Apuntes SD2

Sistemas Dinmicos
Hctor E. Lomel
Departamento Acadmico de Matemticas
Instituto Tecnolgico Autnomo de Mxico
Ro Hondo #1
Mxico, DF 01000
1 de diciembre de 2005
ndice General
1 Introduccin a los Sistemas Dinmicos. 1
1.1 Denicin de un sistema dinmico . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Ejemplos de sistemas dinmicos . . . . . . . . . . . . . . . . . . . . . . . 4
Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2 Sistemas Lineales 8
2.1 La norma de una matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.2 La exponencial de una matriz . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.3 Derivadas matriciales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.4 Clculo de la exponencial de una matriz . . . . . . . . . . . . . . . . . . . 19
2.5 Ecuaciones de orden n y mtodo de Fulmer . . . . . . . . . . . . . . . . . 25
Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3 Estabilidad de Sistemas Lineales. 34
3.1 Matrices no degeneradas . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.2 Matrices atractoras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
NDICE GENERAL i
3.3 Matrices tipo silla . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
4 Teora no Lineal. 49
4.1 Teora de Ecuaciones Diferenciales. . . . . . . . . . . . . . . . . . . . . . 49
Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
5 Estabilidad no lineal 66
5.1 Conjugacin topolgica . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
5.2 Linealizacin de puntos jos . . . . . . . . . . . . . . . . . . . . . . . . . 70
5.3 Anlisis de puntos silla . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
5.4 Estabilidad asinttica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
NDICE GENERAL ii
CAPTULO 1
Introduccin a los Sistemas Dinmicos.
1.1 Denicin de un sistema dinmico
Los Sistemas Dinmicos son el estudio de modelos que evolucionan en el tiempo. En general
se estudian dos situaciones:
_
tiempo continuo t R
tiempo discreto t Z
En cada caso, existen muchas aplicaciones que se pueden poner dentro del esquema de un
sistema dinmico:
Tiempo continuo
_
_
Ecuaciones diferenciales ordinarias
Ecuaciones de difusin
Procesos estocsticos
Tiempo discreto
_
Mtodos iterativos
Iteracin de mapeos
1.1 DEFINICIN DE UN SISTEMA DINMICO 2
Denicin 1.1.1 Sea E un conjunto. Sea un subconjunto de R E tal que {0} E
R E.Un sistema dinmico de tiempo real en E es una funcin : E
(t, x)
t
(x)
tal que:
a) (0, x) = x
b) (t, (s, x)) = (t +s, x) (en donde tenga sentido).
Se dir, adems, que es el ujo del sistema dinmico.
Dado un ujo, generalmente se utilizar la siguiente notacin:
t
(x) = (t, x) . De esta
manera, las condiciones de la denicin anterior se pueden escribir como
0
= i d
E
,
t

s
=
t +s
.
Recordemos que, como parte de la denicin, para cada punto x E, se tiene que
(0, x) . Queremos que para cada x
0
, el conjunto de tiempos t para los que ujo (t, x)
est denido sea un intervalo. El mximo intervalo I R tal que 0 I es llamado el
intervalo maximal de x y se denota D(x).
Denicin 1.1.2 Si para cada punto x el intervalo maximal D(x) = R, se dice que el
sistema dinmico es completo.
En particular, si el ujo es completo, se tiene que para cada t, la funcin
t
: E E es
una biyeccin con inversa dada por
_
t
_
1
=
t
.
Denicin 1.1.3 Sea E un conjunto. Sea un subconjunto de Z E tal que {0} E .
Un sistema dinmico en tiempo discreto es una funcin : E tal que
a) (0, x) = x,
b) (s, (t, x)) = (s +t, x) (cuando esto tiene sentido).
1.1 DEFINICIN DE UN SISTEMA DINMICO 3
En un sistema dinmicos en tiempo discreto, generalmente se utiliza = (N {0}) E
con el ujo denido como
(t, x) = ( f f f
. ,, .
t veces
)(x)
Esta composicin se puede escribir como f
t
= f f f
. ,, .
t veces
.
En ambos casos, en tiempo discreto y tiempo continuo, nos interesa estudiar el compor-
tamiento de los ujos, por ejemplo, nos preguntamos acerca del siguiente lmite.
lim
t
(t, x) =?
En los siguientes captulos estableceremos una relacin entre ujos y ecuaciones diferencia-
les. En particular tenemos el siguiente resultado.
Proposicin 1.1.4 Sea E un abierto de R
n
. Sea un ujo denido en un abierto RE.
Suponer que (t, x) es de clase C
1
. Demostrar que, para cada x E, la funcin y(t ) =
(t, x) satisface el siguiente problema de valores iniciales.
y = f (y),
y(0) = x,
donde f (u) =

t
t =0
(t, u).
Ejemplo 1.1.5 Sea : R R R el ujo dado por
t
(x) =
x
1 xt
Notemos que para t = 0, siempre est denida est denida. Podemos usar =
{(t, x) : xt = 1} .Vamos a vericar que es un sistema dinmico sobre R.
a)
0
(x) = x,
1.2 EJEMPLOS DE SISTEMAS DINMICOS 4
b)
t
(
s
(x)) =
t
_
x
1xs
_
=
x
1xs
1
x
1xs
t
=
x
1sxt x
=
x
1(s+t )x
=
s+t
(x). El intervalo
maximal es
D(x) =
_
_
R si x = 0
_
,
1
x
_
si x > 0
_
1
x
,
_
si x < 0
Para encontrar una ecuacin diferencial que sea satisfecha por (t, x
0
) usamos la propo-
sicin 1.1.4. Usando el ujo de este ejemplo, se tiene
f (u) =

t
t =0
(t, u) = u
2
.
Notemos que y(t ) = (t, x
0
) cumple
y(t ) =

t
(t, x
0
) =
x
2
0
(1 t x
0
)
2
= (t, x
0
)
2
.
De este modo concluimos que, para cada x
0
, la funcin y(t ) = (t, x
0
) es una solucin del
problema
y = y
2
,
y(0) = x
0
.
1.2 Ejemplos de sistemas dinmicos
Ejemplo 1.2.1 Sea E = S
1
=
_
x R
2
: |x| = 1
_
el conjunto de estados. Sea = R E
y : E dada por
(t, x) =
_
cos t sin t
sin t cos t
_
x
Entonces es un sistema dinmico completo.
Ejemplo 1.2.2 En este ejemplo, mostramos que el conjunto de estados puede ser algo ms
que subconjuntos de R
n
. Sea E = C
2
(R) el conjunto de funciones de clase C
2
denidas
EJERCICIOS 5
R. Notemos que E es un espacio vectorial de dimensin innita. Para cada f E y cada
t > 0, se dene una funcin
t
( f ) dada por
t
( f )(x) =
1
2t
_

exp
_
(x y)
2
2t
_
f (y)dy.
Se puede demostrar que se tiene el siguiente lmite
lim
t 0
t
( f )(x) = f (x).
Adems
t
(
s
( f )) =
t +s
( f ), por lo que resulta que es un ujo denido en [0, ) E.
Ejemplo 1.2.3 Demos otro ejemplo de un sistema dinmico en tiempo real. Sea E = [0, 1)
y
(t, x) = (x +t ) mod 1.
Entonces es un sistema dinmico completo.
EJERCICIOS
1.1 Demostrar que las siguientes funciones son ujos.
a) : R(
2
,

2
) (
2
,

2
), (t, x) = arctan
_
e
t
tan x
_
.
b) : R(0, ) (0, ), (t, x) =
_
e
t
_
1/x
2
1
_
+1
_
1/2
.
c) : R R
2
R
2
, (t, (x, y)) =
_
e
t
x, e
t
y +
1
3
_
e
t
e
2t
_
x
2
_
.
1.2 Demostrar la proposicin 1.1.4. (Sugerencia: usar las propiedades del ujo.)
1.3 Para cada una de las funciones del problema 1.1, encontrar las ecuacin diferencial
que es satisfecha y el mximo dominio .
1.4 Sea : R R R, la funcin dada por
(t, x) =
e
t
x
(e
t
1)x +1
.
EJERCICIOS 6
a) Demostrar que es ujo.
b) Para cada x R encontrar el intervalo maximal D(x).
c) Encontrar una ecuacin diferencial satisfecha por y(t ) = (t, x).
d) Calcular lim
t
(t, x) y lim
t
(t, x).
1.5 (Cambio de variable) Sean E, F dos abiertos de R
n
. Sea : RE E un ujo
completo de clase C
1
. Suponer que y(t ) = (t, z) satisface la siguiente ecuacin diferencial
dy
dt
= G(y), y(0) = z.
a) Un difeomorsmo es una funcin biyectiva de clase C
1
tal que su inversa tambin es
de clase C
1
. Sea h : E F un difeomorsmo entre los abiertos E y F. Demostrar
que

(t, x) = h((t, h
1
(x)) es un ujo completo en el conjunto de estados F.
b) Dado que, y(t ) =

(t, x) satisface la ecuacin
d y
dt
=

G( y), y(0) = x,
encontrar

G en trminos de G, h, h
1
y h
.
c) Usualmente se utiliza la siguiente notacin para el nuevo campo vectorial

G = h
G.
Interpretar y demostrar la siguiente igualdad
( f h)
G = f
(h
G).
d) Sea = R (0, ). Sea

: (0, ) la funcin de clase C
1
(t, ) = arccos
_
_
e
t
+1
_
cos +
_
e
t
1
_
(e
t
1) cos +(e
t
+1)
_
.
Demostrar que

es un ujo completo y encontrar el problema de valores iniciales
que satisface. (Sugerencia: usar el ejercicio 1.5 con E = (1, 1), F = (0, ) y
h(u) = arccos(u). Encontrar un ujo en E.)
EJERCICIOS 7
1.6 Sea A una matriz tal que A
2
= A. Demostrar que el siguiente es un ujo completo
en R
n
.
(t, x) =
_
e
t
A +(I A)
_
x.
Encontrar la ecuacin diferencial que es satisfecha.
CAPTULO 2
Sistemas Lineales
Un sistema lineal es una ecuacin de la forma
y = Ay,
y(0) = x
0
donde A es una matriz de n n. En este captulo estableceremos una relacin entre los
sistemas lineales y la llamada exponencial de una matriz.
2.1 La norma de una matriz
Denicin 2.1.1 Llamaremos M
p
al espacio vectorial de matrices p p con entradas
reales.
El siguiente resultado se da sin demostracin.
2.1 LA NORMA DE UNA MATRIZ 9
Proposicin 2.1.2 Sea A M
p
y
A = max
x
2
=1
Ax
2
.
donde x
2
es la norma euclideana usual. Entonces es una norma M
p
. Adems, A
es la raz cuadrada del mximo eigenvalor de A
T
A.
Ejemplo 2.1.3 Sea
A =
_
1 2
3 1
_
.
Calcular A .
Solucin
Usaremos la proposicin 2.1.2: primero calculamos
A
T
A =
_
1 2
3 1
__
1 2
3 1
_
=
_
10 1
1 5
_
.
Los eigenvalores satisfacen
2
15 +49 = 0
y por tanto
1,2
=
15
225 196
2
=
15
29
2
.
El mximo es los eigenvalores es
15+
29
2
. De este modo concluimos que A =
_
15+
29
2
.
Lema 2.1.4 Si S, T M
p
, entonces
a) x R
p
, T x T x ,
b) ST S T ,
c)
_
_
T
k
_
_
T
k
.
A continuacin daremos un repaso de algunos conceptos del Anlisis Matemtico.
2.1 LA NORMA DE UNA MATRIZ 10
Denicin 2.1.5 Se dice que una sucesin A
k
M
p
converge a A si
A
k
A 0.
El siguiente lema, nos permite calcular termina a trmino el lmite de una sucesin de
matrices. Dada una matriz A, usaremos la notacin (A)
i j
para indicar la entrada (i, j ) de A.
Lema 2.1.6 Sea A
k
M
p
una sucesin que converge a A M
p
. Sean u y v dos vectores
de R
p
. Entonces
a) La sucesin de nmeros reales u A
k
v converge a u Av. Esto es
lim
n
u A
k
v = u Av.
b) La sucesin de nmeros reales (A
k
)
i j
converge a (A)
i j
. Esto es
lim
n
(A
k
)
i j
= (A)
i j
.
Demostracin
La demostracin de este hecho se basa en la desigualdad de Cauchy-Schwartz. Notemos
que esta desigualdad y el lema 2.1.4 implican
|u A
k
v u Av| = |u (A
k
A) v|
u
2
(A
k
A) v
2
u
2
A
k
A
2
v
2
La segunda parte de la demostracin est basada en al primera, tomando en cuenta el hecho
de que la entrada (i, j ) de una matriz A se puede escribir como (A)
i j
= e
i
Ae
j
donde e
i
y
e
j
son el i simo y j simo vectores cannicos de R
p
.
Denicin 2.1.7 Se dice que una sucesin A
k
M
p
es de Cauchy, si para cada > 0
existe N N tal que si m, n N entonces
A
m
A
n
< .
2.2 LA EXPONENCIAL DE UNA MATRIZ 11
Proposicin 2.1.8 Sea A
k
M
p
una sucesin de Cauchy. Entonces existe A M
p
tal
que la sucesin converge a A.
La demostracin del Lema que da como ejercicio para el lector.
2.2 La exponencial de una matriz
Deseamos ahora darle sentido a la siguiente expresin
k=0
A
k
k!
.
Dicho objeto tendr el papel, dentro de las matrices, de una exponencial. Esta es de funda-
mental importancia en el anlisis de los sistemas lineales. Comencemos con una denicin.
Denicin 2.2.1 Dada una matriz A M
p
se dene la nsima suma parcial de la matriz
exponencial como
S
n
(A) =
n
k=0
A
k
k!
.
Lema 2.2.2 Si m > n entonces
S
m
(A) S
n
(A)
A
n+1
(n +1)!
e
A
.
Demostracin
Claramente se tiene, usando la desigualdad del tringulo y el lema 2.1.4 la siguiente
desigualdad
S
m
(A) S
n
(A)
m
k=n+1
A
k
k!
=
mn1
k=0
A
k+n+1
(k +n +1)!
.
Es bien sabido que (k +n +1)! k!(n +1)! y esto implica
S
m
(A) S
n
(A)
mn1
k=0
A
k
A
n+1
k!(n +1)!
=
A
n+1
(n +1)!
mn1
k=0
A
k
k!
A
n+1
(n +1)!
k=0
A
k
k!
=
A
n+1
(n +1)!
e
A
.
Esto termina la demostracin.
Proposicin 2.2.3 Dada una matriz A M
p
, la sucesin S
n
(A) es de Cauchy y por lo
tanto existe una matriz E(A) tal que
lim
n
S
n
(A) E(A) = 0.
Demostracin
El resultado es consecuencia del lema 2.2.2 y del siguiente lmite
lim
n
A
n
n!
= 0.
Denicin 2.2.4 Dada una matriz A cuadrada de p p, su exponencial e
A
es el lmite
de la sucesin S
n
(A), esto es e
A
es la matriz E(A) encontrada en la proposicin 2.2.3.
Usualmente se escribir:
e
A
=
k=0
A
k
k!
.
Proposicin 2.2.5 La matriz e
A
tiene las siguientes propiedades:
a) e
0
= I,
b) Si AB = BA, entonces e
A
e
B
= e
B
e
A
= e
A+B
,
c)
_
e
A
_
1
= e
A
,
d) Si P es invertible, entonces exp
_
PAP
1
_
= P exp [A] P
1
.
Demostracin
a) Trivial pues S
n
(0) = I para toda n 1.
b) Ver ejercicio 2.2.
c) Si hacemos B = A en el inciso anterior, es claro que BA = AB, y por ende
tenemos que e
A+B
= e
A
e
B
= e
B
e
A
; es decir e
0
= e
A
e
A
= e
A
e
A
= I . Por lo tanto
(e
A
)
1
= e
A
.
d) Vamos a mostrar que Pe
A
P
1
e
PAP
1
= 0. Notemos que
S
n
(PAP
1
) =
n
k=0
1
k!
(PAP
1
)
k
.
Adems (PAP
1
)
k
= PA
k
P. Entonces
S
n
(PAP
1
) =
n
k=0
1
k!
PA
k
p
1
= P
n
k=0
1
k!
A
k
P
1
= PS
n
(A)P
1
Por lo tanto
Pe
A
P
1
e
PAP
1
Pe
A
P
1
PS
n
(A)P
1
+PS
n
(A)P
1
S
n
(PAP
1
) +S
n
(PAP
1
) e
PAP
1
Pe
A
S
n
(A)P
1
P
1
+S
n
(PAP
1
) e
PAP
1
0
Como el lado derecho de la desigualdad converge a 0, entonces
Pe
A
P
1
e
PAP
1
= 0
y esto termina la demostracin.
Ejemplo 2.2.6 Sea A la matriz
A =
_
a b
0 a
_
.
Calcular e
A
.
Solucin
Notemos que
A
2
=
_
a b
0 a
__
a b
0 a
_
=
_
a
2
2ab
0 a
2
_
A
3
=
_
a
2
2ab
0 a
2
__
a b
0 a
_
=
_
a
3
3a
2
b
0 a
3
_
Este proceso se puede continuar inductivamente y obtener
A
k
=
_
a
k
ka
k1
b
0 a
k
_
.
Por lo tanto, para cada n, se tiene
S
n
(A) =
n
k=0
A
k
k!
=
n
k=0
1
k!
_
a
k
ka
k1
b
0 a
k
_
=
_

n
k=0
1
k!
a
k
b
n
k=1
k
k!
a
k1
0

n
k=0
1
k!
a
k
_
Usando el lema 2.1.6, podemos calcular el lmite trmino a trmino y as obtener
e
A
=
_
e
a
be
a
0 e
a
_
.
2.3 DERIVADAS MATRICIALES 15

