dejamos como ejercicio al lector. Consideremos el sistema (33) (34) x 1 x 2 = = a11 x1 + a12 x2 + b1 a21 x1 + a22 x2 + b2
0 con las condiciones iniciales x1 (0) = x0 1 y x2 (0) = x2 . 2.2.1. M etodo de sustituci on. Suponiendo a21 = 0, despejamos x1 de (34) para obtener
(35) y luego derivamos
x1 =
x 2 a22 x2 b2 a21
x 2 a22 x2 b2 . a21 Reemplazando (35) y (36) en (33) resulta
(36)
x 1 =
que es una ecuaci on de segundo orden con condiciones iniciales x2 (0) = x0 2

0 0 x 2 (0) = a21 x1 + a22 x2 + b2 (0).
x 2 (a11 + a22 )x2 + (a11 a22 a12 a21 )x2 = a21 b1 a11 b2 + b2 ,
2.2.2. M etodo de reducci on. Utilizando la notaci on de operador diferencial Dx = x el sistema (33)-(34) se reescribe (37) (38) (D a11 )x1 a12 x2 a21 x1 + (D a22 )x2 = = b1 b2 .
Aplicando el operador D a11 a la segunda ecuaci on, multiplicando por a21 la primera y sumando, se obtiene (39) que es la misma EDO de orden 2 para x2 que la obtenida con el m etodo anterior. Observaci on: Puede vericar que en todos los casos, despejando x1 o x2 , se llega a una EDO del tipo
x i (a11 + a22 )xi + (a11 a22 a12 a21 )xi = fi , tr (A) det(A)
(D a11 )(D a22 )x2 a12 a21 x2 = a21 b1 + (D a11 )b2 ,
i = 1, 2
y con polinomio caracter stico asociado p() = 2 tr(A) + det(A) = det(A I ).

3. LOS TEOREMAS DE EXISTENCIA Y UNICIDAD. DEMOSTRACION. 119
Se deja al lector comprobar usando el m etodo de reducci on que un sistema lineal a coecientes constantes de tama no n 1 se identica con una ecuaci on lineal de orden n cuyo polinomio caracter stico es p() = det(A I ). 3. Los teoremas de existencia y unicidad. Demostraci on.
En esta secci on demostraremos la existencia y unicidad de soluci on para un sistema lineal de ecuaciones de primer orden. Teorema 5.1 (Existencia y Unicidad, caso lineal). Sea I un intervalo cerrado y acotado. Si A C (I )mm y B C (I )m , entonces dados X0 Rm y t0 I , existe una u nica soluci on X C 1 (I )m del sistema lineal X (t) X (t0 ) = = A(t)X (t) + B (t), X0 . tI
Entre las consecuencias m as relevantes mencionamos las siguientes: 1. De aqu se obtiene inmediatamente el Teorema 3.1, que da la existencia y unicidad de soluci on para la EDO lineal de orden n gracias a la identicaci on presentada en el Cap tulo 3. 2. La u nica soluci on de un sistema homog eneo con condici on inicial nula es la funci on nula. 3. Si dos soluciones X e Y coinciden en un punto, entonces coinciden en todo el intervalo. Esto dice que los gr acos de dos soluciones distintas no se cruzan, propiedad que se conoce como determinismo. Esto se debe a que si X (t1 ) = Y (t1 ) entonces la diferencia X Y es soluci on de un sistema homog eneo con condici on inicial nula y por lo tanto X (t) = Y (t) para todo t. 4. Si A o B son continuas por pedazos, el Teorema 5.1 sigue siendo cierto, salvo porque X es s olo continua por pedazos (se suele decir que X es C 1 por pedazos). 5. El Teorema se generaliza para cualquier tipo de intervalo I . M as a un, si A C (R)mm y B C (R)m , entonces la soluci on X queda denida en todo R. Veremos en realidad la existencia y unicidad de soluci on en un contexto m as amplio que el de los sistemas lineales, en la l nea de los teoremas 2.1 y 2.2 (ver Teoremas 5.2 y 5.4). Dada una matriz A = (aij ) de tama no m p, denimos su norma de Frobenius como 1/2
m p
Observe que coincide con la denici on usual de norma euclideana para vectores (pensados aqu como matriz la o columna).
A =
i=1 j =1
a2 ij

Lema 5.2. Si A Mmp (R) y X Rp entonces AX A

m p m p
X .
n. De la desigualdad de Cauchy-Schwartz vemos que Demostracio 2

p
AX
i=1
j =1
aij xj
i=1
j =1
a2 ij
j =1
= A x2 j
X .
Observemos primero que la funci on F (t, X ) = A(t)X + B (t) es Lipschitz con respecto a su segunda variable. Es decir, existe L > 0 tal que para todo t I y para todos los X, Y Rn . En efecto, |F (t, X ) F (t, Y )|
n n
F (t, X ) F (t, Y ) L X Y A(t)(X Y ) 1/2

i=1 j =1
Como los coecientes de A son continuos (o al menos continuos por pedazos), est an acotados en I . Luego, 1/2
n n
a2 ij (t)
X Y .
|F (t, X ) F (t, Y )| L|X Y |,
donde
Teorema 5.2 (de Cauchy-Lipschitz-Picard, Existencia y Unicidad, caso general). Sea I un intervalo cerrado y acotado. Supongamos que F C 0 (I Rm ) es una funci on Lipschitz con respecto a la segunda variable. Para cada t0 I y cada X0 Rm , existe una u nica soluci on X C 1 (I )m del problema de Cauchy X (t) X (t0 ) = F (t, X (t)) = X0 . para todo tI
L = sup
tI
i=1 j =1
a2 ij (t)
Este resultado generaliza los Teoremas 3.1 y 5.1. Para la demostraci on del Teorema 5.2 primero observemos que, integrando entre t0 y t la ecuaci on diferencial, obtenemos
t
X (t) = X0 +
t0
F (s, X (s))ds.
Denimos el operador T : C 0 (I )m X
t
C 0 (I )m T (X ), para t I.
donde T (X ) es la funci on denida por (40) T (X )(t) = X0 + F (s, X (s))ds

t0

Un punto jo de T es una funci on X C 0 (I )m tal que X = T (X ). Es decir,

t
X (t) = T (X )(t) = X0 +
F (s, X (s))ds
t0
para todo t I . Adem as, todo punto jo tiene que ser de clase C 1 , por ser primitiva de una funci on continua. Al derivar tenemos que todo punto jo de T es soluci on del problema de Cauchy X (t) = X (t0 ) = F (t, X (t)) X0 . para todo tI
Rec procamente, toda soluci on del problema de Cauchy debe ser un punto jo de T . Por lo tanto, para demostrar el Teorema 5.2 basta vericar que T tiene un u nico punto jo. 3.1. El Teorema del Punto Fijo de Banach. Primero recordemos dos propiedades importantes de R: 1. Una sucesi on {xn } es de Cauchy si para todo > 0 existe N N tal que |xn xk | < si k, n N . En R toda sucesi on de Cauchy es convergente. Es decir, existe x R tal que l mn xn = x. 2. Una funci on f : dom(f ) R es contractante si existe K (0, 1) tal que |f (x) f (y )| K |x y | si x, y dom(f ). Sea C R un conjunto cerrado y supongamos que f : C C es contractante. Entonces f tiene un u nico punto jo. Veremos que estas dos propiedades tambi en son v alidas en el conjunto de las funciones continuas de I en Rm . Comencemos por denir lo que es una sucesi on de Cauchy en este espacio. En primer lugar, la norma del supremo de una funci on f C 0 (I )m es f = sup f (t) . Con esto, decimos que una sucesi on de {fn } de funciones en C 0 (I )m es de Cauchy si para todo > 0 existe N N tal que fn fk
tI
<
si
k, n N.
Diremos tambi en que una sucesi on {fn } en C 0 (I )m converge a f C 0 (I )m si para todo > 0 existe N N tal que fn f < si n N . Teorema 5.3 (Banach). Sea I un intervalo cerrado y acotado. En el espacio C 0 (I )m todas las sucesiones de Cauchy (con la norma innito) son convergentes. n. Sea {fn } una sucesi Demostracio on de Cauchy en C 0 (I ). Fijamos t I j esima componente del vector fn (t) Rm . Para cada y denotamos por fn (t) la j - j j = 1, . . . , m la sucesi on {fn (t)} es de Cauchy en R pues
j j |f n (t) fk (t)| fn (t) fk (t) fn fk
y esta u ltima cantidad tiende a cero cuando n y k tienden a innito. Esto nos dice j que la sucesi on fn (t) tiene un l mite en R cuando n . Haciendo el mismo

procedimiento para cada t I y cada j {1, . . . , m} vamos deniendo una funci on f : I Rm cuya j - esima componente es
j f j (t) = l m fn (t). n
Veremos ahora que fn converge a f en C 0 (I )m . Esto nos dir a autom aticamente que f es continua por ser l mite uniforme de funciones continuas (componente a componente). Dado > 0 existe N N tal que fn fk < /2 si n, k N . Por lo tanto, para cada t I se tiene que fn (t) fk (t) < /2 si n, k N . Tomando el l mite cuando k vemos que fn (t) f (t) /2 < . Observando que n N no depende de t, tomamos supremo para t I y vemos que fn f
<
para todo n N . Concluimos que fn converge a f en C 0 (I )m . Decimos que un operador T : C 0 (I )m C 0 (I )m es contractante si existe K (0, 1) tal que T (f ) T (g ) K f g para todas f, g C 0 (I )m . Corolario 5.1 (Teorema del Punto Fijo de Banach). Cada operador contractante de C 0 (I )m en C 0 (I )m tiene un u nico punto jo. n. Sea T : C 0 (I )m C 0 (I )m un operador contractante. En Demostracio primer lugar observemos que T no puede tener m as de un punto jo. En efecto, si T (g ) = g y T (h) = h con g = h, entonces gh
= T (g ) T (h)
K gh
< gh
lo cual es imposible. Dicho esto, escojamos cualquier f C 0 (I )m y denamos recursivamente la sucesi on {fn } en C 0 (I )m mediante la relaci on f0 = f y fn = T (fn1 ) = = T n (f ) para n 1.
Si T (f ) = f ya tenemos el punto jo. Si no, probaremos que la sucesi on {fn } es de Cauchy. El Teorema anterior nos dir a entonces que fn converge a una cierta f C 0 (I )m que tiene que satisfacer T (f ) = f pues fn = T (fn1 ). Sean n, k N . Sin p erdida de generalidad suponemos que n k y escribimos la diferencia como una suma telesc opica:
n n
fn fk =
j =k+1
f j f j 1 =
j =k+1
T j (f ) T j 1 (f ).

Tenemos entonces que

n
fn fk
j =k+1 n j =k+1
T j (f ) T j 1 (f ) K j 1 T (f ) f

T (f ) f T (f ) f 1K
Kk Kn 1K K k.
Tomemos > 0. Dado que K k 0 cuando k (pues K < 1), existe N N tal K ) que K k < T((1 f )f para todo k N . Tenemos entonces que fn fk si n, k N . Al ser una sucesi on de Cauchy, el Teorema 5.3 nos dice que es convergente. Como mencionamos arriba, el l mite es el u nico punto jo de T . 3.2. Demostraci on del Teorema 5.2. Recordemos que s olo nos resta probar que el operador T denido en (40) tiene un u nico punto jo. Para ello usaremos el Teorema del Punto Fijo de Banach, pero primero demostraremos un resultado auxiliar: T N = T T N veces tiene un u nico punto jo. Entonces lo mismo es cierto para T . que n. Sea X el u nico punto jo de T N . Como T N (X ) = X tenemos Demostracio T N (T (X )) = T N +1 (X ) = T (T N (X )) = T (X ), Lema 5.3. Supongamos que para cierto N N el operador
de donde T (X ) tambi en es un punto jo de T N (X ). Como T N tiene un u nico F es un punto jo de T . Para ver que es punto jo, tenemos que T (X ) = X y as el u nico, supongamos que Y es un punto jo de T . Entonces Y tambi en es punto jo de T N y por lo tanto Y = X . El Teorema 5.2 quedar a demostrado si encontramos una potencia de T que sea contractante. Lema 5.4. Bajo las hip otesis del Teorema 5.2, existe N N tal que T N es contractante. n. Sean X, Y C 0 (I )m y sea L la constante de Lipschitz de la Demostracio funci on F con respecto a su segunda variable. Tenemos que
t
T (X )(t) T (Y )(t)
t0
F (s, X (s)) F (s, Y (s)) ds

t t0
X (s) Y (s) ds
.
L(t t0 ) X Y

De manera similar, T 2 (X )(t) T 2 (Y )(t)

t
L
t0
T (X )(s) T (Y )(s) ds
t s t0 t0 )2
L2
t0
X ( ) Y ( ) d
ds
(t t0 )n Ln X Y . n! Denotamos por M la longitud del intervalo I . Tenemos entonces que T n (X )(t) T n (Y )(t) T n (X ) T n (Y ) Como tal
an n! tiende a cero cuando n )N que (ML < 1, de donde T N N!
L2 (t X Y . 2 Si repetimos este argumento vemos que para cada n N se tiene que
(M L)n X Y n!
para cada a R, podemos escoger N N resulta ser contractante.
Esto termina la demostraci on del Teorema 5.2. Observemos que, dada la funci on constante X (t) X0 , la sucesi on de funciones Xn = T n (X ) converge a la u nica soluci on del problema de Cauchy. Estas funciones se llaman aproximaciones sucesivas de Picard. Algunas observaciones: 1. El Teorema 5.2 es v alido para cualquier tipo de intervalo. Observemos adem as que la soluci on del problema de Cauchy est a denida en todo el intervalo I . Si la funci on F est a denida para todo t R entonces la soluci on quedar a denida en todo R. 2. El que la funci on F sea Lipschitz con respecto a su segunda variable es una hip otesis bastante restrictiva, que deja fuera muchos casos interesantes para los cuales tambi en se tiene la existencia y unicidad de soluci on. En el Cap tulo 6 presentaremos una versi on local de este teorema, que s olo requiere que la funci on F sea Lipschitz en un entorno de la condici on inicial. El Teorema 5.4 garantiza la existencia y unicidad de soluci on en las cercan as de t0 . 3. Tambi en se puede demostrar el teorema en el caso en que la funci on F es s olo continua por pedazos con respecto a su primera variable. Esto se hace resolviendo la ecuaci on por subintervalos y luego pegandolas soluciones que se obtienen. 4. Otra forma de demostrar que T es contractante es denir una norma innito alternativa, que depende de la constante de Lipschitz: f
,L
= sup |f (x)|e2L(tt0 ) .
xI
Con esta norma el Teorema 5.3 sigue siendo v alido y queda como ejercicio al lector probar que esta es efectivamente una norma y que se tiene 1 X Y ,L T (X ) T (Y ) ,L 2 por lo que la constante de contractancia es 1/2 sin necesidad de iterar.

