Up Ale 56

Juan Mayorga-Zambrano
Matem atica Superior para Ingeniera

con ayuda de Maxima
Versi on 1.0
ESPE
Sangolqu Ecuador
Resumen.
Este trabajo presenta los t opicos correspondientes al ultimo nivel de Matem aticas en una carrera de Inge-
niera. Se presenta la base te orica y se apoya el trabajo pr actico con el uso de Maxima, un sistema algebraico
computacional del tipo Free Software.
Matem atica Superior para Ingeniera
c _2011 Juan Ricardo Mayorga Zambrano
Publicado por ESPE
http://www.espe.edu.ec
Primera impresi on.
Ninguna parte de este trabajo amparado por la Ley de Propiedad Intelectual, podr a ser reproducido,
transmitido, almacenado o utilizado en cualquier forma o por cualquier medio, ya sea gr aco, electr onico o
mec anico, incluyendo, pero sin limitarse a lo siguiente: fotocopiado, reproducci on, escaneo, digitalizaci on,
grabaci on en audio, distribuci on en Internet, distribuci on en redes de informaci on o almacenamiento y
recopilaci on en sistemas de informaci on sin el consentimiento por escrito de la ESPE y del autor.
Dedicado a mis hijos Daniel, Keren y Jaya.

U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
VI
Este texto ha sido preparado con L
A
T
E
X. Se ha
adaptado la plantilla svmono disponible en la p agi-
na web de la casa SpringerVerlag y que original-
mente acepta los idiomas ingl es, franc es y alem an.
CTAN lion drawing by Duane Bibby;
thanks to www.ctan.org
Existe una opinion muy generalizada segun la cual la matematica es la
ciencia mas difcil cuando en realidad es la mas simple de todas.
La causa de esta paradoja reside en el hecho de que, precisamente por
su simplicidad, los razonamientos matematicos equivocados quedan a la
vista. En una compleja cuestion de poltica o arte, hay tantos factores
en juego y tantos desconocidos o inaparentes, que es muy difcil
distinguir lo verdadero de lo falso.
El resultado es que cualquier tonto se cree en condiciones de discutir
sobre poltica y arte - y en verdad lo hace - mientras que mira la
matematica desde una respetuosa distancia.
Ernesto S abato, Uno y el Universo.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Tabla resumida de contenidos
Prefacio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . XI
Introducci on general . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1. Preliminares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2. An alisis complejo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3. Transformada de Laplace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
4. Sistemas din amicos continuos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
5. An alisis de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 191
6. Ecuaciones Diferenciales Parciales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 271
A. Modelamiento matem atico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 293
B. Ondeletas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 305
Glosario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 307
Soluciones a los problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 309
Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 325
VII
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
VIII TABLA RESUMIDA DE CONTENIDOS
Indice alfab etico. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 327

U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Presentaci on
sdadad adas das das dsa das d asd asd d sad sad sad asd sd asd as d asd sad sa dsa d ad asd ad as dss ada
sd
CIUDAD, MES de 2011 REVISOR
IX
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Prefacio
Este texto nace de las notas de curso que prepar e para un curso de Matem atica Superior para la carrera de
Ingeniera Mecatr onica apenas me vincul e a la Universidad de las Fuerzas Armadas de Ecuador (ESPE). Al
a no siguiente, los estudiantes me preguntaron si se podra trabajar el material con el sofware Maxima - que
yo ya haba utilizado con ellos en un curso de Ecuaciones Diferenciales Ordinarias. La respuesta armativa
di o el impulso inicial a este proyecto.
No soy partidario de hacer m as f acil la Matem atica pues por esta premisa se tiende a bajar el nivel
acad emico y la capacidad de desarrollar proyectos de Ingeniera donde el modelamiento matem atico juega
un rol esencial. Pienso que a la Matem atica hay que hacerla m as atractiva de manera que he preparado
el material tratando de hacerlo interesante para los estudiantes. Para convencerse de la importancia de los
temas del curso uno podra enlistarlos junto con ejemplos de aplicaci on a la Ingeniera; pero, probablemente,
el estudiante encontrar a m as efectivo converzar con los profesores especialistas de su carrera acerca de los
cursos que ellos dictan: por regla general, encontrar a que mientras m as moderno e intrincado es el material
abordado, m as matem aticas son necesarias. Independiente de su concepto acerca de los matem aticos, los
especialistas de su carrera de Ingeniera son gente pr actica quienes no le haran tomar un curso si pensaran
que ese tiempo se podra utilizar para cosas con mayor valor [Ald97]
Para dominar el material presentado en este documento, el estudiante deber a sudar bastante. Se prov ee
un importante apoyo por medio de Maxima, un Sistema Computacional Algebraico, pero ser an necesarios
papel y l apiz: el ingeniero debe ser amo de su software y no viceversa.
Crticas y observaciones son siempre bienvenidas. Para ello puede escribirme a jrmayorga@espe.edu.ec
Sangolqu, Juan Mayorga Zambrano
Abril 2011 ESPE
XI
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Reconocimientos
En la tradici on Hebrea se cuenta la historia de un matrimonio de personas justas que al no poder tener
hijos, deciden divorciarse. Se vuelven a casar, pero esta vez el con una mujer malvada y ella con un hombre
malvado. Al cabo de unos a nos la mujer haba logrado transformar a su segundo esposo en un hombre justo
en tanto que su ex-esposo se haba vuelto malvado.
Sin la paciencia, apoyo y crticas de mi esposa no estara donde estoy ni sera quien soy. Gracias Carmita
por ayudarme a sacar lo mejor de mi.
Este proyecto no hubiera podido concretarse sin el apoyo incondicional de las autoridades de la ESPE,
con menci on particular al Gral. Carlos Rodrguez y al Crnl. Jorge Vergara. Mi sincero agradecimiento a
ellos.
XIII
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Breve rese na del autor
Juan R. Mayorga Z. naci o en Ambato - Ecuador,
1976. Se gradu o con Suma Quan Laude como mejor
estudiante de la promoci on 2001 de la Escuela Po-
lit ecnica Nacional obteniendo el ttulo de Matem ati-
co. En 2006 obtuvo el ttulo de Doctor en Ciencias
de la Ingeniera (menci on en Modelaci on Matem ati-
ca) en Universidad de Chile. Cuenta con dos post-
doctados: Universidad de Talca (Chile, 2006 - 2007)
y Technion (Israel, 2007 - 2008).
Ha sido profesor y/o investigador en Israel Institute of Technology - Technion (Israel), Universit e Pa-
ris Dauphine (Francia), International Centre for Theoretical Physics - ICTP (Italia), Universidad de Viena
(Austria), Universidad de Chile (Chile), Universidad de Talca (Chile), Escuela Polit ecnica Nacional (Ecua-
dor), Universidad T ecnica de Ambato (Ecuador) y Universidad Tecnol ogica Indoam erica (Ecuador). Ac-
tualmente es profesor investigador en la Universidad de las Fuerzas Armadas - ESPE (Ecuador).
Juan R. Mayorga Z. es observante de las Siete Leyes de los Hijos de No e, c odigo de etica universal que
les corresponde a las naciones no-judas de la tierra. Sobre este t opico ha traducido del ingl es al espa nol los
libros The Seven Colors of the Rainbow (Bindman) y The Path of the Righteous Gentile (Clorfene &
Rogalsky). Fue Coordinador para Chile (2006) y Coordinador Internacional (2007) de la Fundaci on Luz de
Vida Internacional; miembro del staff de Universidad No ajida (2009 - 2011). Actualmente trabaja bajo la
supervisi on de Jabad Ecuador en la ense nanza y divulgaci on del Noajismo.
XV
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Detalle de contenidos
Prefacio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . XI
Introducci on general . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1. Preliminares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1. Conjuntos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2. Relaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.3. Conjunto de partes y familia de conjuntos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4. Cardinalidad. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.5. Sucesiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.6. El Axioma de Elecci on y el Lema de Zorn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.7. Grupos, Anillos y Cuerpos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.8. Espacios vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2. An alisis complejo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.1. Introducci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.1.1. Operaciones con n umeros complejos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.1.2. El cuerpo de los n umeros complejos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.1.3. Notaci on imaginaria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.2. Funciones complejas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
XVII
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
XVIII Detalle de contenidos
2.2.1. Funciones m odulo y de conjugaci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.2.2. Bolas, conjuntos abiertos y funciones acotadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.2.3. Sucesiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.3. F ormula de Euler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.3.1. Forma polar de un n umero complejo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.3.2. Teorema Fundamental del

Algebra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.3.3. Races de la unidad. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.4. Lmites y Continuidad de funciones complejas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.5. Derivabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2.5.1. Condiciones de Cauchy - Riemann. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.5.2. Reglas de derivaci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.5.3. Primitivas o antiderivadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
2.5.4. Curvas y dominios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
2.6. Series de potencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
2.6.1. Funci on exponencial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
2.6.2. Funciones hiperb olicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
2.6.3. Funciones trigonom etricas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
2.6.4. Funci on logartmica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
2.7. Integral en el plano complejo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
2.7.1. Denici on en el sentido de Riemann . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
2.7.2. Longitud de arco. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
2.7.3. Teorema Fundamental del C alculo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
2.7.4. Funci on indicatriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
2.8. El teorema de Cauchy - Goursat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
2.9. F ormula Integral de Cauchy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
2.9.1. Series de Taylor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Detalle de contenidos XIX
2.9.2. Otras consecuencias de la f ormula de Cauchy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
2.10. Series de Laurent . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
2.11. Polos y singularidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
2.12. El Teorema de los Residuos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
2.13. C alculo de integrales va residuos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
2.13.1. Integrales de funciones trigonom etricas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
2.13.2. Integrales impropias sobre dominios no-acotados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
3. Transformada de Laplace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
3.1. Introducci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
3.2. Deniciones y f ormulas b asicas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
3.3. Teoremas de traslaci on o corrimiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
3.3.1. Primer teorema de traslaci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
3.3.2. Transformada inversa de funcionales racionales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
3.3.3. Segundo teorema de traslaci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
3.4. La transformada inversa mediante el c alculo de residuos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
3.5. Derivaci on y convoluci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
3.6. Funciones peri odicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
3.7. Delta de Dirac . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
3.8. Aplicaciones de la transformada de Laplace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
3.8.1. Aplicaci on a un problema de valor inicial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
3.8.2. Aplicaci on a la ecuaci on de Volterra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
3.8.3. Aplicaci on a la segunda ley de Kirchoff . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
3.8.4. Aplicaci on a sistemas de EDO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
3.8.5. Aplicaci on a la Economa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
XX Detalle de contenidos
Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
4. Sistemas din amicos continuos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
4.1. Introducci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
4.2. Clasicaci on de los sistemas din amicos continuos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140
4.3. Existencia, unicidad y estabilidad de soluciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144
4.4. Campos de direcciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148
4.5. Puntos atractivos y repulsivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151
4.6. El m etodo de Runge - Kutta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153
4.6.1. Runge - Kutta para sistemas de primer orden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153
4.6.2. Sistemas din amicos de segundo orden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154
4.6.3. Runge - Kutta para sistemas de segundo orden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157
4.7. Sistemas de orden superior . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
4.8. Sistemas aut onomos lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163
4.9. Estabilidad de puntos crticos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173
4.9.1. Caso lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173
4.10. Caso no-lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 180
Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 187
5. An alisis de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 191
5.1. Introducci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 191
5.2. Preliminares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 192
5.2.1. Espacios normados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 192
5.2.2. Conjuntos abiertos y cerrados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 194
5.2.3. Continuidad de operadores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 196
5.3. Espacios Euclidianos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 196
5.3.1. El espacio L
2
(I) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 198
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Detalle de contenidos XXI
5.3.2. Ortogonalidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 201
5.3.3. El proceso de Gram - Schmidt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 203
5.3.4. Bases de Schauder y Hilbertianas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 207
5.4. Espacios de Banach y Hilbert . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 210
5.4.1. Criterio de Cauchy. Completitud . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 210
5.4.2. Operadores lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 214
5.4.3. La representaci on de Riesz-Fr echet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 220
5.4.4. Densidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 221
5.4.5. Operadores adjuntos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 223
5.5. Bases Hilbertianas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 225
5.5.1. Existencia de bases Hilbertianas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 225
5.5.2. Series de Fourier Legendre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 226
5.5.3. Series cl asicas de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 231
5.5.4. El sistema trigonom etrico en L
2
([L; L]) y las series de Fourier complejas . . . . . . . . 233
5.5.5. Series de Fourier Hermite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 236
5.5.6. Series de Fourier Laguerre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 238
5.6. Transformada de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 240
5.6.1. Deniciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 240
5.6.2. Los operadores F y F
1
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 243
5.6.3. Propiedades importantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 246
5.6.4. Relaci on de F con otras transformadas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 252
5.6.5. Estudio de se nales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 256
Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 265
6. Ecuaciones Diferenciales Parciales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 271
6.1. Introducci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 271
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
XXII Detalle de contenidos
6.2. Ejemplos de EDP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 274
6.3. La ecuaci on de difusi on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 275
6.4. La ecuaci on de onda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 278
6.5. Resoluci on de EDPs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 278
6.5.1. M etodo de separaci on de variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 278
6.5.2. Funciones generalizadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 282
6.5.3. Resoluci on mediante las transformadas de Fourier y Laplace . . . . . . . . . . . . . . . . . . . . 284
6.5.4. Otros m etodos de soluci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 287
Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 288
A. Modelamiento matem atico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 293
A.1. Introducci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 293
A.2. Conceptos b asicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 294
A.3. Tipos de modelos matem aticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 295
A.3.1. Modelos est aticos y din amicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 296
A.3.2. Modelos determinsticos y estoc asticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 299
A.3.3. Modelos continuos y discretos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 300
B. Ondeletas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 305
Glosario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 307
Soluciones a los problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 309
Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 325
Indice alfab etico. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 327

U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Introducci on general
Il libro della natura e scrito in lingua matematica
Galileo Galilei
La Ense nanza de las Matem aticas para Ingeniera ha experimentado una transici on desde los a nos ochen-
ta. En buena medida esto ha sido orientado por la necesidad de aprovechar la explosi on de recursos compu-
tacionales cada vez m as poderosos.
Hoy en da es indudable que el estudiante debe conectarse temprano en su carrera con software ma-
tem atico que le permita resolver problemas con efectividad y eciencia; pero, al mismo tiempo, estamos
convencidos de que el estudiante de Ingeniera debe ser amo de su software y no en el otro sentido. Por tan-
to, al trabajar en este libro hemos tenido presente que, para saltar al computador, el estudiante debe primero
tener cimentados sus conocimientos con un n umero apropiado de horas de trabajo con papel y l apiz.
Escogimos el software Maxima para apoyar el estudio de la materia bajo tres consideraciones. Por un
lado, Maxima es un Sistema Computacional Algebraico (CAS) de manera que permite obtener soluciones
analticas (cuando es posible) y hacer un seguimiento paso a paso de los procedimientos de resoluci on de
problemas. Como consecuencia, a m as de tener una forma r apida para vericar el dominio propio de las
herramientas matem aticas, permite una aplicaci on inmediata a materias de Ingeniera (Termodin amica, Sis-
temas Din amicos, Teora de Control, etc.). Por otro lado, si bien Maxima es un CAS y por tanto no tiene
el poder num erico de una Plataforma de C alculo Cientco (como Scilab o Matlab), tambi en permite
trabajar num ericamente a un nivel aceptable. Finalmente, Maxima es un software de c odigo abierto de ma-
nera que los estudiantes pueden instalarlo en sus computadores de forma gratuita. Esta ultima consideraci on
es importante pues piratear software es un delito y el profesor debe buscar alternativas de calidad para los
estudiantes que no tienen los recursos econ omicos sucientes para invertir en software licenciado.
Se ha usado la versi on 5.24 de Maxima y se ha trabajado con la interface wxMaxima. A lo largo del
libro el c odigo Maxima se presenta a color y sombreado:
(%i1) sin(%pi/4);
( %o1)
1
2
El c odigo Maxima presentado para resolver un determinado problema ha sido probado y preparado de
manera tal que sea claro para el estudiante al punto que lo motive a adaptarlo para la resoluci on de otros
problemas.
1
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
2 Introducci on general
A lo largo del texto se mantiene un enfoque orientado hacia la Ingeniera. Creemos que un Ingeniero no
demuestra teoremas; pero debe ser capaz de administrarlos y aplicarlos a la resoluci on de problemas. Por
tanto, presentamos s olo las demostraciones que estimamos son relevantes para mejorar la comprensi on de
la materia. El smbolo . indica que se da por terminada una demostraci on.
Los temas tratados en esta obra se presentan habitualmente en el ultimo nivel de matem aticas en las
carreras de Ingeniera. Por mi experiencia como profesor puedo sugerir tanto al estudiante como al profesor
que apoyen su trabajo con otros libros de texto como [ON09] y [Kre06]. Un mismo tema que un estudiante
encuentra claro en un libro puede resultar obscuro para otro estudiante y no hay tiempo para desperdiciar:
un estudiante de ingeniera est a normalmente sometido a una gran presi on y exigencia.
Al nal de cada uno de los captulos se presenta un conjunto de problemas seleccionados. No armamos
que los problemas presentados sean originales (si bien hay algunos que son de nuestra autora); m as bien
hemos tratado de seleccionarlos a partir de varias fuentes y adaptarlos a nuestro curso. Al nal del libro se
presentan las respuestas para la mayora de ellos.
En el Captulo 2 se presenta el An alisis Complejo. Se parte con un repaso del cuerpo C y se avanza
r apidamente hacia el manejo de funciones complejas como las hiperb olicas, trigonom etricas y logartmicas.
Se abordan entonces los conceptos de derivabilidad e integrabilidad de funciones complejas. La parte nal
del captulo presenta el teorema de Cauchy-Goursat, la f ormula integral de Cauchy, las Series de Laurent y
el Teorema de los Residuos junto con sus aplicaciones.
El Captulo 3 se dedica a la transformada de Laplace. Se abordan las herramientas necesarias para su
estudio y se termina el captulo con varios tipos de aplicaciones.
En el Captulo 4 se abordan los Sistemas Din amicos Continuos. Hemos creido conveniente incluirlo
como parte de un curso de Matem atica Superior para Ingeniera pues sirve como complemento al curso
est andar de Ecuaciones Diferenciales Ordinarias que habitualmente antecede a este curso. Se presentan los
teoremas de existencia y unicidad de soluciones y se aprovecha el m etodo de Runge - Kutta para describir
num ericamente soluciones. Al nal del captulo se hace una introducci on an alisis de estabilidad de puntos
crticos.
En el Captulo 5 se aborda el An alisis de Fourier. Se parte con un recordatorio de ciertos t opicos del
Algebra Lineal. Se introduce el concepto fundamental de conjunto abierto as como las deniciones de
bases de Schauder y Hilbertianas. Es en este contexto general que se introducen las Series de Fourier. A
continuaci on se introduce el espacio de las funciones de cuadrado integrable, L
2
(), fundamental para un
estudio moderno de las ecuaciones diferenciales, como un ejemplo de espacio de Hilbert separable. Como
casos especiales de bases Hilbertianas de L
2
() se abordan los sistemas trigonom etrico, de Legendre,
de Hermite, y de Laguerre. El captulo termina con una secci on dedicada a la transformada de Fourier, a
las herramientas fundamentales para su aplicaci on a las ecuaciones en derivadas parciales y al an alisis de
se nales.
En el Captulo 6 se presentan las Ecuaciones en Derivadas Parciales como modelos matem aticos y se pre-
sentan el m etodo de separaci on de variables y el m etodo de las transformadas para resolver casos analticos
de las ecuaciones de onda, calor y Laplace.
Se han incluido dos ap endices. En el primero se presenta material complementario. En el segundo se
rese na muy brevemente lo que es el Modelamiento Matem atico.
El material presentado en este curso supone que el estudiante trae aprobados cursos a buen nivel de
C alculo Diferencial e Integral (e.g. [Apo67] y [MZ07]),