Ejemplo 2.2.7 Sea B la matriz
B =
_
0
0
_
.
Calcular e
B
.
Solucin
Sea
J =
_
0 1
1 0
_
.
Notemos que J
2
= I, por lo que B
2
=
2
I, B
3
=
3
B, B
4
=
4
I, etc. Este proceso
se puede continuar inductivamente y obtener
S
n
(B) =
n
k=0
B
k
k!
=
0kn,
k par
B
k
k!
+
0kn,
k impar
B
k
k!
=
02kn,
(1)
k
k
k!
I +
02k+1n,
(1)
k
k
k!
J.
En el lmite se obtienen las series de seno y coseno y por lo tanto
e
B
= (cos ) I +(sin ) J =
_
cos sin
sin cos
_
.
Este resultado lo usaremos posteriormente.
2.3 Derivadas matriciales
Denicin 2.3.1 Supongamos que tenemos una funcin : (a, b) M
n
, t (t ). Se
dice que es diferenciable en t (a, b) si existe una matriz L en M
n
tal que el siguiente
lmite existe:
lim
h0
_
_
_
_
(t +h) (t )
h
L
_
_
_
_
= 0.
Si es diferenciable para toda t (a, b), entonces diremos que es diferenciable y escri-
biremos L =
(t ).
Tenemos el siguiente lema que nos ser til para obtener la derivada de la matriz e
t A
.
Lema 2.3.2 Para cualquier matriz cuadrada A se cumple que
_
_
e
A
I A
_
_
A
2
2
e
A
.
Solucin
Usar n = 1 en el lema 2.2.2 y as obtener
_
_
e
A
I A
_
_
=
_
_
e
A
S
1
(A)
_
_
_
_
e
A
S
m
(A)
_
_
+S
m
(A) S
1
(A)
_
_
e
A
S
m
(A)
_
_
+
A
2
2
e
A
.
Al tomar el lmite cuando m , se obtiene el resultado.
Teorema 2.3.3 Sea : R M
p
dada por (t ) = e
t A
. Entonces es diferenciable en R
y adems
(t ) = Ae
t A
= e
t A
A.
Demostracin
No es difcil ver que Ae
t A
= e
t A
A. Sea t R ja. Queremos demostrar que
lim
h0
_
_
_
_
e
(t +h)A
e
t A
h
e
t A
A
_
_
_
_
= 0.
Por el lema 2.3.2 tenemos que:
_
_
_
_
e
(t +h)A
e
t A
h
e
t A
A
_
_
_
_
=
_
_
_
_
e
t A
e
h A
e
t A
e
t A
Ah
h
_
_
_
_
=
_
_
_
_
e
t A
(e
h A
I h A)
h
_
_
_
_
e
t A
|h|
_
_
e
h A
I ha
_
_
e
t A
|h|
h A
2
2
e
h A
= A
2
e
t A
2
|h|e
|h|A
0
cuando h 0. Esto termina la demostracin.
Proposicin 2.3.4 Si (t ) es diferenciable en t la derivada es nica.
La demostracin del siguiente resultado se hace de forma anloga a la del lema 2.1.6.
Proposicin 2.3.5 Sea (t ) diferenciable en t y sea
i j
(t ) la entrada (i, j ). Entonces la
entrada (i, j ) de la derivada es (
)
i j
(t ) = (
i j
)
(t ).
Ejemplo 2.3.6 Sea A =
_
0 1
1 0
_
. Notemos que
t A =
_
0 t
t 0
_
.
Se vi en el ejemplo 2.2.7 que
e
t A
=
_
cos t sin t
sin t cos t
_
.
La derivada de e
t A
es
d
dt
e
t A
=
_
sin t cos t
cos t sin t
_
.
Por otra parte,
e
t A
A =
_
cos t sin t
sin t cos t
__
0 1
1 0
_
=
_
sin t cos t
cos t sin t
_
.
De este modo vericamos la frmula de derivada.
Ejemplo 2.3.7 Notemos que
d
dt
t =0
e
t A
= Ae
t A
. Si
e
t A
= e
t
_
1 t
0 1
_
=
_
e
t
t e
t
0 e
t
_
,
encontrar A.
Solucin
En este caso
d
dt
t =0
e
t A
=
_
e
t
e
t
t e
t
0 e
t
_
;
luego A =
_
1 1
0 1
_
. Notemos que
Ae
t A
=
_
1 1
0 1
__
e
t
t e
t
0 e
t
_
=
_
e
t
e
t
t e
t
0 e
t
_
.
A continuacin vamos a relacionar a las matrices exponenciales con ujos en R

n
y con
ecuaciones diferenciales.
n
. Sea : R R
n
R
n
, con (t, x) = e
t A
x. Entonces
es un ujo completo en R
n
.
Solucin
Se deja como ejercicio al lector.
Proposicin 2.3.9 Para cada x, (t, x) = e
t A
x es solucin de la siguiente ecuacin dife-
rencial: y = Ay con y(0) = x.
Demostracin
Sea x R
n
y y(t ) = e
t A
x. Como es un ujo, sabemos que y satisface y =
f (y), y(0) = x, donde f (u) =
d
dt
t =0
(t, u). En este caso,
d
dt
t =0
(t, u) =
d
dt
e
t A
u = Ae
t A
u.
Por lo tanto, f (y) = Ae
t A
y
t =0
= Ay.
2.4 CLCULO DE LA EXPONENCIAL DE UNA MATRIZ 19
2.4 Clculo de la exponencial de una matriz
Denicin 2.4.1 Sea A M
p
. Una funcin matricial : R M
p
es una matriz funda-
mental de soluciones de la matriz A si
a) (t ) es invertible,
b)
(t ) = A(t ).
Ejemplo 2.4.2 (t ) = e
t A
es una matriz fundamental de soluciones.
Lema 2.4.3 Sean w
1
(t ), w
2
(t ), . . . , w
n
(t ) soluciones de y = Ay, que son soluciones li-
nealmente independientes. Entonces
(t ) = (w
1
(t ) w
n
(t ))
es una matriz fundamental de soluciones.
Demostracin
La matriz (t ) es invertible porque las columnas son linealmente independientes. Note-
mos que
(t ) = ( w
1
(t ) w
n
(t )) = (Aw
1
(t ) Aw
n
(t ))
= A (w
1
(t ) w
n
(t )) = A(t ).
Concluimos que (t ) es una matriz fundamental de soluciones.
Proposicin 2.4.4 Sean
1
(t ) y
2
(t ) dos funciones matriciales denidas en el mismo in-
tervalo. Entonces
d
dt
(
1
(t )
2
(t )) =
1
(t )
2
(t ) +
1
(t )
2
(t ).
Demostracin
Sea (t ) =
1
(t )
2
(t ), queremos estimar
_
_
_
_
(t +h) (t )
h
[
1
(t )
2
(t ) +
1
(t )
2
(t )]
_
_
_
_
.
Fijamos t y denimos Z
1
(h) =
1
(t +h)
1
(t ) h
1
(t ) y Z
2
(h) =
2
(t +h)
2
(t )
h
2
(t ). Se puede ver que
lim
h0
_
_
_
_
Z
1
(h)
h
_
_
_
_
= 0 y
y
lim
h0
_
_
_
_
Z
2
(h)
h
_
_
_
_
= 0
Entonces tambin
lim
h0
Z
1
(h) = 0 y lim
h0
Z
2
(h) = 0.
Se puede ver que:
_
_
_
_
(t +h) (t )
h
[
1
(t )
2
(t ) +
1
(t )
2
(t )]
_
_
_
_
_
_
_
_
Z
1
(h)
h

2
(t +h)
_
_
_
_
+
_
_
_
_
_
1
(t ) +h
1
(t )
_
Z
2
(h)
h
_
_
_
_
+|h|
_
_
1
(t )
2
(t )
_
_
.
El lmite cuando h 0 del lado derecho es 0 y por lo tanto
lim
h0
_
_
_
_
(t +h) (t )
h
[
1
(t )
2
(t ) +
1
(t )
2
(t )]
_
_
_
_
= 0.
Proposicin 2.4.5 Sea (t ) M
n
una matriz fundamental de A. Entonces
e
t A
= (t )(0)
1
.
Esto es, (t ) = e
t A
(0).
Demostracin
Sea (t ) = e
t A
(t ). Vamos a demostrar que
(t ) = 0. Por la proposicin anterior,
(t ) = e
t A
(A)(t ) +e
t A
(t )
= e
t A
(A)(t ) +e
t A
A(t ) = 0
Por lo tanto, (t ) es una matriz constante, (t ) c. En particular, c = (0) = I (0) =
(0). Concluimos que e
t A
(t ) = (0) y como (0) es invertible, e
t A
= (t )(0)
1
.
Corolario 2.4.6 Si (t ) es una matriz fundamental de soluciones entonces
A =
(0)(0)
1
.
Demostracin
Sabemos que e
t A
= (t )(0)
1
. Esto implica al sacar derivadas que
Ae
t A
=
(t )(0)
1
.
Finalmente, se sustituye t = 0 y se obtiene A =
(0)(0)
1
y esto termina la demostra-
cin.
Ejemplo 2.4.7 Calcular e
t A
si A =
_
3 1
4 3
_
.
Solucin
Queremos encontrar dos soluciones linealmente independientes del problema x = Ax.
Usaremos el mtodo de vectores propios. Primero calculamos el polinomio caracterstico.
P
A
() =
2
6 +5 = ( 1)( 5).
Si
1
= 1 entonces v
1
= (1, 2)
T
es vector propio. Si
2
= 5 entonces v
2
= (1, 2)
T
es
vector propio. Entonces
x
1
(t ) = e
1
t
v
1
=
_
e
t
2e
t
_
y
x
2
(t ) = e
2
t
v
2
=
_
e
5t
2e
5t
_
son dos soluciones linealmente independientes. Por lo tanto,
(t ) =
_
e
t
e
5t
2e
t
2e
5t
_
es una matriz fundamental de soluciones y tenemos:
e
t A
= (t )(0)
1
=
_
e
t
e
5t
2e
t
2e
5t
__
1 1
2 2
_
1
=
_
e
t
e
5t
2e
t
2e
5t
__
1/2 1/4
1/2 1/4
_
=
_
1/2(e
t
+e
5t
) 1/4(e
t
+e
5t
)
e
t
+e
5t
1/2(e
t
+e
5t
)
_
.
Ejemplo 2.4.8 Sea

A =
_
_
_
_
3 0 0
0 3 2
0 1 1
_
_
_
_
Calcular la matriz e
t A
.
Solucin
Debemos encontrar w
1
(t ), w
2
(t ), w
3
(t ), tres soluciones linealmente independientes del
problema x = Ax. Usamos el mtodo de vectores propios. El polinomio caracterstico es
P
A
() = det(A I ) = (3 )(
2
4 +5)
Los valores propios son
1
= 3,
2
= 2 +i,
3
= 2 i
Los vectores propios v
1
para
1
= 3 se calculan usando la ecuacin (A I )v
1
= 0. Esto
es
_
_
_
_
0 0 0
0 6 2
0 1 4
_
_
_
_
v
1
=
_
_
_
_
0
0
0
_
_
_
_
.
Concluimos que
v
1
=
_
_
_
_
1
0
0
_
_
_
_
es vector propio. Con
2
= 2 +i hacemos algo similar
_
_
_
_
5 i 0 0
0 1 i 2
0 1 1 i
_
_
_
_
v
2
=
_
_
_
_
0
0
0
_
_
_
_
.
Concluimos
v
2
=
_
_
_
_
0
1 +i
1
_
_
_
_
es vector propio. Por lo tanto obtenemos para
1
la siguiente solucin
w
1
(t ) = e
t
v
1
=
_
_
_
_
e
3t
0
0
_
_
_
_
Para
2
y v
2
separamos en parte real e imaginaria. Recordemos que si v
2
es vector propio
con valor propio
2
y adems estos se pueden escribir como
2
= +i y
v
2
= r +i s,
entonces las siguientes son dos soluciones del sistema lineal
w
2
(t ) = e
t
[(cos t ) r (sin t ) s] ,
w
3
(t ) = e
t
[(sin t ) r +(cos t ) s] .
En este caso = 2, = 1,
r =
_
_
_
_
0
1
1
_
_
_
_
y s =
_
_
_
_
0
1
0
_
_
_
_
.
Obtenemos
w
2
(t ) = e
2t
_
_
_
_
cos t
_
_
_
_
0
1
1
_
_
_
_
sin t
_
_
_
_
0
1
0
_
_
_
_
_
_
w
3
(t ) = e
2t
_
_
_
_
sin t
_
_
_
_
0
1
1
_
_
_
_
+cos t
_
_
_
_
0
1
0
_
_
_
_
_
_
De lo anterior construimos una matriz fundamental de soluciones.
(t ) =
_
_
_
_
e
3t
0 0
0 e
2t
(cos t sin t ) e
2t
(sin t +cos t )
0 e
2t
cos t e
2t
sin t
_
_
_
_
Por la propiedad anterior,
e
t A
= (t )(0)
1
= (t )
_
_
_
_
1 0 0
0 1 1
0 1 0
_
_
_
_
1
= (t )
_
_
_
_
1 0 0
0 0 1
0 1 1
_
_
_
_
=
_
_
_
_
e
3t
0 0
0 e
2t
(sin t +cos t ) 2e
2t
sin t
0 e
2t
sin t e
2t
(cos t sin t )
_
_
_
_
.
2.5 ECUACIONES DE ORDEN n Y MTODO DE FULMER 25

2.5 Ecuaciones de orden n y mtodo de Fulmer
Denicin 2.5.1 Una ecuacin lineal de orden n con coecientes constantes es una ecua-
cin de la forma:
n
y
(n)
+
n1
y
(n1)
+ +
1
y
+
0
y = 0.
donde
n
= 0.
Vamos a establecer una relacin entre la exponencial de una matriz y una ecuacin de
orden n. Usaremos el siguiente resultado.
Teorema 2.5.2 (Cayley-Hamilton) Sea A M
n
y P
A
() su polinomio caracterstico:
P
A
() = (1)
n
n
+ +
1
+
0
= 0. Entonces
P
A
(A) = (1)
n
A
n
+ +
1
A +
0
I = 0.
Ejemplo 2.5.3 Si A =
_
3 1
4 3
_
; su polinomio caracterstico es
2
6 + 5. Entonces
A
2
=
_
13 6
24 13
_
. Por lo tanto
P
A
(A) = A
2
6A +5I
=
_
13 6
24 13
_
_
18 6
24 18
_
+
_
5 0
0 5
_
= 0.
n
y P
A
() = (1)
n
n
+
n1
n1
+ +
1
+
0
. Entonces
cada una de las entradas de e
t A
satisface la ecuacin
(1)
n
y
(n)
+
n1
y
(n1)
+ +
1
y
+
0
y = 0.
Demostracin
Sabemos que
d
dt
e
t A
= Ae
t A
Entonces:
d
2
dt
2
e
t A
= A
2
e
t A
d
3
dt
3
e
t A
= A
3
e
t A
.
.
.
d
n
dt
n
e
t A
= A
n
e
t A
Esto implica que
(1)
n
d
n
dt
n
e
t A
+ +
1
d
dt
e
t A
+
0
e
t A
= (1)
n
A
n
e
t A
+ +
1
Ae
t A
+
0
e
t A
= ((1)
n
A
n
+ +
1
A +
0
I )e
t A
= 0.
Sea y(t ) la entrada (i, j ) de e
t A
: y(t ) = (e
t A
)
i j
. Sabemos que
d
k
dt
k
y(t ) =
_
d
k
dt
k
e
t A
_
i j
. Por
lo tanto
(1)
n
y
(n)
+
n1
y
(n1)
+ +
1
y
+
0
y =
(1)
n
_
d
n
dt
n
e
t A
_
i j
+ +
1
_
d
dt
e
t A
_
i j
+
0
_
e
t A
_
i j
=
_
(1)
n
d
n
dt
n
e
t A
+ +
1
d
dt
e
t A
+
0
e
t A
_
i j
= 0.
_
3 1
4 3
_
. Por la proposicin anterior, cada entrada de e
t A
satis-
face y
6y
+5y = 0. La solucin general de esta ecuacin es y(t ) = c