3.3. Existencia y unicidad locales. El Teorema 5.2 exige que la funci on F sea Lipschitz. Esta es una hip otesis demasiado restrictiva y el teorema tambi en puede demostrarse bajo una condici on m as d ebil. Sin embargo, s olo se puede garantizar la existencia y unicidad de soluci on en un entorno de la condici on inicial. Enunciaremos el Teorema de Existencia y Unicidad en su versi on local. Sean I un intervalo abierto, t0 I , X0 Rn . Para r > 0 denotamos Br (X0 ) = {Y Rn | Y X0 r}. Suponemos que F : I Br (X0 ) Rn es una funci on continua y que para ciertos r, > 0 se tiene F (t, X ) F (t, Y ) L X Y X (t) X (t0 ) si X, Y Br (X0 ) y = F (t, X (t)), t I = X0 . t [t0 , t0 + ].
El siguiente teorema se reere al sistema no lineal
Teorema 5.4 (Existencia y Unicidad, versi on local). Con la notaci on e hip otesis descritas arriba, denimos M 0 y J = = = m ax{ F (t, x) | t I, |t t0 | , r m n , M I (t0 0 , t0 + 0 ). x x0 r},
Entonces existe una u nica soluci on del problema de Cauchy, al menos en J . Notemos que basta que la funci on F sea Lipschitz en la segunda variable s olo en un entorno de X0 . Por otra parte, se garantiza la existencia de soluci on en el r r , t0 + M ), que incluye puntos que est an sucientemente cerca intervalo I (t0 M de t0 (ver Ejemplo 5.2). Ejemplo 5.2. Un interesante ejemplo en que no se cumple la condici on de Lipschitz global (pero s local) es el siguiente problema de Cauchy: x (t) x(t0 ) = x2 (t) = x0 , tR
donde x0 > 0. Se trata de una ecuaci on en variables separables cuya soluci on viene dada por 1 x(t) = . 1 t0 + x t 0
1 La soluci on est a denida en el intervalo (, t0 + x 0 ) y explota al acercarse al extremo derecho. Este modelo sirve para modelar una combusti on o explosi on (observe que mientras m as grande x0 , m as r apido se va a la soluci on.
En ocasiones la funci on F es diferenciable con respecto a la segunda variable. Esta condici on, cuando est a presente, puede ser m as f acil de vericar que la condici on de Lipschitz. Veremos que toda funci on de clase C 1 es Lipschitz, lo que implica que el teorema anterior tambi en es v alido para funciones de este tipo. Es preciso observar, sin embargo, que no toda funci on Lipschitz es de clase C 1 .

n 5.1. Sea G : D Rn una funci Proposicio on diferenciable en un abierto D. Sea C una bola cerrada contenida en D. Si la matrix jacobiana JG es continua en C , entonces G Lipschitz en C . Es decir, existe LC > 0 tal que G(Y ) G(Z ) LC Y Z si Y, Z C . n. Del Teorema del Valor Medio (o de los incrementos nitos) Demostracio y la continuidad de JG vemos que G(Z ) G(Y ) sup JG(X )
X C
Z Y si Y, Z C.
= LC Z Y 4.
Estructura geom etrica de las soluciones
De manera similar a lo hecho para el estudio de la ecuaci on lineal de orden n, deniremos los siguientes conjuntos: es el espacio de soluciones del sistema homog eneo y H = {X Rn | X = A(t)X, t I }
es el hiperplano de soluciones del sistema no homog eneo. En efecto, es f acil ver que H es un subespacio vectorial del espacio de todas las funciones de I en Rn . En particular, cualquier combinaci on lineal de elementos de H est a en H. Por otra parte, observemos que la diferencia entre dos soluciones X1 y X2 del sistema no homog eneo satisface X1 (t) X2 (t)
S = {X Rn | X = A(t)X + B (t), t I }
= = =
Por lo tanto, es soluci on del sistema homog eneo. Esto demuestra el siguiente: Teorema 5.5. Dada una soluci on particular Xp de X = AX +B , toda soluci on del sistema se escribe como suma de Xp y alguna soluci on del sistema homog eneo. Es decir, S = Xp + H . En lo que sigue jamos t0 I . Del Teorema de Existencia y Unicidad sabemos que, para cualquier condici on inicial, el sistema lineal homog eneo tiene una u nica soluci on. Dado k {1, . . . , n}, la k - esima soluci on fundamental can onica, k , es la soluci on del sistema tI k (t) = A(t)k (t), k (t0 ) = ek , donde ek es el vector que tiene un 1 en la posici on k y 0 en las dem as. A la matriz cuyas columnas son las soluciones fundamentales can onicas se llamar a matriz fundamental can onica y se denotar a por . Su determinante, W = det(), es el Wronskiano del sistema. Lema 5.5. Sea (t) la matriz fundamental can onica del sistema.
A(t)X1 (t) + B (t) A(t)X2 (t) B (t) A(t) X1 (t) X2 (t) .
X1 (t) X2 (t)

4. ESTRUCTURA GEOMETRICA DE LAS SOLUCIONES 127
1. es la u nica funci on en C 1 (I )nn que satisface (41) (t0 ) = In y (t) = A(t) para todo t I. 2. (t) es invertible para todo t I . n. Es evidente que satisface (41). Ahora, si tambi Demostracio en cumple (41) entonces para cualquier Z0 Rn la funci on Z (t) = [(t) (t)]Z0 verica Z (t) Z (0) = A(t)Z (t) = 0. para todo tI
Por el Teorema de Existencia y Unicidad, Z (t) = [(t) (t)]Z0 = 0 para todo t I y para todo Z0 Rn , de donde (t) = (t) para todo t I . Veremos ahora que (t) es invertible para todo t I . Supongamos por el contrario que existe t1 I tal que (t1 ) no es invertible. Entonces existe v Rn \{0} con (t1 )v = 0. Esto es,
n
vk k (t1 ) = 0.
k=1
Denimos (t) =
n k=1
vk k (t). Tenemos que A(t) (t) 0. para todo tI
(t) = (t1 ) =
En virtud del Teorema de Existencia y Unicidad, (t) = 0 para todo t I y en consecuencia (t)v = 0 para todo t I . Pero entonces (t0 )v = In v = v = 0, lo que contradice el hecho de que v = 0. Ejemplo 5.3 (Cadena con resortes). Se tiene una cadena con extremos jos formada por n cuentas conectadas por resortes id enticos de constante el astica k y largo natural l0 . Cada cuenta de masa mi , i = 1 . . . n, tiene libertad para oscilar horizontalmente, pero presenta un rozamiento lineal con el medio de constante ci , i = 1 . . . n. Para cada cuenta tenemos la ecuaci on de movimiento
mi x i = ci xi k [(xi xi+1 ) + (xi xi1 )],
i { 1 , . . . , n} , .. . 2 1 1 2
donde x0 = xn+1 m1 .. . mn
= 0. Matricialmente tenemos x1 x1 c1 . . . .. . . . = . xn cn xn 2 1 .. 1 2 . .. .. k . . . ..
x1 x2 . . . xn1 xn

El sistema tiene la forma M X + CX + KX = 0, con X Rn . Si hacemos el cambio de variables Z= X X , Z = X X ,
podemos reescribir el sistema como Z = 0 M 1 K I M 1 C Z.
Para determinar el conjunto de soluciones fundamentales can onicas bastar a resolver el sistema anterior con condiciones iniciales Z (t0 ) = ek , (Es un sistema de 2n ecuaciones). Teorema 5.6. El conjunto {k }n k=1 es una base de H, llamada base fundamental can onica. En consecuencia, dim(H) = n y la soluci on del sistema homog eneo
Xh (t) = Xh (t0 ) =
k = 1, . . . , 2n.
A(t)Xh (t) X0
tI
est a dada por

n Xh = (t)X0 = x1 0 1 (t) + x0 n (t).
n. Debemos probar que todo elemento de H se escribe como Demostracio combinaci on lineal de 1 , . . . , n y que estas funciones son linealmente independientes. Partamos por la primera armaci on. Sea Xh H la soluci on del sistema homog eneo (t) = A(t)Xh (t), para t I Xh Xh (t0 ) = X0 .
n 1 n Escibimos X0 = x1 0 e1 + + x0 en con x0 , . . . , x0 R. Demostraremos que Xh = 1 n x0 1 + x0 n . Para esto denimos n Z (t) = x1 0 1 (t) + x0 n (t) = (t)X0 . n Z (t) = x1 0 1 (t) + x0 n (t),
Derivando obtenemos de donde
Z (t) = =
n A(t) x1 0 1 (t) + x0 n (t) A(t)Z (t)
pues as, por la denici on de los k tenemos que k = Ak para cada k . Adem
n Z (t0 ) = x1 0 e1 + + x0 en = X0 .
Tenemos entonces que Z es soluci on del mismo sistema de ecuaciones diferenciales que Xh , con las mismas condiciones iniciales. En virtud del Teorema de Existencia y Unicidad, Xh (t) = Z (t) = (t)X0 para todo t I.

4. ESTRUCTURA GEOMETRICA DE LAS SOLUCIONES 129
En virtud del Lema 5.5, la matriz (t) es invertible para cada t y por lo tanto = 0. Para generalizar los resultados anteriores, denamos una matriz fundamental (no necesariamente la can onica) como . . . . . . M (t) = 1 (t) n (t) , . . . . . . con t I , donde k es soluci on del sistema
(t) = k k (t0 ) =
Veamos ahora que {k }n k=1 son linealmente independientes. Suponemos que k k (t) = 0 para todo t I . Debemos probar que, necesariamente, k = 0 para todo k = 1, . . . , n. Observemos primero que . . . . 1 n . . . k k (t) = . = (t). 1 (t) n (t) . . . k=1 . . n . .
n k=1
A(t)k (t) vk
para t I
n y {vk }n k=1 es una base de R .
Corolario 5.2. Sea M (t) una matriz fundamental del sistema. Entonces det(M (t)) = 0 para todo t I y X (t) = M (t)M 1 (t0 )X0 . n. Observemos que la matriz M (t0 ) es invertible y satisface Demostracio M (t0 )ek = vk para k = 1, . . . , n. Luego M (t0 )1 vk = ek para k = 1, . . . , n. La matriz (t) = M (t)M (t0 )1 satisface (41) pues (t0 ) = (t) = M (t0 )M (t0 )1 M (t)M (t0 )1 = In = A(t)M (t)M (t0 )1 = A(t)(t).
De acuerdo con el Lema 5.5, (t) = (t) = M (t)M (t0 )1 , de donde se sigue el resultado. Para el sistema no homog eneo aplicaremos el m etodo de variaci on de par ametros estudiado en el cap tulo 3 para ecuaciones de orden superior. Recordemos la regla para derivar un producto contenida en el Lema 5.1 y la propiedad de dada por la ecuaci on (41) en el Lema 5.5. Buscamos una soluci on particular de la forma Xp (t) = (t)F (t), donde es la matriz fundamental can onica y F es una inc ognita. Xp debe satisfacer B (t) = = = =
Xp (t) A(t)Xp (t)
((t)F (t)) A(t)(t)F (t) (t)F (t) + (t)F (t) A(t)(t)F (t) (t)F (t),

para lo cual basta que F (t) F (t) = (t)1 B (t)

t
=
t0
1 (s)B (s)ds.
Como consecuencia de los Teoremas 5.5 y 5.6 tenemos Teorema 5.7 (Variaci on de Par ametros). La soluci on del sistema X (t) = X (t0 ) = est a dada por
t
A(t)X (t) + B (t) X0 1 (s)B (s)ds,

t0
X (t) = (t)X0 + (t) donde es la matriz fundamental can onica.
Ejercicio Propuesto 5.1. Escriba una f ormula an aloga usando cualquier matriz fundamental M . 5. Resoluci on de sistemas lineales
De acuerdo con lo visto en la secci on anterior, la resoluci on de un sistema lineal, homog eneo o no, se reduce a encontrar la matriz fundamental can onica . En lo que queda de este cap tulo nos centraremos en las t ecnicas para hacerlo. 5.1. Exponencial de una matriz. Veremos que la matriz fundamental can onica puede encontrarse directamente a partir de la matriz A mediante la llamada f ormula exponencial. Sea M Mnn (R). La exponencial de M se dene como eM =
k=0
Mk M2 Mn =I +M + + + + k! 2! n!
Las entradas de la matriz eM est an denidas en t erminos de una serie que, en principio, podr a no ser convergente. Veremos que s lo es. Para n N escribimos
n
Sn =
k=0
1 k M . k!
Denotamos por sn (i, j ) la entrada ij de la matriz Sn . Veremos que la sucesi on {sn (i, j )} es convergente para cada i y j . Para ello probaremos que es una n=0 sucesi on de Cauchy. Observemos primero que si n m entonces
n
Sn Sm =
k=m+1
1 k M . k!
n
Como |sn (i, j ) sm (i, j )| Sn Sm y M n M |sn (i, j ) sm (i, j )|

k=m+1
, se tiene que
k
1 M k!

DE SISTEMAS LINEALES 5. RESOLUCION 131
Como la serie del lado derecho es convergente a cero, la sucesi on {sn (i, j )} n=0 es de Cauchy. Concluimos que la esponencial de una matriz est a bien denida. Las principales propiedades de la exponencial se resumen en el siguiente resultado: n 5.2. Sean A, B Mnn (R), t, s R, entonces: Proposicio 1. e0t = eA0 = I . d At e = AeAt . 2. dt A(t+s) 3. e = eAt eAs . En particular, eAt es invertible y su inversa es (eAt )1 = At e . 4. AB = BA si, y s olo si, BeAt = eAt B . 5. AB = BA si, y s olo si, eAt eBt = e(A+B )t . n. La propiedad 1. es inmediata de la denici Demostracio on. 2. En cada intervalo [b, b], b R, las componentes de la matriz At est an uniformemente acotadas por | m ax(aij )||b|, luego tenemos la convergencia uniforme h p (t) = tenemos que h(t) es derivable y
(Ak )ij tk p . Como hp converge uniformemente k=0 k! (Ak )ij tk1 p converge uniformemente en (b, b) a k=1 k k! k=1 p k=1
de hp (t) =
a h y la sucesi on k
(Ak )ij tk1 , k!
h (t) = para todo t (b, b). Pero
(Ak )ij tk1 k!
k=1
(Ak )ij tk1 = k!
k=0
(Ak+1 )ij tk = (Ak )ij k!
k=0
(Ak )ij tk , k!
d At (e )ij = Aij (eAt )ij para todo t (b, b). dt Dado que b era arbitrario, el resultado es v alido en todo R. 3. Para s jo tomamos la funci on (t) = eA(t+s) eAt eAs , que satisface (t) = A (t) y (0) = 0. Por el Teorema de Existencia y Unicidad es la funci on nula y as eA(t+s) = eAt eAs . 4. Por inducci on se prueba que AB = BA si, y s olo si, Ak B = BAk para cada k 1. Luego BeAt = B
k=0
de donde
Ak tk = k!
k=0
BAk tk = k!
k=0
Ak tk B = eAt B. k!
5. Se prueba como 3.

De las propiedades 1 y 2 y el Lema 5.5 tenemos que (t) = eA(tt0 ) para todo
t
tI
pues ambas satisfacen la misma ecuaci on diferencial. De la f ormula X (t) = (t)X0 + (t)
t0
1 (s)B (s)ds,
dada por el Teorema 5.7 podemos escribir la soluci on en t erminos de la matriz exponencial mediante la f ormula exponencial:
t
X (t) = eA(tt0 ) X0 +
t0
eA(ts) B (s)ds.
Una consecuencia importante de esta f ormula es que si X e Y son soluciones de un sistema lineal, entonces X (t) Y (t) = eA(tt0 ) X (t0 ) Y (t0 ) eA(tt0 ) X (t0 ) Y (t0 ) .
Esto quiere decir que si las condiciones iniciales est an cerca, entonces las soluciones se mantienen cerca durante un tiempo. M as precisamente, dados , T > 0 existe > 0 tal que si X0 Y0 < entonces X (t) Y (t) < para todo t [0, T ]. 5.2. Exponencial de una matriz diagonalizable. Recordemos que una matriz A es diagonalizable si se puede expresar como A = P DP 1 , donde D es una matriz diagonal que contiene los valores propios de A y P es una matriz invertible cuyas columnas son los vectores propios correspondientes. M as precisamente, si 1 , . . . , n son los valores propios de A, y v1 , . . . , vn sus respectivos vectores propios, entonces . . . . . . . . . P = v v v 1 2 n . . . . . . . . . . El c alculo de la exponencial de una matriz diagonalizable es sumamente sencillo. 1 . D= . . 0 .. . 0 . . . n eAt = eP DP donde eDt
1
k=0
(P DP 1 )k tk =P k! e1 t . = . . 0 .. .
k=0
D k tk k!
P 1 = P eDt P 1 ,
0 . . . en t
De esta forma la soluci on del sistema homog eneo se puede escribir como: Xh (t) = eA(tt0 ) X0 = P eDt eDt0 P 1 X0 = P eDt C,
C