Algebra Lineal (e.g. [Gro87] y [Tor92]), C alculo
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Introducci on general 3
Vectorial (e.g. [PR95] y [Apo67]) y Ecuaciones Diferenciales Ordinarias (e.g. [Zil97]) para estudios de una
carrera de Ingeniera. En mi experiencia docente he encontrado que los estudiantes que llegan con buenas
bases de l ogica matem atica absorben con mucha mayor soltura los conocimientos y m etodos matem aticos
de manera que este t opico puede considerarse como requisito para el curso.
Para terminar esta Introducci on debo se nalar que la notaci on usada a lo largo del texto es casi siempre la
est andar. Se ha hecho un esfuerzo por enunciar explcitamente los dominios de las funciones; esto no se debe
unicamente a la (de)formaci on matem atica del autor sino m as bien a un hecho pr actico: he encontrado que
muchos problemas que los estudiantes encuentran casi imposibles se resuelven simplemente al aclarar el
universo de estudio donde trabajan las funciones.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Captulo 1
Preliminares
Presentamos a continuaci on t opicos de base que apoyan al material tratado en el libro. La teora intuitiva
de conjuntos, el manejo abstracto de relaciones y su clasicaci on as como la comprensi on general del
concepto de funci on son normalmente parte del primer curso universitario de Matem aticas en una carrera
de Ingeniera. Lo mismo sucede con las estructuras algebraicas elementales: grupos, anillos y cuerpos. Por
otro lado, la clasicaci on de conjuntos por su cardinalidad, el concepto general de sucesiones, as como
el manejo de familias de conjuntos se encuentran en programas de Ingeniera con una inclinaci on m as
cientca y en carreras de Matem atica y Fsica.
1.1. Conjuntos
El sistema de axiomas de Zermelo-Fraenkel junto con el axioma axioma de elecci on, ZFC, constituyen
la base axiom atica m as usada para sustentar la Teora de Conjuntos. Si bien ZFC es nuestro paraguas,
recurrimos a la intuici on - combinada con la l ogica - para desarrollar los conceptos.
La axiomatizaci on ZFC surgi o del trabajo de Russel, Zermelo, Hilbert y otros matem aticos que se es-
forzaron por reparar los cimientos de la Teora de Conjuntos que haban sido demolidos con la cada de los
axiomas de Frege por el surgimiento de paradojas insalvables. En 1893 Gottlob Frege haba dado un siste-
ma de axiomas para la teora de conjuntos (ideada por Georg Cantor), con la intenci on de proveer una base
l ogica para la matem atica. Entre otras cosas, estos axiomas buscaban eliminar problemas como la paradoja
de Cantor.
1
En 1901 Russel mostr o que uno de los axiomas de Frege, el Axioma de Comprehensi on, era
inconsistente. La paradoja de Cantor y uno de los axiomas de Frege son presentados en la Secci on 1.3.
A lo largo del texto usaremos la notaci on conjuntivista est andar. Un conjunto normalmente ser a denotado
por letras may usculas (e.g. A, B, C, X) en tanto que se usar an min usculas (e.g. a, b, c, x) para representar
a los elementos. Siempre se supondr a que todos los conjuntos en consideraci on est an contenidos en un
universo de trabajo U.
1
Si suponemos la existencia de , el conjunto m as grande de todos los conjuntos, entonces U : U sera estrictamente
m as grande que ; cay endose en una contradicci on.
5
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
6 1 Preliminares
Figura 1.1 El conjunto
universo es el marco
de referencia para el
estudio de un determi-
nado problema. Fuente:
http://ericmat.les.wordpress.com/
Notaci on 1.1 [Pertenencia y contenencia]
Por a A o equivalentemente A a indicamos que a pertenece al conjunto A. Por C B o B C indicamos
que C es un subconjunto de B, esto es, todos los elementos de C tambi en est an en B.
Todo conjunto tiene por subconjunto a / 0, el conjunto vaco.
Notaci on 1.2 A lo largo de todo el texto se abreviar a con ssi la frase si y s olo si. Simb olicamente corres-
ponde al bicondicional .
Dos conjuntos son iguales cuando cada uno de ellos es subconjunto del otro; es decir, dados dos conjun-
tos A y B se tiene que
A = B (A B) (B A). (1.1)
La intersecci on de A y B, denotado AB, es el conjunto cuyos elementos est an tanto en A como en B, es
decir,
AB =x X : (x A) (x B). (1.2)
Se dice que dos conjuntos A y B son disjuntos si AB = / 0. La uni on de A y B, denotado AB, es el
conjunto cuyos elementos est an en A o en B, es decir,
AB =x X : (x A) (x B). (1.3)
En el siguiente teorema se establecen las propiedades conmutativa y distributiva de las operaciones uni on
e intersecci on. En su demostraci on se hace evidente el fuerte vnculo que existe entre la Teora de Conjuntos
y la L ogica Proposicional.
Teorema 1.1 [Operaciones con conjuntos]
Sean A, B y C conjuntos. Entonces
AB = BA; (1.4)
AB = BA; (1.5)
(AB) C = (AC) (BC); (1.6)
(AB) C = (AC) (BC). (1.7)
Demostraci on. Probemos (1.6). Los puntos (1.4), (1.5) y (1.7) quedan para el lector.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
1.1 Conjuntos 7
Probemos que (AB) C (AC) (BC). Sea x (AB) C, cualquiera. Se tiene que
x (AB) C (x AB) (x C)
(x A x B) (x C)
(x A x C) (x B x C)
(x AC) (x BC)
x (AC) (BC).
Puesto que x fue elegido arbitrariamente, se sigue que
x (AC) (BC), para todo x (AB) C,
de manera que
(AB) C (AC) (BC). (1.8)
Puesto que en todos los pasos del procedimiento anterior se tienen bicondicionales, se tiene inmediata-
mente que
(AC) (BC) (AB) C. (1.9)
Entonces, en virtud de (1.1), (1.8) y (1.9), se concluye que (AB) C = (AC) (BC). .
El complemento de B con respecto a A, denotado AB, es el conjunto de elementos que estando en A,
no est an en B, esto es
AB =x A : x / B. (1.10)
En particular, B
c
=U B representa el complemento de B.
En el siguiente teorema se establece un mecanismo para intercambiar las operaciones de uni on e inter-
secci on con ayuda de la complementaci on.
Teorema 1.2 [Leyes de Morgan]
Sean A, B y C conjuntos. Entonces
A(BC) = (AB) (AC); (1.11)
A(BC) = (AB) (AC). (1.12)
Si A y B son subconjuntos de un universo X, entonces las leyes de Morgan se escriben como
(AB)
c
= A
c
B
c
, (AB)
c
= A
c
B
c
. (1.13)
Ejemplo 1.1 Un conjunto cualquiera A est a completamente determinado por sus elementos. Entonces, las
igualdades
A =a, e, i, o, u =i, e, a, o, u =u, a, o, e, i =x : x es una vocal.
son todas v alidas.
Tip 1.
El comando : se utiliza para cualquier tipo de asignacion a un objeto.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
8 1 Preliminares
Tip 2.
En Maxima un conjunto se declara con objetos contenidos entre llaves. Las
ordenes intersection(A1,...,An) y union(A1,...,An) permiten calcular, respectivamente,
A
1
A
2
... A
n
y A
1
A
2
... A
n
.
Tip 3.
La orden setdifference(A,B) calcula AB.
Ejemplo 1.2 Consideremos los conjuntos
(%i1) A: {a,b,c,d,m,n,o,p};
B: {b,c,d,p,u,v,w};
C: {a,c,d,m,o,w};
( %o1) a, b, c, d, m, n, o, p
( %o2) b, c, d, p, u, v, w
( %o3) a, c, d, m, o, w
Veriquemos que para estos conjuntos efectivamente se cumple que (AB) C = (AC) (BC):
(%i4) E1: union(intersection(A,B), C);
( %o4) a, b, c, d, m, o, p, w
(%i5) E2: intersection(union(A,C), union(B,C));
( %o5) a, b, c, d, m, o, p, w
Asimismo calculemos los dos lados de A(BC) = (AB) (AC):
(%i6) D1: setdifference(A,intersection(B,C));
( %o6) a, b, m, n, o, p
(%i7) D2: union(setdifference(A,B),setdifference(A,C));
( %o7) a, b, m, n, o, p
Observaci on 1.1 No se ha mencionado nada sobre la naturaleza de los elementos de un conjunto; estos
podran ser letras, n umeros e incluso otros conjuntos.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
1.1 Conjuntos 9
(%i1) A: { {0}, {1,2}, {1,3}, {3,4} };
( %o1) 0, 1, 2, 1, 3, 3, 4
(%i2) B: { {1,2}, {1,3}, {5,8}, {1,2,3} };
( %o2) 1, 2, 1, 2, 3, 1, 3, 5, 8
Se tiene que
(%i3) intersection(A,B);
( %o3) 1, 2, 1, 3
(%i4) union(A,B);
( %o4) 0, 1, 2, 1, 2, 3, 1, 3, 3, 4, 5, 8
Ejemplo 1.4 Denotemos por N al conjunto de los n umeros naturales:
N =1, 2, 3, ..., (1.14)
donde
0 = / 0,
1 = 0 =/ 0,
2 = 0, 1 =/ 0, / 0,
3 = 0, 1, 2 =/ 0, / 0, / 0, / 0,
.
.
.
.
.
.
.
.
.
.
.
.
n = 0, 1, 2, ..., n1. (1.15)
Denamos A como el conjunto formado por todos los subconjuntos binarios de N. Entonces,
C = 1, 2, 1, 3, 1, 4, ..., 2, 3, 2, 4, 2, 5, ...
.
Es claro que B =1, 1 =1, no pertenece al conjunto C.
Cuando el orden de los elementos es importante tenemos que valernos de alg un truco que permita dis-
tinguir cu al elemento es el primero, el segundo, etc.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
10 1 Preliminares
Denici on 1.1 [Producto Cartesiano]
Sean A y B dos conjuntos no-vacos. Se dene el producto cartesiano de A y B, denotado A B,
mediante
AB =(a, b) : a Ab B,
donde,
(a, b) a, a, b =a, b, a. (1.16)
Se dice que (a, b) AB es el par ordenado con primera componente a A y segunda componente
b B.
La denici on (1.16) es el truco que buscamos pues el primer elemento de (a, b) AB, es aquel que
pertenece al segundo elemento de (a, b). De la denici on se sigue que
(a, b) = (c, d) (a = c) (b = d). (1.17)
De manera similar se dene el producto ordenado de los conjuntos no-vacos A
1
, A
2
,..., A
n
:
A
1
A
2
... A
n
= (A
1
A
2
... A
n1
) A
n
. (1.18)
En particular se pone A
n
= AA... A (n veces).
Tip 4.
La orden cartesian product(A1,...,An) calcula A
1
A
2
... A
n
.
(%i1) A: {a,b,c};
B: {1,2};
C: {u,v};
( %o1) a, b, c
( %o2) 1, 2
( %o3) u, v
Calculamos ABC:
(%i4) cartesian_product(A,B,C);
( %o4) [a, 1, u], [a, 1, v], [a, 2, u], [a, 2, v], [b, 1, u], [b, 1, v], [b, 2, u], [b, 2, v], [c, 1, u], [c, 1, v], [c, 2, u], [c, 2, v]
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
1.2 Relaciones 11
1.2. Relaciones
Los tres tipos de relaciones m as importantes son las relaciones de orden, de equivalencia y las funciones.
Denici on 1.2 [Relaci on, dominio, codominio, rango]
Dados dos conjuntos no-vacos X y Y, llamamos relaci on de X en Y a todo subconjunto f de X Y. Se
dice que x X est a en el dominio de f , denotado Dom( f ) X, si existe alg un y Y tal que (x, y) f .
Se dice que Y es el codominio de f y se denota Cod( f ) =Y. Se dice que y Y est a en el rango de f ,
denotado Rg( f ) Y, si existe alg un x X tal que (x, y) f .
Se suele escribir
xry. (1.19)
para indicar que (x, y) pertenece a la relaci on r AB.
Denici on 1.3 [Reexividad, simetra, antisimetra, transitividad]
Sea r una relaci on de X en X. Se dice que r es
1) reexiva si
x X : xrx;
2) sim etrica si
x, y X : xry =yrx
3) antisim etrica si
x, y X : xry yrx = x = y.
4) transitiva si
x, y, z X : xry yrz = xrz.
Introducimos ahora el concepto de relaci on de orden.
Denici on 1.4 [Relaci on de orden]
Se dice que una relaci on sobre un conjunto es de orden si es reexiva, antisim etrica y transitiva.
En este caso se dice que (, ) es un conjunto ordenado.
Ejemplo 1.6 Sobre Z se dene la relaci on de manera que
a b ba N0.
El lector puede vericar f acilmente que es una relaci on relexiva, antisim etrica y transitiva y que, por
tanto, es una relaci on de orden.
Denici on 1.5 [Relaci on de equivalencia]
Se dice que una relaci on sobre el conjunto es de equivalencia si es reexiva, sim etrica y transi-
tiva. Se dene la clase de equivalencia de x como
[x] y : x y. (1.20)
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
12 1 Preliminares
Ejemplo 1.7 Sea M Z. Denimos sobre Z, la relaci on de congruencia m odulo M, denotada , como
a b ab es m ultiplo de M.
Esta es una relaci on de equivalencia sobre Z. En particular, si M = 2 tenemos la tradicional clasicaci on
de los n umeros enteros en pares e impares.
Introducimos ahora el concepto de funci on o aplicaci on.
Denici on 1.6 [Funci on / Aplicaci on]
Sean X y Y dos conjuntos no vacos. Se dice que la relaci on f X Y es una funci on o aplicaci on
de X en Y si se cumplen las siguientes condiciones:
i) Dom( f ) = X.
ii) Para cada x X, existe un unico y Y tal que (x, y) f , es decir,
x X, !y Y : (x, y) f .
Una funci on de X en Y se denota
f : X Y
x y = f (x) (1.21)
A veces en lugar de la notaci on (3.1), se escribe
X x f (x) Y. (1.22)
Las notaciones anteriores son especialmente utiles cuando la correspondencia entre x X e y = f (x) Y
est a dada por alguna regla o f ormula especca. En ese sentido puede pensarse que f (x) Y es el producto
que resulta de aplicar el proceso f a la materia prima x X. Tambi en se dice que la variable dependiente
y = f (x) resulta de aplicar f a la variable independiente x X.
1.3. Conjunto de partes y familia de conjuntos
Dado un conjunto cualquiera, se llama partes de , denotado P(), al conjunto formado por todos
los subconjuntos de , es decir,
P() =U : U . (1.23)
El concepto de familia de conjuntos es de vital importancia. A grosso modo una familia de conjuntos
sobre un conjunto es un una colecci on indexada de partes de .
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
1.3 Conjunto de partes y familia de conjuntos 13
Denici on 1.7 [Familia de Conjuntos]
Llamamos familia de conjuntos sobre a toda aplicaci on
A
P().
En este caso se dice que es el conjunto de ndices de la familia y, normalmente, se usa la notaci on
A
. (1.24)
La notaci on (1.24) es similar a (1.35) para sucesiones. Esto no es casualidad: una sucesi on de conjuntos
es una familia de conjuntos indexada en N.
Dada una familia de conjuntos A
se denen la uni on e intersecci on de los elementos de la

familia mediante:
_
=
_
x : (
0
tq x A
0
)
_
, (1.25)
=
_
x : (
0
: x A
0
)
_
. (1.26)
El caso en que = / 0 se maneja por convenci on:
_
/ 0
A
= / 0, (1.27)
/ 0
A
= . (1.28)
Un tipo de familia de conjuntos de mucha utilidad es la partici on de un conjunto.
Denici on 1.8 [Partici on]
Se dice que A
, una familia de conjuntos sobre , es una partici on de si su uni on da y si