1
e
t
+c
2
e
5t
. Esto
concuerda con el resultado del ejemplo 2.5.3, pues se obtuvo que
e
t A
=
1
4
_
2e
t
+2e
5t
e
t
+e
5t
4e
t
+4e
5t
2e
t
+2e
5t
_
.
Esto es, cada entrada es de la forma de la solucin general.
Supongamos que podemos encontrar la solucin general de la ecuacin
(1)
n
y
(n)
+
n1
y
(n1)
+ +
1
y
+
0
y = 0,
en la forma de
y(t ) = c
1
1
(t ) +c
2
2
(t ) + +c
n
n
(t ).
Supongamos que y
i j
(t ) es la entrada (i, j ) de e
t A
. Entonces existirn constantes
c
1
i j
, c
2
i j
, . . . , c
n
i j
tales que y
i j
(t ) = c
1
i j
1
(t ) + + c
n
i j
n
. Llamaremos E
k
a la matriz de coecientes que
acompaan a
k
. Concluimos que e
t A
=
1
(t )E
1
+ +
n
(t )E
n
. De este modo, cono-
ciendo el polinomio caracterstico de una matriz se puede escribir la forma de la exponen-
cial. El problema de encontrar la exponencial se reduce, por tanto, a calcular las matrices
E
1
, . . . , E
n
.
Ejemplo 2.5.6 Calcular la matriz exponencial de A =
_
1
0 1
_
.
Solucin
El polinomio caracterstico de A es
P
A
() =
2
2 +1 = ( 1)
2
.
Cada entrada de A satisface y
2y
+ y = 0. Como
1
= 1 es raz repetida la solucin
general de la ecuacin es y(t ) = c
1
e
t
+c
2
t e
t
. Se utiliza en este caso
1
(t ) = e
t
y
2
(t ) = t e
t
.
Por lo tanto, la exponencial es de la forma
e
t A
= e
t
E
1
+t e
t
E
2
,
donde E
1
y E
2
son matrices por determinar. Notemos que al sustituir t = 0 se tiene que
I = e
0
= E
1
. Adems,
d
dt
e
t A
= Ae
t A
= e
t
E
1
+e
t
E
2
+t e
t
E
2
.
Si volvemos a sustituir t = 0 entonces A = E
1
+E
2
= I +E
2
y esto implica que E
2
= AI .
Por lo tanto
e
t A
= e
t
I +t e
t
(A I )
= e
t
_
1 0
0 1
_
+t e
t
_
0
0 0
_
=
_
e
t
t e
t
0 e
t
_
Esto concuerda con lo encontrado en el ejemplo 2.2.6.
_
0 1
1 0
_
. Calcular e
t A
por el mtodo descrito en esta seccin.
Solucin
En este caso P
A
() =
2
+1, entonces las entradas de e
t A
satisfacen y
+ y = 0; cuya
solucin general es y(t ) = c
1
cos t +c
2
sin t . La exponencial es e
t A
= (cos t )E
1
+(sin t )E
2
,
entonces Ae
t A
= (sin t )E
1
+ (cos t )E
2
. Si t = 0, entonces tenemos que I = E
1
y que
A = E
2
. Por lo tanto,
e
t A
= (cos t )I +(sin t )A =
_
cos t sin t
sin t cos t
_
.
Este resultado concuerda con el del ejemplo 2.2.7.
Dada una ecuacin
n
y
(n)
+ +
1
y
+
0
y = 0 y el polinomio caracterstico asociado:
n
+ +
1
+
0
= 0; se puede obtener la solucin general con base en las races del
polinomio:
P() =
n
(
1
)
m
1
(
2
)
m
2
. . . (
r
)
m
r
.
Si
i
es real con multiplicidad m
i
, podemos asociarle m
i
soluciones:
{e
i
t
, t e
i
t
, t
2
e
i
t
, . . . , t
m
i
1
e
i
t
}.
Si
i
es complejo, entonces
i
tambin lo es. A la pareja
i
,
i
le asociamos 2m
i
soluciones.
Supongamos que
i
= +i. Se tienen las soluciones
{e
t
cos t, e
t
sin t, t e
t
cos t, t e
t
sin t, . . . , t
m
i
1
e
t
cos t, t
m
i
1
e
t
sin t }.
EJERCICIOS 29
Ejemplo 2.5.8 Calcular la exponencial de A =
_
_
_
_
0 9 3
0 2 1
0 1 2
_
_
_
_
.
Solucin
det
_
_
_
_
9 3
0 2 1
0 1 2
_
_
_
_
= ()(2 )
2
= 0
Entonces
1
= 0,
2
= 2 +i y
3
= 2 i . De aqu que
1
(t ) = e
1
t
= 1,
2
(t ) = e
2t
cos t
y
3
(t ) = e
2t
sin t . Entonces
e
t A
= E
1
+e
2t
cos t E
2
+e
2t
sin t E
3
,
Ae
t A
= 2e
2t
cos t E
2
+e
2t
(sin t )E
2
+2e
2t
sin t E
3
+e
2t
cos t E
3
,
A
2
e
t A
= (4e
2t
cos t 2e
2t
sin t )E
2
(2e
2t
sin t +e
2t
cos t )E
2
+(4e
2t
sin t +2e
2t
cos t +2e
2t
cos t e
2t
sin t )E
3
.
Si evaluamos en t = 0 tenemos el siguiente sistema de ecuaciones
I = E
1
+ E
2
,
A = 2E
2
+ E
3
,
A
2
= 3E
2
+4E
3
.
Por lo tanto, E
1
= I E
2
, E
2
= 1/5(4A A
2
) y E
3
= 1/5(2A
2
3A).
EJERCICIOS
2.1 Usar el lema 2.2.2 para demostrar la siguiente desigualdad
_
_
e
A
S
n
(A)
_
_

A
n+1
(n +1)!
e
A
.
EJERCICIOS 30
2.2 Sean A y B dos matrices de n n. Sean = A y = B. Suponer que las
matrices conmutan, es decir, que AB = BA.
a) Demostrar que la siguiente serie converge.
k=0
r+s=k
r
r!
s
s!
.
b) Demostrar
S
n
(A + B) =
n
k=0
r+s=k
A
r
r!
B
s
s!
y
S
n
(A)S
n
(B) =
0r,sn
A
r
r!
B
s
s!
.
c) Demostrar la siguiente desigualdad.
S
n
(A)S
n
(B) S
n
(A + B)
k=n+1
r+s=k
r
r!
s
s!
.
d) Concluir que e
A
e
B
= e
A+B
= e
B
e
A
.
e) Encontrar dos matrices cuyas exponenciales no satisfagan la ecuacin del inciso ante-
rior.
2.3 Las siguientes son tres soluciones linealmente independientes de un problema lineal
de la forma x = Ax.
x
1
(t ) =
_
_
_
_
4 2 e
t
0
4 +3 e
t
_
_
_
_
, x
2
(t ) =
_
_
_
_
7 e
t
e
t
7 e
t
_
_
_
_
y x
3
(t ) =
_
_
_
_
2 2 e
t
0
2 +3 e
t
_
_
_
_
.
Encontrar la matriz A y calcular la matriz exponencial e
t A
.
2.4 Encontrar la exponencial de las siguientes matrices.
EJERCICIOS 31
a)
_
_
_
_
0 1 1
1 0 1
1 1 0
_
_
_
_
b)
_
_
_
_
1 1 1
1 1 1
1 1 1
_
_
_
_
c)
_
_
_
_
2 1 7
10 0 16
4 0 6
_
_
_
_
d)
_
1 3
0 1
_
(Sugerencia: notar que = 2 es un valor propio para el inciso c.)
2.5 Cmo se podra resolver el siguiente problema de valores iniciales?
dy
dt
= Ay +b(t ),
y(0) = x
0
,
en donde b : R R
n
es una funcin continua y A es una matriz de n n. (Sugerencia:
usar la exponencial e
t A
como factor integrante.)
2.6 Sea A M
n
. Sea : R R
n
R
n
, con (t, x) = e
t A
x. Demostrar que es un
ujo completo en R
n
.
2.7 Sea A M
n
y R. Sea : R R
n
R
n
, dada por (t, x) = e
t
e
t A
x.
Demostrar que es un ujo completo en R
n
y encontrar la ecuacin diferencial que satisface.
2.8 Sea A una matriz de 2 2. Demostrar lo siguiente.
a) Si A tiene dos valores propios reales y distintos entonces
1
y
2
entonces
e
t A
=
1
1

2
_
e
1
t
(A
2
I ) e
2
t
(A
1
I )
_
.
b) Si A tiene un dos valores propios complejos
1
= +i y
2
= i con = 0,
entonces
e
t A
= e
t
_
(cos t ) I +
1
(sin t ) (A I )
_
.
EJERCICIOS 32
c) Si A tiene un valor propio repetido
1
entonces
e
t A
= e
1
t
(I +t (A
1
I )) .
2.9 Sea A M
n
. Se dice que W R
n
es un subespacio invariante de A si Av W
para todo v W. Demostrar que si W es un subespacio invariante para A, entonces tambin
lo es para e
t A
.
2.10 Sea A una matriz de 2 2 con dos valores propios reales y distintos
1
y
2
. Sean
W
1
= ker (A
1
I ) y W
2
= ker (A
2
I ) . Demostrar
a) R
2
= W
1
W
2
.
b) W
1
y W
2
son subespacios invariantes de A.
c) Dado x R
2
existen dos funciones y
1
(t ) y y
2
(t ) tales que x = y
1
(0) + y
2
(0), e
t A
x =
y
1
(t ) + y
2
(t ) y y
i
(t ) W
i
. Encontrar y
1
(t ) y y
2
(t ) explcitamente.
(Sugerencia: Notar que (A
1
I ) (A
2
I ) = (A
2
I ) (A
1
I ) = 0 .)
2.11 Una matriz D de n n es diagonalizable si existe una matriz invertible P tal que
D = P diag(
1
, . . . ,
n
)P
1
. Demostrar que, si D es diagonalizable entonces
e
t D
= P diag(e
1
t
, . . . , e
n
t
)P
1
.
2.12 Una matriz N de n n es nilpotente si N
n
0. Un teorema de lgebra lineal nos
permite armar que, para cualquier matriz A de n n, existen matrices D y N tales que
a) D es diagonalizable,
b) N es nilpotente,
c) A = D + N y
d) ND = DN.
Demostrar que e
t A
= e
t D
_
I +t N +
1
2!
t
2
N
2
+. . .
t
n1
(n1)!
N
n1
_
.
EJERCICIOS 33
2.13 Sea A una matriz de n n tal que P
A
() = ( )
n
. Calcular e
t A
. (Sugerencia:
demostrar primero que A I es nilpotente.)
2.14 Sea matriz A de n n. Suponer que v = r +i s un vector propio con valor propio
= + i, donde = 0. Demostrar que el espacio W = span {r, s} es un subespacio
invariante para e
t A
. Es cierto que si x W entonces
e
t A
x = e
t
_
(cos t ) x +
1
(sin t ) (Ax x)
_
?
CAPTULO 3
Estabilidad de Sistemas Lineales.
3.1 Matrices no degeneradas
En este captulo iniciaremos el estudio del comportamiento de las soluciones de un sistema
lineal.
Sabemos que la soluciones de este sistema estn ntimamente relacionadas con la matriz
exponencial de A; esto es, cualquier funcin de la forma e
t A
x es solucin del problema
y = Ay, (PL)
y(0) = x.
Nos preguntamos si todas las soluciones son de esta forma. Tenemos el siguiente resultado.
Proposicin 3.1.1 La funcin y(t ) = e
t A
x es la nica solucin del problema (PL).
Denicin 3.1.2 Una matriz A es no degenerada si
3.1 MATRICES NO DEGENERADAS 35
a) det(A) = 0,
b) A no tenga races repetidas,
c) Los valores propios de A tengan parte real distinta de cero.
Una matriz que viola alguna de las condiciones anteriores se dir que es degenerada.
Denicin 3.1.3 Sea A una matriz no degenerada.
a) Diremos que A es de tipo atractor si todos los valores propios de A tienen parte real
negativa.
b) Diremos que A es de tipo repulsor si todos los valores propios de A tienen parte real
positiva.
c) Diremos que A es de tipo silla si A tiene valores propios tanto con parte real positiva
como con parte real negativa.
Ejemplo 3.1.4 Demostrar que la siguiente matriz es no degenerada y clasicarla.
A =
_
_
_
_
1 2 3
0 0 1
0 6 5
_
_
_
_
.
Solucin
El polinomio caracterstico de A es (1)( +1)( 3)( 2). Los valores propios de
A son
1
= 1,
2
= 2 y
3
= 2. Notemos que det(A) =
1
3
= 6 = 0. No hay races
repetidas ni valores propios con parte real cero, por lo tanto A es no degenerada. Tambin,
como hay valores propios con parte real positiva y negativa A es silla.
Ejemplo 3.1.5 Encontrar los casos degenerados de las matrices de 2 2 en trminos de la
traza y el determinante de A.
3.1 MATRICES NO DEGENERADAS 36
Solucin
Sea A una matriz de 2 2. El polinomio caracterstico de A es
P
A
() =
2
tr(A) +det(A).
Sea
(A) = tr(A)
2
4 det(A).
La matriz A tiene races repetidas s y slo si el discriminate (A) = 0. Los valores propios
son
1,2
=
tr(A)
(A)
2
Si (A) < 0 entonces la parte real de
1,2
es
1
2
tr(A). Es decir, si (A) < 0, entonces el
caso degenerado ocurre cuando tr(A) = 0. Tal caso sucede si det(A) > 0 y tr(A) = 0. Si
(A) > 0 entonces no hay caso degenerado si det(A) = 0. En resumen A es degenerada si
alguna de las siguientes ocurre.
a) det(A) = 0,
b) (A) = 0,
c) det(A) > 0 y tr(A) = 0.
Posteriormente haremos un examen ms detallado de los sistemas 2 2.
En un diagrama tenemos los siguientes puntos degenerados encontrados en el ejemplo
anterior. En el caso 2 2 los casos no degenerados se encuentran en cinco regiones. Las
propiedades de los valores propios correspondientes a las matrices en estas cinco regiones
se resumen en la siguiente tabla.
valores propios
Regin det(A) tr(A) (A) tipo parte real nombre
I + + + reales + nodo atractor
II + + complejos + espiral atractora
III + complejos espiral repulsora
IV + + reales nodo repulsor
V + complejos +, silla
3.2 MATRICES ATRACTORAS 37
0
tr(A)
I
II III
IV
V
det(A)
D(A) = 0
3.2 Matrices atractoras
Teorema 3.2.1 Sea A una matriz cuadrada no degenerada. Las siguientes armaciones son
equivalentes:
a) A es de tipo atractor.
b) Existen constantes positivas C, tales que e
t A
Ce
t
para toda t 0.
c) Para toda x
0
R
n
, lim
t
e
t A
x
0
= 0.
d) Existe una matriz simtrica positiva denida, M, tal que MA + A
T
M = I .
Demostracin
a)b) Sabemos que existen funciones
1
(t ), . . . ,
n
(t ) y matrices E
1
, . . . , E
n
tales que
e
t A
=
1
(t )E
1
(t ) + +
n
(t )E
n
; en donde cada funcin es de la forma
k
(t ) = e
k
t
k
(t ) = e
k
t
cos
k
t
k
(t ) = e
k
t
sin
k
t , ya que A es no degenerada. Como A es de tipo
atractor, entonces
k
< 0
k
< 0, segn el caso. Sea > 0 tal que
max{Re() : es valor propio de A} < < 0.
Notemos que e
t
k
(t ) es de la forma
e
t
k
(t ) = e
(+
k
)t
e
t
k
(t ) = e
(+
k
)t
cos
k
t
e
t
k
(t ) = e
(+
k
)t
sin
k
t.
Por construccin +Re() < 0 y por lo tanto |e
t
k
(t )| 1 para toda t 0. Notemos que
e
t
e
t A
= e
t
1
(t )E
1
+ +e
t
n
(t )E
n
|e
t
1
|E
1
+ +|e
t
n
(t )|E
n
E
1
+. . . E
n
para toda t 0.Sea C = E