C1 . donde C = . . es un vector constante que depende de las condiciones iniciales. Cn Desarrollando el producto podemos escribir Xh (t) = C1 e1 t v1 + C2 e2 t v2 + + Cn en t vn . n. Esta u Observacio ltima f ormula puede obtenerse f acilmente viendo que cada funci on de la forma et v es soluci on del sistema lineal siempre que v sea un vector propio asociado al valor propio . Como toda matriz diagonalizable de tama no n n tiene n vectores linealmente independientes, es evidente que las funciones de esta forma generan todo el espacio de soluciones homog eneas. Sin embargo, preferimos construir las soluciones a partir de la exponencial para que el lector se familiarice con este m etodo, imprescindible en el caso no diagonalizable. Ejemplo 5.4 (Confort de un auto). Un modelo para estudiar el confort de un auto1 est a dado por
2 = (k1 L1 k2 L2 )x (k1 L2 1 + k2 L2 ),
x = (k1 + k2 )x + (k1 L1 k2 L2 )
donde las constantes k1 , k2 , L1 y L2 son respectivamente las rigideces y las distancias de los amortiguadores traseros y delanteros al centro de masas G del auto. En un instante t > 0, x(t) representa la posici on vertical de G y (t) el giro del auto en torno a G.
k1
L2
k2
L1
x(t )
(t )
Figura 2. Modelamiento de los amortiguadores de un auto del ejemplo 5.4 Este sistema de orden 2, lo llevamos a un sistema lineal tomando x, , x , , resultando: 0 0 1 0 x x 0 0 0 1 = x (k1 + k2 ) k1 L1 k2 L2 0 0 x 2 k1 L1 k2 L2 (k1 L2 1 + k2 L2 ) 0 0 la variables:
En lo que sigue supondremos que k2 = k1 y L1 = L2 , donde 0 < < 1, pues generalmente el G de los autos est a hacia delante del auto, debido al peso del

motor. De esta forma se anulan los t erminos de acoplamiento k1 L1 k2 L2 . Tenemos el sistema x 0 0 = x a 0 0 0 0 b 1 0 0 0 x 0 1 0 x 0
donde a = (1 + )k1 y b = (1 + )k1 L2 2 . Dado que tenemos la forma X = AX , podemos calcular la exponencial de la matriz. Para esto analicemos c omo son las potencias de A: a 0 0 0 0 0 1 0 0 b 0 0 0 0 0 1 2 A= a 0 0 0 A = 0 0 a 0 ; 0 0 0 b 0 b 0 0
luego, elevando a k ,
A2k
y si multiplicamos por A queda
ak 0 = 0 0 0 0
0 bk 0 0
0 0 ak 0
0 0 , 0 bk ak 0 0 0 0 bk . 0 0
Si tomamos a = 2 y b = 2 obtenemos
k=0 k=0
Teniendo todas las potencias calculadas, procedemos a determinar la matriz exponencial k a 0 0 0 k t2k 0 1 0 b eAt = 0 0 ak 0 (2k )! k=0 0 0 0 bk 0 0 ak 0 2k+1 0 t 0 0 bk . + k+1 a 0 0 0 (2k + 1)! k=0 0 bk+1 0 0 ak t2k (2k )! b t (2k )!
k 2k k=0 k=0
A2k+1 = ak+1 0
0 0 0 bk+1
= =
(1)k (t)2k = cos(t) (2k )! (1)k (t)2k = cos(t), (2k )!

y
k=0 k=0
ak t2k+1 (2k + 1)! bk t2k+1 (2k + 1)!
= =
1 1
k=0 k=0
1 (1)k (t)2k+1 = sen(t) (2k + 1)! 1 (1)k (t)2k+1 = sen(t). (2k + 1)!
Por lo tanto: cos(t) 0 = sen(t) 0 x(0) = 0, obtenemos 0 cos(t) 0 sen(t)

1
eAt
sen(t) 0 cos(t) 0
Si ponemos alguna condici on inicial, como por ejemplo una frenada, representada por (0) = 0, x (0) = 1, (0) = 1,
0 1 sen(t) . 0 cos(t)
Es decir, la soluci on del movimiento es: x(t) = sen(t) ,
t) sen( x sen(t) = x cos(t) cos(t)
. sen(t) ,
(t) =
con = (1 + )k y = L cias de cada modo.
(1 + )k , que f sicamente representan las frecuen-
Otro m etodo para solucionar este propios del sistema. 0 0 det(A I ) = det a 0 0 b 1 = i,
problema es analizar los valores y vectores 1 0 0 1 = (2 a)(2 b). 0 0 3 = i, 4 = i, 0 i/ v4 0 . 1
En t erminos de las variables antes denidas quedan los valores propios imaginarios puros: 2 = i, que tienen asociados respectivamente los vectores propios: 0 i/ i/ i/ 0 0 v1 = 1 , v2 = 1 , v3 = 0 , 1 0 0

Luego la soluci on general ser a: i/ x = c1 eit 0 1 x 0 S olo nos interesan las variables x y : x(t) (t) =
i/ + c2 eit 0 1 0 0 0 it i/ it i/ + c3 e + c4 e 0 0 1 1 1 0 +
. 0 1 .
(ic2 eit ic1 eit )
(ic4 eit ic3 eit )
Aqu se ve que el movimiento del sistema se expresa fundamentalmente s olo como el movimiento vertical de G (representado en el vector (1, 0) y separadamente la rotaci on del eje que une los resortes, en torno a G, representado en el vector (0, 1), y por tanto la soluci on general del sistema no es m as que la combinaci on lineal de estos dos movimientos fundamentales llamados modos propios. Los valores propios cuando son imaginarios puros, representan la frecuencia natural de cada modo propio, en este caso al modo de movimiento vertical (1, 0) tiene asociado la frecuencia propia w = . Una aplicaci on del conocimiento de este valor es que si se deseara tener un fen omeno de resonancia, bastar a aplicar una fuerza externa sinusoidal sobre el auto con esta misma frecuencia (F = F0 sen(t), F0 constante). La misma interpretaci on se tiene para la frecuencia en el modo (0, 1). Para comprobar que este m etodo entrega la misma soluci on que la exponencial de la matriz, impongamos las mismas condiciones iniciales, para determinar las constantes: c1 + c2 c3 + c4 + =0 =0 = 1 = 1 , i + (eit + ieit ) 2 0 1/ 0 1/
i c1 i c3
i + c2 i c4
1 , por tanto: de donde se obtiene c1 = c2 = c3 = c4 = 2
x(t) (t)
i (eit + eit ) 2
1/ 0 1/ 0
recordando la identidad eis eis = 2i sen(s), se obtiene: x(t) (t) = sen(t) sen(t)
que es el mismo resultado antes obtenido. 5.3. Exponencial de una matriz que no es diagonalizable. Si A es una matriz cuadrada cualquiera (en particular no diagonalizable) siempre existe la descomposici on denominada forma can onica de Jordan, que estudiaremos a continuaci on. S olo enunciaremos los resultados necesarios para construir la forma de Jordan sin entrar en los detalles te oricos, pues involucran t ecnicas sutiles de algebra lineal que no viene al caso estudiar en este curso. El lector interesado puede

consultar, por ejemplo, el libro The Theory of Matrices de Peter Lancaster. n 5.3. Se llama bloque de Jordan de tama Definicio no k k y valor propio C a la matriz B Mkk (C) dada por 1 0 0 . . 0 1 . . .. B= . . . 0 . 0 . . .. .. . . . . . 1 . 0 ... ... 0
Se llama suprabloque de Jordan de tama no m m y valor propio C a una matriz diagonal por bloques, donde cada bloque es un bloque de Jordan de valor propio . Una matriz est a escrita en forma can onica de Jordan si es diagonal por bloques, formada por suprabloques de Jordan.
Ejemplo 5.5. La siguiente matriz, escrita en la forma can onica de Jordan, est a formada por un suprabloque de tama no 2 y valor propio 8, formado a su vez por dos bloques de tama no 1; un suprabloque de tama no 3 y valor propio 3, formado un bloque de tama no 1 y otro de tama no 2; y un suprabloque de tama no 1 y valor propio 4.
8 0 0 0 0 0
0 8 0 0 0 0 3 0 0
0 0
0 0 0 0 0 3 0 0 1 3
0 0
0 0 0 . 0 0 4
n 5.3. Sea valor propio de A Mnn (C) de multiplicidad alProposicio gebraica m. Sea Es = ker(A I )s , s N, entonces existe p, 1 p m, tal que: {0} = E0 E1 E2 Ep = Ep+1 = Ep+2 = . Los espacios Es , 1 s p, de la Proposici on 5.3 se denominan espacios propios generalizados de A de orden s asociados al valor propio . Un elemento no nulo v tal que v Es y v / Es1 se dice vector propio generalizado de A de orden s. Observaci on: Con la denici on anterior, los vectores propios usuales son vectores propios generalizados de orden 1.

n 5.4. vs es un vector propio generalizado de A de orden s (s 2) Proposicio asociado a si y s olo si vs1 = (A I )vs es un vector propio generalizado de A de orden s 1 asociado a . De la proposici on 5.4 tenemos que si tomamos vs (vector propio generalizado de orden s), entonces vs1 dado por vs1 = (A I )vs Avs = vs + vs1 es un vector propio generalizado de orden s 1, y as recursivamente tenemos denidos: Av1 Av2 Av3 Avs = v1 = v2 + v1 = v3 + v2 . . . = vs + vs1 ,
donde v1 es el vector propio usual. Una cadena v1 , v2 , . . . , vs as construida, se denomina cadena de Jordan de largo s, asociada al vector propio v1 . Cuando es maximal (s = p) o si s < p, entonces el problema (A I )v = vs no tiene soluci on con v vector propio generalizado de orden s + 1. n 5.5. Los elementos de una cadena de Jordan son linealmente Proposicio independientes. n 5.6. El n Proposicio umero ks de cadenas de Jordan de largo s es ks = 2ls ls1 ls+1 , donde l0 = 0 y ls = dim Es = dim ker(A I )s para s > 0. Teorema 5.8 (Descomposici on de Jordan). Toda matriz puede expresarse en la forma can onica de Jordan mediante un cambio de base. M as precisamente, dada una matriz A Mnn (C), existen una matriz J en forma de Jordan y una matriz P invertible tales que A = P JP 1 . Adem as, la matriz J es u nica, salvo permutaciones de sus bloques. Observaci on: Para construir la descomposici on se puede proceder de la siguiente manera: Se calculan los valores propios de A. Se toma un valor propio de multiplicidad algebraica m, y se determina la dimensi on de los espacios ker(A I )s , aumentando s hasta m. Se calculan los ks , de donde se obtiene un bloque de Jordan de tama no ks asociado a cada cadena, y los respectivos valores propios generalizados asociados determinan la matriz P .

Ejemplo 5.6. Sea
Los valores propios de A son: 1 = 1, con multiplicidad algebraica 1; y 2 = 1, con multiplicidad algebraica 4. La matriz J estar a formada por dos suprabloques, uno asociado a cada valor propio. Como 1 tiene multiplicidad 1, s olo le correponder a un bloque de Jordan de tama no 1. Tomamos como vector propio asociado (0, 1, 1, 0, 0). Para 2 calculamos: l1 l2 ls = = = dim ker(A I ) = 2 dim ker(A I )2 = 4 dim ker(A I )s = 4, s 2.
A=
1 0 0 1 1
0 0 1 1 1 2 3 3 0 1 2 2 . 1 1 0 1 1 1 1 2
Como l0 = 0, tenemos que k1 = 0 y k2 = 2. En virtud de la Proposici on 5.6 no hay cadenas de largo 1, pero hay 2 cadenas de largo 2. Cada cadena de largo 2 determina un bloque de 2 2, por lo que tenemos completamente determinada la matriz J : 1 1 0 0 0 0 1 0 0 0 0 0 1 1 0 J = . 0 0 0 1 0 0 0 0 0 1 Buscamos ahora los vectores propios generalizados. Para 2 tenemos (A I )v2 = v1 (A I )v1 = 0 v1 = (, , 0, , ) v2 = ( + , , , + , ).
Si = 0, = 1 v1 = (0, 0, 0, 1, 1) v2 = (1 + , , 0, , ). Si = = 0 v2 = (1, 0, 0, 0, 0). Si = 1, = 0 v1 = (1, 1, 0, 0, 0) v2 = (, , 1, 1 + , ). Si = = 0 v2 = (0, 0, 1, 1, 0). La matriz P de cambio de base tiene por columnas los vectores propios generalizados: 0 1 1 0 0 0 0 1 0 1 P = 0 0 0 1 1 . 1 0 0 1 0 1 0 0 0 0 Para el c alculo de eAt en el caso general veamos la siguiente propiedad:

n 5.7. Sea Proposicio
una matriz diagonal por bloques. Entonces M1 0 e 0 eM2 eM = . .. . . . 0
0 M = . . . 0
M1
0 M2 .. .
.. . .. . 0 .. . .. . 0
0 . . . 0 Mn 0 . . . 0 e
Mn
, . 0 M2 .. .
n. Basta observar que las matrices Demostracio tiplicar como si los bloques fueran escalares: M1 0 0 M1 . . .. . 0 M2 . 0 M2 = . . .. .. . . . 0 . . . = 0
2 M1
por bloques se pueden mul .. . .. . 0 0 . . . 0 Mn
Mn 0 . . .
0 . . . 0
Luego, por inducci on,
2 M2 .. .
.. . .. . 0
0 2 Mn 0
k M2 .. .
. .. . .. . 0 .. . .. . 0 0 . . . 0 k Mn 0 . . . 0 eMn .
y de all concluimos que
Mk = =
k M1
0 . . . 0
eM1 0 . . . 0
0 eM2 .. .
Calculemos ahora la exponencial de un bloque 0 . . . eJt = e(I +N )t , donde N = . . . 0
de Jordan de tama no m: 1 0 0 . .. .. . . . . . .. .. . . 1 0

Claramente I y N conmutan. Luego eJt = eIt+N t = eIt eN t = et eN t por la propiedad 5 de la Proposici on 5.2 S olo nos resta calcular eN t . Para esto veamos las potencias de N : N0 N1 = I = N
= =
0 . . . . . . 0 0 . . . . . . 0
1 .. .. .
0 .. .. .
. 0 .. .. .
. 1 .. .. .
As sucesivamente la l nea de unos va alej andose de va quedando 0 0 0 . . . .. .. . . N m1 = . . .. ... . . 0 N m = 0 mm ,
0 . . . 1 0 0 1 . 0
0 1 . .. . . . . . . .. . 0
0 .. .. .
0 . . . 1 0
la diagonal principal. Al nal 1
0 0 0
donde 0mm denota la matriz nula de tama no m m. Vemos entonces que N es una matriz nilpotente de orden m, y la exponencial se escribe como una suma nita e
Nt
k=0
N k tk = k!
m1 k=0
N k tk k!
En conclusi on, eN t es una matriz triangular superior de la forma [eN t ]ij = 0

tk k!
tm 1 t2 N m1 = I + tN + N 2 + + 2! (m 1)! t2 tm1 1 t (m 2! 1)! . . .. .. . .. . . . . . . . . . . . 2 = . . . t . . . . 2! . . . .. .. . . . . . t . 0 1 si j i = k si j i < 0 0 .