cualesquiera dos elementos distintos de la familia son disjuntos, es decir si se cumple que
, , ,= : A
= 0; (1.29)
_
= . (1.30)
La importancia de una partici on yace en que clasica perfectamente, por clases de equivalencia, a los
elementos de un conjunto. Esto se establece en la siguiente proposici on.
Proposici on 1.1 [Partici on en clases de equivalencia]
Sea una relaci on de equivalencia sobre . Entonces [x]
x
es una partici on de .
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
14 1 Preliminares
1.4. Cardinalidad
Comparar el tama no de dos conjuntos por el n umero de sus elementos es viable s olo cuando al menos
uno de los conjuntos es nito. Para comparar el tama no de dos conjuntos innitos es necesario denir los
conceptos de inyectividad y sobreyectividad de funciones.
Denici on 1.9 [Inyectividad, Sobreyectividad]
Sea f : A B. Se dice que f es inyectiva si a elementos diferentes en A les corresponde im agenes
diferentes en B, es decir,
x
1
, x
2
A, x
1
,= x
2
: f (x
1
) ,= f (x
2
).
Se dice que f es sobreyectiva si todo elemento de B tiene preimagen, es decir,
y B, x A : f (x) = y.
Se dice que f es biyectiva si es, a la vez, inyectiva y sobreyectiva.
Es f acil vericar que si f : A B es biyectiva entonces existe una funci on g : B A tal que
f (g(y)) = y, para todo y B; (1.31)
g( f (x)) = x, para todo x A. (1.32)
Las relaciones (1.31) y (1.32) nos dicen que f y g son procesos inversos el uno del otro. Se dice que g es la
funci on inversa de f (y viceversa) y se denota f
1
= g.
Denici on 1.10 [Cardinalidad / potencia]
Se dice que dos conjuntos A y B tienen la misma cardinalidad o potencia si existe una funci on biyec-
tiva entre ellos. En este caso se denota
#[A] = #[B].
Si existe una funci on inyectiva de A en B, se dice que A tiene una cardinalidad menor o igual que la
cardinalidad de B y se escribe #[A] #[B]. Si adicionalmente #[A] ,= #[B], se escribe #[A] < #[B].
La relaci on , reci en denida, parecera ser de equivalencia. En efecto,el lector puede usar biyecciones
para tratar de probar la reexividad, antisimetra y transitividad. Todo parece funcionar. Y, si esto fuera
cierto, por la Proposici on 1.1 todos los conjuntos se podran clasicar por su cardinalidad. Sin embargo,
sobre qu e conjunto estara denida esta relaci on?
Observaci on 1.2 La paradoja de Cantor fue mencionada al principio de este captulo. Consiste en su-
poner que existe un conjunto con la cardinalidad m as grande (que equivale a suponer que existe un
conjunto que contiene a todos los conjuntos) para entonces darse que cuenta que P() es a un m as gran-
de. Para evitar problemas como la paradoja de Cantor es indispensable una axiomatizaci on consistente
como la ZFC.
2
2
Por el contrario, la axiomatizaci on predecesora, de Frege, es inconsistente pues da via libre a paradojas (como las de Cantor,
de Russel, etc.) a trav es de su axioma de comprehensi on: Para toda propiedad P existe un conjunto M
P
que contine a todos y
exclusivamente a todos los conjuntos que satisfacen la propiedad P.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
1.4 Cardinalidad 15
Son muy utiles los conjuntos que se pueden contar es decir que son nitos o numerables:
Denici on 1.11 [Conjuntos numerables y discretos]
Se dice que un conjunto A es
i) numerable si #[A] =
0
;
ii) discreto si #[A]
0
;
donde, por denici on,
0
= #[N]. (1.33)
La clase de conjuntos con potencia
3
0
corresponde a los m as peque nos de los conjuntos innitos. En
efecto, un conjunto A es innito si y s olo si
#[A]
0
.
Ejemplo 1.8 Sea P el conjunto de los enteros positivos pares. Es claro que P _ N pero, puesto que la
funci on p : N P denida mediante
p(k) = 2k,
es biyectiva, se sigue que
#[N] = #[P].
El anterior ejemplo evidencia una diferencia cualitativa entre conjuntos nitos e innitos. En efecto, si
A y B son conjuntos nitos tales que A B, entonces
A _B #[A] = #[B].
Observaci on 1.3 Es f acil vericar que si es un conjunto con n elementos, n N0, entonces P()
tiene exactamente 2
n
elementos (incluyendo a / 0 y ).
Notaci on 1.3 En general, se pone
#[P()] = 2
#[]
,
y por lo xxx se tiene que
#[P()] > #[]. (1.34)
Para teminar esta secci on, enunciamos un resultado que es util e.g. para el manejo de bases Hilbertianas.
Teorema 1.3 La union de una familia numerable de conjuntos numerables es numerable.
3
es la letra hebrea alef.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
16 1 Preliminares
1.5. Sucesiones
Cuando se quiere resolver un problema de Ingeniera mediante un computador habitualmente se recurre
a aproximaciones discretas del modelo matem atico; por ello, el concepto de sucesi on es fundamental en
Matem aticas.
Dado A un conjunto no-vaco, llamamos sucesi on en A a toda funci on cuyo dominio es N o N0 y
cuyo codominio es A. Es claro que el rango de una sucesi on es un conjunto discreto. A las sucesiones en un
conjunto A se las suele denotar
(x
n
)
nN
A, (y
n
)
nN
A, (z
n
)
nN
A, etc. (1.35)
Tip 5.
La orden b(n) calcula el n-esimo elemento de la serie de Fibonacci.
Tip 6.
La orden map(f, expr1, expr2,...,exprn) devuelve una expresion cuyo operador principal es
el mismo que aparece en las expresiones expr
1
, ..., expr
n
pero cuyas subpartes son
los resultados de aplicar f a cada una de las subpartes de las expresiones.
Ejemplo 1.9 Supongamos, que se quiere empezar un negocio de cra de conejos. La funci on que mode-
la matem aticamente tal fen omeno o proceso es la sucesi on de Fibonacci. En la naturaleza, hay muchos
elementos relacionados con la sucesi on de Fibonacci: la cantidad de p etalos de una or y la cantidad de
espirales en una pi na, etc. Como se ver a a continuaci on, el negocio tiene perspectivas de ser rentable pues
la poblaci on de conejos crece a buen ritmo.
La sucesi on de Fibonacci (F
n
)
nN
0
N0, est a denida por
F
n
=
_
_
0, si n = 0,
1, si n = 1,
F
n1
+F
n2
, si n 2.
La f ormula anterior nos dice que a partir de n = 2 se obtiene F(n) al sumar los dos elementos anteriores
de la sucesi on.
(%i1) map( fib, [0,1,2,3,4,5,6,7,8,9,10]);
( %o1) [0, 1, 1, 2, 3, 5, 8, 13, 21, 34, 55]
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
1.6 El Axioma de Elecci on y el Lema de Zorn 17
1.6. El Axioma de Elecci on y el Lema de Zorn
La Matem atica que usa normalmente un Ingeniero se sostiene en la Teora de Conjuntos la cual, a su vez,
tiene como sustento los Axiom atica ZFC, como se mencion o en la Secci on 1.1. Estos pilares son usados sin
cuestionamientos pues el trabajo en Ingeniera tiene que ver principalmente con con encontrar mecanismo
para resolver problemas.
El Axioma de Elecci on, que presentamos a continuaci on, dice muy a grosso modo que si se tiene una
colecci on de recipientes, cada una con al menos un objeto, se puede tomar exactamente un objeto de cada
recipiente y ponerlos en un nuevo recipiente - incluso si hay un n umero innito de recipientes.
Axioma de elecci on. Sea A
una familia de conjuntos sobre un conjunto no-vaco tal que

A
,= / 0,para todo . Entonces, existe una aplicaci on E : tal que

E () A
, para todo .
El Axioma de Elecci on fue formulado por Zermelo (1904). Para la Teora de Conjuntos, el Axioma de
Elecci on no es indispensable: se pueden construir otras Matem aticas cuando se lo reemplaza por enunciados
distintos.
Por otro lado, es importante mencionar que hay un gran n umero de proposiciones que son equivalentes
(desde el punto de vista l ogico) al Axioma de Elecci on como el Teorema del Buen Orden o el Lema de Zorn
- este ultimo se utiliza con frecuencia para probar resultados de existencia en An alisis Matem atico.
Para presentar el lema de Zorn es necesario introducir un par de conceptos.
Denici on 1.12 [Orden total, cotas, elementos maximales]
Sea (P, ) un conjunto ordenado y sea Q P.
i) Se dice que Q est a totalmente ordenado si dados a, b Q estos son comparables, es decir se
verica que
a b b a. (1.36)
ii) Se dice que c P es una cota superior de Q si se cumple que
q c, para todo q Q. (1.37)
iii) Se dice que m P es un elemento maximal de P si se cumple que
m x = m = x. (1.38)
iv) Se dice que P es inductivo si todo subconjunto totalmente ordenado de P admite una cota superior.
En Matem atica Aplicada no es esencial conocer la demostraci on del Lema de Zorn (a partir del Axioma
de Elecci on) pero es fundamental conocer bien su enunciado y saberlo usar.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
18 1 Preliminares
Lema 1.1 [Lema de Zorn]
Todo conjunto ordenado, inductivo y no-vaco admite un elemento maximal.
En la Secci on 1.8 utilizaremos el Lema de Zorn para probar que todo espacio vectorial pos ee una base
de Hamel.
1.7. Grupos, Anillos y Cuerpos
Los conceptos de grupo, anillo y cuerpo son fundamentales en Matem atica. A estas estructuras alge-
braicas hay que a nadir el concepto de espacio vectorial para tener toda el esqueleto sobre el cual es
posible construir los organos del An alisis Matem atico. Para las tres primeras estructuras algebraicas es
indispensable el concepto de operaci on interna.
Denici on 1.13 [Operaci on interna]
Sea un conjunto no-vaco. Llamamos operaci on interna sobre a toda funci on : .
A la imagen de (a, b) se le denota ab.
En la siguiente denici on uno puede pensar que Z es el conjunto de los enteros, Z.
Denici on 1.14 [Grupo]
Sea una operaci on interna sobre Z. Se dice que (Z, ) es un grupo si se cumplen las siguientes
condiciones
a) [Asociatividad aditiva] Dados a, b, c Z, se tiene que
(ab) c = a(bc). (1.39)
b) [Existencia del neutro aditivo] Existe un elemento 0 Z tal que
a0 = a, para todo a Z. (1.40)
c) [Existencia de inversos aditivos] Para cada a Z existe un elemento b Z tal que
ab = 0. (1.41)
Denici on 1.15 [Grupo Abeliano]
Se dice que un grupo (Z, ) es Abeliano si se verica
d) [Conmutatividad aditiva] Dados a, b Z,
ab = ba. (1.42)
En la siguiente denici on uno puede pensar que P es el conjunto de los polinomios.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
1.8 Espacios vectoriales 19
Denici on 1.16 [Anillo]
Sean y dos operaciones internas sobre P. Se dice que (P, , ) es un anillo si (P, ) es un grupo
Abeliano y se verican las condiciones
e) [Asociatividad multiplicativa] Dados a, b, c Z, se tiene que
(ab) c = a(bc). (1.43)
f) [Propiedad distributiva] Dados a, b, c Z, se tiene que
a(bc) = (ab) (ac). (1.44)
En la siguiente denici on uno puede pensar que R es el conjunto de los n umeros reales, 1.
Denici on 1.17 [Cuerpo]
Se dice que un anillo (R, , ) es un cuerpo si se verican las siguientes condiciones
g) [Existencia del neutro multiplicativo] Existe un elemento 1 R tal que
a1 = 1a = a, para todo a R. (1.45)
h) [Existencia de inversos multiplicativos] Para cada a Z 0 existe un elemento b Z tal que
ab = ba = 1. (1.46)
i) [Conmutatividad multiplicativa] Dados a, b Z,
ab = ba. (1.47)
Por supuesto, el conjunto de los n umeros reales tiene muchas m as propiedades que las presentadas en la
Denici on 1.17. Estas propiedades son estudiadas en el curso de Prec alculo.
1.8. Espacios vectoriales
A grosso modo, un espacio vectorial es un conjunto donde se pueden sumar sus elementos y, adicio-
nalmente, se los puede multiplicar por escalares de manera que se cumplen las propiedades usuales de los
vectores fsicos.
4
Cuando decimos que en un espacio vectorial se pueden multiplicar vectores con escalares estamos tra-
tando con un caso particular de operaci on externa.
Denici on 1.18 [Operaci on externa]
Sean y K dos conjuntos no-vacos. Llamamos operaci on externa sobre (con ayuda de K) a toda
funci on : K . A la imagen de (a, u) K se le denota au o simplemente au.
4
Es decir vectores bidimensionales o tridimensionales.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
20 1 Preliminares
Denamos lo que es un espacio vectorial.
Denici on 1.19 [Espacio vectorial]
Sean (V, ) un grupo abeliano, K un cuerpo y : KV V una operaci on externa. Se dice que
(V, , ) es un espacio vectorial sobre K si se cumplen las siguientes condiciones.
i) (V, ) es un grupo Abeliano.
ii) Dados , K y u, v V, se tiene que
( +)u = u+u; (1.48)
(u+v) = u+v; ()u = (u); (1.49)
1u = u. (1.50)
Si no hay lugar a confusi on se hablar a del espacio vectorial V en lugar de (V, , ). En la denici on
anterior, si K=1 se dice que V es un espacio vectorial real; si K=C se dice que V es un espacio vectorial
complejo.
Observaci on 1.4 En este libro consideramos principalmente espacios vectoriales denidos sobre 1. Casi
todos los resultados son tambi en v alidos para K = C pero queremos evitar complicaciones innecesarias.
Cuando sea necesario se har a explcito que un espacio vectorial trabaja sobre el cuerpo C.
Es com un encontrarse con subconjuntos de espacios vectoriales que son, en s mismos, espacios vecto-
riales con las operaciones heredadas de su universo.
Denici on 1.20 [Subespacio vectorial]
Sea V un espacio vectorial. Se dice que W V, W ,= / 0, es un subespacio vectorial de V si dados 1
y u, v W se tiene que u+v W.
Notaci on 1.4 Sean 1
n
y 1
m
. Por C
k
(;) representaremos el espacio funcional
5
constituido
por las funciones : que tienen derivadas continuas al menos hasta orden k N
. Cuando =1
se escribe simplemente C
k
() en lugar de C
k
(; 1).
Ejemplo 1.10 Sea V
0
= C(a, b). Para cada k N, V
k
= C
k
(a, b) es un subespacio vectorial de V. Es claro
que
V
_... _V
k+1
_V
k
_V
k1
_...V
1
_V
0
,
donde V
= C
(a, b) es el conjunto de las funciones que tienen derivadas continuas de todos los ordenes
sobre (a, b).
El siguiente resultado es sumamente importante.
5
Un espacio funcional es un espacio vectorial donde los vectores son funciones que cumplen habitualmente con ciertas
propiedades de derivabilidad y/o integrabilidad.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Teorema 1.4 [Intersecci on de espacios vectoriales]
Sea U
una familia de subespacios vectoriales de V. Entonces U =
tambi en es un subes-
pacio vectorial de V.
Demostraci on. Sean 1 y u, v U, arbitrarios. Puesto que
u, v V
, para todo ,
se sigue que
u+v V
, para todo ,
pues V
es subespacio vectorial de V, para cada . Se concluye que U es subespacio vectorial de V

pues
u+v U =
.
Denamos lo que es la c apsula de un subconjunto de un espacio vectorial.
Denici on 1.21 [C apsula]
Dado un subconjunto D de un espacio vectorial V, se llama c apsula de D (o espacio generado por
D), denotado < D >, al subespacio vectorial de V m as peque no que contiene a D.
No es difcil comprobar que
< D >=
UW
U, (1.51)
donde W es el conjunto de los subespacios vectoriales de V. Adicionalmente, se tiene la siguiente caracte-
rizaci on que establece que la c apsula de un conjunto est a constituido por todas las combinaciones lineales
nitas de elementos del conjunto.
Proposici on 1.2 [Caracterizaci on de la c apsula]
Sean D y V como en la Denici on 1.21. Se tiene que u < D > ssi existen v
1
, v
2
, ..., v
n
D y
1
,
2
, ...,
n
1 tales que
u =
n
k=1
n
v
n
.
Cuando dos vectores fsicos u y v no son m ultiplos el uno del otro, no est an sobre la misma lnea recta
(trazada en el plano 1
2
o en el espacio 1
3
). Se dice en este caso que u y v son linealmente independientes.
Este concepto se puede generalizar para conjuntos de vectores en un espacio vectorial general.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
22 1 Preliminares
Denici on 1.22 [Independencia lineal]
Un subconjunto nito B = u
1
, u
2
, ..., u
n
de un espacio vectorial V, es linealmente independiente
(abreviado l.i.) si tomados
1
,
2
, ...,
n
1 se tiene que
k=1
n
u
n
= 0 =
i
= 0, para todo i = 1, 2, ..., n.
En general, un conjunto R V es linealmente independiente si todo subconjunto nito suyo es lineal-
mente independiente. A un conjunto que no es linealmente independiente se dice que es linealmente
dependiente (abreviado l.d.).
En Matem atica Aplicada los espacios vectoriales de dimensi on innita son mucho m as interesantes que
sus pares de dimensi on nita. Necesitamos entonces alguna herramienta para reconocerlos.
Denici on 1.23 [Dimensi on]
Un espacio vectorial V se dice que tiene dimensi on innita si para todo n N, existe un subconjunto
con n vectores y linealmente independiente. Caso contrario, se dice que V tiene dimensi on nita.
Los espacios vectoriales se pueden comparar por su dimensi on. Para esto es necesario introducir el
concepto de base.
Denici on 1.24 [Dimensi on y bases de Hamel]
Sean V un espacio vectorial y B V. Se dice que B es una base de Hamel de V si se cumplen las
siguientes condiciones
i) B es linealmente independiente;
ii) =V.
En este caso, la dimensi on de V es dim(V) = #(B).
Para los espacios de dimensi on nita, la denici on anterior es bastante clara; sin embargo, para un
espacio de dimensi on innita uno tiene todo derecho a cuestionar la existencia de una base. Gracias al
Lema de Zorn que fue mencionado en la Secci on 1.6, se puede demostrar que siempre existe una base de
Hamel.
Teorema 1.5 [Existencia de bases]
Sea V ,=0 un espacio vectorial. Entonces V tiene una base de Hamel.
Demostraci on. Denimos M =U V : U es l.i.. Puesto que V ,=0, existe v V 0 de manera que
M ,= / 0 pues v M. No es difcil vericar que (M, ) es un conjunto ordenado.
M es inductivo. En efecto, si QM est a totalmente ordenado entonces
_
UQ
U
contiene a todos los elementos de Q y es l.i., de manera que es una cota superior de Q.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Por el Lema de Zorn, M tiene un elemento maximal B. Se tiene que B es una base de Hamel para V. En
efecto, si se tuviera
V ,=,
entonces existira un vector u V . En este caso, el conjunto Bu sera l.i. contradiciendo la
maximalidad de B. .
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Captulo 2
An alisis complejo
2.1. Introducci on
Los matem aticos inventaron C, el conjunto de los n umeros complejos, para poder resolver ecuaciones
como
x
2
+1 = 0.
Suponiendo la existencia de un n umero x
0
= i que verique esta ecuaci on entonces debera cumplirse que
i =
1 (2.1)
que no pertenece al conjunto de n umeros reales, 1. Se empez o a referir a i como un n umero imaginario.
Por m as de un siglo se mir o a los n umeros complejos a +bi, donde a, b 1, con mucha suspicacia.
Existen realmente? Simb olicamente manipular algebraicamente los n umeros complejos no es complicado,
basta tener en mente (2.1) de manera que i
2
= 1. Pero, de hecho, los n umeros complejos son bastante
reales. Si los n umeros complejos hubieran sido inventados hace unos 30 a nos y no hace 300, no hubieran
recibido el apelativo de complejos. Quiz a se les hubiera llamado n umeros planares o n umeros bidimen-
sionales o algo similar, y no se utilizara el calicativo de imaginarios..., [Ald97]. En efecto, los n umeros
complejos son utiles para medir ondas peri odicas y en el manejo pr actico de soluciones de Ecuaciones
en Derivadas Parciales. Las funciones de variable compleja son usadas en Electr onica, Transferencia de
Energa, en aplicaciones de las Teoras de Filtrado y de Control, etc.
2.1.1. Operaciones con n umeros complejos
Al conjunto
C =1
2
=z = (x, y) : x 1 y 1
se le llama cuerpo de los n umeros complejos cuando se le prov een operaciones internas de suma y multi-
plicaci on conforme a la siguiente denici on.
25
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
26 2 An alisis complejo
Denici on 2.1 [Operaciones con complejos]
Si z
1
= (a, b) C y z
2
= (c, d) C, se denen las operaciones de suma, + : CC C, y multiplica-
ci on, : CC C, mediante
z
1
+z
2
= (a+c, b+d), (2.2)
z
1
z
2
= (ac bd, ad +bc). (2.3)
Figura 2.1 En virtud de la de-
nici on, un n umero complejo
es un n umero bidimensional.
La suma de n umeros complejos no es m as que la suma habitual de vectores de 1
2
. Sin embargo,
de d onde sale la f ormula (2.3) para la multiplicaci on en C? Una respuesta simple parte de suponer mo-
ment aneamente la validez de la f ormula (2.1). En efecto, si ponemos z
1
= a +ib y z
2
= c +id se tendra
que
z
1
z
2
= (a+ib) (c +id) = ac +iad +ibc +i
2
bd = (ac bd) +i(ad +bc).
Tip 7.
Para definir una matriz, se utiliza el comando matrix. La multiplicacion matricial
se realiza con el punto.
Para dar una segunda respuesta, consideramos el espacio vectorial de las matrices cuadradas de orden 2,
M
2
(1), y su subespacio vectorial de dimensi on 2,
W =
__
a b
b a
_
: a, b 1
_
.
No es difcil vericar que la aplicaci on
C (a, b)
_
a b
b a
_
W
es lineal y biyectiva (y por tanto un isomorsmo); de manera que se puede considerar a W como una
representaci on matricial de C. La multiplicaci on matricial de elementos de W se corresponde exactamente
a la multiplicaci on en C. En efecto, tomando z
1
= (a, b) y z
2
= (c, d), con representaciones matriciales Z
1
y Z
2
, respectivamente,
(%i1) Z1: matrix([a, -b], [b, a]);
( %o1)
_
a b
b a
_
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
2.1 Introducci on 27
(%i2) Z2: matrix([c, -d], [d, c]);
( %o2)
_
c d
d c
_
se tiene que
(%i3) Z1.Z2;
( %o3)
_
ac bd ad bc
ad +bc ac bd
_
de manera que Z
1
Z
2
pertenece a W y su representaci on en C es (ac bd, ad +bc), v ease (2.3).
2.1.2. El cuerpo de los n umeros complejos
No es difcil vericar que (C, +, ) es efectivamente un cuerpo o campo, es decir que se cumplen las
siguientes propiedades:
Asociatividad de la suma. Dados z
1
, z
2
, z
3
C, se tiene que
(z
1
+z
2
) +z
3
= z
1
+(z
2
+z
3
).
Existencia del neutro aditivo. Existe un elemento 0 C tal que
z +0 = z, para todo z C.
Existencia de inversos aditivos Para cada z C existe un elemento w Z tal que
z +w = 0.
Por convenci on se denota w =z.
Conmutatividad aditiva. Dados z
1
, z
2
C, se tiene que
z
1
+z
2
= z
2
+z
1
.
Asociatividad de la multiplicaci on. Dados z
1
, z
2
, z
3
C, se tiene que
(z
1
z
2
) z
3
= z
1
(z
2
z
3
).
Propiedad distributiva. Dados z
1
, z
2
, z
3
C, se tiene que
z
1
(z
2
+z
3
) = (z
1
z
2
) +(z
1
z
3
).
Existencia del neutro multiplicativo. Existe un elemento 1 C tal que
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
z 1 = 1 z = z, para todo z C.
Existencia de inversos multiplicativos. Para cada z C0 existe un elemento w C tal que
z w = w z = 1.
Por convenci on se denota w = z
1
=
1
z
.
Conmutatividad multiplicativa. Dados z, w C, se tiene que
w z = w z.
2.1.3. Notaci on imaginaria
Como ya se mencion o, las operaciones denidas en (2.2) y (2.3) corresponden formalmente a trabajar
con el smbolo i =
1. De aqu en adelante se usar a la notaci on