1
+. . . E
n
, entonces si t 0 tenemos que e
t
e
t A
C y,
por lo tanto, e
t A
Ce
t
.
b)c) Sea x
0
R
n
. Entonces
lim
t
e
t A
x
0
= x
0
si y slo si
lim
t 0
_
_
e
t A
x
0
_
_
2
= 0.
Notemos que 0 e
t A
x
0
e
t A
x
0
Ce
t
x
0
0 para algunas constantes
C, > 0 y toda t 0. Por lo tanto,
lim
t 0
_
_
e
t A
x
0
_
_
= 0.
Luego
lim
t 0
e
t A
x
0
= 0.
c)d) Consideremos la siguiente funcin lineal: : M
n
M
n
, (B) = BA +
A
T
B. Recordemos que dim(ker()) + dim(Im()) = dim(M
n
). Si demostramos que
ker() = (0), habremos demostrado que es inyectiva y suprayectiva. Sea N M
n
tal
que (N) = 0. Sea x
0
R
n
. Denimos : R R como (t ) = Ne
t A
x
0
, e
t A
Nx
0
.
Entonces
d
dt
(t ) = Ne
t A
x
0
,
d
dt
e
t A
Nx
0
+
d
dt
e
t A
Nx
0
, e
t A
Nx
0
= Ne
t A
x
0
, Ae
t A
Nx
0
+N Ae
t A
Nx
0
, e
t A
Nx
0
= A
T
Ne
t A
x
0
, e
t A
Nx
0
+N Ae
t A
x
0
, e
t A
Nx
0
= (A
T
N + N A)e
t A
x
0
, e
t A
Nx
0
= 0.
Por otro lado tenemos que, por hiptesis,
lim
t
(t ) 0.
De este modo concluimos que (t ) 0 y en particular (0) = 0 = Nx
0
, Nx
0
. Es decir
Nx
0
= 0 y esto implica Nx
0
= 0. Como x
0
es arbitrario, entonces N 0. Por lo tanto
es inyectiva y suprayectiva.
Sea M M
n
tal que (M) = MA + A
T
M = I . Notemos que (M
T
) = (M)
T
=
(M). Como es inyectiva entonces M = M
T
. Para ver que M tambin es positiva de-
nida, tomemos x
0
= 0 y demostremos que x
0
, Mx
0
> 0. Sea K(t ) = e
t A
x
0
, Me
t A
x
0
.
d
dt
K(t ) = Ae
t A
x
0
, Me
t A
x
0
+e
t A
x
0
, MAe
t A
x
0
= e
t A
x
0
, A
T
Me
t A
x
0
+e
t A
x
0
, MAe
t A
x
0
= e
t A
x
0
, (A
T
M + MA)e
t A
x
0
= e
t A
x
0
, e
t A
x
0
= e
t A
x
0
2
< 0
Tambin, por hiptesis,
lim
t
K(t ) = 0.
3.3 MATRICES TIPO SILLA 40
Entonces K(0) > 0. Es decir que x
0
, Mx
0
> 0. Por lo tanto M es positiva denida.
d)a) Sea v un vector propio de A con valor propio . Entonces Av = v y Av =

v.
El nmero v
T
Mv es un nmero real puesto que
v
T
Mv = v
T
Mv = v
T
M
T
v = v
T
Mv.
Entonces
v
T
(MA + A
T
M)v = v
T
MAv +v
T
A
T
Mv
= (v
T
Mv) +(v
T
Mv)
= ( +)
T
(v
T
Mv)
Pero v
T
(MA + A
T
M)v = v
T
v < 0. Concluimos que
2Re() = + =
v
T
v
v
T
Mv
< 0.
Por lo tanto, todos los valores propios tienen parte real negativa y entonces A es de tipo
atractor.
3.3 Matrices tipo silla
Sea A una matriz no degenerada. Nos preguntamos acerca de las condiciones iniciales x
tales que
lim
t
e
t A
x = 0.
Por el teorema 3.2.1 anterior, si A es atractor, este lmite se cumple para toda x R
n
.
Adems se cumple el siguiente resultado.
Proposicin 3.3.1 Sea A de tipo atractor, entonces para toda x = 0 se tiene que
lim
t
_
_
e
t A
x
_
_
2
= +.
Notemos que, si A es de tipo repulsor, entonces A es atractor. Esto implica el siguiente.
Corolario 3.3.2 Si A es de tipo repulsor, entonces
lim
t
e
t A
x = 0
para todo x y
lim
t
_
_
e
t A
x
_
_
2
= +,
para x = 0.
En una matriz de tipo silla algunas condiciones iniciales cumplen lim
t
e
t A
x = 0, otras
lim
t
e
t A
x = 0 y otras ninguna de las dos. Para estudiar las distintas condiciones iniciales
tenemos el siguiente.
Teorema 3.3.3 (Subespacios invariantes) Sea A una matriz de tipo silla. Sean
E
s
= {x R
n
: lim
t
e
t A
x = 0}
y
E
u
= {x R
n
: lim
t
e
t A
x = 0}.
Entonces
a) E
s
, E
u
son subespacios vectoriales de R
n
.
b) R = E
s
E
u
.
c) Cualquier solucin x(t ) del sistema lineal x = Ax se puede escribir como x(t ) =
q
s
(t ) +q
u
(t ), donde q
s
(t ) E
s
, q
u
(t ) E
u
, lim
t
q
s
(t ) = 0 y lim
t
q
u
(t ) = 0.
d) Cada subespacio E
u
, E
s
es invariante.
e) dimE
s
= #{valores propios con parte real negativa} y dimE
u
= #{valores propios
con parte real positiva}.
A E
s
se le llama espacio estable y a E
s
el espacio inestable de la matriz A.
Demostracin
Sean
+
(A) = {valores propios con parte real positiva}
y
(A) = {valores propios con parte real negativa}.

Tenemos que
+
(A) = {
+
1
, . . . ,
+
m
1
,
+
1
, . . . ,
+
m
2
,
+
1
, . . . ,
+
m
2
},
donde
+
i
son reales y
+
j
son complejos. Notar que #(
+
(A)) = m
1
+2m
2
. Adems
(A) = {
1
, . . . ,
m
3
,
1
, . . . ,
m
4
,
1
, . . . ,
m
4
},
y #(
(A)) = m
3
+2m
4
.
Para cada real
+
i
existe un vector propio v
+
i
y para cada complejo
+
j
=
+
j
+ i
+
j
existe
un valor propio r
+
j
+i s
+
j
. Para
+
i
tenemos la solucin
e
+
i
t
v
+
i
= f
+
i
(t )
y para cada
+
j
tenemos dos soluciones,
g
+
j
(g) = e
+
i
t
(cos(
+
j
t )r
+
j
sin(
+
j
t )s
+
j
)
y
h
+
j
(g) = e
+
i
t
(sin(
+
j
t )r
+
j
+cos(
+
j
t )s
+
j
).
Cualquier solucin x(t ) es una combinacin lineal.
x(t ) =
m
1
i =1
C
+
i
f
+
i
+
m
2
j =1
(D
+
j
g
+
j
+ F
+
j
h
+
j
)
+
m
3
i =1
C
i
f

i
+
m
4
j =1
(D
j
g
j
+ F
j
h
j
)
Si x(t ) = e
t A
x, entonces
x = x(0) =
m
1
i =1
C
+
i
v
+
i
+
m
2
j =1
(D
+
j
r
+
j
+ F
+
j
s
+
j
)
+
m
3
i =1
C
i
v
i
+
m
4
j =1
(D
j
r
j
+ F
j
s
j
)
Sean
q
s
(t ) =
m
3
i =1
C
i
f

i
+
m
4
j =1
(D
j
g
j
+ F
j
h
j
),
q
u
(t ) =
m
1
i =1
C
+
i
f
+
i
+
m
2
j =1
(D
+
j
g
+
j
+ F
+
j
h
+
j
).
Entonces x(t ) = q
s
(t ) +q
u
(y).
lim
t
q
s
(t ) = 0 y lim
t
q
u
(t ) = 0.
Adems una condicin necesaria y suciente para que
lim
t
x(t ) = 0
es que q
u
(t ) 0; del mismo modo
lim
t
x(t ) = 0
si y slo si q
s
(t ) 0. Como las soluciones f
+
i
, g
+
j
, h
+
j
, f

i
, g
j
, h
j
son linealmente inde-
pendientes, entonces
lim
t
x(t ) = 0
si y slo si x span{v
i
, r
j
, s
j
}. Concluimos que
E
s
= span{v
i
, r
j
, s
j
},
E
u
= span{v
+
i
, r
+
j
, s
+
j
}.
Como v
+
i
, r
+
j
, s
+
j
, v
i
, r
j
, s
j
son linealmente independientes, entonces dim(E
s
) = m
1
+
2m
2
y dim(E
u
) = m
3
+2m
4
, y por lo tanto, R
n
= E
s
E
s
.
_
_
_
_
3 3 1
0 0 1
0 2 2
_
_
_
_
. Encontrar E
s
y E
u
.
Solucin
La matriz A tiene 3valores propios
+
1
= 3,
1
= 1 +i y
1
= 1 i . Tenemos los
siguientes vectores propios:
v
+
1
=
_
_
_
_
1
0
0
_
_
_
_
y
r
1
+i s
1
=
_
_
_
_
1
1
1 +i
_
_
_
_
=
_
_
_
_
1
1
1
_
_
_
_
+i
_
_
_
_
0
0
1
_
_
_
_
.
Por lo visto en el teorema 3.3.3, E
u
= span
_
_
_
_
_
_
1
0
0
_
_
_
_
_
_
y E
s
= span
_
_
_
_
_
_
1
1
1
_
_
_
_
,
_
_
_
_
0
0
1
_
_
_
_
_
_
.
Podemos resolver este problema directamente de la denicin. Tenemos tres soluciones
linealmente independientes:
f
+
1
(t ) = e
+
1
v
+
1
=
_
_
_
_
e
3t
0
0
_
_
_
_
,
g
1
(t ) = e
t
_
_
_
_
cos t
cos t
cos t sin t
_
_
_
_
y
h
1
(t ) = e
t
_
_
_
_
sin t
sin t
cos t sin t
_
_
_
_
.
Sea
(t ) =
_
_
_
_
e
3t
e
t
cos t e
t
sin t
0 e
t
cos t e
t
sin t
0 e
t
(cos t +sin t ) e
t
(cos t sin t )
_
_
_
_
.
Sabemos que (t ) es una matriz fundamental de soluciones y por lo tanto
e
t A
= (t )(0)
1
.
Esto es
e
t A
=
_
_
_
_
e
3t
e
t
cos t e
t
sin t
0 e
t
cos t e
t
sin t
0 e
t
(cos t +sin t ) e
t
(cos t sin t )
_
_
_
_
_
_
_
_
1 1 0
0 1 0
0 1 1
_
_
_
_
1
=
_
_
_
_
e
3t
e
t
cos t e
t
sin t
0 e
t
cos t e
t
sin t
0 e
t
(cos t +sin t ) e
t
(cos t sin t )
_
_
_
_
_
_
_
_
1 1 0
0 1 0
0 1 1
_
_
_
_
=
_
_
_
_
e
3t
e
3t
+e
t
(cos t +sin t ) e
t
sin t
0 e
t
(cos t +sin t ) e
t
sin t
0 2e
t
sin t e
t
(cos t sin t )
_
_
_
_
.
Supongamos que x = (u, v, w) E
s
. Queremos que
lim
t
e
t A
x = 0.
Notemos que
e
t A
x =
_
_
_
_
ue
3t
ve
3t
+ve
t
(cos t +sin t ) +we
t
sin t
ve
t
(cos t +sin t ) +we
t
sin t
2ve
t
sin t +we
t
(cos t sin t )
_
_
_
_
.
Entonces x = (u, v, w) E
s
si slo si u v = 0. Concluimos que
E
s
=
_
(u, v, w) R
3
: u = v
_
.
EJERCICIOS 46
Ya habamos visto que
E
s
= span
_
_
_
_
_
_
1
1
1
_
_
_
_
,
_
_
_
_
0
0
1
_
_
_
_
_
_
.
Ambos resultados coinciden.
EJERCICIOS
3.1 La funcin y(t ) = e
t A
x es la nica solucin del problema y = Ay, y(0) = x.
3.2 Sea A una matriz no degenerada. Demostrar
a) A es de tipo atractor si y slo si lim
t
_
_
e
t A
x
_
_
2
= +, para todo x = 0.
b) A es de tipo repulsor si y slo si lim
t
_
_
e
t A
x
_
_
2
= +, para todo x = 0.
3.3 Clasicar las siguientes matrices.
a)
_
1 3
2 6
_
.
b)
_
1 3
2 11
_
.
c)
_
0 3
2 100
_
.
d)
_
1 1
1 1
_
.
e)
_
3 3
1 2
_
.
f)
_
1 0
1 0
_
.
g)
_
1 2
2 1
_
.
h)
_
_
_
_
1 0 0
2 7 1
2 1 7
_
_
_
_
.
i)
_
_
_
_
1 1 1
1 1 1
1 1 1
_
_
_
_
.
(Sugerencia: Para clasicar, no es necesario resolver el sistema lineal.)
EJERCICIOS 47
3.4 Consideremos el siguiente problema con valores iniciales:
X =
_
0 1
2 1
_
X,
X(0) =
_
u
v
_
,
donde u y v son constantes reales.
a) Resolver el problema.
b) Cunto debe valer u y v si deseamos que lim
t
X(t ) = 0?
3.5 Calcular los espacios estable e inestable de la siguiente matriz.
A =
_
_
_
_
1 0 0
1 1 1
1 1 1
_
_
_
_
3.6 Suponer que la siguiente matriz est en la regin I I o I I I ; es decir, es de tipo
espiral.
A =
_
a b
c d
_
a) Demostrar que bc < 0.
b) Suponer que x(t ) = (x
1
(t ), x
2
(t )) es solucin del sistema x = Ax. Escribir el sistema
en coordenadas polares
x
1
= r cos ,
x
2
= r sin .
Esto es, encontrar ecuaciones para

y r, en trminos de y r.
EJERCICIOS 48
c) Mostrar que la espiral se mueve en la direccin contraria a las manecillas del reloj si
c > 0 y en la direccin opuesta si c < 0. (Sugerencia: mostrar que

> 0 si c > 0 y
< 0 si b > 0.)

d) Demostrar que r > 0 si A est en la regin I I y r < 0 si A est en la regin I I I. Por
qu se denomina a estas matrices espirales?
CAPTULO 4
Teora no Lineal.
4.1 Teora de Ecuaciones Diferenciales.
Existen dos tipos de ecuaciones
_
autnomas
no autnomas
En las autnomas, el campo vectorial f no depende explcitamente de t ; esto es son de la
forma
x = f (x).
En las no autnomas, f depende explcitamente del tiempo t y son de la forma
x = f (x, t ).
4.1 TEORA DE ECUACIONES DIFERENCIALES. 50
Una ecuacin no autnoma puede ser transformada en una autnoma pues, si hacemos y =
_
x
t
_
, entonces
y =
_
x
1
_
=
_
f (x, t )
1
_
Si
y =
_
x
t
_
y F(y) =
_
f (y)
1
_
entonces y = F(y) es autnoma.Un punto de equilibrio, o solucin de punto jo, de una
ecuacin diferencial
dy
dt
= F(y)
es un punto p
tal que F(p
) = 0.
Para un sistema lineal 0 es siempre punto de equilibrio. Sin embargo, pueden existir
otros puntos de equilibrio. Si el det(A) = 0, entonces 0 es el nico punto de equilibrio. Si
det(A) = 0, existe una innidad de puntos de equilibrio.
En este captulo estudiaremos ecuaciones de la forma x = f (x), donde
f : E R
n
R
n
es una funcin de continuamente diferenciable o de clase C
1
denida en un abierto E de R
n
.
Recordemos la denicin de la clase C
1
.
Denicin 4.1.1 Sea E un abierto de R
n
. Se dice que f : E R
n
es diferenciable en x
0
si
existe una matriz de n n, A (x
0
) , tal que
lim
h0
f (x
0
+h) f (x
0
) A (x
0
) h
2
h
2
= 0.
A la matriz A (x
0
) es llamada matriz jacobiana y se escribe
A (x
0
) = f

(x
0
).
Si la funcin es diferenciable en todos los puntos de su dominio se dir simplemente que es
diferenciable.
Notemos que si f : E R
n
R
n
es diferenciable en E, entonces tenemos una funcin
f

: E M
n
R
nn
entre espacios mtricos y por lo tanto podemos hablar de continuidad. Diremos que f es de
clase C
1
en E si f

es continua en E.
Teorema 4.1.2 Sea f : E R
n
R
m
con
f =
_
_
_
_
f
1
.
.
.
f
m
_
_
_
_
.
Entonces f C
1
(E) s y slo si todas las derivadas parciales son continuas en E, es decir,
si
f
i
x
j
es continua para todo i = 1, . . . , m y j = 1, . . . , n. Adems
f