Finalmente,
1 t . . .. . . . . eJt = et .. . . . . .. . . 0 De esta forma hemos demostrado el
tm1 (m 1)! . .. .. . . . . . .. .. 2 t . . 2! .. .. . . t 1 siguiente resultado:

t2 2!
n 5.8. Sea A Mnn (C), y sea A = P JP 1 su representaci Proposicio on en forma can onica de Jordan. Entonces J1 t e ... 0 1 . .. . . eAt = P . . . P . . 0 . . . e Jn t Ejemplo 5.7. Consideremos el sistema: X = AX, con condici on inicial X (0) = X0 , donde la matriz A est a dada en el Ejemplo 5.6. Ya hab amos calculado su forma can onica de Jordan. En virtud de la proposici on anterior se tiene que la soluci on es: t e tet 0 0 0 0 et 0 0 0 1 t t 0 e te 0 X (t) = P 0 P X0 , 0 0 0 et 0 0 0 0 0 e t donde P es la matriz de cambio de base descrita en el Ejemplo 5.6. En el siguiente ejemplo se muestra una aplicaci on de la forma can onica de Jordan a un sistema din amico discreto. Ejemplo 5.8 (Equilibrio Marino). Suponga que la poblaci on de ballenas b, plancton p y la temperatura del mar T est an regidas por el siguiente sistema discreto, donde n designa el a no y > 0 es un par ametro de crecimiento: bn+1 pn+1 Tn+1 = = = bn + pn pn + Tn Tn ,
con condiciones iniciales b0 , p0 , T0 positivas. Se quiere saber c omo evoluciona este sistema en el tiempo, dependiendo del par ametro . El sistema anterior se puede escribir como: 1 0 b0 bn+1 bn pn+1 = 0 1 pn , con condici on inicial p0 . T0 Tn+1 0 0 Tn

Consideremos primero un caso m as general de sistemas discretos: Xn+1 = AXn + Bn , n 0,
con condici on inicial X0 Rd , donde A Mdd (R), Bn Rd , n 0. Como X0 es la condici on inicial, iterando tenemos: X1 X2 X3 = = = . . . = AX0 + B0 AX1 + B1 = A(AX0 + B0 ) + B1 = A2 X0 + AB0 + B1 AX2 + B2 = A3 X0 + A2 B0 + AB1 + B2
n
Xn
An X0 +
j =1
Anj Bj 1 .
Probemos por inducci on que efectivamente la soluci on del sistema est a dada por:
n
Xn = An X0 +
j =1
Anj Bj 1 ,
n1
Para n = 1 resulta X1 = AX0 + B0 , que es soluci on del sistema. Suponemos ahora que Xn = An X0 + satisface el sistema propuesto. Hay que probar que
n+1 n j =1
Anj Bj 1
Xn+1 = An+1 X0 +
j =1
An+1j Bj 1
tambi en lo satisface. En efecto,

n+1
Xn+1
= = =
An+1 X0 +
j =1 n
An+1j Bj 1 An+1j Bj 1 + An+1(n+1) B(n+1)1 Anj Bj 1 + Idd Bn Anj Bj 1 + Bn
An+1 X0 + An+1 X0 + A
j =1 n
j =1 n j =1
= =
AXn + Bn .
A An X0 +
Estudiemos ahora la soluci on del sistema discreto homog eneo, para el caso en que A sea diagonalizable, es decir A = P DP 1 , con 1 0 . . .. . D= . . . . , donde 1 , . . . d son los valores propios de A. 0 d

Seg un lo anterior, la soluci on de este sistema P Dn P 1 , entonces: n 1 0 . . .. . Xn = P . . . . 0 n d que |k | < 1 o k = 1, k = 1, . . . , d.

n n
ser a: Xn = An X0 , pero An =
De esta forma si queremos que nuestro problema tenga soluci on, es decir que exista exista k = 1 , . . . , d , lo que equivale a pedir l m Xn , debemos imponer que l m n k
1 P X0 .
Si volvemos al problema espec co de las ballenas, estamos en el caso de un sistema homog eneo discreto, pero donde la matriz A no es diagonalizable (tiene la forma de un bloque de Jordan). Sin embargo, sigue siendo v alida la soluci on Xn = An X0 . S olo resta calcular An . Para esto usaremos la siguiente propiedad:
n
AB = BA (A + B ) =
k=0
n k nk A B , n 0, k
es decir, si la matrices conmutan, se tiene la propiedad del Binomio de Newton, (la demostraci on puede hacerse por inducci on, al igual que en el caso escalar). En este caso podemos usar esta f ormula, pues claramente Id N = N = N = N Id . Luego:
n n k=0
An = (Id + N )n =
k=0
n k k nk I N = k
n k nk N , k
con N una matriz nilpotente de orden 3, pero N = 0 cuando n k 3 n 3 k , luego la suma sin los t erminos nulos queda:
n
nk
An
=
k=n2
n k nk N k
n n n n n2 N 2 + n1 N + I n2 n1 n n(n 1) n2 2 N + nn1 N + n I. = 2 En el desarrollo sobre las formas de Jordan, hab amos calculado todas las potencias de una matriz nilpotente, resulta entonces: = An = n n n(n 1) n2 2 N + nn1 N + I 2 n 0 0 1 0 1 n(n 1) n2 0 0 0 + nn1 0 0 = 2 0 0 0 0 0 1) n2 n nn1 n(n2 n . = 0 nn1 n 0 0
0 1 + n I 0

De esta forma vemos que se repite la soluci on que ten amos para el caso diagonalizable: independiente de la condiciones iniciales, nuestro modelo indica que cuando n , si || > 1, el sistema diverge, es decir las poblaci ones de ballenas y plancton se expanden indenidamente, al igual que la temperatura, mientras que si || < 1, las poblaciones se extinguen y la temperatura del mar desciende a 0. En el caso cr tico || = 1 se tiene que las poblaciones animales divergen, pero con temperatura constante del mar T0 . Ejemplo 5.9. Supongamos que se tienen 4 estanques conectados por tuber as, como se muestra en la gura2.
En el estanque j , que tiene volumen Vj , hay una cantidad Cj de una sustancia en soluci on. Por todas las tuber as corre un ujo F de soluci on. La soluci on que entra al estanque 4 tiene una concentraci on m0 . Esto nos da el siguiente sistema para las cantidades C1 , . . . , C4 : C = K1 C1 + K2 C2 1 C2 = K2 C2 + K3 C3 C 3 = K3 C3 + K4 C4 C4 = K4 C4 + m0 F, donde Kj = F/Vj . Escrito en forma matricial esto es C1 K1 C2 0 C3 = 0 C4 0 K2 K2 0 0 0 K3 K3 0 0 C1 C2 0 K4 C3 K4 C4 0 0 + 0 . m0 F
Nos queda una matriz triangular superior. Si todos los estanques tienen distinto volumen, la matriz es diagonalizable pues tiene 4 valores propios distintos. Si por el contrario, todos los estanques el mismo volumen V , escribimos K = F/V y el sistema se reduce a C1 1 1 0 0 C1 0 C2 0 1 1 0 C2 + 0 . C3 = K 0 0 1 1 C3 0 C4 0 0 0 1 C4 m0 F

Si denotamos
entonces eAt
1 1 0 0 0 1 1 0 A=K 0 0 1 1 0 0 0 1 1 0 = eKt 0 0 Kt 1 0 0
1 2 2 2K t
Kt 1 0
1 3 3 6K t 1 2 2 2K t
Kt 1
Se deja al lector escribir la soluci on general usando la f ormula de variaci on de par ametros y analizar los casos en que hay alg un volumen (y por lo tanto alg un valor propio) repetido. 5.4. Sistemas lineales y transformada de Laplace. Tambi en es posible resolver sistemas lineales usando la transformada de Laplace. Para comenzar con un ejemplo simple, consideremos el sistema x 1 x 2 = a11 x1 + a12 x2 + b1 = a21 x1 + a22 x2 + b2 .
Si queremos encontrar soluciones denidas para t > 0 podemos intentar aplicar la transformada de Laplace a cada una de las ecuaciones. Obtenemos sLx1 x0 1 = = sLx2 x0 2 a11 Lx1 + a12 Lx2 + Lb1 a21 Lx1 + a22 Lx2 + Lb2 , = Lb1 + x0 1
0 donde x0 tenemos el sistema: 1 = x1 (0) y x2 = x2 (0). As
a21 Lx1 + (s a22 )Lx2
(s a11 )Lx1 a12 Lx2
= Lb2 + x0 2.
donde
Si multiplicamos la primera ecuaci on por s a22 y la segunda por a12 podemos reducir Lx2 y obtener P (s)L(x1 ) = (s), P (s) = (s) = (s2 (a11 + a22 )s + a11 a22 a12 a21 )
0 (s a22 )(Lb1 + x0 1 ) + a12 (Lb2 + x2 ). 0 (s a22 )(Lb1 + x0 1 ) + a12 (Lb2 + x2 ) s2 (a11 + a22 )s + a11 a22 a12 a21
Despejando obtenemos expresiones para Lx1 y Lx2 : Lx1 Lx2 = =
0 (s a11 )(Lb2 + x0 2 ) + a21 (Lb1 + x1 ) . 2 s (a11 + a22 )s + a11 a22 a12 a21
Ejemplo 5.10 (Poluci on en dos estanques, continuaci on). Si reemplazamos los valores que ten amos en el sistema de los estanques en el Ejemplo 5.1 obtenemos 2b(1 + ) b(1 + ) b b2 (1 + ) bx0 2 0 s2 + L x = s + s+ + x + . 1 1 V V2 V s V

Resolvamos la ecuaci on cuadr atica del lado izquierdo: s= b(1 + ) b(1 + ) V V 1
1 . 1+
Si 0 entonces [0, 1] y s1 =
b(1 + ) b(1 + ) (1 + ) < 0 y s2 = (1 ) < 0. V V Si introducimos los par ametros b(1 + ) b = , = , V V vemos que
0 b + x0 sx0 1 + x2 1 + (s + (1 + ))(s + (1 )) (s + (1 + ))(s + (1 )) b + s(s + (1 + ))(s + (1 )) 0 sx0 (x0 2 1 + x2 ) + Lx2 = (s + (1 + ))(s + (1 )) (s + (1 + ))(s + (1 )) b . + s(s + (1 + ))(s + (1 )) Los tres sumandos de cada ecuaci on anterior tienen una antitransformada conocida: 1 eat ebt L1 = (s a)(s b) ab
Lx1
L1 L1
1 (s a)(s b)(s c) Por lo tanto las soluciones son: x1
s (s a)(s b)
= =
(c b)eat + (a c)ebt + (b a)ect . (a b)(b c)(c a)
aeat bebt ab
0 = (b + x0 1 + x2 )
e(1+)t e(1)t 2 (1+ )t (1 + ) e (1 )e(1)t +x0 1 2 (1+ )t (1 )e (1 + )e(1)t + 2 +b 2 2 (1 2 ) e(1+)t e(1)t 2 (1+ )t (1 + ) e (1 )e(1)t +x0 2 2 (1 )e(1+)t (1 + )e(1)t + 2 . b 22 (1 2 ) x1 x2 = C1 es1 t + C2 es1 t + C3 = C1 es1 t + C2 es1 t + C3 ,
x2
0 = (x0 1 + x2 )
Luego

donde C1 , C1 , C2 , C2 , C3 , C3 son constantes dadas de la agrupaci on de t erminos semejantes en las expresiones anteriores, y que dependen s olo de las condiciones iniciales y de la geometr a del sistema. Es importante notar que cuando t las soluciones convergen a un estado estacionario, que es una soluci on constante. En efecto, dado que s1 , s2 < 0 tenemos
t
l m x1 (t) l m x2 (t)
= =
C3 C3
= =
b (1 2 ) b (1 2 )
= V = V.
Despu es de un tiempo sucientemente largo, la cantidad de poluente en cada estanque ser a muy cercana a V , independientemente del valor de . Tenemos la misma soluci on que si = 0, que era como inicialmente estaba el sistema de estanques. En realidad la situaci on es m as compleja, ya que gracando las soluciones para > 0 y = 0 se aprecia que la poluci on es menor en el caso > 0 para un intervalo de t considerable (aunque el l mite es el mismo). Ver Figura 3.
=0
>0
10
20
30 t
40
50
60
Figura 3. Comportamiento de la poluci on en estanque 2 del ejemplo 5.10
Veamos ahora el m etodo de la Transformada de Laplace en caso de un sistema lineal general a coecientes constantes: (42) X (t) = X (0) = AX (t) + B (t), X0 , con B, X Rn , A Mnn (R) con X0 Rn .

La i- esima la del sistema es

n
x i =
j =1
aij xj + bi ,
xi (0) = x0 i.
Aplicando la transformada de Laplace a cada ecuaci on obtenemos

n
sLxi x0 i
n
=
j =1
aij Lxj + Lbi ,
i = 1, ..., n
sLxi
j =1
aij Lxj
= Lbi x0 i,
i = 1, ..., n.
Escrito en forma matricial esto es sLX (s) ALX (s) = LB (s) + X0 (sI A)L(X )(s) = LB (s) + X0 .
Sea M el m aximo de las partes reales de los valores propios de A. Si s > M entonces la matriz (sI A) es invertible y podemos despejar L(X ). Teorema 5.9. La soluci on del sistema lineal (42) satisface L(X )(s) = (sI A)1 (L(B )(s) + X0 ), s > M.
Ejemplo 5.11 (Masas atmosf ericas). El siguiente es un modelo para la evoluci on de las masas atmosf ericas en kilotoneladas [kton] de un contaminante en el hemisferio norte (c1 ) y el hemisferio sur (c2 ) de la Tierra (ver gura 5.11): (43) c 1 = f1 (c1 c2 ) c1 c 2 = f2 (c2 c1 ) c2 .
La constante > 0 representa inverso del tiempo de intercambio interhemisf erico en [1/a no] y la constante > 0 (desconocida) el inverso del tiempo de vida qu mica del contaminante en [1/a no]. Las emisiones del contaminante en cada hemisferio son constantes conocidas f1 = 30 y f2 = 10 en [kton/a no]. Inicialmente 0 c0 = 84 y c = 60 en [kton]. 1 2
N
ecuador
c1
c2
Figura 4. Masas atmosf ericas del Ejemplo 5.11 Introduzcamos la masa media entre los dos hemisferios como c(t) = 1 2 (c1 (t) + 1 c2 (t)) y la emisi on media como f = 2 (f1 + f2 ). Si derivamos la expresi on de la masa media con respecto al tiempo obtenemos c (t) = 1 (c (t) + c 2 (t)). 2 1

Luego, si sumamos las EDO que tenemos para c1 y c2 , nos queda

c 1 + c2
= =
f c
2c = (f1 + f2 ) (c1 c2 + c2 c1 ) (c1 + c2 )
que es una EDO lineal de primer orden para c. La condici on inicial est a dada por 1 1 c(0) = (c1 (0) + c2 (0)) = (84 + 60)[kton] = 72[kton]. 2 2 La soluci on del problema de Cauchy asociado es c(t) = 72et + f (1 et ).
podemos Se estima que el l mite de c(t) cuando t + es de 100 [kton]. De all encontrar una estimaci on para el tiempo de vida del contaminante
t
m 72et + l m c(t) = 100[kton] = l

t
f f (1 et ) = .
Como f = 20 [kton/a no], tenemos que 1 = 100[kton] = 5 [a nos]. 20[kton/a no]
El tiempo estimado de vida del contaminante es de 5 a nos. Resolveremos ahora el sistema (43) utilizando la transformada de Laplace. Primero escribimos el sistema en forma matricial como C = AC + B , donde A= = = = donde k1 k2 k3 = = =
0 0 f 1 + c0 2 + c1 + c1 0 c1 f1 + f1 + f2
El Teorema 5.9 nos dice que L(X )(s)
B=
f1 f2
(sI A)1 (LB (s) + X0 ) s++ s++
f1 s f2 s
+ c0 1 + c0 2
k1 1 (s) + k2 2 (s) + k3 3 (s) k1 1 (s) + k2 2 (s) + k3 3 (s) k1 k2 k3
0 0 = f 2 + c0 1 + c2 + c2 0 = c2 = f2 + f2 + f1
son constantes conocidas y 1 (s) 2 (s) 3 (s) = = = 1 (s + )(s + 2 + ) s (s + )(s + 2 + ) 1 s(s + )(s + 2 + )

son funciones cuyas antitransformadas debemos encontrar para determinar el vector X . Para ello vamos a descomponerlas en fracciones parciales. 1 (s) = = 2 (s) = = 3 (s) = = 1 (s + )(s + 2 + ) 1 1 , 2(s + ) 2(s + 2 + ) s (s + )(s + 2 + ) s s , 2(s + ) 2(s + 2 + ) 1 s(s + )(s + 2 + ) 1 1 1 + . (2 + )s (2 )(s + ) 2(2 + )(s + 2 + )
Recordando que L1 vemos que L1 [1 (s)] = L1 = = L1 [2 (s)] = = = L1 [3 (s)] = 1 1 2(s + ) 2(s + 2 + ) 1 1 1 1 1 1 L L 2 s+ 2 s + 2 + 1 t 1 (2+ )t e e , 2 2 1 1 s s 1 1 L L 2 s+ 2 s + 2 + 1 ( (t) et (t) + (2 + )e(2+ )t ) 2 1 (2 + )e(2+ )t et , 2 1 1 1 1 1 L1 L (2 + ) s 2 s+ 1 1 + L1 2(2 + ) s + 2 + 1 1 t 1 e + e(2+ )t . (2 + ) 2 2(2 + ) 1 (t) = eat s+a y L1 s (t) = (t) aeat , s+a
Finalmente, agrupando constantes, la cantidad de contaminante en cada hemisferio resulta: c1 (t) c2 (t) = p1 et + q1 e(2+ )t + r1 = p2 et + q2 e(2+ )t + r2 ,