z = x +iy, z C, (2.4)
y se dir a que
x = Re(z) 1, y = Im(z) 1,
son respectivamente la parte real e imaginaria de z.
Figura 2.2 En el plano C =
1
2
al eje horizontal se le
reere como el eje real y
al eje vertical como el eje
imaginario.
Tip 8.
En Maxima se representa a la unidad imaginaria mediante %i. El comendo rectform
permite transformar un numero complejo a su forma rectangular.
Usemos Maxima para obtener la f ormula para el cociente de dos n umeros complejos:
(%i1) z1: a+b
*
%i;
z2: c+d
*
%i;
( %o1) i b+a
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
2.2 Funciones complejas 29
( %o2) i d +c
(%i3) z1 / z2, rectform;
( %o3)
bd +ac
d
2
+c
2
+
i (bc ad)
d
2
+c
2
es decir,
z
1
z
2
=
bd +ac
d
2
+c
2
+
i (bc ad)
d
2
+c
2
(2.5)
2.2. Funciones complejas
Los modelos matem aticos m as sencillos son las funciones. En esta secci on empezamos su estudio para
el caso en que las variables independiente y dependiente viven en C.
Denici on 2.2 [Funci on compleja]
Se llama funci on compleja de variable compleja a toda funci on cuyo dominio y codominio son sub-
conjuntos de C:
f : U C C
z w = f (z) (2.6)
T enga presente que una funci on compleja tiene tres componentes: dominio, codominio y una f ormula.
Coherente con esto, a veces, en lugar de la notaci on (2.6) se escribe
C U z f (z) C. (2.7)
Observaci on 2.1 [Regla del M aximo Dominio]
Si no se hace explcito el dominio de una funci on y se prov ee s olo una f ormula deber a suponerse como
dominio de la funci on el conjunto m as grande de n umeros complejos donde la f ormula tiene sentido.
Por defecto se supondr a que el codominio es C.
2.2.1. Funciones m odulo y de conjugaci on
As como el valor absoluto es la funci on real m as importante, la funci on compleja m as importante de
todas es la funci on m odulo pues permite medir distancias en C. La relevancia se debe a que para establecer
la convergencia de un m etodo n umerico, implementado computacionalmente para resolver un problema de
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Ingeniera, se requiere que a medida que avanza el algoritmo la distancia entre la soluci on aproximada y la
soluci on real debe ser cada vez m as peque na.
Denici on 2.3 [M odulo]
La funci on m odulo (o simplemente m odulo), [ [ : C 1, se dene mediante la f ormula
[z[ =
_
x
2
+y
2
, para z = x +iy. (2.8)
Las propiedades de la funci on m odulo se resumen en el siguiente teorema.
Teorema 2.1 [Propiedades del m odulo]
Se cumple que
1) [z[ 0, para todo z C;
2) [z[ = 0 ssi z = 0;
3) [z w[ =[z[ [w[, para todo z, w C;
4) [z +w[ [z[ +[w[, para todo z, w C.
Entonces el m odulo de un n umero complejo es un n umero no-negativo; es cero s olo si su argumento es
el n umero 0 +0i. Asimismo, el teorema anterior establece que el m odulo del producto de dos n umeros
complejos es igual al producto de sus respectivos m odulos.
Figura 2.3 A la propiedad 4
del Teorema 2.1 se le deno-
mina desigualdad triangular
pues reeja el hecho de que
la longitud de un lado de un
tri angulo no puede sobrepasar
la suma de las longitudes de
los otros dos lados.
Observaci on 2.2 Por el Teorema 2.1 se tiene que la funci on m odulo constituye una norma para el espacio
vectorial C. En la Denici on 5.1 se generaliza el concepto para cualquier espacio vectorial.
Tip 9.
En Maxima el comando abs permite calcular el tamano de un numero real o
complejo.
Ejemplo 2.1 Dados a, b, k 1 se tiene que
(%i1) abs(a+b%i)+abs(-4)+abs(k);
( %o1) [k[ +[b%i +a[ +4
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
La f ormula para calcular la distancia entre n umeros complejos es simb olicamente id entica a la corres-
pondiente f ormula para n umeros reales.
Denici on 2.4 [Distancia en C]
La distancia entre los n umeros complejos z
1
= x
1
+iy
1
y z
2
= x
2
+iy
2
est a dada por
dist(z
1
, z
2
) = [z
1
z
2
[ (2.9)
=
_
(x
1
x
2
)
2
+(y
1
y
2
)
2
.
La proyecci on con respecto al eje de las x est a dada por la siguiente denici on.
Denici on 2.5 [Funci on de conjugaci on]
Se dene la funci on de conjugaci on, : C C, mediante la f ormula
z = x iy, para z = x +iy. (2.10)
Se dice que z es el conjugado de z y viceversa.
Figura 2.4 El conjugado z de
un n umero complejo z. Fuen-
te: http://www.itlp.edu.mx/
Tip 10.
El comando conjugate permite obtener el conjugado de un numero complejo.
Ejemplo 2.2 Dados los n umeros complejos z = a+ib y w = c +id, calculemos z w y z w
(%i1) z: a+%i
*
b;
w: c+%i
*
d;
(%o1) i b+a
(%o2) i d +c
(%i3) conjugate(z
*
w), rectform;
(%o3) i (ad bc) bd +ac
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
(%i4) conjugate(z)
*
conjugate(w), rectform;
(%o4) i (ad bc) bd +ac
En el ejemplo anterior se ha probado una parte de la siguiente proposici on.
Proposici on 2.1 [Propiedades de la conjugaci on]
Dados z C y w C, se tiene que
1) z w = z w;
2) [z[
2
= z z;
3)
z
w
=
[z[
[w[
, en tanto que w ,= 0.
2.2.2. Bolas, conjuntos abiertos y funciones acotadas
El lector recordar a la importancia que tienen los intervalos abiertos
]x
0
r; x
0
+r[=x 1 : [x x
0
[ < r, r > 0,
cuando se denen conceptos como lmite y continuidad para funciones reales; en C ese papel lo juegan las
bolas. Se dene la bola con centro en z
0
C y radio r > 0 como el conjunto
B(z
0
; r) =z C : [z z
0
[ < r. (2.11)
Denici on 2.6 [Conjunto abierto]
Sea C. Se dice que es un conjunto abierto si para todo z existe r > 0 tal que B(z; r) .
Dado un conjunto U C, denotamos por Int(U) a su interior, esto es, el conjunto abierto m as grande
contenido en U.
Figura 2.5 La zona en color
representa una bola. La bola
no incluye a su frontera (la
zona punteada)
.
Toda bola es un conjunto abierto. M as a un, se tiene la siguiente caracterizaci on.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Proposici on 2.2 [Caracterizaci on de un conjunto abierto]
Un conjunto C es abierto ssi = Int().
Recordemos que un subconjunto de 1 es acotado si se lo puede incluir en un intervalo (a, b). La misma
idea sirve para subconjuntos de C:
Denici on 2.7 [Conjunto acotado]
Un conjunto U C se dice acotado si se lo puede cubrir con alguna bola; esto equivale a que se
pueda hallar un M > 0 tal que
[z[ < M, para todo z U.
En este caso se tiene que U B(0; M).
Denici on 2.8 [Funci on acotada]
Se dice que f : C C es una funci on acotada si su rango est a acotado, es decir, si existe una
constante M > 0 tal que
[ f (z)[ M, para todo z . (2.12)
Tip 11.
El comando plot3d permite hace graficos tridimensionales.
Ejemplo 2.3 Sea
=z = x +iy C : x [3, 3] y [4, 4].
La funci on denida por
f (z) = z
2
, z ,
es acotada. En efecto, se tiene que
[ f (z)[ 25, para todo z .
(%i1) z: x+y
*
%i;
(%o1) i y +x
(%i2) plot3d(abs(z2), [x,-3,3], [y,-4,4]);
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Figura 2.6 Gr aco de
[ f (z)[ = x
2
+ y
2
, para
x [3, 3], y [4, 4].
.
2.2.3. Sucesiones
Para establecer cuando un m etodo num erico prov ee una buena aproximaci on a la soluci on de un proble-
ma concreto de Ingeniera se requiere el concepto de convergencia de sucesiones. El concepto de sucesi on
fue establecido en la Secci on 1.5.
Denici on 2.9 [Convergencia de sucesiones]
Una sucesi on (z
n
)
nN
C converge al n umero z C si para cada distancia > 0 existe un N =
N() N tal que z
n
B(z; ) cuando n > N.
Observaci on 2.3 La Denici on 2.9 es equivalente a que se cumpla
lm
n
[z
n
z[ = 0,
que es simb olicamente igual a la denici on de convergencia de sucesiones reales:
> 0, N N : (n > N) [z z
n
[ < .
En t erminos de sucesiones reales, la convergencia de sucesiones complejas se establece mediante la
siguiente proposici on.
Proposici on 2.3 [Convergencia de sucesiones complejas]
La sucesi on (z
n
)
nN
= (x
n
+i y
n
)
nN
C converge a z = x +iy C ssi
lm
n
x
n
= x, lm
n
y
n
= y.
De manera que para establecer la convergencia de una sucesi on compleja, y para calcular su lmite, hay que
analizar dos sucesiones reales y calcular dos lmites de sucesiones reales, respectivamente.
Tip 12.
El comando assume permite suministrar al computador informacion cualitativa sobre
variables y parametros.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Tip 13.
Para definir una funcion se utiliza := en tanto que para el calculo de
lmites se recurre al comando limit. Los comandos inf y minf representan + y ,
respectivamente.
Ejemplo 2.4 Sean k 1 y p > 0. Consideremos la sucesi on (z
n
)
nN
denida por la f ormula
z
n
=
sin(2n)
n
p
+i
_
1+
k
n
2
_
n
2
/5
.
Esta sucesi on es convergente pues sus partes real e imaginaria son convergentes:
(%i1) assume(p>0);
( %o1) [p > 0]
(%i2) x(n):= sin(2
*
n)/np;
y(n):= (1+k/n2)(n2/5);
( %o2) x(n) :=
sin(2n)
n
p
( %o3) y(n) :=
_
1+
k
n
2
_n
2
5
(%i4) limit( x(n), n, inf);
limit( y(n), n, inf);
( %o4) 0
( %o5) e
k
5
Una de las propiedades m as importantes de los conjuntos acotados es que en ellos se pueden encontrar
sucesiones convergentes.
Denici on 2.10 [Subsucesi on]
Dada una sucesi on (z
n
)
nN
C y una funci on creciente N k n
k
N, se dice que la sucesi on
(z
n
k
)
kN
es una subsucesi on de (z
n
)
nN
.
La propiedad mencionada se establece en el siguiente teorema.
Teorema 2.2 [Compacidad]
Toda sucesi on acotada (z
n
)
nN
C pos ee una subsucesi on convergente (z
n
k
)
kN
C.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Tip 14.
El comando makelist permite generar listas de datos que pueden graficarse con el
comando graph2d. El comando graph2d es parte del paquete graph2d que se carga con
el comando load.
Tip 15.
La orden expr, numer entrega un resultado numerico de tipo flotante de la expresion
expr.
Ejemplo 2.5 Consideremos la sucesi on compleja denida por la f ormula
z
n
= x
n
+y
n
= sin
_
2
n
_
+i
_
1+
cos(n)
n
_
n
.
Veriquemos que est a sucesi on no es convergente pero s acotada.
(%i1) load(graph2d);
( %o1) C : /PROGRA 1/MAXIMA 1,0/share/maxima/5,24,0/share/contrib/graph2d.lisp
(%i2) xn: makelist([n,sin(n
*
%pi/2)], n, 1, 20);
(%i3) graph2d(xn);
( %o3) 0
(%i4) yn: makelist([n,(1+(1/n)
*
cos(n
*
%pi))n], n, 1, 20), numer;
(%i5) graph2d(yn);
( %o5) 0
Figura 2.7 La sucesi on (x
n
)
est a acotada inferiormente por
1 y superiormente por 1.
line0
5 10 15 20
-1
-0.5
0
0.5
1
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
2.3 F ormula de Euler 37
Figura 2.8 La sucesi on (y
n
)
est a acotada superiormente
por 3,0 e inferiormente por
0,0.
line0
5 10 15 20
0
0.4
0.8
1.2
1.6
2
2.4
En las Figuras 2.7 y 2.8 se han unido con rectas los puntos de los rangos de las sucesiones (x
n
) e (y
n
). Es
claro que
[x
n
[ 1,0, para todo n N,
[y
n
[ 3,0, para todo n N.
Entonces, conforme al Teorema 2.2, la sucesi on (z
n
) pos ee subsucesiones convergentes. Mostremos una de
ellas. Consideramos la subsucesi on denida mediante
n = 4k, k N,
es decir tomamos
z
n
k
= i
_
1+
1
4k
_
4k
k N.
Es claro que (z
n
k
)
kN
C es convergente. Su lmite L C es:
(%i1) zn(k):= %i
*
(1+1/(4
*
k))(4
*
k);
( %o1) zn(k) := i
_
1+
1
4k
_
4k
(%i2) L: limit(zn(k),k,inf);
( %o2) ei
(%i3) L, numer;
( %o3) 2,718281828459045i
2.3. F ormula de Euler
La f ormula de Euler, provista en el siguiente teorema, es fundamental para el manejo de funciones
complejas pues simplica muchos c alculos que de otra manera resultaran engorrosos.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Teorema 2.3 [F ormula de Euler]
Sea 1. La sucesi on (E
n
)
nN
C, denida por la f ormula
E
n
=
n
k=0
(i)
k
k!
,
converge al n umero complejo denido como
e
i
cos() +i sin(). (2.13)
La f ormula de Euler parece m agica pues prov ee una manera para calcular una potencia imaginaria de un
n umero real. De d onde sale la F ormula de Euler? Por supuesto la respuesta estricta corresponde a probar
el Teorema. Una segunda alternativa, no estricta pero util, radica en utilizar la expansi on de Taylor:
e
x
=
k=0
x
k
k!
,
que es v alida para x 1. Si aceptamos por el momento la validez de esta f ormula para n umeros complejos,
entonces mediante el reemplazo
x = i,
se obtiene
e
i
=
k=0
(1)
k

2k
(2k)!
+i
k=0
(1)
k

2k+1
(2k +1)!
que es justamente (2.13). En efecto, el estudiante recordar a que las series de Taylor - McClaurin de las
funciones coseno y seno son, respectivamente,
cos(x) =
k=0
(1)
k
x
2k
(2k)!
,
sin(x) =
k=0
(1)
k
x
2k+1
(2k +1)!
.
Tip 16.
La sentencia do se utiliza para realizar iteraciones. Una de las maneras de
utilizarla en un bucle for es mediante la sintaxis
for var: val.inicial step incremento thru limite do cuerpo
Tip 17.
El comando factorial permite calcular el factorial de un numero entero
no-negativo.
Tip 18.
La orden sum (f(r), r, r
0
, r
f
) calcula
r
f
r=r
0
f (r).
Ejemplo 2.6 Por la f ormula de Euler se tiene para z = e
i 5/4
:
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
(%i1) t: 5
*
%pi/4;
( %o1) 3,926990816987241
(%i2) if numer#false then numer:false else numer:true;
( %o2) f alse
(%i3) z: %e(t
*
%i);
( %o3) 0,70710678118655i 0,70710678118655
Comparemos z con algunas aproximaciones E
n
conforme al Teorema 2.3:
(%i4) for n:1 thru 36 step 7 do
print("E", n, "=", sum((%i
*
t)k /factorial(k), k, 0, n), numer);
E1 = 3,926990816987241i +1
E8 =1,241231126428202i 0,49260665647578
E15 =0,70714055976349i 0,70725225507102
E22 =0,70710677944946i 0,70710678147133
E29 =0,70710678118655i 0,70710678118655
E36 =0,70710678118655i 0,70710678118655
( %o4) done
Obs ervese que E
29
prov ee la misma precisi on que la f ormula de Euler implementada en Maxima.
2.3.1. Forma polar de un n umero complejo
Con ayuda de la f ormula de Euler se escribe la forma polar de un n umero complejo z = x +iy ,= 0:
z = r e
i
, (2.14)
donde
r =[z[, (, ]. (2.15)
Se dice que r y son el m odulo y el argumento de z, respectivamente.
Observaci on 2.4 T engase presente que el argumento de un n umero complejo pertenece al intervalo
(, ] antes que a [0, 2). La elecci on se debe exclusivamente a la convensi on con que se encontrar a el
lector en la mayora de textos.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Figura 2.9 Relaci on entre
las coordenadas rectangulares
(x, y) y polares (r, ) de un
n umero complejo.
Tip 19.
El comando polarform transforma un numero complejo de forma cartesiana a forma
polar.
Ejemplo 2.7 Tranformemos un n umero complejo z de su forma rectangular a su forma polar y viceversa:
(%i1) z: a+%i
*
b;
( %o1) i b+a
(%i2) w: polarform(z);
( %o2)
_
b
2
+a
2
e
i atan2(b,a)
(%i3) rectform(w);
( %o3) i b+a
La siguiente notaci on se usar a de aqu en adelante. Tome nota.
Notaci on 2.1 Para un angulo 1, el valor corresponde al angulo en (, ] tal que
sin() = sin( ) y cos() = cos( ). (2.16)
Entonces es el angulo en (, ] que prov ee la misma direcci on que 1.
Las f ormulas para multiplicaci on y divisi on de polinomios son realmente simples en forma polar:
Teorema 2.4 [Multiplicaci on en forma polar]
Dados los n umeros complejos z
1
= r
1
e
i
1
y z
2
= r
2
e
i
2
se tiene que
z
1
z
2
= r
1
r
2
e
i

(
1
+
2
)
; (2.17)
z
1
z
2
=
r
1
r
2
e
i

(
1
2
)
, z
2
,= 0. (2.18)
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
En particular, la multiplicaci on de un complejo z por un factor de la forma e
i
representa una rotaci on
de tama no del vector z. Para futura referencia, tenga presente que
[e
i
[ = 1, para todo 1. (2.19)
Con ayuda de (2.17) se obtiene el siguiente corolario.
Corolario 2.1 [Potencia real de base compleja]
Dados z = re
C0 y 1 se tiene que
z
= r
e
i
. (2.20)
2.3.2. Teorema Fundamental del

Algebra
Este teorema es uno de los adelantos m as grandiosos de toda la matem atica y encuentra aplicaci on
en las m as diversas ramas de la ciencia... Todas sus demostraciones emplean las llamadas propiedades
topol ogicas de los n umeros reales y complejos - propiedades ligadas a la continuidad, [Kur87]. Por con-
veniencia, presentamos aqu este resultado y lo aplicamos. Una demostraci on se presenta m as adelante en
este captulo como consecuencia de la f ormula integral de Cauchy, v ease el Corolario 2.12.
Teorema 2.5 [Teorema Fundamental del