(x
0
) =
_
_
_
_
f
1
x
1
f
1
x
2

f
1
x
n
.
.
.
.
.
.
.
.
.
.
.
.
f
m
x
1
f
m
x
2

f
m
x
n
_
_
_
_
x=x
0
Ejemplo 4.1.3 Por qu necesitamos funciones de clase C
1
? Consideremos la ecuacin
x = 3x
2/3
.
Si queremos resolver con x(0) = 0, existen dos soluciones
x
1
(t ) = 0,
x
2
(t ) =
_
t
3
si t > 0,
0 si t 0.
Queremos tener condiciones bajo las cuales esto no ocurra.
A continuacin enunciaremos y probaremos el famoso teorema de existencia y unicidad.
De este teorema existen, en realidad, un sinnmero de versiones dependiendo de las hiptesis
que se impongan sobre el campo vectorial en cuestin. Daremos una versin dbil de este
teorema. Para demostrarlo necesitamos primero demostrar un lema.
Lema 4.1.4 Sea : [a, b] R
n
una funcin continua. Entonces
_
_
_
_
_
b
a
(s)ds
_
_
_
_
2
_
b
a
(s)
2
ds.
Demostracin
Notemos que
_
_
_
_
_
b
a
(s)ds
_
_
_
_
2
2
=
__
b
a
(s)ds
_
__
b
a
(t )dt
_
=
_
b
a
_
b
a
( (s) (t )) dsdt
_
b
a
_
b
a
(s)
2
(t )
2
dsdt
=
__
b
a
(s)
2
ds
___
b
a
(t )
2
dt
_
=
__
b
a
(s)
2
ds
_
2
.
La tcnica que se usar para demostrar el teorema de existencia y unicidad es el de
iteraciones de Picard. Estas consisten en una sucesin de funciones que convergen en el
espacio de norma uniforme a la nica solucin del problema que queremos resolver.
Denicin 4.1.5 (Iteraciones de Picard) Sea f : E R
n
un campo vectorial. La suce-
sin de Picard, o iteraciones de Picard, del problema de valores iniciales
x = f (x), (4.1)
x(0) = x
0
es la sucesin dada recursivamente por
U
0
(t ) x
0
,
U
k+1
(t ) = x
0
+
_
t
0
f (U
k
(s)) ds.
Notemos el siguiente hecho, si las iteraciones de Picard convergen a una sola funcin x,
esta debera satisfacer la siguiente igualdad
x(t ) = x
0
+
_
t
0
f (x(s))ds. (4.2)
Resulta que encontrar una funcin que satisfaga (4.2) es equivalente al problema original
(4.1) de valores iniciales. La demostracin del teorema de existencia y unicidad es, en
esencia, la demostracin de que las iteraciones de Picard convergen en C ([a, a] , R
n
) ,
donde a es un nmero positivo por denir. Recordemos que la norma del supremo o norma
del mximo en C ([a, a] , R
n
) es la siguiente
v
= max {v(t )
2
: t [a, a]} .
Es bien conocido que C ([a, a] , R
n
) con la norma
es un espacio de Banach. Con la

herramientas anteriores, podemos demostrar lo siguiente.
Teorema 4.1.6 (Existencia y Unicidad. Versin dbil) Sean E un abierto de R
n
, x
0
E
y f de clase C
1
. Entonces existe un intervalo (a, a) tal que el problema
x = f (x)
x(0) = x
0
tiene una solucin nica en (a, a) .
Demostracin
Primero demostremos la existencia. Sea > 0 tal que B
(x
0
) E. Claramente el
conjunto B
/2
(x
0
) es un compacto contenido en E. Sea
K = max
_
_
_
f

(x)
_
_
: x B
/2
(x
0
)
_
,
donde es la norma de matrices. Por ser
_
_
f

_
_
una funcin continua y B
/2
(x
0
) un conjunto
compacto, se cumple que 0 K < .
Sean x, y B
/2
(x
0
). En base a x y y, denimos la funcin G : [0, 1] R
n
dada por
G(s) = f (x +s(y x)). Notemos que
G
(s) = f

(x +s(y x))(y x)
y, por otro lado,
G(1) G(0) =
_
1
0
G
(s)ds.
Esto implica
f (y) f (x) =
_
1
0
f

(x +s(y x))(y x)ds
Sacando la norma euclideana en R
n
obtenemos
f (y) f (x)
2
=
_
_
_
_
_
1
0
f

(x +s(y x))(y x)ds
_
_
_
_
2
_
1
0
_
_
f

(x +s(y x))(y x)
_
_
2
ds
Notemos que. si x, y B
/2
(x
0
) y si s [0, 1] entonces x +s(y x) B
/2
(x
0
). Sabemos
que
_
_
f

(x +s(y x))(y x)
_
_
2

_
_
f

(x +s(y x))
_
_
y x
2
K y x
2
Concluimos
f (y) f (x)
2

_
1
0
K y x
2
ds = K y x
2
(4.3)
Sean b = /4 y M = max
_
f (x)
2
: x B
b
(x
0
)
_
. Claramente M < . Supongamos, sin
prdida de generalidad, que M > 0. Sea a un nmero que satisfaga
0 < a < min
_
1
K
,
b
M
_
.
Estos nmeros (a, b, K, M) nos servirn para hacer estimaciones acerca de las iteraciones
de Picard. Sean
U
0
(t ) x
0
U
k+1
(t ) = x
0
+
_
t
0
f (U
k
(s)) ds
Veremos que U
k
es una sucesin de Cauchy en el espacio C [a, a] . Denamos
A(b) =
_
v C
_
[a, a] , R
n
_
: v U
0
< b
_
.
Demostraremos que si U
k
A(b) entonces U
k+1
A(b). Esto lo hacemos por induccin.
Supongamos, como hiptesis de induccin, que U
k
U
0
< b. Sea t [a, a], entonces
U
k+1
(t ) x
0
2
=
_
_
_
_
_
t
0
f (U
k
(s)) ds
_
_
_
_
2
U
k
U
0
< b implica que para todo t [a, a] se cumple
U
k
(t ) x
0
2
< b.
Es decir, para todo t [a, a] se tiene que U
k
(t ) B
b
(x
0
). Por lo tanto
f (U
k
(t ))
2
M
para todo t [a, a] . Entonces si t [a, a] entonces
U
k+1
(t ) x
0
2

_
|t |
0
f (U
k
(s))
2
ds
_
|t |
0
Mds Ma < b.
El mximo satisface
U
k+1
U
0
= max
t [a,a]
U
k+1
(t ) x
0
2
Ma < b.
Demostraremos ahora que la sucesin es de Cauchy. Estimaremos primero U
2
U
1
.
Si t [a, a] , entonces
U
2
(t ) U
1
(t )
2
=
_
_
_
_
x
0
+
_
t
0
f (U
1
(s)) ds x
0

_
t
0
f (U
0
(s)) ds
_
_
_
_
2
_
t
0
f (U
1
(s)) f (U
0
(s))
2
ds.
Sabemos que para todo t [a, a] se tiene que
U
1
(t ) U
0
(t )
2
< b <
2
.
Por lo tanto, si |s| |t | < a entonces
f (U
1
(s)) f (U
0
(s))
2
K U
1
(t ) U
0
(t )
2
< Kb.
Concluimos
U
2
(t ) U
1
(t )
2
<
_
|t |
0
(Kb) ds < Kab.
Por induccin se puede ver que
_
_
U
j +1
U
j
_
_
(Ka)
j
b.
Si m > n N, entonces
U
m
U
n

(Ka)
N
b
1 Ka
,
pues 0 < Ka < 1. Dado que
lim
N
(Ka)
N
= 0
concluimos que {U
m
} es de Cauchy en la norma
y por lo tanto converge a un elemento

x C ([a, a] , R
n
) que adems cumple
x(t ) = x
0
+
_
t
0
f (x(s))ds,
para todo t [a, a]. Esto termina la demostracin.
Ejemplo 4.1.7 Usar el mtodo de Picard para resolver el siguiente problema lineal.
x = Ax,
x(0) = x
0
,
Demostracin
Denimos
U
0
(t ) = x
0
,
U
k+1
(t ) = x
0
+
_
t
0
AU
k
(s)ds.
Obtenemos
U
1
(t ) = x
0
+
_
t
0
(Ax
0
) ds = x
0
+t Ax
0
,
U
2
(t ) = x
0
+
_
t
0
x
0
+t Ax
0
ds =
_
I +t A +
t
2
2
A
2
_
x
0
,
U
3
(t ) = x
0
+
_
t
0
_
I +t A +
t
2
2
A
2
_
x
0
ds
=
_
I +t A +
t
2
2
A
2
+
t
3
3!
A
3
_
x
0
.
Por induccin podemos ver que
U
n
(t ) =
_
n
k=0
t
k
k!
A
k
_
x
0
.
Claramente esta sucesin converge, en la norma del supremo a x(t ) = e
t A
x
0
que, como ya
hemos estudiado, es solucin de la ecuacin.
En resumen, si consideremos el problema (4.1) donde f es una funcin de clase C
1
en
un abierto E de R
n
, entonces sabemos que existe un intervalo [a, a] en donde existe una
nica solucin de este problema.
Ejemplo 4.1.8 Si f no es C
1
en todo el plano no podemos garantizar la unicidad. Conside-
remos el siguiente problema
x = 3x
2
3
,
x(0) = x
0
.
Se puede ver que f (x) = 3x
2
3
es de clase C
1
en = R\ {0} y, por tanto, dicha solucin es
nica si x
0
= 0. Si x
0
= 0, puede vericarse directamente que x(t ) = 0 y x(t ) = t
3
son
dos soluciones posibles. esto no viola el resultado del teorema 4.1.6 pues la funcin f no es
diferenciable en 0, por lo que no puede garantizarse unicidad.
Ejemplo 4.1.9 El problema de valores iniciales
y = tan
_
e
y
arctan y
_
y(t
0
) = y
0
tiene una solucin nica para todo t
0
y todo y
0
pues la funcin f que dene a la ecuacin
es de clase C
1
en un abierto de R
n
. Esto se sabe a pesar de que, en general, la solucin no
puede calcularse explcitamente.
Nos preguntamos ahora acerca de hasta dnde podemos extender la solucin. Tenemos
el siguiente teorema que damos sin demostracin.
Teorema 4.1.10 Sean E un abierto de R
n
, f una funcin de clase C
1
. Entonces, para cada
punto x
0
E, existe un intervalo D(x
0
) (llamado intervalo maximal) tal que
a) D(x
0
) = (, ) , y contiene a t = 0,
b) El problema
y = f (y)
y(0) = x
0
tiene una solucin y(t ) denida en D(x
0
),
c) La solucin y(t ) es nica en el siguiente sentido. Si el problema tuviera otra solucin
z(t ), denida en un intervalo I, entonces I D(x
0
), y z(t ) = y(t ) en I.
Ejemplo 4.1.11 Considerar
x =
1
2x
.
en E = (0, ). Calcular D(1).
Solucin
Resolveremos
x =
1
2x
x(0) = 1
y veremos hasta dnde podemos extender la solucin. Resulta que la solucin es
x(t ) =

1 t
En este caso, x(t ) est denido para todo t (, 1] . Sin embargo, en t = 1, x(t ) sale del
conjunto E. Por lo tanto, D(1) = (, 1) .
Ejemplo 4.1.12 Consideremos
x =
1
x
denida en E = (0, ) . Encontrar D(x
0
).
Solucin
Para cada x
0
la solucin x(t ) que satisface x(0) = x
0
es
x(t ) =
_
2t + x
2
0
El dominio de x(t ) es
_
t R | 2t + x
2
0
0
_
=
_
x
0
2
,
_
. El intervalo maximal es por
tanto D(x
0
) = (x
0
/2, ) .
En base al teorema anterior, podemos demostrar que las soluciones de una ecuacin
autnoma x = f (x) son en realidad un ujo sobre el dominio del campo vectorial.
Teorema 4.1.13 Sean E un abierto de R
n
, f una funcin de clase C
1
. Sea (t, x
0
) la
solucin del problema
y = f (y)
y(0) = x
0
denida en el intervalo D(x
0
). Si t D(x
0
), s D( (t, x
0
)) , entonces
a) s +t D(x
0
),
b) (s +t, x
0
) = (s, (t, x
0
)) .
Demostracin
Suponer t > 0 y D(x
0
) = (, ) . Denimos la funcin x : (, s +t ] E dada por
x(r) =
_
(r, x) r t
(r t, (t, x
0
)) t r s +t
Claramente x(r) es diferenciable en todos los puntos del dominio con la posible excepcin
de r = t. Adems x(r) es continua en r = t. Queremos demostrar que el siguiente limite
existe
lim
h0
x(t +h) x(t )
h
Sabemos
lim
h0
+
x(t +h) x(t )
h
= lim
h0
+
(r, (t, x
0
)) (t, x
0
)
h
=

r
r=0
(r, (t, x
0
)) = f ((t, x
0
)).
Por otro lado
lim
h0
x(t +h) x(t )

h
= lim
h0
(t +h, x
0
) (t, x
0
)
h
=

r
r=t
(r, x
0
) = f ((t, x
0
)).
Concluimos que
d
dr
r=t
x(r) = f ((t, x
0
)) = f (x(t ))
Se puede ver que para cualquier otro valor de r, se tiene que
d
dr
x(r) = f (x(r)).
Adems x(0) = x
0
. Por el Teorema 4.1.10, (, s +t ] D(x
0
), y adems
x(r) = (r, x
0
)
para todo r (, s +t ] . En particular, s +t D(x
0
), y
x(s +t ) = (s +t, x
0
) = (s, (t, x
0
)) .
Denimos de este modo un ujo asociado a una ecuacin diferencial. Sea E un abierto
de R
n
y f C
1
(E) . Sea D(x) el intervalo maximal correspondiente a x. Denimos
= {(t, x) R E : t D(x)}
Por ser D(x) un intervalo, se puede ver que es un abierto de R R
n
. En denimos el
ujo asociado a f como la funcin : E tal que
(0, x) = x,
t
(t, x) = f ( (t, x)) .
Adems, esta funcin es nica.
Ejemplo 4.1.14 Encontrar el ujo asociado a la ecuacin
x = sec x
donde E =
_
2
,