0 donde p1 , q1 , r1 , p2 , q2 y r2 , son constantes que dependen s olo de c0 1 , c2 , f 1 , f 2 , y .
Es interesante notar que despu es de un tiempo sucientemente largo, se llega a un equilibrio en las cantidades de contaminaci on. Para el hemisferio Norte ( + )f1 + f2 l m c1 (t) = r1 = t (2 + ) y para el hemisferio Sur f1 + ( + )f2 l m c2 (t) = r2 = . t (2 + )
Cap tulo 6
An alisis cualitativo de sistemas no lineales

Muchos fen omenos de la naturaleza se comportan de forma un poco m as complicada que un sistema de ecuaciones lineales. Por ejemplo, se suele utilizar la aproximaci on de la Ley de Hooke F = kx para modelar resortes, aunque en realidad esta fuerza suele tener otras componentes de orden no lineal, pero que habitualmente son despreciables. En general estas ecuaciones presentan grandes desaf os, pues es bastante complicado encontrarles soluciones expl citas. Sin embargo, muchas veces se puede hacer un estudio cualitativo de las soluciones, que nos indique sobre el comportamiento general del sistema no lineal. Dados un intervalo abierto I y una funci on F : I Rn Rn , consideremos el siguiente sistema de ecuaciones diferenciales de primer orden con condici on inicial X0 Rn en t0 I : X (t) = F (t, X (t)), t I X (t0 ) = X0 . Si la funci on F no es lineal con respecto a la varible X , se dir a que es un sistema no lineal (SN L). Si adem as F no depende expl citamente de la variable t, se dir a que es un sistema no lineal aut onomo (SN LA). Generalmente un (SN LA) corresponde en el caso mec anico a un movimiento sin forzamiento externo. Estos sistemas son invariantes bajo traslaciones temporales (variable t). En particular, si X : I Rn es una soluci on del sistema entonces la funci on Xc : Ic Rn denida por Xc (t) = X (t c) tambi en lo es. Aqu Ic denota el intervalo I desplazado hacia la derecha en c. El vector X (t) Rn , que es la soluci on del sistema en un punto t I , se llama vector de estado. n. Dada una funci Observacio on h : I R R R R, toda ecuaci on de orden superior de la forma y (n) = h(t, y, y , . . . , y (n1) ) y (t0 ) = y0 , y (t0 ) = y1 , . . . , y (n1) (t0 ) = yn1 se puede llevar, mediante un cambio de variables, a la forma (SN L). Claramente, si h no depende expl citamente de t, se puede llevar a la forma (SN LA). Ejemplo 6.1 (El p endulo simple amortiguado). Un p endulo simple sometido a un ambiente con roce (por ejemplo aire, agua, aceite, etc.) y a una fuerza externa, queda descrito por la siguiente ecuaci on de movimento de segundo orden: m + c +
mg L
sen() = (0) = (0) =
f (t) 0 0 ,
153

154 6. SISTEMAS NO LINEALES
donde es el angulo que forma el p endulo con respecto a la vertical y c el coeciente de roce, producto de una fuerza de roce viscoso lineal: Froce = cv , donde v = L . Haciendo el cambio de variables: x = , y = , la ecuaci on anterior toma la forma de (SN L): x y
= =
c g y sen(x) + f (t). m L La no linealidad se aprecia claramente en el t ermino sen() pues sen(1 + 2 ) = sen(1 ) + sen(2 ). El (SNLA) del p endulo corresponde al caso en que no hay forzamiento externo: x y
= =
y c g y sen(x). m L
donde x que representa el ujo convectivo; y , la distribuci on horizontal de temperaturas; y z la distribuci on vertical de temperaturas. Adem as, tenemos tres par ametros que intervienen en las ecuaciones: s es el cuociente entre la viscosidad y la conductividad t ermica; r, la diferencia de temperaturas entre la capas inferior y superior; y b el cuociente entre la altura y el ancho del rect angulo. Este es un modelo muy importante que tiene muchas propiedades interesantes, pero por ahora s olo notamos que es un sistema aut onomo, pero no lineal, pues aparecen los t erminos xy y xz .
Ejemplo 6.2 (Atractor de Lorenz). El siguiente sistema de ecuaciones diferenciales fue un modelo desarrollado por Lorenz, que en principio se propon a tratar de comprender los fen omenos meteorol ogicos. El modelo que utiliz o Lorenz consiste en una atm osfera bidimensional rectangular, cuyo extremo inferior est a a una temperatura mayor que el superior. De esta manera el aire caliente subir a y el aire fr o bajar a cre andose corrientes que har an un intercambio de calor por convecci on. Las ecuaciones que describen este proceso son: x = s(y x) y = rx y xz z = xy bz,
1.
Sistemas no lineales y sistemas linealizados
De aqu en adelante nos restringiremos a problemas en dos dimensiones y aut onomos de la forma (SN LA): x y = F (x, y ), = G(x, y ), x(t0 ) = x0 y (t0 ) = y0 ,
con F y G funciones continuamente diferenciables. El Teorema 5.4 garantiza que siempre tendremos una u nica soluci on local.

1. SISTEMAS NO LINEALES Y SISTEMAS LINEALIZADOS 155
Decimos que ( x, y ) es un punto cr tico o de equilibrio del (SN LA) si F ( x, y ) = 0 G( x, y ) = 0. Se llama nulclina en x a la curva denida por F (x, y ) = 0 y nulclina en y a la curva denida por G(x, y ) = 0. Los puntos cr ticos son las intersecciones de las nulclinas. El conjunto de puntos cr ticos del sistema se denota por Si hacemos una expansi on de Taylor en el (SN LA) en torno a un punto cr tico ( x, y ), resulta: F (x, y ) G(x, y ) = = F ( x, y )(x x ) + x G ( x, y )(x x ) + x hF (r) =0 r F ( x, y )(y y ) + hF (r) y G ( x, y )(y y ) + hG (r), y hG (r) = 0. r C = {( x, y ) R2 | F ( x, y ) = G( x, y ) = 0}.
donde r = (x, y ) ( x, y ) (recordemos que F ( x, y ) = G( x, y ) = 0). Adem as

r 0
l m
r 0
l m
Para simplicar la notaci on denimos F F G a= ( x, y ), b = ( x, y ), c = ( x, y ) y x y x constantes que dependen del punto cr tico. Notamos que a c b d =
F x, y ) x ( G x, y ) x ( F x, y ) y ( G x, y ) y (
d=
G ( x, y ); y
= J ( x, y ),
donde J es la matriz Jacobiana de la funci on F (x, y ) (x, y ) G(x, y ) evaluada en el punto cr tico ( x, y ). Ahora, si reemplazamos en (SN LA) queda: (SN LA) x y = a(x x ) + = c(x x ) + b(y y ) + d(y y ) + b(y y ) d(y y ). hF (r) hG (r).
Consideramos el sistema linealizado x = a(x x ) + (SL) y = c(x x ) +
Un sistema (SN LA) es degenerado en torno a ( x, y ) si |J ( x, y )| = 0. Un punto cr tico ( x, y ) de (SN LA) es aislado si existe > 0 tal no hay ning un otro punto cr tico en la bola de centro( x, y ) y radio . De lo contrario se dice que los puntos cr ticos son densos en torno a ( x, y ). Propiedades 6.1. Sea ( x, y ) un punto cr tico de (SN LA).

1. Si |J ( x, y )| = 0, entonces ( x, y ) es el u nico punto cr tico de (SL). En particular es aislado para (SL). 2. Si |J ( x, y )| = 0, entonces los puntos cr ticos de (SL) son densos en torno a ( x, y ). M as precisamente, el conjunto C es una recta que contiene a ( x, y ) si J ( x, y ) = 022 y es todo el plano si J ( x, y ) = 022 . 3. Si |J ( x, y )| = 0, entonces ( x, y ) es un punto cr tico aislado de (SN LA). n. Primero observemos que (x, y ) es punto cr Demostracio tico de (SL) si, y s olo si, a(x x ) + b(y y ) = 0 c(x x ) + d(y y ) = 0. a c b d x y = a c b d x y = V0 ,
Es decir, si
donde V0 es un vector constante que depende de ( x, y ). 1. Si |J ( x, y )| = 0 el sistema tiene soluci on u nica ( x, y ). 2. Si |J ( x, y )| = 0 el sistema tiene innitas soluciones, que forman una recta si J ( x, y ) = 0 y todo el plano si J ( x, y ) = 0. 3. Por contradicci on, supongamos que para cada > 0 existe otro punto cr tico (w, z ) de (SN LA) tal que |( x, y ) (w, z )| < . Por denici on, a(w x ) + b( zy ) c(w x ) + d( zy ) a c b d w x z y a c + hF ( r) = + hG ( r) = 0 0,
donde r = (w, z ) ( x, y ). De manera equivalente, = hF ( r) hG ( r) .
Si |J ( x, y )| = 0 tenemos que w x z y ||r || 1 = b d

1
hF ( r) hG ( r)
Tomando norma y acotando obtenemos r )2 + hF ( r )2 ||J ( x, y )1 || hF ( ||J ( x, y )1 || hF ( r) r

2
hF ( r) r
Pero el lado derecho tiende a cero cuando r 0, con lo que llegamos a una contradicci on. En resumen, un sistema que no es degenerado en torno a ( x, y ) cumple que ( x, y ) es un punto cr tico aislado de (SN LA) y es el u nico punto cr tico de (SL). El Ejemplo 6.5 muestra que el rec proco del punto 3 es falso en general.

Ejemplo 6.3 (Conejos y ovejas). Supongamos un modelo para la competencia de dos poblaciones de animales que luchan por recursos en un h abitat reducido: x y = = 60x 3x2 4xy 42y 3y 2 2xy,
donde x es la poblaci on de conejos e y la de ovejas. Los puntos cr ticos de este sistema se encuentran resolviendo: x(60 3x 4y ) = 0 y (42 3y 2x) = 0. Tenemos varios casos: Si x = 0 obtenemos los puntos (0, 0) y (0, 14). Si y = 0 obtenemos (0, 0) y (20, 0). 3x + 4y = Si x = 0 e y = 0 nos queda el sistema 3y + 2x = soluci on es (12, 6).
60 42,
cuya u nica
Tenemos entonces que C = {(0, 0), (0, 14), (20, 0), (12, 6)}, conjunto que muestra las posibilidades de equilibrio entre ambas poblaciones. El u nico caso en que pueden coexistir ambas especies es ( x, y ) = (12, 6). En los dem as casos, al menos una de las especies se extingue. Aun as , todas son soluciones de equilibrio. El Jacobiano
y (0,14)
(12,6)
(0,0)
(20,0) x
Figura 1. Soluciones de equilibrio para el modelo de conejos y ovejas en este caso est a dado por: J ( x, y ) =
F x G x F x, y ) y ( G x, y ) y (
60 6x 4y 2y
4x 42 6y 2x
Evaluando el Jacobiano en cada punto cr tico encontramos los respectivos sistemas linealizados:

1. J (0, 0) = (0, 0) es
60 0 0 42 (SL)1 x y
es invertible. El sistema linealizado alrededor de = = 60(x 0) + 0(y 0) 0(x 0) + 42(y 0). tambi en es invertible y 80(y 0) 2(y 0).
2. J (20, 0) =
60 80 0 2 x y
(SL)2 3. J (0, 14) =
= 60(x 20) = 0(x 20) + tambi en lo es y 4(x 0) + 28(x 0) 36 48 12 18
4 0 28 42 x y = =
(SL)3
0(y 14) 42(y 14).
4. Finalmente, J (12, 6) = (SL)4 x y = =
es invertible y
As , el modelo no es degenerado en torno a cada uno de sus puntos cr ticos. Ejemplo 6.4. Hab amos visto que las ecuaciones de un p endulo sin forzamiento est an dadas por x = y g c y = m y L sen(x). Sus puntos cr ticos satisfacen 0 = 0 = de donde y c y m
g L
36(x 12) 48(y 6) 12(x 12) 18(y 6).
sen( x),
C = {(k, 0) | k Z}.
( 2,0)(,0) (0,0) (,0) (2,0)
Figura 2. Soluciones de equilibrio del p endulo no lineal El Jacobiano es
1 , c m que es invertible. El sistema linealizado en torno al origen es J ( x, y ) = x y

g (1)k L
(SL)
= 0(x 0) + g (x 0) = L
c m (y
1(y 0) 0)

y tiene s olo un punto cr tico. Ejemplo 6.5. Consideremos el sistema x = x3 y = y3. Vemos que (0, 0) es un punto cr tico aislado de este sistema. Sin embargo J (x, y ) = 3x2 0 0 3y 2 , de donde J (0, 0) = 0 0 0 0 .
Por lo tanto, este sistema es degenerado en torno al (0, 0). Si intentamos hacer la linealizaci on en torno a (0, 0) obtenemos x = 0 y = 0, cuyos puntos cr ticos son C = R2 , como asegura la Proposici on 6.1. Ejemplo 6.6. Consideremos el (SN LA) x = 3x + x2 + 2y + y 2 y = 6x x2 + 4y + y 2 . Claramente el punto (0, 0) es un punto cr tico. Para ver que es el u nico (y por tanto es aislado) se puede tratar de resolver expl citamente el sistema, pero esto resulta un poco engorroso. Dado que cada ecuaci on representa una c onica, otra forma de buscar puntos cr ticos es analizar el gr aco. Si completamos cuadrados obtenemos x+ 3 2
2
+ (y + 1)2 =
13 4
(x 3)2 + (y + 2)2 = 5, que corresponden a una circunferencia y una hip erbola, respectivamente. El bosquejo del gr aco se puede ver en la Figura 3.
4 y 2 4 2 2 x 4 6
2 4
Figura 3. Intersecci on de C onicas

Para ver que en (0, 0) la dos curvas efectivamente son tangentes como sugiere el gr aco, calculemos la derivada en dicho punto:
3+2x 3 + 2x + 2y + 2yy = 0 y = 2(1+ y) x 3 6 2x + 4y + 2yy = 0 y = 2+ y 3 y (0) = 2 3 y (0) = 2 .
La matriz jacobiana est a dada por J (x, y ) = 3 + 2x 2 + 2y 6 2x 4 + 2y y luego J (0, 0) = 3 6 2 4 ,
que no es invertible. Por lo tanto el sistema es degenerado. El sistema linealizado en torno a (0, 0) es x = 3x + 2y y = 6x + 4y, el punto (0, 0) tampocuyos puntos cr ticos son C = {(x, y ) R2 | y = 3 2 x}. Aqu co es aislado. 2. Dado el (SN LA) x = F (x, y ) y = G(x, y ) con condici on inicial (x(t0 ), y (t0 )) = (x0 , y0 ), a la soluci on del problema de Cauchy se le llama trayectoria que parte de (x0 , y0 ). M as precisamente, es la funci on T : I0 t R2 (x(t), y (t)) , Diagramas de fase y de ujo
donde I0 es su intervalo m aximo de existencia (que por supuesto contiene al que entrega el Teorema de Existencia y Unicidad). El recorrido R de esta trayectoria es el conjunto imagen de la funci on T . Es decir, Claramente dos trayectorias distintas pueden tener el mismo recorrido. Un diagrama de fases de este sistema aut onomo es a una colecci on de recorridos de las trayectorias para un n umero representativo de condiciones iniciales. El plano donde se graca el diagrama de fases se llama plano de fase. El inter es de los diagramas de fase es que al eliminar el tiempo de las ecuaciones, obtenemos gr acos en 2 dimensiones en lugar de 3, lo que hace m as f acil su estudio. Por otra parte, al se nalar el sentido de recorrido podemos conocer muchas propiedades, en particular asint oticas, de las trayectorias. Una consecuencia del Teorema de Existencia y Unicidad es la siguiente n 6.1. Si dos trayectorias se intersectan, entonces sus recorridos Proposicio coinciden. n. Si dos trayectorias T1 y T2 se intersectan como en la Figura Demostracio 4, entonces existen t1 , t2 tales que (x1 (t1 ), y1 (t1 )) = (x2 (t2 ), y2 (t2 )). R = (x(t), y (t)) R2 | t I0 .