Algebra]
Todo polinomio de cualesquiera coecientes complejos, cuyo grado no sea menor que la unidad, tiene
por lo menos una raz, generalmente compleja.
Es decir que para un polinomio p : C C denido por la f ormula
p(z) = a
0
+a
1
z
1
+... +a
n
z
n
,
donde n N, a
i
C, i = 0, 1, ..., n, y a
n
,= 0, existe un z
0
C que es soluci on de la ecuaci on
p(z) = 0, z C.
Tip 20.
La sintaxis solve(eqn, var) se puede usar para buscar soluciones analticas de la
ecuacion eqn en la variable var.
Tip 21.
El comando allroots sirve para buscar numericamente las raices de un polinomio.
Ejemplo 2.8 Consideramos el polinomio p : C C denido por la f ormula
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
p(z) = z
3
5z
2
+17z 15.
Calculemos algebraicamente las races de p = p(z).
(%i1) p(z):= z3-5
*
z2+17
*
z-15;
( %o1) p(z) := z
3
5z
2
+17z 15
(%i2) sol: solve(p(z)=0, z), rectform;
( %o2) [z =
_
_
_
_
_
3
_
763
3
3
2
55
27
_1
3
2

13
3
3
2
_
763
3
3
2
55
27
_1
3
_
_
_
_
_
i
_
763
3
3
2
55
27
_1
3
2
+
13
9
_
763
3
3
2
55
27
_1
3
+
5
3
,
z =
_
_
_
_
_
3
_
763
3
3
2
55
27
_1
3
2
+
13
3
3
2
_
763
3
3
2
55
27
_1
3
_
_
_
_
_
i
_
763
3
3
2
55
27
_1
3
2
+
13
9
_
763
3
3
2
55
27
_1
3
+
5
3
,
z =
_
763
3
3
2
55
27
_1
3
26
9
_
763
3
3
2
55
27
_1
3
+
5
3
]
Calculemos num ericamente las races de p = p(z):
(%i3) nsol: allroots(p(z));
( %o3) [z = 1,207734257895888,
z = 2,970628028470036i +1,896132871052056,
z = 1,8961328710520562,970628028470036i]
Para vericar num ericamente si en el objeto nsol est an almacenadas realmente buenas aproximaciones
z
1
, z
2
, z
3
de las races de p(z) debera tenerse que
p(z
i
) 0, i = 1, 2, 3.
(%i4) for i:1 thru length(nsol) do
print("i=",i,"; |p(zi)|=", ev(abs(p(z)),nsol[i],expand));
i = 1; [p(zi)[ = 1,776356839400250510
15
i = 2; [p(zi)[ = 1,421085471520200410
14
i = 3; [p(zi)[ = 1,421085471520200410
14
( %o4) done
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Obs erves que para las tres soluciones num ericas, la distancia a cero es menor a 1,310
14
.
2.3.3. Races de la unidad
Consideremos para cada n N el polinomio p
n
: C C denido por la f ormula
p
n
(z) = z
n
1.
Hallar los ceros de p
n
corresponde a hallar las races n- esimas de la unidad. Gracias al Teorema Fundamental
del

Algebra se puede probar que existen n n umeros complejos distintos z
k
, k = 0, 1, 2, ..., n1, tales que
(z
k
)
n
= 1.
Si denotamos por z
0
= 1, la soluci on obvia, nos encontramos con que en el plano complejo hay n 1
races adicionales de la unidad. C omo hallarlas?
Supongamos que z = re
i
verica p
n
(z) = 0. se tiene entonces que
r
n
e
n
= 1,
de manera que r = 1 y

_
2k
n
: k = 0, 1, ..., n1
_
.
Se tiene entonces el siguiente teorema.
Corolario 2.2 [Races de la unidad]
Sea n N. Las n raices n- esimas de la unidad son
z
k
= e
2k
n
i
, k = 0, 1, ..., n1. (2.21)
Ejemplo 2.9 Calculemos las 7 races s eptimas de la unidad:
(%i1) ec: z7 - 1 = 0;
( %o1) z
7
1 = 0
(%i2) solve(ec, z);
( %o2) [z = e
2i
7
, z = e
4i
7
, z = e
6i
7
, z = e
6i
7
, z = e
4i
7
, z = e
2i
7
, z = 1]
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
2.4. Lmites y Continuidad de funciones complejas
La forma de denir los conceptos de lmite y continuidad para funciones de variable compleja es similar
a sus contrapartes para funciones reales.
Denici on 2.11 [Lmite de una funci on compleja]
Sup ongase que una funci on compleja f est a denida en B(z
0
; r) z
0
. Se dice que L C es el lmite
de f cuando z tiende a z
0
, denotado
L = lm
zz
0
f (z), (2.22)
si para todo > 0, existe > 0 tal que
[z z
0
[ < = [ f (z) L[ < .
Para asegurar la existencia del lmite de una funci on real basta con probar que los lmites laterales por la
izquierda y por la derecha coinciden. Este criterio no tiene an alogo al tratar con funciones complejas pues
en (2.22) existen innitas maneras de acercamiento de z a z
0
.
El c alculo de lmites de funciones mediante sucesiones es v alido para funciones complejas. Ese es el
contenido de la siguiente proposici on.
Proposici on 2.4 [C alculo de un lmite via sucesiones]
Sup ongase que una funci on compleja f est a denida en B(z
0
; r) z
0
. Se tiene que lm
zz
0
f (z) = L C
si y s olo si para toda sucesi on (z
n
)
nN
B(z
0
; r) z
0
tal que lm
n
z
n
= z
0
se cumple que
lm
n
f (z
n
) = L.
Abordamos ahora el concepto de continuidad.
Denici on 2.12 [Continuidad]
Sea f : C C. Sup ongase que B(z
0
; r) . Se dice que f es continua en z
0
si se cumple que
f (z
0
) = lm
zz
0
f (z). (2.23)
Se dice que f es continua en , denotado f C(), si es continua en todo z .
Tip 22.
La orden limit(expr, var, val) calcula el lmite de la expresion expr cuando la
variable var tiende al valor val.
Es importante tomar nota de que el conjunto de las funciones continuas en Ces un espacio vectorial
con las operaciones de suma de funciones y de multiplicaci on de escalar por funci on.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
2.5 Derivabilidad 45
Ejemplo 2.10 Sean a, b 1. Consideramos la funci on
f (z) =
_
z
3
+(1i)z
2
+(3i)z3i
zi
, si z Ci,
a+ib, si z = i.
Se tiene que
(%i1) f(z):= (z3+(1-%i)
*
z2+(3-%i)
*
z-3
*
%i)/(z-%i);
( %o1) f (z) :=
z
3
+(1i) z
2
+(3i) z +(3) i
z i
(%i2) limit(f(z), z, %i);
( %o2) i +2
de manera que
lm
zi
f (z) = 2+i.
Por tanto, f es continua en C ssi
a = 2 b = 1.
Observaci on 2.5 Puesto que toda funci on compleja f = f (z), z = x +iy, se puede escribir como
f = u+iv, (2.24)
donde u = u(x, y) y v = v(x, y) son funciones de 1
2
en 1, los conceptos de lmite y continuidad se pueden
establecer con ayuda de la notaci on (2.24). En particular, f es continua en z
0
= x
0
+iy
0
si tanto u = u(x, y)
como v = v(x, y) son continuas en (x
0
, y
0
).
2.5. Derivabilidad
El concepto de derivabilidad para funciones complejas se dene de manera similar a la derivabilidad de
funciones reales.
Denici on 2.13 [Derivabilidad]
Sea f : CC. Sup ongase que B(z
0
; r) . Se dice que f es derivable en z
0
, si existe el lmite
f
/
(z
0
) = lm
zz
0
f (z) f (z
0
)
z z
0
. (2.25)
Se dice que f es holomorfa en , denotado f H(), si es derivable en todo z .
Debe tenerse presente que H() es un espacio vectorial. Adicionalmente, el producto de funciones
holomorfas es holomorfa lo cual transforma a (H(), +, ) en un algebra.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
2.5.1. Condiciones de Cauchy - Riemann
Para vericar si una funci on es derivable en un punto, es inc omodo utilizar la f ormula (2.25). En el
siguiente teorema se establecen condiciones necesarias y sucientes para la derivabilidad de una funci on
compleja en un punto.
Teorema 2.6 [Condiciones C-R]
Sean C un conjunto abierto y f = u +iv : C C tal que B(z
0
; r) . Entonces f es
derivable en z
0
= x
0
+iy
0
si y s olo si se cumplen las condiciones de Cauchy - Riemann:
_
_
u
x
(x
0
, y
0
) =
v
y
(x
0
, y
0
);
u
y
(x
0
, y
0
) =
v
x
(x
0
, y
0
).
(2.26)
Como consecuencia se tiene una f ormula para el c alculo de la derivada:
Corolario 2.3 Bajo las condiciones del Teorema 2.6 se tiene que
f
/
(z
0
) =
u
x
(x
0
, y
0
) +i
v
x
(x
0
, y
0
). (2.27)
Tip 23.
La orden diff(expr, var, k) calcula la derivada de orden k de expr con respecto a var.
Ejemplo 2.11 Denimos una funci on f : C C mediante
f (z) = e
x
cos(y) i e
x
sin(y), z = x +iy.
Las partes real e imaginaria de f = f (z) son
(%i1) u(x,y):= %e(-x)
*
cos(y);
v(x,y):= -%e(-x)
*
sin(y);
( %o1) u(x, y) := e
x
cos(y)
( %o2) v(x, y) :=
_
e
x
_
sin(y)
Se cumplen las condiciones C-R en C:
(%i3) Ux: diff(u(x,y),x);
( %o3) e
x
cos(y)
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
(%i4) Uy: diff(u(x,y),y);
( %o4) e
x
sin(y)
(%i5) Vx: diff(v(x,y),x);
( %o5) e
x
sin(y)
(%i6) Vy: diff(v(x,y),y);
( %o6) e
x
cos(y)
Usamos (2.27) para calcular la derivada de f :
(%i7) Ux+%i
*
Vx;
( %o7) i e
x
sin(y) e
x
cos(y)
de manera que
f
/
(z) =e
x
cos(y) +i e
x
sin(y).
En la siguiente secci on encontraremos que las reglas de derivaci on para funciones reales siguen siendo
v alidas para funciones complejas. Antes de pasarles revista, notamos una diferencia sustancial entre funcio-
nes diferenciables reales y complejas, que ser a establecido formalmente en el Teorema 2.19: si f H(),
entonces
f
(k)
H(), para todo k N.
El lector recordar a que una funci on real puede tener derivadas hasta de orden k N pero no de orden
k +1. El Teorema 2.19 establecer a entonces que para funciones complejas basta demostrar que la funci on
es derivable para concluir que de hecho es innitamente derivable.
2.5.2. Reglas de derivaci on
La derivada cumple con las mismas propiedades que para funciones reales. Entonces, en la pr actica, una
vez que se conoce la derivabilidad de una funci on f = f (z) se aplica la f ormula
f
/
(z) =
f
z
(z).
Esto es, simplemente, se respetan las normas de derivaci on y se procede como cuando se deriva una funci on
real. La justicaci on de esta regla se presenta como un ejercicio, al nal del captulo. Cuando haya una
excepci on, se mencionar a explcitamente.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Tip 24.
La orden depends(var1, var2) indica a Maxima que hay una relacion funcional de
var1 en dependencia de var2.
Tip 25.
Las ordenes ratsimp(expr) y expr, ratsimp; indican a Maxima que debe realizar una
simplificacion racional en la expresion expr.
Consideremos la f ormula para la derivada del cociente de dos funciones:
(%i1) depends(f,z);
depends(g,z);
( %o1) [f (z)]
( %o2) [g(z)]
(%i3) diff(f(z)/g(z), z), ratsimp;
( %o3)
f (z)
_
d
d z
g(z)
_
g(z)
_
d
d z
f (z)
_
g(z)
2
Este resultado y otros se resumen en el siguiente teorema.
Teorema 2.7 [Reglas de derivaci on]
Sea c C una constante y sean f y g dos funciones complejas con el mismo dominio . Se tiene para
z que
1) (c)
/
= 0;
2) (z)
/
= 1;
3) ( f +g)
/
(z) = f
/
(z) +v
/
(z);
4) (c f )
/
(z) = c f
/
(z);
5) ( f g)
/
(z) = f
/
(z) g(x) + f (x) g
/
(z);
6)
_
f
g
_
/
(z) =
f
/
(z)g(z) f (z)g
/
(z)
g
2
(z)
, si g(z) ,= 0;
7)
_
1
g
_
/
(z) =
g
/
(z)
g
2
(z)
, si g(z) ,= 0.
8) (z
n
)
/
= nz
n1
, cuando n N.
Asimismo es v alida la regla de la cadena.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Teorema 2.8 [Regla de la Cadena]
Consideremos las funciones complejas
g : dom(g) C
z u = g(z),
f : dom( f ) C
u w = f (u).
Supongamos que g es derivable en z
0
B(z
0
; r
1
) dom(g) y que f es derivable en u
0
= g(z
0
)
B(u
0
; r
2
) dom( f ). Entonces,
( f g)
/
(z
0
) = f
/
(g(z
0
)) g
/
(z
0
). (2.28)
Denotando W = f g, la ultima f ormula se puede poner en la forma intuitiva:
dW
dz
(z
0
) =
dw
du
(u
0
)
du
dz
(z
0
).
Ejemplo 2.12 Calculemos las derivadas de orden 1 y 2 de la funci on denida por la f ormula
(%i1) f(z):= (z2 - 5)/(z3-2
*
z+1);
( %o1) f (z) :=
z
2
5
z
3
2z +1
Se tiene que
(%i2) diff(f(z), z), ratsimp;
( %o2)
z
4
13z
2
2z +10
z
6
4z
4
+2z
3
+4z
2
4z +1
(%i3) diff(f(z), z, 2), ratsimp;
( %o3)
2z
6
48z
4
14z
3
+60z
2
+30z 38
z
9
6z
7
+3z
6
+12z
5
12z
4
5z
3
+12z
2
6z +1
2.5.3. Primitivas o antiderivadas
El concepto de primitiva o antiderivada de una funci on compleja se dene de la misma manera que para
funciones reales:
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Denici on 2.14 [Primitiva de una funci on compleja]
Sean f y F dos funciones complejas con dominio C. Se dice que F es una primitiva de f si se
cumple que F
/
= f . Es decir, F es una primitiva de f si
F
/
(z) = f (z), para todo z .
Al igual que con la funciones reales, cuando una funci on compleja tiene una primitiva, de hecho tiene
innitas primitivas. Esto queda establecido en el siguiente teorema.
Teorema 2.9 Sean f , F y G funciones complejas con dominio C. Si F y G son primitivas de f ,
entonces existe una constante C tal que F = G+, es decir,
F(z) = G(z) +, para todo z .
El siguiente teorema establece que todas las funciones holomorfas tienen primitiva.
Teorema 2.10 [Existencia de primitivas]
Sea C un dominio y sea f H(). Entonces existe una funci on compleja F tal que
F
/
(z) = f (z), para todo z .
Recuerde que una funic on real continua siempre tiene una primitiva; por otro lado, existen funciones
complejas continuas que no tienen primitiva.
Tip 26.
La orden integrate(f(w), w) calcula una primitiva de f .
Ejemplo 2.13 Consideramos la funci on compleja f = f (z) denida por la f ormula
(%i1) f(z):= z3-4
*
z2+1;
( %o1) f (z) := z
3
4z
2
+1
Puesto que
(%i2) integrate(f(z), z);
( %o2)
z
4
4