2
_
.
Solucin
Resolveremos el siguiente problema de valores iniciales.
x = sec x,
x(0) = x
0
,
donde x
0
E. Usando el mtodo de separacin obtenemos
_
cos xdx =
_
dt y por lo tanto
sin x = t + C. Para determinar el valor de la constante C echamos mano de la condicin
inicial. Esto es,
sin x
0
= C.
Sustituyendo y simplicando obtenemos
sin x(t ) = t +sin(x
0
),
x(t ) = arcsin(t +sin(x
0
)).
Por lo tanto, la forma de el ujo para este sistema dinmico es
t
(x
0
) = arcsin(t +sin(x
0
)).
Para x
0
queremos 1 t +sin(x
0
) 1 y adems
arcsin(t +sin(x
0
)) E =
_
2
,
2
_
Necesitamos, por lo tanto la siguiente condicin
1 < t +sin(x
0
) < 1;
es decir,
1 sin x
0
< t < 1 sin x
0
Este es un abierto que contiene a 0. Concluimos entonces
D(x
0
) = (1 sin x
0
, 1 sin x
0
) .
El dominio del ujo se dene como
=
_
(t, x) R
_
2
,
2
_
: t (1 sin x, 1 sin x)
_
Aqu concluimos el ejemplo.
La unicidad de las soluciones es, a veces, ms importante de lo que a simple vista podra
parecer. En el plano, tenemos la propiedad de que las curvas separan a ste en regiones.
Una manera geomtrica de entender la unicidad es pensar que una curva que es solucin no
puede ser cruzada por otra solucin. Si tal fuera el caso, se tendran dos soluciones distintas
que iniciaran en el mismo punto: el punto de interseccin. Esto se demostrara del siguiente
modo. Sean z
1
(t ) y z
2
(t ) dos soluciones de la ecuacin x = f (x) donde f es una funcin
de clase C
1
denida en un abierto de R
n
. Supongamos que existen un par de tiempos t
1
y t
2
tales que z
1
(t
1
) = z
2
(t
2
). Denamos x
0
= z
1
(t
1
) = z
2
(t
2
) y
y
1
(t ) = z
1
(t +t
1
),
y
2
(t ) = z
2
(t +t
2
).
dos funciones que estn denidas en intervalos I
1
e I
2
. Claramente, ambas funciones tambin
son soluciones de la ecuacin x = f (x) y adems y
1
(0) = y
2
(0) = x
0
. Por el teorema de
EJERCICIOS 63
a) b)
Figura 4.1: El teorema de existencia y unicidad no permite que las soluciones se crucen. En
la gura a) se representa la situacin tpica en la que se ven las soluciones de una ecuacin
diferencial en el plano. En la gura b) se da una situacin imposible si se tiene unicidad:
una solucin no puede cruzar otras.
existencia y unicidad, y
1
(t ) = y
2
(t ) para todo t I
1
I
2
. Por lo tanto z
1
(t ) y z
2
(t ) no se
pueden cruzar, a menos que sus imgenes coincidan.
Estas consideraciones se ilustran en la gura 4.1. En el plano R
2
, la unicidad trae conse-
cuencias importantes pues en ocasiones una curva solucin divide al plano en dos regiones
y as las dems soluciones no pueden cruzar de una de estas regiones a otra.
EJERCICIOS
4.1 Escribir las soluciones de las siguientes ecuaciones diferenciales en el abierto E
usando la notacin de ujos. En cada caso, encontrar el intervalo maximal correspondiente
a cada punto de E.
a) x = x(1 x), denida en E = (0, 1).
b) x = tan x, denida en E = (0, /2).
c) x = x
2
, y = 1/x, denida en E = (0, ) R.
EJERCICIOS 64
4.2 Encontrar las tres primeras iteraciones de Picard del siguiente problema de valores
iniciales: x = x
2
, x(0) = 1.
4.3 Sea
y = f (y)
una ecuacin diferencial donde f : E R
n
es de clase C
1
. Utilizar el mtodo de las
iteraciones de Picard para demostrar lo siguiente.
a) Sea = 0 y H = {x R
n
: x = c} un hiperplano. Suponer que para todo
h E H se tiene que f (h) = 0. Si y
0
E H entonces
t
(y
0
) E H para
todo t D(y
0
).
b) Sea V un subespacio vectorial de R
n
tal que para todo h E V se tiene que f (h)
V. Si y
0
E V entonces
t
(y
0
) E V para todo t D(y
0
).
c) Cmo se generalizaran los anteriores resultados para un espacio afn en general? Un
espacio afn en un espacio vectorial trasladado, que abarca los dos ejemplos anteriores.
4.4 Sea R
2
++
= {(u, v) : u > 0, v > 0}. Consideremos el siguiente problema
d
dt
_
u
v
_
=
_
u
2
+v sin u
1 +uv +cos v
_
,
u(0) = u
0
, v(0) = v
0
.
Demostrar que cualquier curva solucin que inicie en el primer cuadrante permanecer ah
para todo tiempo en el intervalo maximal. Es decir, demostrar que si (u
0
, v
0
) R
2
++
en-
tonces (t, (u
0
, v
0
)) R
2
++
, para todo t D(u
0
, v
0
). (Sugerencia: utilizar el teorema de
existencia y unicidad, y el ejercicio 4.3.)
4.5 Sea
t
(x, y) el ujo generado por el sistema
x = 2e
x
xy,
y = e
x
_
3x
2
1 + y
2
_
.
Encontrar el intervalo maximal del origen y una expresin explcita para la funcin
t
(0, 0).
EJERCICIOS 65
4.6 Sea A una matriz de 3 3 cualquiera. Sean {e
1
, e
2
, e
3
} los vectores de la base
cannica. Considerar el siguiente sistema en R
3
x
i
= x
i
_
e
T
i
Ax x
T
Ax
_
,
donde i = 1, 2, 3 y x = (x
1
, x
2
, x
3
). Se dene el simplejo de R
3
como el conjunto
S
3
=
_
(x
1
, x
2
, x
3
) R
3
: x
1
, x
2
, x
3
0, x
1
+ x
2
+ x
3
= 1
_
.
Demostrar que S
3
es invariante bajo el ujo generado por las ecuaciones diferenciales. Es
decir, si es el ujo y x S
3
entonces
t
(x)S
3
para todo t D(x).
4.7 Sea f : R
n
R
n
un campo vectorial de clase C
1
. Sea (t ) una solucin de la
ecuacin diferencial dada por
X = f (X).
Suponer que (t ) est denida para todo t R, y que existe un nmero T > 0 tal que
(0) = (T). Demostrar que para todo t se cumple
(t ) = (t + T).
CAPTULO 5
Estabilidad no lineal
5.1 Conjugacin topolgica
Queremos dar una denicin que haga a equivalentes dos sistemas dinmicos. Informal-
mente, podemos decir que dos sistemas dinmicos son equivalentes si existe un cambio de
variable que transforma uno en otro. En general, el cambio de variable puede ser de distintos
tipos y se considera el ms sencillo uno que slo sea continuo. En el ejercicio 1.5 se con-
sider el caso de la transformacin de un campo vectorial en otro, en base a un cambio de
variable diferenciable. La siguiente denicin es un caso ms general, pues slo considera
continuidad.
Denicin 5.1.1 Sean U, V dos abiertos de R
n
. Una funcin h : U V es llamada
homeomorsmo si
a) h es una biyeccin,
b) h es continua,
5.1 CONJUGACIN TOPOLGICA 67
c) h
1
es continua.
Denicin 5.1.2 Dos sistemas dinmicos (X,
1
) y (Y,
2
) son topolgicamente conjugados
si existe un homeomorsmo h : X Y tal que
1
(t, h(x)) = h (
2
(t, x)) , (5.1)
para todo x X. En tal caso escribiremos
1

2
y tambin diremos que los ujos son
equivalentes.
Ejemplo 5.1.3 Consideremos dos matrices:
A =
_
1 3
3 1
_
y B =
_
2 0
0 4
_
.
Sean
1
(t, x) = e
t A
x, y
2
(t, y) = e
t B
y los ujos generados por las matrices A y B.
Observemos que
B = R
1
AR
donde
R =
1
2
_
1 1
1 1
_
y
R
1
=
1
2
_
1 1
1 1
_
.
Se puede demostrar que
e
t B
= R
1
e
t A
R,
y por lo tanto e
t A
R = Re
t B
. Esto sugiere que los dos ujos son equivalentes a travs del
cambio de variable dado por la matriz R. Esto es, si hacemos h(x) = Rx entonces
1
(t, h(x)) = e
t A
Rx
= Re
t B
x = h (
2
(t, x)) .
En ambos casos, el origen es un punto silla. En el primer caso tenemos dos vectores propios:
_
1
1
_
,
_
1
1
_
.
En el segundo caso tenemos dos vectores propios:
_
1
0
_
,
_
0
1
_
.
Ntese que el cambio de variable h mapea los vectores propios de una matriz en los vectores
propios de la otra. El cambio de variable y = h(x) es, de hecho, una rotacin de 45
o
.
Ejemplo 5.1.4 La funcin que hace a dos ujos equivalentes puede ser bastante complicada.
Consideremos los siguientes ujos en R
2
.
t
1
(x) = e
t
x
y
t
2
(x) = e
t
_
cos(t ) sin(t )
sin(t ) cos(t )
_
x
dos ujos en R
n
. Resulta que
1

2
, pero la funcin que los hace equivalentes es bastante
complicada. Consideremos a h : R
2
R
2
una conjugacin topolgica. Los campos
vectoriales correspondientes a
1
y
2
son lineales.
f
1
(x) =
_
1 0
0 1
_
x,
f
2
(x) =
_
1 1
1 1
_
x.
Si la funcin h fuese lineal, las matrices
_
1 0
0 1
_
y
_
1 1
1 1
_
seran equivalentes (ver
ejercicio 5.1). Pero esto no sucede, por lo que h no puede ser simplemente una funcin
lineal. Proponemos
h(x) =
_
_
_
cos(log x) sin(log x)
sin(log x) cos(log x)
_
x, x = 0,
0, x = 0.
para x = 0 y h(0) = 0. Queremos demostrar que h
t
1
=
t
2
h. Si x R
2
, x = 0 tenemos
que
h
t
1
(x) = h(e
t
x)
=
_
cos(log x +t ) sin(log x +t )
sin(log x +t ) cos(log x +t )
_
(e
t
x)
= e
t
_
cos t sin t
sin t cos t
__
_
x
=
t
2
(h(x)) =
t
2
h(x).
Notemos que h(x) = x. De este hecho, es fcil ver que la inversa de h es
h
1
(x) =
_
_
_
_
x, x = 0,
0, x = 0.
Claramente tanto h como h
1
son funciones continuas para todo punto x = 0. Notemos
adems que
lim
x0
h(x) = 0,
lim
x0
h
1
(x) = 0.
Dado que denimos h(0) = 0, y h
1
(0) = 0, ambas funciones tambin resultan ser conti-
nuas en x = 0.
5.2 LINEALIZACIN DE PUNTOS FIJOS 70
EJERCICIOS
5.1 Dos matrices A y B de n n son equivalentes si existe una matriz invertible R tal
que B = R
1
AR. Demostrar que si A y B son equivalentes entonces los ujos
1
(t, x) =
e
t A
x, y
2
(t, y) = e
t B
y denidos en R
n
son topolgicamente conjugados.
5.2 Sean A y B dos matrices de n n. Suponer que los ujos
1
(t, x) = e
t A
x, y
2
(t, y) = e
t B
y, denidos en R
n
, son topolgicamente conjugados a travs de una funcin
h : R
n
R
n
. Demostrar que si h(0) = 0, h es diferenciable en 0 y h
(0) es invertible
entonces A y B son equivalentes. (Sugerencia: usar la ecuacin (5.1) y derivar en x = 0. )
5.3 Demostrar que la conjugacin topolgica entre sistemas dinmicos es una relacin
de equivalencia.
5.4 Sea f : R R el campo vectorial dado por f (x) = ax
2
+bx +c donde a = 0.
a) Demostrar que el ujo generado por f es topolgicamente equivalente a un ujo ge-
nerado por alguno de los siguientes campos: y = (y
2
+1), y = (y
2
1) o y = y
2
para alguna > 0. Es decir, el campo vectorial dado por f (x) = ax
2
+bx +c puede
ser reducido, bajo un cambio de variable, a uno de los tres casos anteriores.
b) Resolver y = (y
2
+1), y = (y
2
1) y y = y
2
.
c) Clasicar la dinmica de f de acuerdo al signo del discriminante b
2
4ac.
5.2 Linealizacin de puntos jos
Supongamos f es un campo vectorial denido en un abierto E R
n
y f (p
) = 0. Un
punto p
que satisface f (p
) = 0 es llamado punto de equilibrio o punto jo. Recordemos

que cerca de p
se tiene
f (p
+h) = f (p
) + f

(p
)h +o(h),
donde o(h) es una funcin tal que
lim
h0
o(h)
h
= 0.
En particular, si h es pequeo o(h) 0. Podemos aproximar, por lo tanto
f (p
+h) f

(p
)h.
Esperaramos que la dinmica de ambos sistemas fuese parecida. Si x(t ) es una solucin de
x = f (x), denimos
(t ) = x(t ) p
y entonces
x(t ) = (t ) + p
.
Adems, tendramos
(t ) = x(t ) = f (x(t )) = f (p
+(t )).
Si (t ) es pequeo, entonces
(t ) = f (p
+(t )) f

(p
)(t )
Esperaramos que la dinmica de sea similar a la dinmica del sistema lineal
= f

(p
).
Esto motiva la siguiente denicin.
Denicin 5.2.1 Sean f y p
como antes. Al sistema lineal

= f

(p
)
se le denomina el sistema lineal asociado al punto jo p
. Se dir, adems, que la estabili-

dad del punto p
es la misma que la del sistema lineal asociado.

El anlisis hecho anteriormente puede generalizarse a sistemas de varias variables.
Ejemplo 5.2.2 Considerar el sistema
x = y,
y = 1 + x
2
Encontrar los puntos jos y calcular el sistema lineal asociado en cada caso.
Solucin
Los puntos de equilibrio son (1, 0) y (1, 0). El campo vectorial del sistema es
f
_
x
y
_
=
_
y
x
2
1
_
y el jacobiano correspondiente es
f

_
x
y
_
=
_
0 1
2x 0
_
.
El sistema lineal asociado a (1, 0) es
= f

_
1
0
_
=
_
0 1
2 0
_
y por lo tanto la dinmica cerca de (1, 0) es de tipo silla. Por otro lado, el sistema lineal
asociado a (1, 0) es
= f

_
1
0
_
=
_
0 1
2 0
_
.
El punto (1, 0) es degenerado.
El siguiente teorema nos permite hacer formal la idea de que el sistema lineal asociado
a cada punto jo es, de hecho, una buena aproximacin del sistema no lineal. La condicin
que se debe cumplir es que la matriz jacobiana correspondiente sea no degenerada. En otras
palabras, cerca de un punto jo si el sistema lineal asociado es no degenerado existe, al
menos tericamente, un cambio de variable que hace al ujo del sistema lineal equivalente
con el ujo del sistema lineal asociado.
Teorema 5.2.3 (Hartman-Grobman) Sea E un abierto de R
n
. Sea f es un campo vectorial
denido en un abierto E R
n
y p
E un punto tal que f (p
) = 0. Sea
t
el ujo
generado por la ecuacin x = f (x). Asumir que la matriz A = f

(p
) es no degenerada.
Entonces existen abiertos U y V de R
n
y un homeomorsmo h : U V tal que
a) p
U,
b) 0 V,
c) si (t, x
0
) U entonces
h ( (t, x
0
)) = e
t A
h(x
0
).
Es decir, (t, x
0
) = h
1
_
e
t A
h(x
0
)
_
.
Posteriormente daremos ejemplos en los que una matriz jacobiana degenerada implica
que la dinmica podra ser de distintos tipos y el teorema de Hartman-Grobman anterior no
se puede aplicar.
Ejemplo 5.2.4 Consideremos el ujo
t
generado por el campo vectorial f : R
2
R
2
dado por
f
_
x
y
_
=
_
x
y + x
2
_
.
Sea h : R
2
R
2
la funcin dada por
h
_
x
y
_
=
_
x
y
1
3
x
2
_
.
Podemos demostrar que h es la conjugacin topolgica del Teorema de Hartman-Grobman
de
t
con el ujo lineal cerca de (0, 0). Es decir,
h
_
t
(x, y)
_
= e
t A
h(x, y).
donde A = f

(0, 0) . Para encontrar
t
(x
0
, y
0
) se resuelve
x = x,
y = y + x
2
,
con condiciones iniciales x(0) = x
0
y y(0) = y
0
. Claramente se tiene que x(t ) = x
0
e
t
y por
tanto concluimos
y = y + x
2
0
e
2t
Usando el mtodo del factor de integracin encontramos que
y(t ) =
1
3
x
2
0
e
2t
+
_
y
0
1
3
x
2
0
_
e
t
El ujo es, por tanto
t
_
x
0
y
0
_
=
_
x(t )
y(t )
_
=
_
x
0
e
t
1
3
x
2
0
e
2t
+
_
y
0

1
3
x
2
0
_
e
t
_
.
Por otra parte,
A =
_
1 0
0 1
_
.
Es fcil ver que
e
t A
=
_
e
t
0
0 e
t
_
.
Luego entonces
h
_
t
_
x
0
y
0
__
= h
_
x
0
e
t
1
3
x
2
0
e
2t
+
_
y
0