2. DIAGRAMAS DE FASE Y DE FLUJO 161
(xo,yo)
Figura 4. Intersecci on de Recorridos Denotamos este punto por (x0 , y0 ). La trayectoria T3 denida por (x3 (t), y3 (t)) = (x2 (t + t2 t1 ), y2 (t + t2 t1 )) tiene el mismo recorrido que T2 porque es una traslaci on en tiempo y el sistema es aut onomo. Pero tambi en tiene el mismo recorrido que T1 porque es soluci on del mismo problema de Cauchy. Esto nos dice que las curvas en el diagrama de fase no se intersectan, de modo que una situaci on como la presentada en la Figura 4 es imposible. Ejemplo 6.7. Lo que s se puede dar para dos trayectorias distintas, es que sus recorridos se confundan. Por ejemplo, tomemos la trayectorias: (44) (45) (x1 (t), y1 (t)) (x2 (t), y2 (t)) = (sen(t), cos(t)) = (cos(t), sen(t)) con (x(0), y (0)) = (0, 1) con (x(0), y (0)) = (1, 0).
Elevando al cuadrado cada componente y sumando vemos que ambas trayectorias satisfacen x2 + y 2 = 1. Tambi en es f acil ver que recorren toda la circunferencia. Sin embargo lo hacen en sentidos opuestos, como se ilustra en la gura 5. Si queremos
Figura 5. A la izquierda el recorrido orientado de (44) y a la derecha el de (45). hacer que las dos trayectorias recorran la curva en el mismo sentido basta modicar

(45) a (x2 (t), y2 (t)) = (cos(t), sen(t)) con (x(0), y (0)) = (1, 0).
El diagrama de ujo se construye al gracar en una colecci on de puntos (x, y ) representativos el vector (F (x, y ), G(x, y )). Por regla de la cadena se tiene que dy dy dx = dt dx dt y luego G(x, y ) dy y = = . dx x F (x, y )
Por lo tanto el recorrido de la trayector a es tangente al ujo. 3. Clasicaci on de los puntos cr ticos
Los puntos cr ticos de un (SN LA) pueden ser de diferentes naturalezas. Un punto cr tico ( x, y ) es estable si para cada > 0 podemos encontrar > 0 de manera que (x(t), y (t)) ( x, y ) < para todo t, siempre que (x0 , y0 ) ( x, y ) < . De lo contrario se dice que es inestable. En palabras, un punto cr tico es estable si las trayectorias que parten cerca de el se mantienen cerca. Por otra parte, un punto cr tico ( x, y ) es asint oticamente estable si es estable y adem as existe > 0 tal que
t
l m (x(t), y (t)) = ( x, y ),
siempre que
(x0 , y0 ) ( x, y ) < .
Notemos que no todo punto estable es asint oticamente estable. Ejemplo 6.8. Consideremos el sistema x = x y = ky,
donde k es una constante no nula, con condiciones iniciales: x(0) = x0 , y (0) = y0 , que tiene como soluci on: (46) x(t) = y (t) = x0 et y0 ekt .
As tenemos una soluci on (x(t), y (t)) que depende de (x0 , y0 ). Para distintos valores de k , esta soluci on tiene distintas formas. Si tomamos k = 1, resultan las soluciones x(t) = y (t) = Dividiendo las ecuaciones y0 x0 x(t) y (t) = x(t), = y (t) y0 x0
y0 que representan rectas de pendiente x , cuyo gr aco en el plano XY queda ilustra0 do en la Figura 7, donde las echas indican el sentido positivo del tiempo. Cuando t tenemos que (x(t), y (t)) 0.
x0 et y 0 e t .

3. CLASIFICACION DE LOS PUNTOS CR ITICOS 163
xo x t yo y t
Figura 6. Soluciones de (46) para k > 0.
yo
t=0
y t=1 t=2
xo
Figura 7. Soluci on del sistema para una condici on inicial en el plano de fases XY
Si gracamos las soluciones para diferentes valores positivos y negativos de x0 y de y0 construimos el diagrama de fase de la Figura 8, donde se aprecia claramente que todas las soluciones concurren al origen. Esta caracter stica hace que este punto cr tico sea asint oticamente estable. Ahora, si cambiamos el par ametro a k = 2, resulta x(t) = y (t) = x0 et yo e2t ,

yo
xo
Figura 8. Diagrama de fase completo para k = 1 Cuando t las soluciones tambi en se acercan al origen. Elevando al cuadrado la primera ecuaci on y reemplazando en la segunda vemos que y0 y (t) = 2 x2 (t). x0 El diagrama de fases se muestra en la Figura 9. Las soluciones se mueven a lo largo de par abolas y el origen sigue siendo asint oticamente estable.
y
Figura 9. Diagrama de fase para k = 2 Analicemos ahora el caso k = 1. Esta vez x(t) y (t)
= x0 et = yo et .
Al multiplicar ambas ecuaciones y despejar y obtenemos x0 y0 y= , x de modo que las soluciones se mueven a lo largo de hip erbolas cuando x0 = 0 e y0 = 0. Adem as notamos que cuando t x 0, mientras que y seg un el signo de y0 . En este caso el origen deja de ser estable.

Figura 10. Diagrama de fase para k = 1 Se dice que una trayectoria t x(t), y (t) converge o tiende al punto cr tico ( x, y ) cuando t si
t
l m x(t) = x
l m y (t) = y .
An alogamente se dene la convergencia cuando t . Las trayectorias pueden converger de distintas formas, como se muestra en la Figura 11. Hay una gran diferencia geom etrica: en el gr aco izquierdo de la Figura 11, la trayectoria se aproxima al origen sin una direcci on espec ca, a diferencia del gr aco derecho, donde claramente tiende a una direcci on ja cuando se acerca al origen. Si adem as de converger al punto ( x, y ) cuando t +, la trayectoria es tal que existe y (t) y l = l m , t x(t) x entonces se dice que la trayectoria entra al punto cr tico ( x, y ) tangente a una semirrecta de pendiente l cuando t . De la misma forma, si adem as de converger al punto ( x, y ) cuando t la trayectoria es tal que existe l = l m
t
y (t) y x(t) x
se dice que la trayectoria sale del punto cr tico ( x, y ) tangente a una semirrecta de pendiente l cuando t . Un punto cr tco aislado ( x, y ) se llama nodo si todas las trayectorias vecinas, o bien entran al punto ( x, y ), o bien salen de el. Ejemplo 6.9. Para el sistema x = x y = y

y yo y x
xo
Figura 11. Trayectorias que convergen al origen ya sabemos que las trayectorias convergen a (0, 0). Adem as, cualquier trayectoria vecina que tenga una condici on inicial (x0 , y0 ), tendremos que: y 0 e t 0 y0 , = t x0 et 0 x0 de modo que entra tangente a una semirrecta de pendiente y0 /x0 (vertical si x0 = 0). Por lo tanto (0, 0) es efectivamente un nodo. l m Ejemplo 6.10. En el sistema x y = = x 2y
tambi en se tiene que el punto cr tico (0, 0) es un nodo. Todas las trayectorias entran al nodo con pendiente l = 0 salvo aquellas que parten de alg un punto sobre el eje OY , que entran con pendiente vertical. Un punto cr tco aislado ( x, y ) se llama punto silla si existen dos trayectorias que entran a el tangentes a semirrectas opuestas y dos que salen de la misma forma. Las restantes trayectorias no convergen a ( x, y ) y tienen como as ntotas a las semirrectas antes mencionadas. Ejemplo 6.11. En el sistema x y el origen es punto silla (ver Figura 12). Diremos que un punto cr tico es punto espiral si todas las trayectorias en una vecindad del punto convergen pero no entran cuando t , o convergen pero no salen cuando t . Un punto cr tico es un centro si todas las trayectorias en una vecindad del punto son cerradas y existen trayectorias arbitrariamente cerca del punto. = = x y,

Figura 12. Punto silla Ejemplo 6.12. Consideremos el sistema x = x + (47) y = x +
y y,
con condiciones iniciales (x(0), y (0)) = (x0 , y0 ) dadas, que tiene claramente el u nico punto cr tico (0, 0). Este es un sistema lineal de matriz A= y ,
cuyos valores propios son = i . Los vectores propios asociados son v1 = i 1 v2 = i 1 .
Luego A es diagonalizable y A = P DP 1 , donde P = As , eAt = P eDt P 1 y eAt = 1 i i 1 et et 0 0 et et . 1 i i 1 y P 1 = 1 2 1 i i 1 1 2 1 i .
i 1
= et Observemos que
cos(t) sen(t)
sen(t) cos(t)
es una matriz de rotaci on en un angulo t, mientras que et es un factor de escala. Finalmente, la soluci on del sistema es x y = et cos(t) sen(t) sen(t) cos(t) x0 y0 .
cos(t) sen(t)
sen(t) cos(t)
Para bosquejar los diagramas de fase del sistema, s olo es necesario considerar los signos de y . La trayectoria se aleja del origen si > 0 pues et es creciente.

Si < 0, la trayectoria se acerca. Por otra parte, la rotaci on ocurre en sentido horario si > 0 y antihorario si < 0 (ver Figuras 13, 14, 15).
y y
Figura 13. Diagrama de fase del sistema (47). A la izquierda < 0, > 0, y a la derecha > 0, < 0.
Figura 14. Diagrama de fase del sistema (47). A la izquierda < 0, < 0, y a la derecha > 0, > 0. Si = 0 el m odulo de (x(t), y (t)) permanece constante por lo que la trayectoria dene circunferencias. Si = 0 no hay rotaci on y las soluciones se mueven a lo largo de rectas por el origen. Las Figuras 13, 14 y 15 nos dicen tambi en las caracter sticas de estabilidad del punto cr tico (0, 0): si < 0 es un punto espiral asint oticamente estable; si > 0 es un punto espiral inestable; si = 0 es un centro estable. Si = 0 es un nodo (estable o inestable seg un el signo de ). 4. Puntos cr ticos de sistemas lineales
Nos interesa estudiar ahora con profundidad los sistemas linealizados, puesto que Henri Poincar e demostr o que bajo las hip otesis adecuadas, si se logra clasicar cualitativamente un punto cr tico, por ejemplo en t erminos de nodo, espiral, etc., entonces estas mismas caracter sticas se mantendran en el sistema original no lineal.

4. PUNTOS CR ITICOS DE SISTEMAS LINEALES 169
Figura 15. Diagrama de fase del sistema (47) para = 0. A la izquierda > 0, y a la derecha < 0. Y por otra parte, Alexander Lyapunov demostr o que bajo ciertas hip otesis, se conservaba la estabilidad asint otica de los puntos cr ticos al linealizar. Por esta raz on, ahora nos concentraremos en los sistemas lineales y pospondremos un momento el enunciado exacto de estos teoremas. Sin p erdida de generalidad, podemos suponer como punto cr tico ( x, y ) = (0, 0) (si este no fuera el caso, basta efectuar una traslaci on), y entonces consideramos el sistema lineal: (48) x = ax + by y = cx + dy,
con condiciones iniciales x(t0 ) = x0 , y (t0 ) = y0 , y con ad bc = 0, para que de esta forma el punto (0, 0) sea el u nico punto cr tico del sistema (y sea aislado). a b Tomamos A = con valores propios 1 , 2 . Recordemos que una matriz c d invertible no tiene al cero como valor propio. Luego 1 , 2 = 0. Pueden ocurrir los siguientes casos: A. Casos Principales: 1. 1 , 2 reales distintos pero de igual signo. 2. 1 , 2 reales distintos y de distinto signo. 3. 1 , 2 complejos (conjugados), con parte real no nula. B. Casos Frontera: 1. 1 , 2 reales e iguales. 2. 1 , 2 imaginarios puros (conjugados). Examinaremos por separado cada uno de los casos descritos arriba. A. Casos Principales: En todos estos casos los valores propios son distintos, por ende la matriz es diagonalizable, es decir, se puede escribir de la forma A = P DP 1 , con D= 1 0 0 2 P = v1 | v2 ,

donde v1 , v2 son los vectores propios asociados a 1 y 2 , respectivamente. De esta forma la soluci on del sistema lineal es x0 x = eAt y y0 x y P 1 x y x y = = P e1 t 0 e1 t 0 e1 t 0 0 e2 t 0 e2 t 0 e2 t P 1 P 1 x0 y0 x0 y0 x0 y0 .
De esta forma, el problema se desacopla en estas nuevas coordenadas x, y introducidas por las direcciones de los vectores propios (llamadas tambi en direcciones propias). Resulta simplemente x = y = e1 t x0 e2 t y0 .
Observemos que si, por ejemplo, 1 < 0, entonces

t
l m x = l m e1 t x0 = 0.
t
Si 1 > 0, entonces donde el signo de est a dado por el signo de la condici on inicial. El mismo argumento es v alido para 2 . Si queremos estudiar el diagrama de fase, eliminamos la variable t de las ecuaciones anteriores y obtenemos y = c0 x2 /1 , donde c0 =
y0 / x0 2 1 t
l m x = l m e1 t x0 = ,
t
es una constante.
A.1. 1 , 2 reales distintos de igual signo. S olo hay dos casos: 2 /1 > 1 o 2 /1 < 1. El bosquejo del diagrama de fases para el caso 2 /1 > 1 se tiene en la Figura 16. En el gr aco de la izquierda, para 2 < 1 < 0 se tiene estabilidad asint otica, mientras que en el de la derecha, para 0 < 1 < 2 , el origen es inestable. Para el caso 2 /1 < 1, se tiene la Figura 17. En el gr aco de la izquierda, para 1 < 2 < 0 se tiene estabilidad asint otica, mientras que en el de la derecha, para 0 < 2 < 1 , el origen es inestable. Como conclusi on tenemos que en ambos casos el punto (0, 0) es un nodo. Si los valores propios son negativos, es asint oticamente estable; si son positivos, entonces es inestable. Adem as, vemos que en general para el caso de valores propios reales distintos de igual signo, los recorridos de las trayectorias son siempre tangentes a la recta dada por la direcci on del vector propio asociado al valor propio de menor m odulo. En efecto:

Figura 16. Diagramas de fase de (48) para 2 /1 > 1.

y y
Figura 17. Diagramas de fase de (48) para 2 /1 < 1. |1 | < |2 | |2 | < |1 |

2 1 2 1
> 1 recorrido tangente a v1 . < 1 recorrido tangente a v2 .
A.2. 1 , 2 reales con distinto signo. Los diagramas de fase ser an los de la Figura 18. El punto cr tico es un punto silla, que por supuesto es inestable. Las trayectorias entran en la direcci on propia asociada al valor propio negativo y salen en la direcci on propia asociada al valor propio positivo.
y y
Figura 18. Diagramas de fase de (48) para 2 y 1 de signos distintos.

Ejemplo 6.13 (Continuaci on de conejos y ovejas). Volvamos al ejemplo de los conejos compitendo con las ovejas: x y Sabemos que Vimos que este sistema no era degenerado entorno a ninguno de estos cuatro puntos cr ticos, que ahora clasicaremos con respecto al sistema linealizado. Ya hab amos evaluado el jacobiano en cada punto cr tico: 60 0 1. J (0, 0) = . Sus valores propios son 1 = 60 y 2 = 42, por lo 0 42 que se trata de un nodo inestable. Los vectores propios asociados son v1 = 1 0 v2 = 0 1 , C = {(0, 0), (0, 14), (20, 0), (12, 6)}. = = 60x 3x2 4xy 42y 3y 2 2xy F (x, y ) G(x, y ).
respectivamente. Los recorridos de las trayectorias son tangentes a la direcci on v2 (salvo los 2 que son tangentes a v1 ). 60 80 2. J (20, 0) = . Sus valores propios son 1 = 60 y 2 = 2, 0 2 por lo que este es un punto silla. Los vectores propios asociados son v1 = 1 0 v2 = 80 62 ,
respectivamente. El eje de las trayectorias convergentes es la direcci on v2 . 36 48 4. J (12, 6) = . Sus valores propios son 1 = 27 3 73 12 18 52.6 y 2 = 27 + 3 73 1.4 por lo que el punto cr tico (12, 6) es un nodo asint oticamente estable. Los vectores propios asociados son v1 = 16 3 + 73 v2 = 16 3 73 ,
respectivamente. El eje de las trayectorias convergentes es la direcci on v1 . 4 0 3. J (0, 14) = . Sus valores propios son 1 = 4 y 2 = 42, 28 42 por lo que este tambi en es un punto silla. Los vectores propios asociados son 46 0 v1 = v2 = , 28 1
respectivamente. Los recorridos de trayectorias son tangentes a la direcci on v2 (salvo los 2 que son tangentes a v1 ). En conclusi on tenemos que en el punto (0, 0) donde ambas especies desaparecen es inestable, al igual que cuando una sola especie sobrevive en los puntos (20, 0) y (0, 14). El punto (12, 6) es un punto de equilibrio asint oticamente estable, por lo que si tomamos cualquier condici on inicial que no sean los otros puntos cr ticos, tendremos que en un tiempo sucientemente extenso se dar a la coexistencia de conejos y ovejas en las vecindades del punto (12, 6). Podemos hacer ahora un esbozo del diagrama de fases.