4z
3
3
+z
se tiene que
F(z) =
z
4
4

4z
3
3
+z +c
representa la familia uniparam etrica de primitivas de f .
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
2.5.4. Curvas y dominios
En esta secci on introducimos el concepto de dominio complejo, indispensable para establecer muchos
herramientas para el an alisis de funciones holomorfas.
La variable t en la siguiente denici on se identica usualmente con el tiempo, de manera que (2.29)
podra interpretarse como el modelo matem atico para el movimiento de una partcula puntual en el plano.
Denici on 2.15 [Curva en C]
Llamamos curva en el plano complejo a toda funci on continua
: [a, b] C (2.29)
t (t).
Se dice que C es el camino denido por la curva si
= ([a, b]).
En este caso se dice que es una parametrizaci on de .
Es f acil constatar que un mismo camino tiene m ultiples parametrizaciones.
Ejemplo 2.14 [Parametrizaci on de la circunferencia]
Si representa la circunferencia de radio R > 0 centrada en el punto z
0
= x
0
+i y
0
y recorrida en sentido
antihorario, entonces las siguientes curvas son parametrizaciones de :
1
(t) = z
0
+Re
it
, t [0, 2],
2
(t) = z
0
+Re
2it
, t [0, 1].
Se dice que la curva denida en (2.29) es
1) cerrada si se cumple que
(a) = (b), (2.30)
es decir, una curva es cerrada si las posiciones inicial y nal coinciden;
2) de clase C
k
si las derivadas hasta orden k N existen y son continuas;
3) suave o de clase C
si es de clase C
k
para todo k N.
Tip 27.
Los comandos plot2d y wxplot2d permiten crear graficas bidimensionales. En
particular, permiten graficar curvas parametricas.
Ejemplo 2.15 Graquemos la curva
(t) =t e
it
, t [0, 15]. (2.31)
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
(%i1) plot2d([parametric, t
*
cos(t), t
*
sin(t),
[t,0,15], [nticks, 300]]);
Figura 2.10 La curva (2.31)
es una parametrizaci on de una
espiral.
.
Gracias al concepto de curva se puede introducir el concepto de conexidad por arcos.
Denici on 2.16 [Conexidad por arcos]
Se dice que una regi on C es conexa por arcos (o por caminos) si para cualesquiera z
1
, z
2
se
puede hallar una curva : [a, b] C con rango incluido en y tal que
(a) = z
1
, (b) = z
2
.
Figura 2.11 Una regi on
es conexa por arcos (o por
caminos) si dos puntos en
ella pueden unirse mediante
una curva continua. Fuente:
Enciclopedia Libre Universal
http://enciclopedia.us.es/.
Denici on 2.17 Se dice que C es un dominio complejo (o simplemente dominio) si es un con-
junto abierto y conexo por arcos.
Observaci on 2.6 Habitualmente se dene dominio como un conjunto que es abierto y conexo. El concepto
de conexidad por arcos es m as restringido que el de conexidad pero para nuestros prop ositos la Denici on
2.17 es suciente.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
2.6 Series de potencias 53
Como una primera aplicaci on del concepto de conexidad por arcos, tenemos el siguiente resultado que a
grosso modo establece que una funci on con derivada nula en una regi on de C es constante en tal regi on.
Teorema 2.11 [Funciones con derivada nula]
Sean C un dominio y f : C una funci on compleja tal que
1) ;
2) f
/
(z) = 0, para todo z .
Entonces existe una constante c C tal que
f (z) = c, para todo z .
2.6. Series de potencias
Sea (c
k
)
kN
C una sucesi on de coecientes y sea a C un centro. Consideremos la sucesi on de
sumas parciales (S
n
)
nN
denida mediante la f ormula
S
n
(z) =
n
k=0
c
k
(z a)
k
. (2.32)
Obs ervese que para cada n N, S
n
es un polinomio complejo.
Nos interesa saber si es posible pasar al lmite cuando n tiende a en (2.32) y para qu e valores de z tiene
sentido este paso al lmite. Una vez que se tiene esta informaci on, estaremos en condiciones de denir una
funci on mediante la f ormula
S(z) =
k=0
c
k
(z a)
k
. (2.33)
A (2.33) se le conoce como la serie de potencias centrada en a y con coecientes c
k
. Para ello es funda-
mental el concepto de radio de convergencia.
Denici on 2.18 [Radio de convergencia]
Se dene el radio de convergencia de la serie (2.33), denotado (S) [0; ], como
(S) =
1
lm
k
k
_
[c
k
[
. (2.34)
Se denotar a en lugar de (S)si no hay peligro de confusi on. Muchas veces es posible calcular el radio de
convergencia con la f ormula
1
(S)
= lm
k
c
k+1
c
k
. (2.35)
Observaci on 2.7 Estrictamente, en la f ormula (2.34) debera cambiarse lm por lminf, el lmite inferior.
Nuestra elecci on se debe al hecho de que habitualmente no se ve el concepto de lmite inferior en los
cursos de matem aticas para Ingeniera. El lector interesado puede consultar e.g. [Ros80] y [Kre89].
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Observaci on 2.8 Para el c alculo del radio de convergencia s olo intervienen los coecientes c
k
por lo que
las f ormulas (2.34) y (2.35) son insensibles a traslaciones, es decir, no inuye la elecci on del centro de la
serie.
El siguiente teorema da una respuesta a nuestra inquietud sobre la posibilidad de pasar al lmite cuando
n tiende a innito en (2.32).
Teorema 2.12 [Convergencia de series]
Consid erese la serie (2.33) y su radio de convergencia (2.34). Entonces,
1) Si [z a[ < , la sucesi on (S
n
(z))
nN
es convergente. En este caso, S H(B(a; )) y se tiene que
S
/
(z) =
k=1
k c
k
(z a)
k1
. (2.36)
2) Si [z a[ < , la sucesi on (S
n
(z))
nN
es divergente.
La relaci on (2.36) extiende a sumas innitas la regla de que la derivada de una suma es la suma de
las derivadas. El teorema anterior no dice nada cuando [z a[ = . Cada caso tiene que ser analizado
independientemente.
Tip 28.
La orden taylor(g(x),x,a,n) permite calcular la serie de taylor de g = g(x) en torno
al punto x
0
= a visualizando los terminos hasta el orden n.
Observaci on 2.9 El lector recordar a que bajo ciertas condiciones una funci on real f = f (x) se puede
expandir en su serie de Taylor-McClaurin:
f (x) =
k=0
c
k
(x x
0
)
k
,
donde
c
k
= f
(k)
(x
0
)/k!.
El polinomio de Taylor de grado n es
p
n
(x) =
n
k=0
c
k
(x x
0
)
k
,
de manera que
c
k+1
c
k
= lm
x
p
k+1
(x)
x p
k
(x)
(2.37)
Ejemplo 2.16 Consideremos la funci on compleja denida por la f ormula
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
(%i1) f(z):=1/(1-z-z2);
( %o1) f (z) :=
1
1z z
2
Para obtener una serie asociada a esta funci on, supondremos que la expansi on de Taylor-McClaurin es
v alida para f (z). En el Teorema 2.20 estableceremos condiciones bajo las cuales una funci on compleja se
puede expandir en una serie de Taylor. Cuando n = 6 se tiene
(%i2) S6: taylor(f(z),z,0,6);
( %o2)/T/ 1+z +2z
2
+3z
3
+5z
4
+8z
5
+13z
6
+...
Luego utilizamos (2.37) para estimar el radio de convergencia aprovechando la f ormula (2.35):
(%i3) A: taylor(f(z),z,0,25);
B: z
*
taylor(f(z),z,0,24);
(%i5) 1/limit(A/B, z, inf), numer;
( %o5) 0,61803398878024
De manera que
0,61803398878024
es el radio de convergencia de la serie
S(z) = 1+z +2z
2
+3z
3
+5z
4
+8z
5
+13z
6
+21z
7
+34z
8
+55z
9
+89z
10
+...
Finalmente comparamos el valor de f (z) con el valor de S
6
(z) cuando z est a en las cercanas de 0.
( %o6) true
(%i7) h: 0.02;
( %o7) 0,02
(%i8) for i:0 thru 10 do
print("z=",h
*
i,"; ", "f(z)=", f(h
*
i),";", "S6(",h
*
i,")=",
ev(S6,z=h
*
i,expand),";","er=",
100
*
abs((f(h
*
i) - ev(S6,z=h
*
i,expand))/f(h
*
i)));
z = 0; f (z) = 1; S6(0) = 1; er = 0
z = 0,02; f (z) = 1,02082482645978; S6(0,02) = 1,020824826432; er = 2,72128534817284210
9
z = 0,04; f (z) = 1,043405676126878; S6(0,04) = 1,043405672448; er = 3,525836762463541210
7
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
z = 0,06; f (z) = 1,067919692439129; S6(0,06) = 1,067919627328; er = 6,097006092486976910
6
z = 0,08; f (z) = 1,094570928196147; S6(0,08) = 1,094570422272; er = 4,622123007180789510
5
z = 0,1; f (z) = 1,123595505617978; S6(0,1) = 1,123593; er = 2,230000000014164810
4
z = 0,12; f (z) = 1,155268022181146; S6(0,12) = 1,155258683392; er = 8,08365588477428810
4
z = 0,14; f (z) = 1,189909566872918; S6(0,14) = 1,189880943168; er = 0,0024055361612776
z = 0,16; f (z) = 1,227897838899803; S6(0,16) = 1,227821764608; er = 0,0061954903244641
z = 0,18; f (z) = 1,269680040629761; S6(0,18) = 1,269498613312; er = 0,014289215546887
z = 0,2; f (z) = 1,315789473684211; S6(0,2) = 1,315392; er = 0,030207999999998
( %o8) done
Aqu la ultima columna calcula el error relativo (en porcentaje) cometido al aproximar el valor f (z) con
S
6
(z). El error relativo se calcula mediante la f ormula
e
r
=
valor real valor aproximado

valor real
100.
Observe que para z = 0,2 el error relativo es del 0,03% aproximadamente.
2.6.1. Funci on exponencial
Consideremos la serie
k=0
1
k!
z
k
. Usando la f ormula (2.35) se encuentra que el radio de convergencia es
. Podemos entonces denir
exp : C C (2.38)
z exp(z) =
k=0
1
k!
z
k
.
A esta funci on se le conoce como funci on exponencial; sus propiedades se resumen en el siguiente
Teorema 2.13 [Funci on exponencial]
La funci on exponencial es holomorfa en C. Adicionalmente se cumple que
exp(z) = e
z
= e
x
e
iy
, para z = x +iy; (2.39)
exp(z +w) = exp(z) exp(w), para todo z, w C. (2.40)
Observaci on 2.10 La elecci on de la serie que aparece en (2.38) no es arbitraria. El lector puede vericar
que corresponde a la serie de Taylor-McClaurin de la funci on exponencial (de variable real).
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
2.6.2. Funciones hiperb olicas
Las funciones hiperb olicas complejas se denen de manera natural.
Denici on 2.19 [Funciones hiperb olicas]
Se denen las funciones seno hiperb olico, sinh : C C, y coseno hiperb olico, cosh : C C,
mediante las f ormulas
cosh(z) =
e
z
+e
z
2
; sinh(z) =
e
z
e
z
2
. (2.41)
Algunas propiedades de la funciones hiperb olicas se resumen en la siguiente proposici on.
Proposici on 2.5 [Propiedades de las funciones hiperb olicas (I)]
Las funciones cosh y sinh son holomorfas en C. Para z = x +iy C se tiene
cosh(z) = cosh(x)cos(y) +i sinh(x)sin(y); (2.42)
sinh(z) = sinh(x)cos(y) +i cosh(x)sin(y). (2.43)
Por (2.42) y (2.43) se tiene que
cosh(z) = 0 z = i
_
2
+k
_
; (2.44)
sinh(z) = 0 z = ik; (2.45)
donde k Z.
Observaci on 2.11 Recuerde que la funci on coseno hiperb olico de variable real no tiene races y que la
funci on seno hiperb olico de variable real tiene una unica raz en x = 0.
Gracias al ultimo resultado se puede denir la funci on tangente hiperb olica, tanh, sobre el conjunto
C
_
z = i
_
2
+k
_
: k Z
_
mediante la f ormula
tanh(z) =
sinh(z)
cosh(z)
. (2.46)
En la siguiente proposici on se presentan algunas propiedades adicionales de las funciones hiperb olicas.
Proposici on 2.6 [Propiedades de las funciones hiperb olicas (II)]
Sea z C. Se cumple que
1) cosh(z) = cosh(z);
2) sinh(z) =sinh(z);
3) cosh
/
(z) = sinh(z);
4) sinh
/
(z) = cosh(z);
5) cosh
2
(z) sinh
2
(z) = 1.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Tip 29.
En maxima la funcion exponencial se representa con exp en tanto que para las
funciones hiperbolicas se usan sinh, cosh y tanh.
Ejemplo 2.17 Dado z = 3+4i se tiene que
(%i1) z: 3+4
*
%i;
( %o1) 4i +3
(%i2) cosh(z);
( %o2) 7,581552742746545i 6,580663040551157
(%i3) sinh(z);
( %o3) 7,61923172032141i 6,548120040911003
(%i4) tanh(z);
( %o4) 0,004908258067496i +1,000709536067233
(%i5) exp(z);
( %o5) 15,20078446306795i 13,12878308146216
2.6.3. Funciones trigonom etricas
Para la denici on de las funciones trigonom etricas de variable compleja nos valemos de la serie de Taylor
- McClaurin conocida para sus contrapartes de variable real.
Denici on 2.20 [Coseno en C]
Se dene la funci on coseno, cos : C C, mediante la f ormula
cos(z) =
k=0
(1)
k
(2k)!
z
2k
= 1
z
2
2!
+
z
4
4!
z
6
6!
+
z
8
8!
... (2.47)
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Denici on 2.21 [Seno en C]
Se dene la funci on seno, sin : C C, mediante la f ormula
sin(z) =
k=0
(1)
k
(2k +1)!
z
2k+1
= z
z
3
3!
+
z
5
5!
z
7
7!
+
z
9
9!
... (2.48)
Mediante (2.34) el lector puede vericar por s mismo que tanto en (2.47) como en (2.48) el radio de
convergencia es .
Proposici on 2.7 [Propiedades de las funciones trigonom etricas (I)]
Las funciones sin y cos son holomorfas en C. Adicionalmente se tiene que
sin(z) = cosh(y)sin(x) +i cos(x)sinh(y); (2.49)
cos(z) = cosh(y)cos(x) i sinh(y)sin(x). (2.50)
Por (2.49) y (2.50) se sigue que
cos(z) = 0 z =
_
2
+k
_
; (2.51)
sin(z) = 0 z = k; (2.52)
donde k Z.
Gracias a este resultado se puede denir la funci on tangente, tan, sobre el conjunto
C
_
z =
_
2
+k
_
: k Z
_
tan(z) =
sin(z)
cos(z)
. (2.53)
En la siguiente proposici on se presentan algunas propiedades adicionales de las funciones trigonom etri-
cas.
Proposici on 2.8 [Propiedades de las funciones trigonom etricas (II)]
Sea z C. Se cumple que
1) cos(z) = cos(z);
2) sin(z) =sin(z);
3) cos
/
(z) =sin(z);
4) sin
/
(z) = cos(z);
5) cos
2
(z) +sin
2
(z) = 1;
6) sin(z) = sin(z).
Ejemplo 2.18 Dado z = 3+4i se tiene que
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
(%i1) z: 3+4
*
%i;
( %o1) 4i +3
(%i2) cos(z);
( %o2) 3,851153334811778i 27,03494560307422
(%i3) sin(z);
( %o3) 3,85373803791937727,01681325800393i
(%i4) tan(z);
( %o4) 0,99935598738147i 1,873462046294784510
4
Como lo establece la siguiente proposici on, las funciones trigonom etricas e hiperb olicas est an relacio-
nadas.
Proposici on 2.9 [Relaci on entre funciones hiperb olicas y trigonom etricas]
Para z C se tiene que
sin(iz) = i sinh(z); (2.54)
cosh(iz) = cos(z). (2.55)
2.6.4. Funci on logartmica
Para denir la funci on logartmica de variable compleja buscamos que se cumplan las siguientes propie-
dades b asicas:
ln(e
z
) = z, para todo z C, (2.56)
e
ln(z)
= z, para todo z C0, (2.57)
es decir, buscamos denir el proceso inverso a la exponenciaci on.
Denici on 2.22 [Funci on logartmica en C]
La funci on logartmica, ln : C0 C est a dada por
ln(z) = ln(r) +i, (2.58)
z = re
i
,
donde r > 0 y (, ].
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Se tiene entonces la siguiente
Proposici on 2.10 La funci on logartmica es holomorfa en C (, 0]; se cumplen las propiedades
(2.56) y (2.56). Adicionalmente, para z C(, 0] se tiene que
ln
/
(z) =
1
z
. (2.59)
Tip 30.
En Maxima, el comando log representa la funcion logartmica. El comando carg
calcula el argumento de un numero complejo en (, ].
Ejemplo 2.19 Dado z = 34i buscamos calcular w = ln(z).
(%i1) z: 3-4
*
%i;
(%o1) 34i
(%i2) w1: log(z), numer;
(%o2) 1,60943791243410,92729521800161i
Aplicamos ahora (2.58):
(%i3) t: carg(z), numer;
(%o3) 0,92729521800161
(%i4) r: abs(z);
(%o4) 5
(%i5) w2: log(r)+%i
*
t, numer;
(%o5) 1,60943791243410,92729521800161i
Recu erdese que para dos n umeros reales positivos x e y se tiene que
ln(x y) = ln(x) +ln(y).
Esta f ormula no es v alida para el logaritmo complejo; la f ormula para el logaritmo complejo de un producto
est a dada en la siguiente proposici on.
Proposici on 2.11 Dados los n umeros complejos z
1
= r
1
e
i
1
y z
2
= r
2
e
i
2
, diferentes de 0, se tiene que
ln(z
1
z
2
) = ln(r
1
) +ln(r
2
) +i

(
1
+
2
). (2.60)
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Logaritmos y exponenciales en base compleja
Podemos ahora denir la funci on exponencial en base w C0, denotada exp
w
: C C, mediante
la f ormula
exp
w
(z) = w
z
= e
zln(w)
. (2.61)
La funci on logartmica en base w C 0, 1, denotada log
w
: C 0 C, est a denida mediante la
f ormula
log
w
(z) =
ln(z)
ln(w)
. (2.62)
Tip 31.
Maxima no tiene definidas las funciones exponencial y logartmica para una base
distinta de e. Cuando lo requiera, debera usar (2.61) y (2.62).
No es difcil vericar que, dado w C0, 1, se cumplen las siguientes propiedades:
log
w
(w
z
) = z, para todo z C; (2.63)
w
log
w
(z)
= z, para todo z C0. (2.64)
2.7. Integral en el plano complejo
En la Secci on 2.5.3 se present o el concepto de primitiva o antiderivada que para una funci on compleja
juega el rol de la integral indenida para una funci on real. Ahora abordamos la integral compleja como un
an alogo de la integral denida de una funci on real.
2.7.1. Denici on en el sentido de Riemann
La deni on de integral compleja que presentamos en esta secci on es una extensi on del concepto de
integral de Riemann para funciones reales que se estudia en un curso est andar de C alculo. Recordemos que
para una funci on real continua sobre un intervalo [a, b] se tiene que
_
b
a
f (x)dx
n
k=1
f (
k
)
k
(2.65)
donde, para k = 1, 2, ..., n,
k
(x
k1
, x
k
),
k
= x
k
x
k1
,
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
2.7 Integral en el plano complejo 63
y el mallado x
0
= a < x
1
< ... < x
n
= b es tal que m ax
k=1,...,n
k
es sucientemente peque no para que la aproxi-
maci on (2.65) sea v alida.
Consideremos ahora un camino contenido en un dominio C. Nos interesa atrapar la informaci on
provista por una funci on f : C a lo largo de , cuando se recorre bajo una parametrizaci on : [a, b]
C. Siguiendo la idea de la integral de Riemann (2.65), escribimos intuitivamente
_
f (z)dz
n
k=1
f (
k
)
k
(2.66)
donde, para k = 1, 2, ..., n,
k
= (
k
),
k
= (t
k1
, t
k
),
k
= (t
k
) (t
k1
),
y el mallado t
0
= a < t
1
< ... < t
n
= b es tal que m ax
k=1,...,n
[
k
[ es sucientemente peque no. En este caso se
tiene que
k
=
(t
k
) (t
k1
)
t
k
t
k1
(t
k
t
k1
)
/
(t
k
) (t
k
t
k1
),
de manera que (2.66) se puede reescribir como
_
f (z)dz
n
k=1
f ((
k
))
/
(t
k
) (t
k
t
k1
). (2.67)
Figura 2.12 El mallado
del intervalo [a, b] prov ee
un mallado a lo largo de
mientras se lo recorre
mediante = (t).
Motivados por (2.67) establecemos la denici on de la integral compleja.
Denici on 2.23 [Integral compleja]
Sean Cun dominio, f : Cy : [a, b] Cuna curva de clase C
1
tal que =([a, b]) .
Se dene la integral de f sobre el camino mediante
_
f (z)dz =
_
b
a
f ((t))
/
(t)dt. (2.68)
Cuando es un camino cerrado se escribe
_
f (z)dz, para denotar la integral de f sobre .