1
3
x
2
0
_
e
t
_
=
_
x
0
e
t
1
3
x
2
0
e
2t
+
_
y
0

1
3
x
2
0
_
e
t
1
3
_
x
0
e
t
_
2
_
=
_
e
t
0
0 e
t
__
x
0
y
0
1
3
x
2
0
_
= e
t A
h
_
x
0
y
0
_
.
Ejemplo 5.2.5 Se desea linealizar el sistema
x = x + y
2
1,
y = xy + x
2
y clasicar su puntos de equilibrio. Sea (x
, y
) algn punto de equilibrio. La matriz jaco-

biana asociada al sistema linealizado alrededor de (x
, y
) es
J (x
, y
) =
_
1 2y
+2x
_
.
Los puntos de equilibrio se obtienen resolviendo el sistema
x + y
2
1 = 0,
xy + x
2
= 0.
Obtenemos as los cuatro puntos (0, 1), (0, 1), (1.62, 1.62) y (0.62, 0.62). De esta
forma, para los primeros dos puntos de equilibrio tenemos
J (0, 1) =
_
1 2
1 0
_
,
J (0, 1) =
_
1 2
1 0
_
,
ambas matrices con valores propios
1
= 1 y
2
= 2. La matriz
J (1.62, 1.62) =
_
1 3.24
1.62 1.62
_
tiene valores propios
1
= 0.31 +1.88i y
2
= 0.31 1.88i, y nalmente
J (0.62, 0.62) =
_
1 1.24
0.62 0.62
_
posee valores propios
1
= 0.81 +0.856i y
2
= 0.81 .856i.
Vemos entonces que (0, 1) y (0, 1) son puntos silla (1.62, 1.62) es un punto espiral
atractora y (0.62, 0.62) un punto espiral repulsora. La gura 5.1 ilustra estos resultados.
Ejemplo 5.2.6 Ahora vamos a encontrar y clasicar los puntos jos del siguiente sistema:
y
1
= y
2
1
+ y
2
2
2,
y
2
= y
2
1
y
2
2
.
0 -1 -2 -3 1 2
3
2
1
0
-1
-2
Figura 5.1: Diagrama de fase correspondiente al ejemplo 5.2.5.
Los puntos jos satisfacen
y
2
1
+ y
2
2
2 = 0,
y
2
1
y
2
2
= 0.
Por lo tanto stos son (1, 1), (1, 1), (1, 1) y (1, 1).
La matriz jacobiana asociada al sistema lineal, alrededor de (y
1
, y
2
), est dada por
J (y
1
, y
2
) =
_
2y
1
2y
2
2y
1
2y
2
_
.
Entonces,
J (1, 1) =
_
2 2
2 2
_
.
Como el determinante de la matriz es negativo, se tiene que (1, 1) es punto silla. Por otra
parte,
J (1, 1) =
_
2 2
2 2
_
.
En este caso tr(J (1, 1) = 4, det(J (1, 1)) = 8 y (J (1, 1)) = 16, por lo que se
trata de una espiral repulsora. Para el punto (1, 1), la matriz jacobiana es
J (1, 1) =
_
2 2
2 2
_
,
ahora se tiene que tr(J (1, 1)) = 4, det(J (1, 1)) = 8 y (J (1, 1)) = 16 por lo
que se trata de una espiral atractora. Finalmente, para (1, 1)
J (1, 1) =
_
2 2
2 2
_
.
Basta notar que el determinante es negativo, por lo tanto se trata de un punto silla. En la
gura 5.2 se puede apreciar el comportamiento global de las soluciones y claramente se ve
la existencia de dos puntos silla, una espiral atractora y una espiral repulsora.
-2
-1
0
1
2
-2 -1
0 1 2
x
Figura 5.2: Diagrama de fase para el ejemplo 5.2.6.
Ejemplo 5.2.7 Consideremos el sistema
x = y +ax(x
2
+ y
2
),
y = x +ay(x
2
+ y
2
).
Encontrar una expresin explcita para el ujo generado y analizar la dinmica cerca del
punto jo (0, 0).
Solucin
El jacobiano del campo vectorial es
f

_
x
y
_
=
_
a
_
3x
2
+ y
_
1 +2axy
1 +2axy a
_
x
2
+3y
2
_
_
.
En el punto jo (0, 0) tenemos
f

_
0
0
_
=
_
0 1
1 0
_
.
Notemos que la traza de f

(0, 0) es 0 y el determinante es 1, por lo que (0, 0) es un punto
degenerado. En este caso el teorema de Hartman-Grobman no se puede aplicar. Vamos a
demostrar que la dinmica cerca de (0, 0) depende del signo del parmetro a. Dado que
la matriz jacobiana f

(0, 0) es independiente de a, este ejemplo muestra que si la matriz
jacobiana en el punto jo es degenerada, entonces no se puede decir nada de la dinmica
cerca del punto jo.
Usaremos coordenadas polares
x(t ) = r(t ) cos (t ), (5.2)
y(t ) = r(t ) sin (t ).
para encontrar una expresin explcita del ujo. Sean (r
0
,
0
) nmeros tales que
x
0
= r
0
cos
0
,
y
0
= r
0
sin
0
.
donde r
0
0. Tenemos las ecuaciones:
=
yx x y
r
2
=
_
x +ay(x
2
+ y
2
)
_
x
_
y +ax(x
2
+ y
2
)
_
y
r
2
= 1
y
r =
x x + y y
r
=
x
_
y +ax(x
2
+ y
2
)
_
+ y
_
x +ay(x
2
+ y
2
)
_
r
= ar
3
.
Al resolver el sistema anterior con condiciones r(0) = r
0
y (0) =
0
obtenemos
(t ) =
0
+t,
y
r(t ) =
r
0
_
1 2r
2
0
at
.
Si usamos las ecuaciones (5.2), obtenemos las ecuaciones del ujo generado. Esto es,
t
_
x
0
y
0
_
=
_
x(t )
y(t )
_
=
_
r(t ) cos (t )
r(t ) sin (t )
_
=
r
0
_
1 2r
2
0
at
_
cos(
0
+t )
sin(
0
+t )
_
=
1
_
1 2r
2
0
at
_
cos t sin t
sin t cos t
__
r
0
cos(
0
)
r
0
sin(
0
)
_
=
1
_
1 2(x
2
0
+ y
2
0
)at
_
cos t sin t
sin t cos t
__
x
0
y
0
_
.
Tenemos tres casos: a = 0, a < 0 y a > 0.
Si a = 0 entonces r(t ) r
0
y el intervalo maximal es D(x
0
, y
0
) = R. Adems, el ujo
satisface
t
_
x
0
y
0
_
=
_
cos t sin t
sin t cos t
__
x
0
y
0
_
,
que corresponde geomtricamente a crculos en el plano. El radio de las trayectorias no
crece ni decrece.
Si a < 0, el radio es una funcin decreciente. Adems, el dominio maximal est dado
por D(x
0
, y
0
) =
_
1
2r
2
0
a
,
_
y las trayectorias geomtricamente son espirales. Es tal caso el
ujo cumple que
lim
t
t
_
x
0
y
0
_
=
_
0
0
_
.
Finalmente, si a > 0, el radio es una funcin creciente. Adems el dominio maximal es
D(x
0
, y
0
) =
_
,
1
2r
2
0
a
_
y las trayectorias geomtricamente son espirales. Es tal caso el
ujo cumple que
lim
t
t
_
x
0
y
0
_
=
_
0
0
_
.
En conclusin, si la matriz jacobiana en un punto de equilibrio es degenerada, el sistema
lineal asociado no contiene suciente informacin para predecir el comportamiento cerca de
tal punto jo.
EJERCICIOS
5.5 Sea
t
el ujo generado por el campo vectorial f : R
2
R
2
dado por
f
_
x
y
_
=
_
x
y 4x
3
+1
_
.
Sea h : R
2
R
2
la funcin dada por
h
_
x
y
_
=
_
x
y x
3
+1
_
.
a) Demostrar que (0, 1) es un punto jo y encontrar el sistema lineal asociado.
b) Demostrar la matriz A = f

(0, 1) es no degenerada
c) Calcular explcitamente el ujo
t
.
d) Demostrar que la funcin h es una conjugacin que hace equivalentes a
t
y al ujo
generado por la matriz A.
5.3 ANLISIS DE PUNTOS SILLA 81
5.6 Linealizar cada uno de los siguientes sistemas alrededor de sus puntos de equilibrio
y obtener los diagramas de fase correspondientes. En qu casos se puede aplicar el teorema
de Hartman-Grobman?
a) x = xy, y = (y 1)(x
2
1).
b) x = 4x 3xy, y = 3y xy.
c) x = 3y
2
+ x, y = (3x
2
+ y).
d) x = y, y = sin x.
5.3 Anlisis de puntos silla
Sea f C
1
denido en un abierto E R
n
. Sea p
un punto de equilibrio de tipo silla de f.

Nos interesa estudiar la dinmica cerca de p
. Por el teorema 5.2.3 de Hartman-Grobman,

la dinmica se parecer a la de
= f

(p
).
Nos interesa en particular si p
es punto silla. p
es punto silla si f

(p
) tiene valores
propios con parte real negativa y otros con parte real positiva.
Denicin 5.3.1 Sean f un campo vectorial como antes y p
un punto silla. Sea A =

f

(p
). Se denen los espacios estable e inestable asociados al punto silla p
como los
subespacios de R
n
siguientes
E
s
(p
) =
_
x R
n
: lim
t
e
t A
x = 0
_
y
E
u
(p
) =
_
x R
n
: lim
t
e
t A
x = 0
_
.
Tal como lo hicimos para el caso lineal (vase teorema 3.3.3) podemos demostrar que
los espacios lineales asociados a un punto silla p
satisfacen lo siguiente:
a) E
s
(p
) es un subespacio de dimensin igual al nmero de valores propios con parte

real negativa de f

(p
).
b) E
u
(p
) es un subespacio de dimensin igual al nmero de valores propios con parte

real positiva de f

(p
).
c) R
n
= E
s
(p
) E
u
(p
).
Ejemplo 5.3.2 Sea A de 2 2 de tipo punto silla y b R
2
. Sea f : R
2
R
2
el campo
vectorial dado por f (x) = Ax +b. Demostrar que f tiene un punto silla p
e identicar los
espacios E
s
(p
) y E
u
(p
).
Solucin
La matriz A tiene dos valores propios
1
< 0 <
2
. Esto implica que A es invertible
y por lo tanto se puede resolver el problema de encontrar un punto jo p
que satisfaga
f (p
) = 0. Es decir, se tiene que

p
= A
1
b.
Claramente se cumple que f

(p
) = A y por ende p
es silla. Por otra parte, en el ejercicio

2.8 concluimos que
e
t A
=
1
1

2
_
e
1
t
(A
2
I ) e
2
t
(A
1
I )
_
.
Por lo tanto
E
s
(p
) = ker (A
1
I ) ,
E
u
(p
) = ker (A
2
I ) .
Tal como lo tenamos es los sistemas dinmicos lineales, vamos a denir dos conjuntos
asociados a cada punto silla. Estos constituyen el conjunto de condiciones iniciales que
hacen que un ujo
t
converja al punto silla cuando t y t .
Denicin 5.3.3 Sea (E, ) un sistema dinmico. Denimos
W
s
(p
, ) =
_
y R
n
: lim
t
(t, y) = p
_
y
W
u
(p
, ) =
_
y R
n
: lim
t
(t, y) = p
_
.
Estas se llaman las variedades estable e inestable de p
. Si no hay posibilidad de confusin,

escribiremos simplemente W
s
(p
) y W
u
(p
).
La denicin anterior tiene sentido en una situacin general, aunque p
no fuese de
tipo silla o no fuese diferenciable. En el caso particular de dos dimensiones tenemos lo
siguiente.
Teorema 5.3.4 (Variedad estable) Sea f de clase C
1
en E, un abierto de R
2
. Sea p
un
punto silla. Entonces
a) W
s
(p
) es una curva diferenciable que pasa por p
.
b) W
u
(p
) es una curva diferenciable que pasa por p
.
c) El conjunto p
+E
s
(p
) es una recta tangente a W

s
(p
) en p
.
d) El conjunto p
+E
u
(p

u
(p
) en p
.
Ejemplo 5.3.5 Sea f
_
x
y
_
=
_
x
y + x
2
_
. Demostrar que p
= (0, 0) es punto silla

y obtener expresiones explcitas para W
s
(p
) y W
u
(p
). En cada caso, vericar que p
+
E
s
(p
) y p
+E
u
(p
) son rectas tangentes a W

s
(p
) y W
u
(p
) en p
.
Solucin
Claramente se cumple que f (0, 0) = (0, 0). Para demostrar que (0, 0) es punto silla
calculamos la matriz jacobiana y obtenemos
f

_
x
y
_
=
_
1 0
2x 1
_
.
De ah que se tenga
f

(p
) = f

_
0
0
_
=
_
1 0
0 1
_
.
Como el determinante de f

(p
) es negativo, entonces p
= (0, 0) es punto silla. En el

ejemplo 5.2.4 obtuvimos que el ujo generado est dado por
t
_
x
0
y
0
_
=
_
x
0
e
t
1
3
x
2
0
e
2t
+
_
y
0
1
3
x
2
0
_
e
t
_
.
Por tanto concluimos que
W
s
_
p
_
=
__
x
0
y
0
_
R
2
: lim
t
_
x
0
e
t
1
3
x
2
0
e
2t
+
_
y
0

1
3
x
2
0
_
e
t
_
=
_
0
0
__
y por ende (x
0
, y
0
) W
s
(p
) si y slo si x
0
= 0. Esto es,
W
s
_
p
_
=
__
x
0
y
0
_
R
2
: x
0
= 0
_
.
Del mismo modo, se puede argumentar que.
W
u
_
p
_
=
__
x
0
y
0
_
R
2
: y
0
=
1
3
x
2
0
_
,
que es una parbola.
Notemos que
f

_
0
0
_
=
_
1 0
0 1
_
,
lo cual implica que
p
+E
s
(p
) =
_
(x, y) R
2
: x = 0
_
,
y
p
+E
u
(p
) =
_
(x, y) R
2
: y = 0
_
.
Claramente p
+E
s
(p

s
(p
) en p
y lo mismo para p
+E
u
(p
).
Ejemplo 5.3.6 El sistema

y
1
= y
1
+ y
2
2
1
y
2
= y
1
y
2
+ y
2
1
tiene un punto silla en (0, 1) . Usar el teorema 5.3.4 para dar una aproximacin de las varie-
dades estable e inestable W
s
(0, 1) y W
u
(0, 1) .
Solucin
El jacobiano es
f

_
y
1
y
2
_
=
_
1 2y
2
y
2
+2y
1
y
1
_
.
En los puntos de equilibrio
f

_
0
1
_
=
_
1 2
1 0
_
f

_
0
1
_
=
_
1 2
1 0
_
Para (0, 1) , encontramos dos direcciones, estable e inestable. Obtenemos que
v
1
=
_
1
1
_
es un vector propio del valor propio
1
= 1, y
v
2
=
_
2
1
_
es un vector propio del valor propio
2
= 2. Por lo tanto, los espacios estable e inestable
para (0, 1) son
E
s
(0, 1) = (1, 1) ,
E
u
(0, 1) = (2, 1) .
Adems, la curva estable W
s
(0, 1) es tangente a (0, 1) + E
s
(0, 1) = (0, 1) + (1, 1).
Localmente, cerca de (0, 1) la curva W
s
(0, 1) se parece a la recta (0, 1) + E
u
(0, 1). Dado
que
(0, 1) +E
s
(0, 1) =
_
(x, y) R
2
: y = x +1
_
,
podemos usar esa recta como una buena aproximacin de la variedad estable cerca del punto
silla (0, 1). esto es decir y = x + 1. Del mismo modo, (0, 1) + E
u
(0, 1) es tangente a
W
u
(0, 1) y se hace un anlisis parecido.
Ejemplo 5.3.7 Analicemos el punto silla del siguiente sistema:
x = y +1 e
x
,
y = ye
x
.
Observemos que p
= (0, 0) es el nico punto de equilibrio. La matriz jacobiana que

aproxima linealmente al sistema est dada por
Df (x, y) =
_
e
x
1
ye
x
e
x
_
,
que evaluada en p
= (0, 0) queda como

Df (0, 0) =
_
1 1
0 1
_
.
El polinomio caracterstico es
2
1, con races
1
= 1 y
2
= 1. Para
1
= 1, el vector
propio es v
1
=
_
1
0
_
, que corresponde a la direccin estable. Para
2
= 1, el vector propio
es v
2
=
_
1
2
_
, correspondiente a la direccin inestable. Los espacios estable e inestable
son espacios de una dimensin generados por los vectores anteriores, es decir,
E
s
(0, 0) = {t (1, 0) R
2
| t R},
E
u
(0, 0) = {t (1, 2) R
2
| t R}.
En este caso, es posible describir explcitamente las variedades estable e inestable. Vamos a
comprobar que
W
s
(0, 0) = {(x, y) R
2
| y = 0},
W
u
(0, 0) = {(x, y) R
2
| y = 2(e
x
1)}.
Para este efecto, consideremos un punto inicial (x
0
, 0) en W
s
(0, 0). Puede comprobarse que
la curva solucin con esta condicin inicial es de la forma Vase el ejercicio 5.11 para los
detalles.
x(t ) = x
0
ln(e
x
0
+(1 e
x
0
)e
t
),
y(t ) = 0.
Esta curva est denida, por lo menos, para tiempos t 0, y adems cumple
lim
t
_
x(t )
y(t )
_
=
_
0
0
_
.
Del mismo modo, si (x
0
, y
0
) es un punto inicial en W
u
(0, 0), ste satisface y
0
= 2(e
x
0
1)
y la curva solucin est dada por
x(t ) = x
0
ln(e
x
0
+(1 e
x
0
)e
t
),
y(t ) = 2(e
x(t )
1).
Esta curva est denida al menos para tiempos t 0 y cumple
lim
t
_
x(t )
y(t )
_
=
_
0
0
_
.
El teorema 5.3.4 nos dice que los espacios E
s
(0, 0) y E
u
(0, 0) son tangentes a W
s
(0, 0) y a
W
u
(0, 0), respectivamente, en el punto p
= (0, 0). La gura 5.3 muestra las consideracio-

nes anteriores.
Ejemplo 5.3.8 Encontrar los puntos silla del sistema
x = 2xy, (5.3)
y = 1 3x
2
y
2
y describir las curvas estable e inestable en cada caso.
E
s
= E
1
v
2
v
u
u
W
s
W
y
= (1,0)
= (1,2)
x
Figura 5.3: Variedades estable e inestable W
s
y W
u
, y espacios estable e inestable E
s
y E
u
para el ejemplo 5.3.7.
Solucin
Tenemos los siguientes puntos de equilibrio
_
0
1
_
,
_
0
1
_
,
_
1
3
0
_
,
_