Diagrama de fases del modelo de conejos y ovejas.
A.3. 1 , 2 complejos conjugados, con parte real no nula, esto es 1 = + i 1 = i, con =0 y = 0. Esto es equivalente (salvo cambio de base) al sistema x = x + y y = x + y pues las matrices + i 0 y , tienen igual polinomio ca0 i racter stico. Ya hab amos analizado este caso en el Ejemplo 6.12. Vimos que el origen es un punto espiral asint oticamente estable si < 0 y un espiral inestable si > 0. Notemos que dado que hay un cambio de base, se pierde la informaci on del sentido del giro y ya no se puede deducir de los valores o vectores propios. Para determinar el sentido del giro, lo m as f acil es calcular el ujo directamente del sistema original en algunos puntos estrat egicos. Ejemplo 6.14 (P endulo no lineal). Ahora que tenemos m as herramientas, seguiremos con el ejemplo del p endulo no lineal. El sistema x y 0 g L cos(x) = = y c m y
g L
sen(x) 0 g (1)k L 1 c m
tiene puntos cr ticos C = {(k, 0) | k Z}, y el Jacobiano respectivo es: J (x, y ) = 1 c m

g L
J ( x, y ) =
por tanto los valores propios depender an de la paridad de k . k impar: Tenemos que 2 +
c m
= 0, de donde
c2 c g + . 2 2m 4m L Puesto que todas las contantes son positivas tenemos dos valores propios reales de distinto signo. Los puntos cr ticos resultan ser puntos sillas inestables. =

174 6. SISTEMAS NO LINEALES c m
k par: Aqu 2 +
g L
= 0 y luego = c 2m
2
g c2 . 2 4m L
Analicemos por casos el signo de la cantidad subradical:

g 1. Sobreamortiguado: El caso 4c m2 > L nos entrega dos valores propios reales distintos, ambos negativos, por lo que los puntos cr ticos (k, 0) resultan nodos asint oticamente estables. 2 g 2. Subamortiguado: El caso 4c m2 < L nos entrega dos valores propios complejos conjugados, por lo que los puntos cr ticos (k, 0) resultan puntos espirales, que adem as son asint oticamente estables pues = 2c m < 0. Este caso corresponde al m as com un, que ocurre cuando el coeciente de 2 g g roce es peque no (notar que 4c olo si, c < 2m L ). m2 < L si, y s El sentido de giro de las espirales se puede determinar calculando el ujo el algunos puntos vecinos (ver echas en la Figura 19). Notemos que si el p endulo est a en posici on vertical hacia arriba, que corresponde a los puntos k impar, est a en un equilibrio inestable. Intuitivamente, si en esta posici on lo perturbamos ligeramente, el p endulo oscila hasta la posici on vertical hacia abajo, que son los puntos espirales asint oticamente estables con k par (ver situaci on cerca de (, 0) en la Figura 19).
4 y 3 2 2 00 2 4
Figura 19. Diagramas de fase del p endulo subamortuguado.
g 3. Cr ticamente amortiguado: El caso 4c olo valor m2 = L nos entrega un s propio real negativo de multiplicidad doble. Este caso a un no lo hemos analizado, pero lo analizaremos a continuaci on (corresponde a un nodo en S ).
2
2 x
B. Casos Frontera. B.1. Un s olo valor propio con multiplicidad 2.

Tenemos el sistema
x y
= ax + by = cx + dy,
con la matriz A =
a b no es necesariamente diagonalizable (pues tiene el c d valor propio repetido), pero siempre se puede llevar a su forma can onica de Jordan A = P JP 1 , donde J puede tener uno o dos bloques. En el caso de tener dos bloques, la matriz es diagonalizable, con J= 0 0 y de aqu eJt = et 0 0 et .
Luego, la ecuaci on en las nuevas coordenadas dadas por los vectores propios generalizados v1 , v2 es: x y = et 0 0 et x0 y0 x y = et x0 . = et y0
El diagrama de fase de este caso ya es bien conocido del comienzo del cap tulo (ver Figura 8 para caso < 0). El punto cr tico ser a un nodo asint oticamente estable si el valor propio es negativo y un nodo inestable si es positivo. Este tipo de nodos se denomina nodos estrella. Si la matriz no es diagonalizable, tenemos: J= 1 0 y entonces eJt = et 0 tet et .
De esta forma el sistema en las nuevas coordenadas dadas por los vectores propios generalizados v1 , v2 , es: x y = et 0 tet et x 0 y 0 x = y = et x 0 + tet y 0 . t e y 0
De aqu se tiene que si < 0 resulta un nodo asint oticamente estable, y si > 0, es un nodo inestable. De hecho, de la segunda ecuaci on se puede despejar t = y 1 ln y 0 . Reemplazando en la primera obtenemos x =y 1 x 0 + ln y 0 y y 0 .
Pero esta funci on es dif cil de gracar. Una estrategia es notar primero que las trayectorias con y 0 = 0 se mantienen sobre el eje propio y que las trayectorias con x 0 = 0 (por ejemplo si < 0) decrecen (en m odulo) exponencialmente en y y en x primero crecen en m odulo (debido al factor t) y luego decrecen (en m odulo) exponencialmente. Esto da trayectorias en forma de S . Adem as, dividiendo x yy se obtiene: y y 0 = x x 0 + ty 0 que tiende a cero si t tiende a innito as que las trayectorias resultan tangentes al eje propio cerca del origen. El an alsis para > 0 es similar. Este tipo de puntos cr ticos se denominan nodos en S . Son asint oticamente estables si < 0 e inestables si > 0.

B.2. 1 , 2 imaginarios puros conjugados. Esto equivale (con un cambio de base) al sistema x = y y = x . Del Ejemplo 6.12 se tiene que el punto cr tico es un centro y resulta ser estable. Ahora que ya sabemos como se comporta el sistema lineal en funci on de sus valores propios, podemos resumir los resultados de este cap tulo que llevamos hasta aqu en los que se conocen como los teoremas de Poincar e y Lyapunov: Teorema 6.1 (Poincar e). Sea ( x, y ) un punto cr tico de un (SN LA) no degenerado y sean 1 , 2 los valores propios de J ( x, y ). El punto cr tico ( x, y ) en el (SNLA) ser a: (i) Un nodo si 1 , 2 R son distintos y tienen el mismo signo. En este caso adem as todas los trayectorias (excepto dos) son tangentes en ( x, y ) a la direcci on propia asociada al valor propio de m odulo menor. Las otras dos, est an sobre la otra direcci on propia. (ii) Un punto silla si 1 , 2 R tienen distinto signo. En este caso adem as hay dos trayectorias convergentes a ( x, y ) en la direcci on propia asociada al valor propio negativo, y dos divergentes en la direcci on propia asociada al valor propio positivo. Las dem as, tienen como as ntotas las direcciones propias. (iii) Un punto espiral si 1 , 2 C, con partes real e imaginaria distintas de cero. Teorema 6.2 (Lyapunov). Sea ( x, y ) un punto cr tico de un (SN LA) no degenerado y sean 1 , 2 los valores propios de J ( x, y ). El punto cr tico ( x, y ) en el (SNLA) ser a: (i) Asint oticamente estable si las partes reales son negativas. (ii) Inestable si alguno tiene parte real positiva. n. Por simplicidad en los teoremas anteriores se ha hecho referenObservacio cia a las trayectorias pero las armaciones de tipo geom etrico se reeren en realidad a sus recorridos. Los resultados anteriores son la base del an alisis de los sistemas no lineales, pero no nos dicen nada en los casos en que los valores propios toman los valores frontera. 2 g Por ejemplo, en el caso del p endulo cr ticamente amortiguado en que 4c m2 = L , el sistema linealizado ten a un s olo valor propio negativo, lo que corresponder a a un nodo (en S ) asint oticamente estable en el sistema lineal, pero esto no nos permite saber exactamente qu e comportamiento tiene el sistema no lineal. Volveremos m as adelante sobre este mismo punto cuando analicemos la energ a de sistemas conservativos. 5. El enfoque traza - determinante
Consideremos el sistema lineal X (t) = AX (t), donde A M22 (R) es una matriz invertible. El origen es el u nico punto cr tico del sistema. Veremos c omo clasicarlo de acuerdo con las relaciones entre la traza y el determinante de A. Para simplicar la notaci on introducimos las variables x = tr(A) e y = det(A)

5. EL ENFOQUE TRAZA - DETERMINANTE 177
que determinan el plano traza - determinante. El polinomio caracter stico de la matriz A es p() = 2 tr(A) + det(A). Sus ra ces son tr(A)2 4 det(A) . 2 Las ra ces son reales sobre la par abola 4 det(A) = tr(A)2 . Con la notaci on dada 2 arriba esto es 4y = x . = tr(A)
4 det(A) = tr(A)2
det(A)
1 4
2 3
5
Plano traza - determinante.
tr(A)
Cuando estemos en el caso 4y > x2 (por encima de la par abola), tendremos el caso de ra ces complejas conjugadas. Si tr(A) < 0 (regi on 1) tendremos un punto espiral inestable; si tr(A) = 0 (eje OY ), un centro; y si tr(A) > 0 (regi on 2), un punto espiral estable. En el semiplano det(A) < 0 (regi on 5) las ra ces son reales y tienen distinto signo, por lo que tendremos s olo puntos sillas inestables. Veamos qu e pasa entre la par abola 4y = x2 y la recta y = 0. Si tr(A) > 0 (regi on 3) hay dos ra ces reales negativas, por lo que tenemos un nodo asint oticamente estable; si tr(A) < 0 (regi on 4), hay dos ra ces reales positivas y tenemos un nodo inestable. Sobre la par abola tenemos una ra z real con multiplicidad 2. Se tienen nodos inestables si tr(A) < 0 y nodos asint oticamente estables si tr(A) > 0. Hemos concluido as una forma que nos permite tener una idea general del punto cr tico de un sistema s olo viendo la traza y determinante de la matriz, sin tener que calcular valores y vectores propios expl citamente. Sin embargo, si queremos un gr aco preciso del diagrama de fases es inevitable calcular los vectores propios, pues indican las direcciones de tangencia de las trayectorias, para el caso que corresponda.

6.
Energ a, funciones de Lyapunov y estabilidad
Un concepto u til en f sica para clasicar los puntos de equilibrio de un sistema es el de energ a, gracias al siguiente principio: En sistemas conservativos, un punto cr tico es estable si es un m nimo local de la energ a total. A grandes rasgos una funci on de Lyapunov es una energ a, en un sentido amplio. En breve daremos una denic on m as precisa. Antes introduzcamos las llamadas curvas de iso-energ a que se pueden obtener directamente para el p endulo no lineal en el caso conservativo (c = 0). En general, si tenemos el sistema conservativo: x + f (x) = 0 si multiplicamos por x e integramos entre t1 y t2 , queda
t2 t1 t2 t1
x x dt +
f (x(t))x (t) dt = 0
usando que
d |x |2 dt
= 2x x y haciendo el cambio de variables x = x(t) se tiene que |x (t1 )|2 |x (t2 )|2 + 2 2
x2
f (s)ds = 0
x1
y si llamamos F a una primitiva de f esto es:

x
F (x) =
0
f (s) ds
entonces
|x (t1 )|2 |x (t1 )|2 + F (x1 ) = + F (x2 ). 2 2 Esto quiere decir que la siguiente cantidad (que es exactamente la energ a salvo una constante multiplicativa y/o aditiva) es conservada a lo largo de las trayectorias: E (x, y ) =
y2 + F (x). 2 Las curvas de iso-energ a quedan as parametrizadas por E de la forma Retomemos el Ejemplo 6.14 del p endulo. Supongamos primero que c = 0, lo que signica que no hay roce. El sistema es x y = y g = L sen(x). y = 2(E F (x)).
En este caso la cantidad conservada es: y2 y2 g E (x, y ) = + F (x) = cos(x). 2 2 L Las curvas de iso-energ a tienen la forma g cos(x) L y est an parametrizadas por E de 1 a . En la Figura 20 se muestran algunas de dichas curvas. y= 2 E+

6. ENERG IA, FUNCIONES DE LYAPUNOV Y ESTABILIDAD 179
4 15
10
10
15
Figura 20. Curvas de iso-energ a en el caso del p endulo no lineal conservativo (c = 0).
1 2 = 2 mL2 y 2 , y Notar que la energ a cin etica de este sistema es K = 1 2 mL la energ a potencial U = mgL(1 cos()) = mgL(1 cos(x)), entonces la energ a total es 1 V (x, y ) = K + U = mL2 y 2 + mgL(1 cos(x)) 2 y podemos vericar que V y E se diferencian solamente en una constante multiplicativa y una constante aditiva: 2
V (x, y ) = mL2 E (x, y ) + mgL de manera que las curvas de nivel de E y V son cualitativamente iguales (ver Figura 20) y da lo mismo cu al de las dos funciones energ a considerar. Si queremos vericar directamente que V es conservada a lo largo de las trayectorias, derivemos la funci on V con respecto al tiempo usando la regla de la cadena: V dx V dy dV = + = mgL sen(x)x + mL2 yy . dt x dt y dt Reemplazando x , y de las ecuaciones del sistema no lineal, tenemos que V (t) = mgL sen(x)y + mL2 y g sen(x) = 0 L
para todo t, lo que signica que V (t) = V0 para todo t. Es decir, la energ a se mantiene constante, por lo que hemos vericado una vez m as que el sistema es conservativo. Por otra parte, los m nimos locales de V (o de E ) son efectivamente los puntos cr ticos del sistema: {(2k, 0) | k Z}. Si el sistema parte de uno de estos puntos, permanece en el; pero si parte de un punto distinto las trayectorias no pueden tender a ning un punto cr tico pues ellas se mantienen a niveles constantes de energ a. Esto dice que ning un punto cr tico puede ser asint oticamente estable.

Consideremos ahora el p endulo con roce: x y = = y c y m

g L
sen(x)
Las ecuaciones para la energ a son exactamente las mismas, por lo que todav a 2 2 mL y + mgL (1 cos( x )), pero si derivamos y luego reemplazamos V (x, y ) = 1 2 x , y obtenemos dV = cL2 y 2 0. dt La energ a disminuye con el paso del tiempo y se dice que el sistema es disipativo. En este caso la p erdida o disminuci on de energ a se debe al roce y es natural pensar que entonces debe tener m as posibilidad de evolucionar hacia un punto de equilibrio estable. Es m as, antes ya vimos que la posici on vertical hacia abajo es punto de equilibrio asint oticamente estable. Esto es m as general, si consideramos el sistema siguiente: x + f (x) + g (y ) = 0 tal que yg (y ) 0 entonces si E (x, y ) =
y2 2
+ F (x) como antes, se cumplir a que
dE = yy + f (x)y = y (f (x) g (y )) + f (x)y = yg (y ) 0 dt es decir el sistema disipar a energ a. Dado un punto ( x, y ) R2 , una corona alrededor de ( x, y ) es un conjunto Dr de la forma {(x, y ) R2 | 0 < (x, y ) ( x, y ) < r}. Notemos que si a Dr le agregamos el punto ( x, y ) obtenemos la bola abierta Br ( x, y ). Una vecindad perforada de ( x, y ) es un abierto que no contiene a ( x, y ) pero contiene a una corona alrededor de ( x, y ). Consideremos el (SN LA) x y = F (x, y ), = G(x, y ), x(t0 ) = x0 y (t0 ) = y0 ,
donde F y G son funciones continuamente diferenciables. Sean ( x, y ) un punto cr tico aislado del (SN LA) y Dr una corona alrededor de ( x, y ). Una funci on continuamente diferenciable V : Br ( x, y ) R es una funci on de Lyapunov para el sistema en torno al punto cr tico ( x, y ) si satisface las siguientes condiciones: 1. Se anula en ( x, y ) y es positiva en todo Dr . V V F+ G 0 en Dr . 2. x y Si la igualdad en (2) es siempre estricta, decimos que V es una funci on de Lyapunov estricta.