U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Ejemplo 2.20 [C alculo de una integral compleja mediante la denici on]
Calculemos la integral de la funci on compleja denida por
(%i1) f(z):= z2-5
*
z+%i;
( %o1) f (z) := z
2
5z +i
a lo largo de la curva dada por
(t) =t cos(t) +i t sin(t), t [0, ].
(%i2) r(t):= t
*
cos(t)+%i
*
t
*
sin(t);
( %o2) r (t) :=t cos(t) +i t sin(t)
(%i3) I: integrate(f(r(t))
*
diff(r(t),t),t,0,%pi), rectform;
( %o3)
2
3
+15
2
6
i
De manera que
I =
_
(z
2
5z +i)dz =
2
3
+15
2
6
i .
Similar a su contraparte real, la integral compleja verica las siguientes propiedades.
Proposici on 2.12 [Propiedades de la integral compleja]
Sean C, C un dominio, f , g : C y : [a, b] C una curva de clase C
1
tal que
= ([a, b]) . Se tiene que
_
( f +g)(z)dz =
_
f (z)dz +
_
g(z)dz, (2.69)
donde se supone que las integrales del lado derecho de (2.69) son nitas. Tambi en se cumple que:
f (z)dz
[ f (z)[dz. (2.70)
La propiedad (2.69) indica que la integral compleja es un funcional lineal, v ease la Denici on ??.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
2.7.2. Longitud de arco
Si pensamos que (t) representa la posici on de una partcula al instante t en el plano complejo, entonces
la rapidez est a dada por [
/
(t)[. La distancia recorrida en un intervalo innitesimal dt es entonces [
/
(t)[ dt
de manera que para calcular la distancia total recorrida en un intervalo de tiempo [, ] se deben sumar las
distancias innitesimales recorridas. Esto queda establecido en el siguiente teorema.
Teorema 2.14 [Longitud de arco]
Dada la curva : [a, b] C, la longitud del arco
, comprendido entre los puntos () y (), con

a b, est a dada por:
L(
) =
_
dz =
_

[
/
(t)[dt. (2.71)
En particular, la longitud de est a dada por
L() =
_
dz =
_
b
a
[
/
(t)[dt. (2.72)
Tip 32.
La orden quad qag(f(x),x,a,b,n) calcula numericamente
_
b
a
f (x)dx. El numero n = 1, ..., 6 elige
una de las formulas de cuadratura de Gauss - Kronrod. El primer valor en la
lista deplegada como resultado es la aproximacion del valor de la integral.
Ejemplo 2.21 Calculemos la longitud de la curva
(t) =t cos(t) +i t sin(t), t [0, ].
(%i1) r(t):=t
*
cos(t)+%i
*
t
*
sin(t);
( %o1) r (t) :=t cos(t) +i t sin(t)
(%i2) quad_qag(abs(diff(r(t),t)),t,0,%pi,3);
( %o2) [6,109919333959293, 6,783373123164009710
14
, 31, 0]
de manera que L() 6,109919333959293.
Usando (2.72) y (2.70) se obtiene el siguiente corolario.
Corolario 2.4 [Acotaci on de la integral compleja]
Bajo las condiciones del Teorema 2.14, se tiene que
f (z)dz
L() sup
z
[ f (z)[. (2.73)
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
2.7.3. Teorema Fundamental del C alculo
Para una funci on continua la f ormula (2.68),
_
f (z)dz =
_
b
a
f ((t))
/
(t)dt,
que dene la integral compleja toma una forma muy simple como se establece en el Teorema 2.15. Este
resultado no es m as que una extensi on para funciones complejas del Teorema Fundamental del C alculo que
el lector aprendi o en su curso de de C alculo:
_
b
a
f (x)dx = F(b) F(a),
donde F = F(x) es una primitiva de f = f (x).
Teorema 2.15 [Teorema Fundamental del C alculo - TFC]
Sean C un dominio y f : C una funci on continua que tiene primitiva. Si : [a, b] C es
una curva de clase C
1
tal que
= ([a, b]) ,
entonces
_
f (z)dz = F((b)) F((a)), (2.74)

donde F es una primitiva de f .
Observaci on 2.12 Es posible probar el Teorema (2.74) para el caso en que es solamente continua.
Observaci on 2.13 En la f ormula (2.74) intervienen solamente los puntos inicial y nal del camino . Por
tanto, se puede establecer la integral de una funci on compleja prescribiendo s olo los puntos inicial, z
1
, y
nal, z
2
, en tanto que sea conexo por arcos (v ease la Denici on 2.16). En este caso, se suele utilizar la
notaci on
_
z
2
z
1
f (z)dz.
Ejemplo 2.22 [C alculo de una integral compleja mediante el TFC]
Comp arese con el m etodo usado en el Ejemplo 2.20. Calculemos la integral de la funci on denida por
(%i1) f(z):= z2-5
*
z+%i;
( %o1) f (z) := z
2
5z +i
a lo largo de la curva dada por
(t) =t cos(t) +i t sin(t), t [0, ].
Para ello observemos que (0) = 0 y () =. Se tiene entonces que
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
(%i1) f(z):= z2-5
*
z+%i;
( %o1) f (z) := z
2
5z +i
(%i2) I: integrate(f(z), z, 0, -%pi), rectform;
( %o2)
2
3
+15
2
6
i
De manera que
I =
_
(z
2
5z +i)dz =
2
3
+15
2
6
i .
Como consecuencia inmediata del TFC se tiene el siguiente corolario.
Corolario 2.5 Bajo las condiciones del Teorema 2.15. Si es un camino cerrado se tiene que
_
f (z)dz = 0. (2.75)
Tambi en se cumple el siguiente corolario.
Corolario 2.6 Para una serie de potencias
S(z) =
k=0
c
k
(z z
0
)
k
con radio de convergencia R ]0; ] se tiene que
_
S(z)dz = 0,
para todo camino cerrado B(z
0
; R).
2.7.4. Funci on indicatriz
Otra consecuencia del TFC viene dada en el siguiente
Corolario 2.7 Si es un camino cerrado en C y z
0
/ , entonces
_
(z z
0
)
k
dz = 0, para todo k Z1. (2.76)
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
El caso k = 1 es particular y permite establecer el n umero de vueltas que da en torno a un punto
z
0
/ (en sentido antihorario). Para ello necesitamos la siguiente denici on.
Denici on 2.24 [Funci on indicatriz]
Sea un camino cerrado. Se dene la indicatriz de z
0
C mediante
Ind
(z
0
) =
1
2i
_
dz
z z
0
.
El resultado anunciado queda establecido en el siguiente teorema.
Teorema 2.16 [Funci on indicatriz]
Si el camino cerrado est a parametrizado por la curva
(t) = z
0
+r(t) e
i (t)
, t [a, b], (2.77)
entonces,
Ind
(z
0
) =
(b) (a)
2
.
Demostraci on. Usamos (2.68). Tenemos que
Ind
(z
0
) =
1
2i
_
b
a
r
/
(t)e
i (t)
+r(t)i e
i(t)
(t)
r(t) e
i (t)
dt
=
1
2i
_
_
b
a
r
/
(t)
r(t)
dt +i
_
b
a
/
(t)dt
_
=
1
2i
_
ln
_
r(b)
r(a)
_
+i((b) (a))
_
,
y se concluye pues r(b) = r(a) ya que es cerrado. .
Figura 2.13 Funci on indi-
catriz de una curva cerrada.
Fuente: [ADCR05].
Observaci on 2.14 La parametrizaci on (2.77) no es indispensable en el anterior teorema. En efecto, si
es un camino cerrado tal que z

0
/
y gira el mismo n umero de vueltas alrededor de z

0
que entonces
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
2.8 El teorema de Cauchy - Goursat 69
Ind
(z
0
) = Ind
(z
0
).
Por tanto Ind
(z
0
) es, efectivamente, el n umero de vueltas que da un camino en torno a un punto z
0
/
(en sentido antihorario).
2.8. El teorema de Cauchy - Goursat
En la construcci on de la teora de funciones complejas es importante saber si un resultado similar al
Corolario 2.6 es cierto pero s olo bajo el supuesto de que f H(), sin saber a priori si es o no expresable
como una serie de potencias. Esto es posible en tanto que el dominio sea simplemente conexo.
Denici on 2.25 [Conexidad simple]
Un dominio complejo C se dice simplemente conexo si todo camino cerrado encierra s olo
puntos de .
Dicho de otra forma, una regi on simplemente conexa no tiene huecos.
Figura 2.14 Una re-
gi on que no es simple-
mente conexa. Fuente:
http://www.answers.com.
Para establecer el teorema buscado necesitamos denir lo que es un camino cerrado simple. Para ello,
necesitamos a su vez el concepto de frontera de un subconjunto de C. A grosso modo, un punto est a en la
frontera de A C cuando cualquier bola centrada en el contiene tanto puntos de A como de A
c
.
Denici on 2.26 [Punto de frontera]
Sea A C. Se dice que z
0
C es un punto de frontera de A si dado cualquier r > 0, se tiene que
AB(z
0
; r) ,= / 0, A
c
B(z
0
; r) ,= / 0.
La frontera de A es
A =z C : z es punto de frontera de A.
Denici on 2.27 [Camino cerrado simple]
Un camino cerrado simple es un camino que genera dos conjuntos disjuntos abiertos y conexos, uno
acotado y el otro no acotado, y ambos conjuntos tienen a como frontera.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Un camino cerrado simple es, entonces, un camino cerrado que no se corta a s mismo.
Teorema 2.17 [Teorema de Cauchy - Goursat]
Sean C simplemente conexo y f H(). Si es un camino cerrado simple y de clase C
1
por trozos, entonces
_
f (z)dz = 0.
Entonces, a grosso modo, la integral de una funci on holomorfa a lo largo de un camino cerrado simple y
suave es nula.
Notaci on 2.2 Dados z
0
C y r > 0, al conjunto
B(z
0
, r) =z C : dist(z, z
0
) < r
se le denomina bola cerrada centrada en z
0
y con radio r.
El Teorema 2.17 puede extenderse a situaciones m as generales. Como ejemplo tenemos el siguiente
Corolario 2.8 [Teorema de Cauchy - Goursat generalizado]
Sean C un dominio y p
1
, p
2
, ..., p
n
. Consideremos una funci on holomorfa
f : p
1
, p
2
, ..., p
n
C.
Sea un camino cerrado simple, de clase C
1
por trozos y recorrido en sentido antihorario y sea
D la regi on encerrada por . Supongamos que p
1
, p
2
, ..., p
n
D y escojamos 0 < << 1 tal
que
B(p
j
, ) D, j = 1, 2, ..., n;
B(p
j
, ) B(p
i
, ) = / 0, i ,= j.
Entonces,
_
f (z)dz =
n
j=1
_
j
f (z)dz,
donde para j = 1, 2, ..., n,
j
es el camino determinado por la curva
j
(t) = p
j
+e
it
, t [0, 2].
2.9. F ormula Integral de Cauchy
La f ormula integral de Cauchy es una consecuencia del Teorema de Cauchy - Goursat; establece que,
bajo condiciones apropiadas, la informaci on contenida por una funci on al interior de una bola se puede
recuperar a partir de la informaci on contenida en la frontera de la bola. Para una demostraci on el lector
puede referirse a [ADCR05] o [Kre06].
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
2.9 F ormula Integral de Cauchy 71
Figura 2.15 Curva cerrada
que encierra circunferencias.
Teorema 2.18 [F ormula integral de Cauchy]
Sea f : C C continua en y holomorfa en p. Sean r > 0 y 0 < << 1 tales que
B(p; r +) . Entonces, para todo z
0
B(p; r) se tiene la f ormula integral de Cauchy:
f (z
0
) =
1
2i
_
f (z)
z z
0
dz, (2.78)
donde la circunferencia = B(p; r) es recorrida en sentido antihorario.
Notaci on 2.3 La notaci on 0 < << 1 quiere decir que es un real positivo bastante peque no en compa-
raci on con las otras magnitudes bajo estudio.
Ejemplo 2.23 Queremos evaluar la integral
I =
_
e
2z
sin(z
2
)
z ( +i )
dz,
sobre cualquier camino cerrado que no pase por z
0
= +i . Ponemos
(%i1) f(z):= %e(2
*
z)
*
sin(z2);
( %o1) f (z) := e
2z
sin
_
z
2
_
Caso 1. Si no encierra a z
0
= +i , entonces
f (z)
z ( +i)
es holomorfa en y en todos los puntos
encerrados por . Por el TFC se sigue que I = 0.
Caso 2. Si encierra a z
0
= +i entonces, por la f ormula integral de Cauchy, se tiene que
(%i2) I: 2
*
%pi
*
%i
*
f(%pi+%i
*
%pi), rectform;
( %o2) 2 e
2
sinh
_
2
2
_
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
En el siguiente teorema se establece una f ormula similar a (2.78) para una derivada de orden n. De paso
establece la propiedad comentada al nal de la Secci on 2.5.1 de que una funci on holomorfa tiene derivadas
de todos los ordenes.
Teorema 2.19 [F ormula integral de Cauchy para derivadas]
Sea C un conjunto abierto.
1) Si f H() entonces, para cada k N, f
(k)
H().
2) Si es simplemente conexo y es un camino cerrado que encierra a z
0
, entonces
f
(n)
(z
0
) =
n!
2i
_
f (z)
(z z
0
)
n+1
dz. (2.79)
Ejemplo 2.24 Queremos evaluar la integral
I =
_
e
z
3
(z i)
3
dz,
sobre cualquier camino cerrado que no pase por z
0
= i. Ponemos
(%i1) f(z):= %e(z3);
( %o1) f (z) := e
z
3
Caso 1. Si no encierra a z
0
= i, entonces
f (z)
(z i)
3
es holomorfa en y en todos los puntos encerrados
por . Por el TFC se sigue que I = 0.
Caso 2. Si encierra a z
0
= i entonces, por la f ormula (2.79), se tiene que
(%i2) I: (2
*
%pi
*
%i/factorial(2))
*
diff(f(z),z,2);
( %o2) i
_
9z
4
e
z
3
+6ze
z
3
_
(%i3) I, z=%i, rectform;
( %o3) (9sin(1) 6cos(1)) +i (6sin(1) +9cos(1))
2.9.1. Series de Taylor
Es posible expandir una funci on compleja en una serie de Taylor. La f ormula b asica es id entica al plantea-
miento para funciones reales teni endose, adicionalmente, una conexi on con la f ormula integral de Cauchy.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Teorema 2.20 [Existencia de la serie de Taylor]
Sean C un abierto y f : C una funci on continua en y holomorfa en z
0
. Sea r > 0
tal que B(z
0
; r) . Entonces existe una sucesi on de constantes (c
n
)
nN
C tal que
f (z) =
k=0
c
k
(z z
0
)
k
, (2.80)
para todo z B(z
0
; r), donde,
c
k
=
1
k!
f
(k)
(z
0
) =
1
2i
_
B(z
0
;r)
f (z)
(z z
0
)
k+1
dz, (2.81)
con el camino = B(z
0
; r) parametrizado en sentido antihorario.
Demostraci on. Por (2.78) se tiene, para z B(z
0
, r), que
f (z) =
1
2i
_
f (w)
wz
dw
=
1
2i
_
f (w)
wz
0
1
1
zz
0
wz
0
dw
=
1
2i
_
f (w)
k=0
(z z
0
)
k
(wz
0
)
k+1
dw
=
k=0
_
1
2i
_
f (w)
(wz
0
)
k+1
dw
_
(z z
0
)
k
(2.82)
=
k=0
c
k
(z z
0
)
k
.
El intercambio de lmites (sumatorio e integral) obtenido en (2.82) es v alido. En efecto, si denotamos
A(w, z) =
f (w)(z z
0
)
k
(wz
0
)
k+1
y M = sup
w
[ f (w)[
se tiene, por (2.73), que
k=0
A(w, z)dw
N
k=0
_
A(w, z)dw
k=N+1
A(w, z)dw
2r sup
w
k=N+1
A(w, z)
2r sup
w
[ f (w)[
k=N+1
[z z
0
[
k
r
k+1
= 2M
k=N+1
_
[z z
0
[
r
_
k
que tiende a cero cuando N pues [z z
0
[/r < 1. Finalmente, para obtener la f ormula
c
k
=
1
k!
f
(k)
(z
0
)
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
se aplica reiteradamente (2.36). .
Como consecuencia del resultado anterior se tiene el siguiente corolario.
Corolario 2.9 Sean C un abierto y f C holomorfa en z
1
, z
2
, ..., z
m
. Entonces f H()
y, m as a un, f es innitamente derivable en .
2.9.2. Otras consecuencias de la f ormula de Cauchy
Enunciamos en esta secci on algunos resultados adicionales que se derivan de la f ormula integral de
Cauchy, Teorema 2.18.
Corolario 2.10 [Desigualdades de Cauchy]
Sean C un abierto, f H(), z
0
y r > 0 tal que B(z
0
; r) . Se tiene, para todo k N
,
que
f
(k)
(z
0
)

k!
r
r
k
, (2.83)
donde
r
= sup
B(z
0
;r)
[ f (z)[.
Demostraci on. Sea k N
. Por el Teorema 2.20 se tiene que

1
k!
f
(k)
(z
0
) =
1
2i
_
B(z
0
,r)
f (w)
(wz
0
)
k+1
dw.
Por tanto, usando el cambio de variable w = re
i
, se tiene que
f
(k)
(z
0
)

k!
2
_
B(z
0
,r)
f (w)
(wz
0
)
k+1
dw
=
k!
2
_
B(z
0
,r)
[ f (w)[
r
k+1
[dw[
=
k!
2
_
2
0
[ f (z
0
+re
i
)[
r
k+1
rie
i
k!
2
1
r
k
_
2
0
[ f (z
0
+re
i
)[d
k!
2
1
r
k
r
cot 2
=
k!
r
r
k
. .
Corolario 2.11 [Teorema de Liouville]
Si f H(C) es una funci on acotada, entonces f es constante en C.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Usando la f ormula integral de Cauchy se puede probar el Teorema Fundamental del Algebra (v ease el
Teorema 2.5). Para ello, recordemos del curso de C alculo Vectorial que un conjunto 1
2
es compacto
si es cerrado y acotado y que una funci on h que es continua sobre alcanza su m aximo y su mnimo, es
decir, existen puntos (x
1
, y
1
), (x
2
, y
2
) tales que
h(x
1
, y
1
) = m ax
(x,y)
h(x, y),
h(x
2
, y
2
) = mn
(x,y)
h(x, y).
Corolario 2.12 [Teorema de dAlembert]
Si f : C C es un polinomio de grado n 1, entonces existe z
0
C tal que f (z
0
) = 0.
Demostraci on. Tenemos que el polinomio
f (z) = a
0
+a
1
z +... +a
n
z
n
, z C,
est a en H(C). Procedamos por reducci on al absurdo. Supongamos entonces que f no tiene races, es decir
que
f (z) ,= 0, para todo z C. (2.84)
Bajo este supuesto, la funci on
g(z) =
1
f (z)
, z C,
tambi en est a en H(C). Si logramos probar que g est a acotada, entonces por el Teorema de Liouville, g sera
una funci on constante y, por tanto, f tambi en sera constante contradiciendo la hip otesis. Esto demostrara
el corolario.
Probemos entonces la funci on g est a acotada. Para z C, se tiene que
g(z) =
1
a
0
+a
1
z +... +a
n
z
n
=
1
a
n
z
n
_
1
b
0
z
n
+
b
1
z
n1
+... +
b
n1
z
+1
_
,
donde b
i
= a
i
/a
n
, para i = 0, 1, ..., n1. Es claro que
lm
[z[
g(z) = 0;
por lo cual existe r > 0 tal que
[g(z)[ 1, para todo [z[ > r.
Por otro lado, puesto que la funci on [g[ es continua sobre el conjunto compacto B(0; r), existe > 0 tal que
[g(z)[ , para todo [z[ r.
Poniendo ahora M = m ax1, se tiene que
[g(z)[ M, para todo z C,
es decir que g es acotada. .
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
2.10. Series de Laurent
Recordemos que si una funci on f es holomorfa en H(B(z
0
; r), entonces existe una expansi on de Taylor
en torno a z
0
. Cuando f es holomorfa en B(z
0
; r) z
0
pero no en z
0
esta expansi on no existe; sin embargo,
es posible que f se pueda representar con una serie de Laurent:
L(z) =
k=
c
k
(z z
0
)
k
. (2.85)
Observe que en una serie de Laurent pueden aparecer potencias negativas de (z z
0
). Cuando esto es
posible, se separan las potencias positivas de (z z
0
) de las negativas,
P(z) =
k=0
c
k
(z z
0
)
k
, N(z) =
k=1
c
k
1
(z z
0
)
k
.
Por tanto, para z ,= z
0
la serie de Laurent converge si P(z) y N(z) convergen.
Teorema 2.21 [Convergencia de una serie de Laurent]
Sean z
0
C y L(z) la serie (2.85). Ponemos
R
1
= lm
k
k
_
[c
k
[, R
2
=
1
lm
k
k
_
[c
k
[
. (2.86)
Si R
1
< R
2
, entonces L(z) converge en la regi on anular
A =z C : R
1
<[z z
0
[ < R
2
y adem as L H(A).
Observaci on 2.15 Estrictamente, en la f ormula (2.86) debera cambiarse lm por lmsup, el lmite supe-
rior. Nuestra elecci on se debe al hecho de que habitualmente no se ve el concepto de lmite superior en los
cursos de Matem aticas para Ingeniera. Adicionalmente se usa la convenci on 1/0 =.
Ejemplo 2.25 Consideremos la serie de Laurent
L(z) =
1
z +1
+
k=0
1
(1+3i)
k+1
(z +1)
k
(2.87)
en torno al punto z
0
=1. Tenemos que
c
k
=
_
_
0, k 2,
1, k =1,
1
(1+3i)
k+1
, k 0.
Es evidente que R
1
= 0. Calculemos R
2
:
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
2.10 Series de Laurent 77
(%i1) c(k):= 1/((1+3
*
%i)(k+1));
(%o1) c(k) :=
1
(1+3i)
k+1
(%i2) R2: 1/ limit(abs(c(k))(1/k),k,inf);
(%o2)
10
Por tanto la serie de Laurent (2.87) dene una funci on holomorfa en el anillo
A =z C : 0 <[z +1[ <
10.
El Teorema 2.21 prov ee condiciones bajo las cuales una serie de Laurent dene una funci on holomorfa.
En el siguiente resultado se expone el camino de regreso. Consid erese la Figura 2.16.
Teorema 2.22 [Existencia de una serie de Laurent]
Sean z
0
C, 0 R
1
< R
2
y A = z C : R
1
< [z z
0
[ < R
2
. Si f H(A), entonces existen
constantes (c
k
)
kZ
tales que
f (z) =
k=
c
k
(z z
0
)
k
, para todo z A,
donde, para cada k Z,
c
k
=
1
2i
_
B(z
0
;r)
f (z)
(z z
0
)
k+1
dz, (2.88)
para cualquier r (R
1
, R
2
). Aqu B(z
0
; r) est a reparametrizada en sentido antihorario.
Figura 2.16 En la f ormula
(2.88) se puede reemplazar
B(z
0
; r) con cualquier ca-
mino antihorario contenido en
A.
A los n umeros c
k
se les reere como los coecientes de Laurent de f y rara vez se los calcula mediante
(2.88) sino que se los obtiene por manipulaciones algebraicas de expresiones conocidas; de hecho, m as bien
se utilizan estos coecientes para evaluar integrales.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Tip 33.
En Maxima, el comando taylor(f(s),s,a,n) trata de calcular la serie de Taylor de f (s) en
torno al punto s = a. Si esto no es posible, intenta calcular la serie de Laurent
cuando [s a[ > 0.
Ejemplo 2.26 Consideramos la funci on denida por la f ormula
f (z) =
cos(z)
z
5
.
Puesto que para todo z C se tiene
cos(z) =
n=0
(1)
n
(2n)!
z
2n
,
se sigue que
f (z) =
n=0
(1)
n
(2n)!
z
2n5
,
Calculemos los primeros t erminos de la serie de Laurent de f en la regi on A =z C : [z[ > 0:
(%i1) taylor(cos(z)/z5, z, 0, 7);
(%o1)/T/
1
z
5