1
3
0
_
El jacobiano del sistema es
f

_
x
y
_
=
_
2y 2x
6x 2y
_
,
y en los puntos de equilibrio se tiene
f

_
0
1
_
=
_
2 0
0 2
_
,
f

_
0
1
_
=
_
2 0
0 2
_
,
f

_
1
3
0
_
=
_
_
0
2
3
0
_
_
,
f

_
1
3
0
_
=
_
_
0
2
3
6
3
0
_
_
.
Concluimos que (0, 1) y (0, 1) son puntos silla y los dems son degenerados. Cerca de los
puntos podemos aproximar las variedades estable e inestable usando la aproximacin lineal.
Para (0, 1)
E
s
(0, 1) =
__
0
1
__
,
E
u
(0, 1) =
__
1
0
__
.
Por lo tanto, cerca de W
s
(0, 1), la curva se puede aproximar por la tangente
(0, 1) +E
s
(0, 1).
Del mismo modo, se calculan las dems aproximaciones lineales.
Vamos ahora a encontrar una expresin explcita para las variedades. Para ello escribi-
mos la ecuacin, usando la regla de la cadena, del siguiente modo:
dy
dx
=
y
x
=
1 3x
2
y
2
2xy
.
Es decir
dy
dx
=
_
1 3x
2
2x
_
y
1
1
2x
y.
La idea es resolver la anterior considerando a x como variable independiente. Como la
anterior es una ecuacin de Bernoulli, se usa la sustitucin w = y
2
y se obtiene
dw
dx
= 2y
dy
dx
=
_
1 3x
2
x
_
1
x
y
2
=
_
1 3x
2
x
_
1
x
w
Reescribiendo
dw
dx
+
1
x
w =
_
1 3x
2
x
_
Se multiplica por el factor integrante = exp
__
1
x
dx
_
= x para encontrar que
d
dx
[xw] = 1 3x
2
,
y por tanto
xw = x x
3
+c
donde c es una constate. Finalmente, sustituimos de nuevo w = y
2
y obtenemos
xy
2
= x x
3
+c,
es decir,
x
_
x
2
+ y
2
1
_
= c.
La anterior ecuacin tiene la siguiente interpretacin. Si (x(t ), y(t )) es una solucin de
la ecuacin diferencial, entonces para todo tiempo en el dominio de sta se tiene que
x(t )
_
x(t )
2
+ y(t )
2
1
_
= c. (5.4)
Esto es, las curvas de nivel de x
_
x
2
+ y
2
1
_
son las curvas solucin de la ecuacin. Esto
se podra vericar directamente derivando con respecto a t, pues si (x(t ), y(t )) satisface
(5.3), entonces
d
dt
_
x(t )
_
x(t )
2
+ y(t )
2
1
__
= x(t )
_
x(t )
2
+ y(t )
2
1
_
+ x(t )
_
2x(t ) x(t ) +2y(t ) y(t )
_
= 2x(t )y(t )
_
x(t )
2
+ y(t )
2
1
_
+ x(t )
_
4x(t )
2
y(t ) +2y(t )(1 3x(t )
2
y(t )
2
)
_
= 0.
Supongamos que (x
0
, y
0
) W
s
(0, 1). Sea
_
x(t )
y(t )
_
=
t
_
x
0
y
0
_
una curva solucin que inicia en (x
0
, y
0
). Por denicin
lim
t
_
x(t )
y(t )
_
=
_
0
1
_
.
Por otra parte, la ecuacin (5.4) implica que
x(t )
_
x(t )
2
+ y(t )
2
1
_
= x
0
_
x
2
0
+ y
2
0
1
_
y al calcular el lmite t se encuentra que
x
0
_
x
2
0
+ y
2
0
1
_
= lim
t
x(t )
_
x(t )
2
+ y(t )
2
1
_
= 0.
Concluimos de este modo que W
s
(0, 1) es un subconjunto de la curva de nivel dada por
_
(x
0
, y
0
) R
2
: x
0
_
x
2
0
+ y
2
0
1
_
= 0
_
. (5.5)
Es fcil ver que dicho conjunto est constituido de la unin de un crculo y el eje de las y.
En la gura 5.4 se ilustra cmo se ven algunas de las curvas solucin. Ntese que las
variedades estable e inestable estn contenidas en la curva de nivel dada por (5.5). Las
aproximaciones estable e inestable cerca de los puntos silla nos pueden ayudar a identicar
cules son las curvas estable e inestable en cada caso.
EJERCICIOS
5.7 Considerar el sistema
x =
_
0 1
2 1
_
x +
_
4
2
_
.
Demostrar que este sistema tiene un nico punto silla p
, encontrarlo y demostrar que

W
s
_
p
_
=
_
(x, y) R
2
| y = 2x 10
_
W
u
_
p
_
=
_
(x, y) R
2
| y = x 1
_
.

-1.5 -1 -0.5 0 0.5 1 1.5
-1.5
-1
-0.5
0
0.5
1
1.5
x
y
Figura 5.4: Algunas curvas solucin del sistema dinmico del ejemplo 5.3.8. Se ilustran los
puntos silla (0, 1) y (0, 1) con sus correspondientes variedades estable e inestable.
5.8 Sea A una matriz de n n de tipo silla y b R
n
. Considerar el sistema de R
n
dado
por
x = Ax +b.
a) Demostrar que p
= A
1
b es el nico punto silla del sistema.
b) W
s
(p
) = p
+E
s
(p
).
c) W
u
(p
) = p
+E
u
(p
).
5.9 Considerar el siguiente sistema
x = 2xy,
y = 5x
4
6x
2
+1 y
2
.
a) Encontrar los puntos jos del sistema y clasicarlos.
b) Para cada punto silla p, encontrar los espacios E
s
(p) y E
u
(p) de la aproximacin
lineal.
c) Encontrar una primera integral para las curvas solucin del sistema. Esto es, encontrar
una funcin H(x, y) tal que
H(
t
(x
0
, y
0
)) = H(x
0
, y
0
),
para todo t D(x
0
, y
0
).
d) Para cada punto silla p, encontrar explcitamente las curvas estable W
s
(p) e inestable
W
u
(p) y vericar que p +E
s
(p) y p +E
u
(p) son rectas tangentes a ellas.
e) Usando algn gracador de espacios fase, dar una descripcin geomtrica del sistema.
5.10 El siguiente sistema es un modelo de dos especies, en donde N es un depredador
y P es una presa,
P = P(1 P) PN,
N = N + PN,
donde es un parmetro positivo.
a) Encontrar las direcciones estable e inestable del punto silla
(P
, N
) = (1, 0).
b) Interpretar el parmetro .
5.11 Este ejercicio se reere al ejemplo dado en 5.3.7.
a) Comprobar que
x(t ) = x
0
ln(e
x
0
+(1 e
x
0
)e
t
),
y(t ) = 0,
es una solucin del sistema para toda x
0,
y est denida para todo t 0.
b) Comprobar que
x(t ) = x
0
ln(e
x
0
+(1 e
x
0
)e
t
),
y(t ) = 2(e
x(t )
1),
es una solucin del sistema para todo (x
0
, y
0
) tal que y
0
= 2(e
x
0
1), y est denida
para todo t 0.
5.12 Considrese el siguiente sistema no lineal: x = x 1, y = xe
x
y.
a) Encontrar los puntos jos del sistema y clasicarlos.
b) Para cada punto silla p, encontrar los espacios E
s
(p) y E
u
(p) de la aproximacin
lineal.
c) Usando la regla de la cadena, sabemos que, si (x(t ), y(t )) es una solucin del sistema,
entonces la pendiente de la curva debe satisfacer
dy
dx
=
y
x
=
xe
x
y
x 1
.
Resolver la ecuacin anterior, considerando x como la variable independiente.
5.4 ESTABILIDAD ASINTTICA 95
d) Encontrar, para cada punto silla p, expresiones analticas para las curvas estable W
s
(p)
e inestable W
u
(p).
e) En cada caso, gracar W
s
(p) y W
u
(p).
5.13 Considerar un sistema dinmico con un punto silla cada punto silla p. Considerar
las variedades estable W
s
(p) e inestable W
u
(p). Demostrar que tanto W
s
(p) como W
u
(p)
son invariantes bajo el ujo. Es decir, si es el ujo y x W
s
(p) entonces
t
(x)W
s
(p)
para todo t D(x) y lo mismo para W
u
(p).
5.14 Sean dos sistemas dinmicos completos (E,
1
) y (E,
2
). Suponer que
1

2
a travs de un homeomorsmo h : E F. Demostrar que si p
es un punto jo de
1
entonces h(p
) es punto jo de
2
y adems se cumple
W
s
(h(p
),
2
) = h
_
W
s
(p
,
1
)
_
,
W
u
(h(p
),
2
) = h
_
Wu(p
,
1
)
_
.
5.4 Estabilidad asinttica
Denicin 5.4.1 Sea p
un punto de equilibrio de un sistema dinmico. Diremos que p
es
asintticamente estable si existe una vecindad U de p
tal que:
a) p
U .
b) Para todo x
0
U, el intervalo maximal satisface D(x
0
) [0, ). Esto es, el ujo
est denido para todo tiempo futuro.
c) lim
t
t
(x
0
) = p
para todo x
0
U .
Denicin 5.4.2 Al conjunto abierto ms grande que satisface estas condiciones se le llama
cuenca de atraccin.
Teorema 5.4.3 Sea p
un punto de equilibrio de un campo vectorial f C

1
denido en un
abierto de R
n
. Si p
es de tipo atractor entonces es asintticamente estable.

Denicin 5.4.4 Sea p
un punto jo de un sistema dinmico. Una funcin de Liapunov

de p
es una funcin continua V : U [0, ) denida en una vecindad U de p
tal que
satisface:
a) V(p
) = 0.
b) Si p = p
entonces V(p) > 0.

c) La funcin t V(
t
(p)) es estrictamente decreciente si p = p
.
Teorema 5.4.5 Si un punto p
tiene una funcin de Liapunov entonces es asintticamente

estable.
Si V es diferenciable entonces podemos calcular
d
dt
_
V(
t
(p))
_
= V(
t
(p))
d
dt
t
(p)
= V(
t
(p)) f (
t
(p))
En vez de la condicin de que V(
t
(p)) sea estrictamente decreciente, podemos usar V(z)
f (z) < 0 para todo z U. Geomtricamente, las curvas de nivel de V son tales que el campo
vectorial apunta hacia adentro.
Ejemplo 5.4.6 Sea
t
(x) = e
t A
x donde A es de tipo atractor. Sabemos que existe una
matriz M positiva denida tal que MA + A
T
M = I . Entonces V(x) = x
T
Mx es una
funcin de Liapunov para p
= 0.
Solucin
Vamos a vericar las condiciones de la denicin de funcin de Liapunov.
a) V(p
) = V(0) = 0.
b) Si p = p
entonces p = 0 y p
T
Mp > 0 pues la matriz M es positiva denida.
c) Si p = p
entonces
V(
t
(p)) = p
T
(e
t A
)
T
Me
t A
p = p
T
e
t A
T
Me
t A
p.
y adems
d
dt
V(
t
(p)) = p
T
e
t A
T
A
T
Me
t A
p +p
T
e
t A
T
MAe
t A
p
= (p
T
e
t A
T
e
t A
p) = e
t A
p
2
2
< 0.
Esto implica que la funcin t V(
t
(p)) es estrictamente decreciente si p = p
.
Finalizamos la seccin con una generalizacin del resultado anterior. La demostracin
se deja como ejercicio al lector.
Teorema 5.4.7 Consideremos
x = f (x)
donde f es de clase C
1
en un abierto E R
n
. Sea p
un punto atractor de f, es decir

a) f (p
) = 0,
b) La matriz A = f

(p
) es de tipo atractor.
Sea M existe una matriz positiva denida tal que MA + A
T
M = I . Entonces V(x) =
(x p
)
T
M(x p
) es una funcin de Liapunov para p
. En particular, p
es un punto
asintticamente estable.
EJERCICIOS
5.15 Sea E un subconjunto abierto de R
n
. Sea W : E R una funcin de clase C
2
.
Considerar el sistema
x = W(x).
A un sistema de este tipo se le llama sistema gradiente. Sea p
un mnimo local de W tal que

existe una vecindad U de p
tal que si p = p
y p U entonces W(p) = 0. Demostrar

que V : U R dada por V(p) = W(p) W(p
) es una funcin de Liapunov para p
y
por lo tanto es asintticamente estable.
5.16 Sea A una matriz invertible de n n y b R
n
. Demostrar que si E = R
n
y
W : E R es la funcin dada por
W(x) =
1
2
Ax b
2
,
entonces W satisface las hiptesis del ejercicio anterior con U = R
n
y p
= A
1
b. Con-
cluir que para cualquier condicin inicial el ujo generado por el sistema dinmico
x = A
T
(b Ax)
converge a p
.
5.17 Usar la funcin de Liapunov V(x, y) = x
2
+ y
2
para demostrar que el origen es
un punto asintticamente estable para el siguiente sistema.
_
x
y
_
=
_
y x
3
xy
2
x y
3
yx
2
_
.
Qu dice la teora lineal?
5.18 Sean f y g dos funciones diferenciables. Suponer que g(0) = 0. Considerar el
siguiente sistema de segundo orden.
x + f (x) x + g(x) = 0.
a) Demostrar que el sistema puede ser escrito como
_
x
y
_
=
_
y
_
x
0
f (s)ds
g(x)
_
.
b) Suponer que existe un nmero tal que si 0 < |x| < entonces
_
x
0
g(s)ds > 0
y g(x)
_
x
0
f (s)ds > 0. Encontrar una funcin de Liapunov para demostrar que el
origen es un punto asintticamente estable.
c) Aplicar el resultado anterior a la ecuacin de van der Pol
x +(1 x
2
) x + x = 0
donde > 0. Qu se puede decir acerca de la cuenca de atraccin?

Apuntes SD2

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Apuntes SD2

Uploaded by

Copyright:

Available Formats

Sistemas Dinmicos

2.3 DERIVADAS MATRICIALES 15

A continuacin vamos a relacionar a las matrices exponenciales con ujos en R

(t ) = 0. Por la proposicin anterior,

Ejemplo 2.4.8 Sea

2.5 ECUACIONES DE ORDEN n Y MTODO DE FULMER 25

+5y = 0. La solucin general de esta ecuacin es y(t ) = c

para toda t 0.Sea C = E

(A) = {valores propios con parte real negativa}.

< 0 si b > 0.)

tal que F(p

es un espacio de Banach. Con la

y por lo tanto converge a un elemento

x(t +h) x(t )

) = 0 es llamado punto de equilibrio o punto jo. Recordemos

como antes. Al sistema lineal

. Se dir, adems, que la estabili-

es la misma que la del sistema lineal asociado.

E un punto tal que f (p

) algn punto de equilibrio. La matriz jaco-

un punto de equilibrio de tipo silla de f.

. Por el teorema 5.2.3 de Hartman-Grobman,

un punto silla. Sea A =

). Se denen los espacios estable e inestable asociados al punto silla p

) es un subespacio de dimensin igual al nmero de valores propios con parte

) es un subespacio de dimensin igual al nmero de valores propios con parte

) = 0. Es decir, se tiene que

es silla. Por otra parte, en el ejercicio

. Si no hay posibilidad de confusin,

) es una curva diferenciable que pasa por p

) es una curva diferenciable que pasa por p

) es una recta tangente a W

) es una recta tangente a W

= (0, 0) es punto silla

). En cada caso, vericar que p

) son rectas tangentes a W

= (0, 0) es punto silla. En el

) es una recta tangente a W

Ejemplo 5.3.6 El sistema

= (0, 0) es el nico punto de equilibrio. La matriz jacobiana que

= (0, 0) queda como

= (0, 0). La gura 5.3 muestra las consideracio-

, encontrarlo y demostrar que

un punto de equilibrio de un sistema dinmico. Diremos que p

un punto de equilibrio de un campo vectorial f C

es de tipo atractor entonces es asintticamente estable.

un punto jo de un sistema dinmico. Una funcin de Liapunov

es una funcin continua V : U [0, ) denida en una vecindad U de p

entonces V(p) > 0.

tiene una funcin de Liapunov entonces es asintticamente

un punto atractor de f, es decir

) es una funcin de Liapunov para p

un mnimo local de W tal que

y p U entonces W(p) = 0. Demostrar

) es una funcin de Liapunov para p

You might also like