Observemos que, a lo largo de las soluciones del sistema, la funci on de Lyapunov decrece. M as precisamente, d V V V (x(t), y (t)) = x (t) + y (t) dt x y V V = F (x(t), y (t)) + G(x(t), y (t)) 0 x y lo que hace evidente la cercan a entre las funciones de Lyapunov y la energ a. Teorema 6.3 (Estabilidad por funciones de Lyapunov). Sea ( x, y ) un punto cr tico aislado del (SN LA). 1. Si existe una funci on de Lyapunov en torno a ( x, y ), entonces el punto cr tico es estable. 2. Si adem as la funci on de Lyapunov es estricta, el punto es asint oticamente estable. 3. Por el contrario, si existe una funci on con las mismas caracter sticas pero V V con F+ G > 0 en Dr , entonces el punto cr tico es inestable. x y n. 1. Sea > 0. Para probar la estabilidad debemos encontrar > 0 Demostracio tal que si (x0 , y0 ) B ( x, y ) entonces x(t), y (t) B ( x, y ) para todo t > 0. Como V es continua existe x, y ) es la bola cerrada de centro ( x, y ) y radio y B ( x, y ) denota donde B ( su frontera (que es cerrada y acotada). Por la continuidad de V y dado que V se anula en ( x, y ), existe (0, r) tal que V (x, y ) < m/2 para todo (x, y ) B ( x, y ). En t0 tomemos la condici on inicial (x0 , y0 ) B ( x, y ), y la trayectoria asociada (x(t), y (t)). Sabemos que V (x0 , y0 ) < m/2. Adem as V dx V dy d V (x(t), y (t)) = + = Vx F + Vy G 0 dt x dt y dt de donde Como (x(t), y (t)) es una funci on continua (esto viene del teorema de existencia y x, y ) para ning un t pues all V unicidad), la curva que describe no intersecta B ( vale m. Concluimos que ( x, y ) es estable. 2. Para la establidad asint otica debemos > 0 de manera que si (x0 , y0 ) B ( x, y ) entonces l mt (x(t), y (t)) = ( x, y ). Como la funci on es positiva y decreciente para cualquier condici on inicial, ella tiene un l mite L cuando t . Si L = 0, la continuidad de V asegura que l mt (x(t), y (t)) = ( x, y ) que es el u nico punto donde V se anula. Probaremos ahora que L no puede ser positivo. En efecto, si L > 0 entonces V (x(t), y (t)) L para todo t. Por otro lado, siempre se tiene que V (x(t), y (t)) V (x0 , y0 ). Adem as, el punto 1 dice que ( x, y ) es estable, de modo que existe > 0 tal que si (x0 , y0 ) B ( x, y ) entonces (x(t), y (t)) Br/2 ( x, y ). En virtud de la continuidad de V el conjunto K = { (x, y ) B r/2 ( x, y ) | L V (x, y ) V (x0 , y0 ) } t V (x(t), y (t)) V (x(t), y (t)) V (x0 , y0 ) < m/2 para todo t 0. x, y )} = m > 0, m n{V (x, y ) | (x, y ) B (

es cerrado y acotado. Adem as contiene a la trayectoria y no contiene a ( x, y ). Luego m ax d V (x(t), y (t)) | (x(t), y (t)) K dt V (x(t), y (t)) V (x0 , y0 ) kt, cantidad que tiende a cuando t . Esto es imposible puesto que V no toma valores negativos. 3. Se deja como ejercicio al lector. Para el ejemplo del p endulo sin roce la funci on 1 mL2 y 2 + mgL(1 cos(x)) 2 claramente se anula en los puntos cr ticos, y es estrictamente positiva en todos los otros puntos, y vimos que dV 0, por lo que por el Teorema anterior, tenemos que dt los puntos cr ticos son estables, que es la misma conclusi on que obtuvimos con el an alisis de linealizaci on del sistema. V (x, y ) = Para el sistema amortiguado, si tomamos la misma funci on V anterior, tenemos 2 = cLy 0, s olo podemos que se cumplen las hip otesis del teorema, pero como dV dt concluir que el origen es estable, aunque en realidad sabemos que es asint oticamente estable. En un sistema cualquiera, la funci on de Lyapunov es una herramienta muy u til, pero el problema es que hay que probar con diferentes funciones y tratar de encontrar una que sirva. En el caso de sistemas f sicos conservativos, la energ a total del sistema en una buena funci on a considerar, pero ya notamos que en el caso del p endulo amortiguado quiz a pueda hacerse algo mejor. g c = = 1 para facilitar los c alculos. En el p endulo amortiguado, tomemos m L Probemos que la funci on 1 1 (x + y )2 + x2 + y 2 , 2 2 es una funci on de Lyapunov estricta en el origen. La funci on claramente cumple con la condici on de anularse s olo en el punto (x, y ) = (0, 0), es positiva fuera del origen, continuamente diferenciable en todo R2 y adem as V (x, y ) = V V F+ G x y = (x + y + 2x)y (x + y + y )(y + sen(x)) = 2xy y 2 (x + 2y ) sen(x). Por el teorema de Taylor sabemos que cos( ) 3 x 3 para alg un entre 0 y x. Como para usar el teorema basta encontrar una vecindad del origen, consideremos 2 < x < 2 , con lo que 0 < cos( ) < 1. Reemplazando sen(x) = x = k < 0.
Tenemos entonces que

esto vemos que V V cos( ) 3 F+ G = (x2 + y 2 ) + x (x + 2y ). x y 3 No es directo establecer si esta expresi on cambia de signo o no, pero si hacemos el cambio a coordenadas polares: x = r cos(), y = r sen(), obtenemos V V cos( ) 4 F+ G = r 2 + r cos4 () + 2 cos3 () sin() . x y 3 Claramente 1 < cos4 () + 2 cos3 () sen() < 3 y entonces 1 cos( ) < cos4 () + 2 cos3 () sen() < 1. 3 3 Luego, tomando r < 1, se tiene r2 de donde vemos que V V F+ G x y = r 2 1 + r 2 cos( ) cos4 () + 2 cos3 () sen() 3 <0 cos( ) cos4 () + 2 cos3 () sen() 3 < 1,
en una vecindad del origen. El teorema de estabilidad por funciones de Lyapunov nos dice entonces que el origen es un punto cr tico asint oticamente estable. Este u ltimo ejemplo nos muestra que una funci on de Lyapunov no es necesariamente la funci on de energ a del sistema.
Figura 21. Evoluci on de la energ a total a lo largo de las trayectorias para el p endulo no-lineal. La energ a total resulta ser una funci on de Lyapunov no estricta ya que no decrece estrictamente cuando y = = 0.

Ejemplo 6.15. Considere el sistema de ecuaciones x y = sen x cos y = cos x sen y.
Veamos que los puntos cr ticos del sistema son
En efecto F (x, y ) = sin x cos x y G(x, y ) = cos x sin y . Los puntos cr ticos son F (x, y ) = G(x, y ) = 0. F (x, y ) = 0 implica sin x = 0 o cos y = 0. Si sin x = 0, entonces G(x, y ) = 0 si y s olo si sin y = 0. Se sigue que en este caso x = k con k Z e y = l con l Z. Por otro lado si cos y = 0, entonces G(x, y ) = 0 si y s olo si cos x = 0. Se sigue que x = /2 + k con k Z e y = /2 + l con l Z. Analicemos ahora el tipo y estabilidad de los puntos cr ticos para el sistema linealizado. Para ello calculemos la matriz Jacobiana, para tener los sistemas linelizados: J (x, y ) =
F x (x, y ) F x (x, y ) F y (x, y ) G y (x, y )
{(k, ), k, Z} {(/2 + k, /2 + )k, Z}.
cos x cos y sin x sin y
sin x sin y cos x cos y
Caso 1: x = k e y = l . Se tiene que sin x = sin y = 0 y tambien cos x = 1 si k es par , 1 si no cos y = 1 si l es par . 1 si no
Asi, tenemos dos subcasos: Subcaso a: k par y l par ; k impar y l impar. 1 0 0 1 y en este caso, el punto cr tico es un punto silla. Subcaso b: k par y l impar ; k par y l impar. J= 1 0 0 1 y en este caso, el punto cr tico es un punto silla. Caso 2: x = /2 + k e y = /2 + k . Se tiene que cos x cos y = 0 y que J= sin x = 1 si k es par , 1 si no sin y = 1 si l es par . 1 si no
Luego, tenemos dos subcasos. Subcaso a: k par l par; k impar l impar. J=
0 1 1 0 En este caso, los valores propios de J son i y i, y se tiene que el punto cr tico para el sistema linealizado es estable (centro). Subcaso b: k par l impar; k par l impar. J= 0 1 1 0

En este caso, los valores propios de J son i y i, y se tiene que el punto cr tico para el sistema linealizado es estable (centro). Para los puntos cr ticos del caso 1, se tiene que para el sistema no lineal tambi en ser an puntos inestables. Pero para el caso 2, la parte real de los valores propios es 0, luego no se puede concluir la estabilidad del sistema no lineal con este analisis. Bosquejemos conjuntamente los diagramas de fase de los sistemas lineales en [, ] [, ] indicando con echas el sentido en que las trayectorias son recorridas. Observemos que los puntos sillas tienen en el subcaso a) la direcci on inestable es paralela al vector (1, 0), i.e. la direcci on horizontal es inestable, mientras que la vertical es estable. Esto es por que la matriz es diagonal y entonces los vectores propios son la base can onica). En el subcaso b) se tiene que la direcci on horizontal es estable y la direcci on vertical es inestable. en el caso 2) subcaso a) el sentido de giro es positivo en el sentido de la mano derecha, en el caso 2) subcaso b) el sentido de giro es negativo. Ademas en el sistema linealizado los puntos cr ticos del caso 2) son centros, i.e., las trayectorias giran en torno a estos puntos. As , se tiene1
x = sin(x) cos(y) y = cos(x) sin(y)
punto silla
punto silla
punto silla
centro 1
centro
0 punto silla punto silla punto silla
centro 2
centro
3 punto silla 4 4 3 2 1 0 x 1 2 3 4 punto silla punto silla
Las trayectorias (x(t), y (t)) de este sistema satisfacen H (x(t), y (t)) = constante, donde la funci on H esta denida por H (x, y ) = sen x sen y.
1Este gr aco fue realizado con los http://math.rice.edu/ %7Edfield/dfpp.html.
programas
libres
dphase
pplane.
Ver

d H (x(t), y (t)) = 0. En efecto, por regla de la cadena se Basta para ello ver que dt tiene que d H H H (x(t), y (t)) = (x(t), y (t))x (t) + (x(t), y (t))y (t) dt x y Reemplazando se obtiene
Observemos que las curvas de nivel de H son cerradas permite concluir que las trayectorias del sistema no lineal tambi en son cerradas, y esto es coherente con el comportamiento del sistema linealizado. Demostremos que el punto cr tico (/2, /2) es estable. Para ello probemos que 1 H (x, y ) es una funci on de Lyapunov en torno a dicho punto. En efecto, Se verica que H 1, luego V = 1 H 0. Ademas 1 H (/2, /2) = 0. Por d V (x(t), y (t)) = 0 por la parte anterior y se tiene que V es funci on de ultimo, dt Lyapunov. Por el teorema de estabilidad de Lyapunov, se concluye que (/2, /2) es un equilibrio estable.
cos x sin x sin x cos y + sin x cos y ( cos x sin y ) = 0.

Edo Uchile

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Edo Uchile

Încărcat de

Drepturi de autor:

Formate disponibile

n Derecho de autor.

UNIVERSIDAD DE CHILE FACULTAD DE CIENCIAS F ISICAS Y MATEMATICAS DEPARTAMENTO DE INGENIERIA MATEMATICA

ECUACIONES DIFERENCIALES ORDINARIAS

n Derecho de autor. Prohibida su reproduccio

n Derecho de autor. Prohibida su reproduccio

n Derecho de autor. Prohibida su reproduccio

n Derecho de autor. Prohibida su reproduccio

n Derecho de autor. Prohibida su reproduccio

n Derecho de autor. Prohibida su reproduccio

n Derecho de autor. Prohibida su reproduccio

n Derecho de autor. Prohibida su reproduccio

Nociones b asicas y m etodos elementales de resoluci on

n Derecho de autor. Prohibida su reproduccio

n Derecho de autor. Prohibida su reproduccio

= = esto es, la relaci on buscada es: (2)

n Derecho de autor. Prohibida su reproduccio

n Derecho de autor. Prohibida su reproduccio

n Derecho de autor. Prohibida su reproduccio

n Derecho de autor. Prohibida su reproduccio

n Q(x) = 0 Q(x) = 0 i, ai = cte i, ai = ai (x) an = 1

Cuadro 1. Clasicaci on de la EDO lineal

ai (x)y (i) = Q(x).

Resoluci on de EDO elementales

n Derecho de autor. Prohibida su reproduccio

esto es, se tiene que

donde C R es una constante arbitraria. y=

n Derecho de autor. Prohibida su reproduccio

f (x) para todo x I, y0 .

Integrando la ecuaci on y = f (x) entre x0 y x I obtenemos y (s)ds = f (s)ds

y del TFC (identidad (4)), se tiene que

donde C R es una constante. Si G es una primitiva de f entonces G(y ) = F (x) + C.

n Derecho de autor. Prohibida su reproduccio

n Derecho de autor. Prohibida su reproduccio

y F es primitiva de f , se tiene que F (x) F (x0 ) + G(y (x0 )) F (x) + C

n Derecho de autor. Prohibida su reproduccio

por lo que, usando la Ley de Snell generalizada, se obtiene v=

n Derecho de autor. Prohibida su reproduccio

n Derecho de autor. Prohibida su reproduccio

m1/3 Derivando esta expresi on vemos que 1 2/3 m m = 3 de donde y y y (g y )2 = 3

Suponiendo que y < g y que la aceleraci on es constante (y = 0) se obtiene que g y = . 7

n Derecho de autor. Prohibida su reproduccio

Si la masa inicial era m0 , entonces C = 3m0 . Luego m(t) = gK 2 1/3 t + m0 42 .

n Derecho de autor. Prohibida su reproduccio

0 y sec2 x sec2 xdx + C tan x + C

k exp( tan x),

Ejemplo 1.12. Resolvamos ahora el problema de Cauchy y (x) y (1) = = 2,

1 usando el factor integrante. Escribiendo la EDO como y x y = 0 calculamos

(x) = exp Tenemos entonces que 1 y x 1 1 y 2y x x y x y x y

n Derecho de autor. Prohibida su reproduccio

Si a1 (x) = 0 podemos normalizar a0 (x) = ecuaci on como

n Derecho de autor. Prohibida su reproduccio

Introduciendo la concentraci on promedio

n Derecho de autor. Prohibida su reproduccio

Supongamos primero que TA es constante. Tenemos entonces que T + kT T e

= kTA = kTA ekt = kTA ekt = k TA ekt dt + C

sen(t)ekt dt se obtiene = = 1 1 cos(t)ekt dt + sen(t)ekt k k 1 2 sen(t)ekt dt 2 cos(t)ekt + sen(t)ekt . 2 k k k

n Derecho de autor. Prohibida su reproduccio

Esto implica que 1+ Luego, 2 k2 sen(t)ekt dt = ekt sen(t) cos(t) . k k

Ak ekt sen(t) cos(t) . Por lo tanto (14) 2 + k Ak 2 sen(t) cos(t) . 2 2 k + k

Ak sen(t ). Las variaciones de la + 2

n Derecho de autor. Prohibida su reproduccio

Ecuaciones que se reducen a casos elementales

Una EDO es de tipo homog enea15 si se puede escribir como y . y = h x

15No confundir con una EDO lineal homog enea.