1
2z
3
+
1
24z
z
720
+
z
3
40320
z
5
3628800
+
z
7
479001600
+...
En este caso,
N(z) =
1
z
5

1
2z
3
+
1
24z
,
P(z) =
z
720
+
z
3
40320
z
5
3628800
+
z
7
479001600
+...
Tip 34.
La orden ev(expr, var = value) evalua la expresion expr cuando la variable var toma el
valor value.
Tip 35.
La orden partfrac(expr, var) halla las fracciones parciales de la expresion expr en la
variable var.
f (z) = e
1/z
.
Calculamos la serie de Laurent de f en la regi on A =z C : [z[ > 0:
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
2.10 Series de Laurent 79
(%i1) expr: taylor(%e(w), w, 0, 7);
(%o1)/T/ 1+w+
w
2
2
+
w
3
6
+
w
4
24
+
w
5
120
+
w
6
720
+
w
7
5040
+...
(%i2) partfrac(ev(expr, w=1/z),z);
(%o2)
1
z
+
1
2z
2
+
1
6z
3
+
1
24z
4
+
1
120z
5
+
1
720z
6
+
1
5040z
7
+1
En este caso,
N(z) =
1
z
+
1
2z
2
+
1
6z
3
+
1
24z
4
+
1
120z
5
+...,
P(z) = 1.
Ejemplo 2.28 Consideremos la funci on denida por la f ormula
(%i1) f(z):= (-1-3
*
%i)/((z+1)
*
(z-3
*
%i));
(%o1) f (z) :=
13i
(z +1) (z 3i)
Es claro que f es holomorfa en C1, 3i. No es difcil constatar que f es holomorfa en el anillo
A =z C : 0 <[z +1[ < R
2
<,
donde
R
2
dist(1; 3i) =
10.
Hallemos la expansi on de Laurent de f en torno a z
0
=1 para z A:
(%i2) partfrac(f(z),z);
(%o2)
1
z +1
1
z 3i
de manera que
N(z) =
1
z +1
.
Ahora,
(%i3) P(z):= -1/(z-3
*
%i);
(%o3) P(z) :=
1
z 3i
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
(%i4) taylor(P(z),z,-1,3);
(%o4)/T/
1
3i +1
+
z +1
6i 8
(z +1)
2
18i +26
(z +1)
3
96i 28
+...
por lo cual
f (z) =
1
z +1
+
1
3i +1
+
z +1
6i 8
(z +1)
2
18i +26
(z +1)
3
96i 28
+...
2.11. Polos y singularidades
Para establecer el importante Teorema de los Residuos requerimos del concepto de singularidad aislada.
Denici on 2.28 [Singularidad aislada]
Se dice que la funci on compleja f = f (z) tiene una singularidad aislada en z
0
C si existe un radio
R > 0 tal que f es holomorfa en el anillo B(z
0
; R) z
0
pero no es holomorfa en z
0
.
Bajo la Denici on 2.28, la funci on f tiene una expansi on de Laurent en B(z
0
; R) z
0
:
f (z) =
k=
c
k
(z z
0
)
k
.
Entonces,
1) z
0
es una singularidad removible si
c
k
= 0, para todo k < 0;
2) z
0
es un polo de orden m N si
c
m
,= 0,
c
k
= 0, para todo k > m; (2.89)
A un polo de orden 1 se le conoce como polo simple.
3) Si el n umero de ndices k < 0 para los cuales c
k
,= 0 es innito y se dice que z
0
es una singularidad
esencial.
Obs ervese que cuando z
0
es una singularidads removible de f , el desarrollo de Laurent no tiene potencias
negativas de (z z
0
):
f (z) =
k=0
c
k
(z z
0
)
k
.
En este caso, la funci on
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
2.11 Polos y singularidades 81
f (z) =
_
f (z), z ,= z
0
,
c
0
, z = z
0
,
es holomorfa en B(z
0
; R). Es por la posibilidad de obtener una funci on holomorfa mediante esta redenici on
que se justica la denominaci on removible para la singulartidad z
0
.
Ejemplo 2.29 La funci on denida por la f ormula
(%i1) f(z):= sin(z) /z;
(%o1) f (z) :=
sin(z)
z
tiene expansi on de Laurent
(%i2) taylor(f(z),z,0,15);
(%o2)/T/ 1
z
2
6
+
z
4
120
z
6
5040
+
z
8
362880
z
10
39916800
+
z
12
6227020800
z
14
1307674368000
+...
Por tanto f tiene una singularidad removible en z
0
= 0 y, entonces, la funci on
f (z) =
_
f (z), z ,= 0,
1, z = 0,
es holomorfa en C.
Teorema 2.23 [Caracterizaci on de polos]
Sean z
0
C y f una funci on holomorfa en el anillo B(z
0
; R) z
0
. Entonces f tiene un polo de orden
m N en z
0
ssi
lm
zz
0
(z z
0
)
m
f (z)
existe, es nito y distinto de cero.
(%i1) f(z):= (-1+2
*
%i)
*
sin(z-2
*
%i) / (z3-6
*
%i
*
z2-12
*
z+8
*
%i);
(%o1) f (z) :=
(1+2i) sin(z 2i)
z
3
6i z
2
+(12) z +8i
Puesto que
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
(%i2) z0: 2
*
%i;
(%o2) 2i
(%i3) limit((z-z0)2
*
f(z), z, z0);
(%o3) 2i 1
z
0
= 2i es un polo de orden 2 de f .
Para establecer el ultimo resultado de esta secci on, necesitamos la siguiente
Denici on 2.29 [Raz de orden k]
Sean C un dominio, f H() y z
0
. Se dice que z
0
es una raz de orden k N si
f (z
0
) = f
/
(z
0
) = ... = f
(k1)
(z
0
) = 0,
f
(k)
(z
0
) ,= 0.
En particular, a una raz de orden 1 se le llama raz simple.
Teorema 2.24 [Polos de un cociente]
Sea f = g/h una funci on compleja tal que g y h son holomorfas en alguna bola centrada en z
0
C. Si
g tiene una raiz de orden k N en z
0
y h tiene una raiz de orden m N en z
0
, con m > k, entonces f
tiene un polo de orden mk en z
0
.
f (z) =
(z 3/2)
6
cos
8
(z)
.
El numerador de f tiene una raiz de orden 6 en z
0
= 3/2 en tanto que en el mismo punto el denominador
tiene una raz de orden 8. Por tanto, f tiene un plo de orden 2 en z
0
= 3/2.
2.12. El Teorema de los Residuos
Supongamos que una funci on f tiene una singularidad aislada en z
0
Cy que en un anillo B(z
0
; R)z
0
tiene expansi on de Laurent

f (z) =
k=
c
k
(z z
0
)
k
.
Consideramos un camino cerrado que encierra a z
0
, que est a contenido en este anillo y que se recorre en
sentido antihorario.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
2.12 El Teorema de los Residuos 83
Figura 2.17 B(z
0
; R)
z
0
es un camino cerrado
que encierra a z
0
.
Por el Teorema 2.22 se tiene entonces que
c
1
=
1
2i
_
f (z)dz, (2.90)
de manera que si se conoce el coeciente
c
1
Res( f , z
0
), (2.91)
referido como residuo de f en z
0
, se tiene inmediatamente el valor de la integral
_
f (z)dz.
El Teorema de los Residuos que presentamos a continuaci on, extiende la f ormula (2.90) para el caso en
que encierra a varias singularidades.
Teorema 2.25 [Teorema de los Residuos]
Sean C un dominio, f una funci on holomorfa en z
1
, z
2
, ..., z
n
y sea una trayectoria
cerrada que encierra a las singularidades aisladas z
1
, z
2
, ..., z
n
. Entonces,
_
f (z)dz = 2i
n
j=1
Res( f , z
j
). (2.92)
Aqu se supone que avanza en sentido antihorario y que no contiene ninguna singularidad de f .
Figura 2.18 Para la demos-
traci on del Teorema de los
Residuos se usa el Corola-
rio 2.8 junto con la f ormula
(2.90).
Para el c alculo de residuos es util el siguiente
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Teorema 2.26 [C alculo de Residuos]
Supongamos que f tiene un polo de orden m N en z
0
C. Entonces,
Res( f , z
0
) = lm
zz
0
d
m1
dz
m1
_
(z z
0
)
m
f (z)
(m1)!
_
. (2.93)
En particular, si z
0
es un polo simple se tiene que
Res( f , z
0
) = lm
zz
0
(z z
0
) f (z). (2.94)
Para el c alcuo del residuo de un polo simple tambi en es util el siguiente
Corolario 2.13 Sea z
0
C. Sea h una funci on continua en z
0
tal que h(z
0
) ,= 0. Suponga que una
funci on g tiene una raz simple y es diferenciable en z
0
. Entonces f = h/g tiene un polo simple en z
0
y
Res( f , z
0
) =
h(z
0
)
g
/
(z
0
)
. (2.95)
Ejemplo 2.32 La funci on determinada por la f ormula
(%i1) f(z):= cos(z)/(z+%i)3;
(%o1) f (z) :=
cos(z)
(z +i)
3
tiene un polo de orden
(%i2) m: 3;
(%o2) 3
en el punto
(%i3) z0: -%i;
(%o3) i
Se tiene por la f ormula (2.93) que
(%i4) R: (1/factorial(m-1))
*
limit(diff((z-z0)m
*
f(z),z,m-1), z,z0);
(%o4)
cosh(1)
2
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
2.12 El Teorema de los Residuos 85
de manera que
Res( f , i) =
cosh(1)
2
Tip 36.
La orden residue(f(z),z,z0) calcula Res( f (z), z, z
0
).
Ejemplo 2.33 Consideremos la funci on determinada por la f ormula
(%i1) f(z):= (2
*
%i
*
z-cos(z))/(z3+z);
(%o1) f (z) :=
2i z cos(z)
z
3
+z
Calculemos I =
_
f (z)dz donde es una trayectoria cerrada que no atraviesa ninguna singularidad. f
tiene polos simples en los puntos
(%i2) z1: 0; z2: %i; z3: -%i;
(%o2) 0
(%o3) i
(%o4) i
Los residuos correspondientes son
(%i5) r1: residue(f(z),z,z1);
r2: residue(f(z),z,z2);
r3: residue(f(z),z,z3);
(%o5) 1
(%o6)
cosh(1) +2
2
(%o7)
cosh(1) 2
2
Caso 1. Si no encierra a ninguna de las singularidades, entonces I = 0.
Caso 2. Si encierra s olo a z
i
, i = 1, 2, 3,
I = 2ir
i
.
Caso 3. Si encierra s olo a dos de las singularidades, digamos z
i
y z
j
,
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
I = 2i(r
i
+r
j
).
Caso 4. Si encierra a las tres singularidades
(%i8) I: 2
*
%pi
*
%i
*
(r1+r2+r3), ratsimp, rectform;
(%o8) i (2 cosh(1) 2)
Ejemplo 2.34 Calculemos las integrales
I
1
=
_
B(0;2)
1
1+z
2
dz,
I
2
=
_
B(i;1)
1
1+z
2
dz.
Las singularidades de lafunci on denida por la f ormula
(%i1) f(z):= 1/(1+z2);
( %o1) f (z) :=
1
1+z
2
son
(%i2) z1: %i; z2: -%i;
( %o2) i
( %o3) i
Se tiene por el Teorema de los Residuos que
(%i4) I1: 2
*
%pi
*
%i
*
(residue(f(z),z,z1) + residue(f(z),z,z2));
( %o4) 0
(%i5) I2: 2
*
%pi
*
%i
*
residue(f(z),z,z1);
( %o5)
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
2.13 C alculo de integrales va residuos 87
Una consecuencia del Teorema de los Residuos es la siguiente proposici on.
Proposici on 2.13 [N umero de races]
Sean C un dominio simplemente conexo, f H() y una curva simple, cerrada y recorrida en
sentido antihorario que encierra una regi on D . Si f tiene un n umero nito de races al interior
de D y no tiene races en , entonces
Ind
f ()
(0) =
1
2i
_
f
/
(z)
f (z)
dz, (2.96)
y este valor es el n umero total de races de f en D, incluyendo multiplicidades.
2.13. C alculo de integrales va residuos
El Teorema de los Residuos se puede utilizar para el c alculo de una variedad de integrales.
2.13.1. Integrales de funciones trigonom etricas
Consideramos la integral
I =
_
2
0
p(cos(), sin())
q(cos(), sin()
d, (2.97)
donde p y q son polinomios. El cambio de variable
z = e
i
, d =
dz
iz
, (2.98)
transforma el integrando de I en un cociente de polinomios
_
[z[=1
f (z)dz. Es importante tener en conforme
al cambio de variable z = e
i
se tiene que
sin() =
1
2i
_
z
1
z
_
, (2.99)
cos() =
1
2
_
z +
1
z
_
. (2.100)
Ejemplo 2.35 Usamos el cambio de variable (2.98)-(2.100) para calcular
I =
_
2
0
d
2+sin()
.
Se tiene entonces que
I =
_
[z[=1
f (z)dz,
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
con
(%i1) f(z):=2/(z2+4
*
%i
*
z-1);
( %o1) f (z) :=
2
z
2
+4i z 1
que tiene dos polos simples en los puntos
(%i2) z1: (-sqrt(3)-2)
*
%i; z2: (sqrt(3)-2)
*
%i;
( %o2)
_
32
_
i
( %o3)
_
32
_
i
con m odulos
(%i4) abs(z1), numer;
( %o4) 3,732050807568877
(%i5) abs(z2), numer;
( %o5) 0,26794919243112
Puesto que z
2
B(0; 1) y z
1
/ B(0; 1) se sigue que
(%i6) I: 2
*
%pi
*
%i
*
residue(f(z),z,z2);
( %o6)
2
3
2.13.2. Integrales impropias sobre dominios no-acotados
Queremos calcular
I =
_

f (x)dx. (2.101)
Para ello suponemos que I se puede calcular como el valor principal de Cauchy, es decir, suponemos que
I = lm
R
_
R
R
f (x)dx. (2.102)
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Como veremos m as adelante, para calcular I mediante (2.102) usaremos una extensi on a C de la funci on f :
11 que aparece en (2.101); pero antes abordar esta tarea, aclaremos lo que se entiende por extensi on.
Denici on 2.30 [Extensi on de una funci on]
Se dice que una funci on g : V W es una extensi on de la funci on f : U W si se cumplen las
siguientes condiciones
1) U V;
2) g(u) = f (u), para todo u U.
En este caso se dice tambi en que f es una restricci on de g.
Tip 37.
El comando gamma(x) calcula (x), cuando x > 0.
Ejemplo 2.36 Se dene la funci on Gamma, : (0, ) 1, mediante la f ormula
() =
_

0
t
1
e
t
dt. (2.103)
Puesto que para cada n N se tiene que (n) = (n1)!, se tiene que la funci on
(1, ) ( +1) 1
es una extensi on de la funci on factorial
n! =
_
1, n = 0,
n (n1)!, n N.
Figura 2.19 La funci on .
Obs ervese que
lm
x0
+
(x) = lm
x
(x) =.
Notaci on 2.4 Dada una funci on real f , se notar a

f a la extensi on natural de f a una funci on compleja.
Ejemplo 2.37 La extensi on natural de la funci on f : 1 1 determinada por la f ormula
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
f (x) =
1
1+x
2
,
es la funci on

f : Ci, i C dada por
f (z) =
1
1+z
2
.
Supondremos en lo que resta de este captulo que es v alida la siguiente condici on:
Hip otesis (E). La funci on f : 1 C es tal que

f es holomorfa en C P, donde P = z
1
, ..., z
n
es el
conjunto de polos de

f .
Caso I:
_

f (x)dx cuando f no tiene polos reales

El siguiente resultado permite calcular en varias situaciones la integral
I = lm
R
_
R
R
f (x)dx.
Para ello denimos el conjunto
H =z C : Im(z) 0,
de manera que
Int(H) =z C : Im(z) > 0.
Teorema 2.27 Sea f : 1 1 una funci on que verica (E). Supongamos que
1) 1P = / 0, es decir

f no tiene polos reales.
2) Existen constantes K 0, M 0 y p > 1 tales que
[

f (z)[
K
[z[
p
, para todo z H, [z[ M.
Entonces,
_

f (x)dx = 2i

zInt(H)P
Res(

f , z).
Demostraci on. Dado R > 0 denotamos por C
R
al arco parametrizado por
(t) = Re
it
, t [0, ].
Puesto que P es nito, para R sucientemente grande se tiene que
R
=C
R
[R, R] Int(H) P.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Entonces, por el Teorema de los Residuos,
2i

zInt(H)P
Res(

f , z) =
_
R
f (z)dz =
_
R
R
f (x)dx +
_
C
R
f (z)dz.
Puesto que el lado izquierdo de la ultima igualdad no depende de R, para concluir la demostraci on basta
probar que
lm
R
_
C
R
f (z)dz = 0. (2.104)
Para ello usamos el Corolario 2.4, el control (2.104) y el hecho de que p > 1:
_
C
R
f (z)dz
L(C
R
) sup
zC
R
[ f (z)[
R
K
R
p
=
K
R
p1
. .
Notaci on 2.5 Dada una funci on real o compleja f denotamos por Z[ f ] al conjunto de races de la funci on
f , es decir, Z[ f ] =u Dom( f ) : f (u) = 0.
A veces se puede aplicar el siguiente
Corolario 2.14 Sean p y q dos polinomios primos entre s. Si q no tiene races reales y
grado(q) grado(p) +2,
entonces
_

p(x)
q(x)
dx = 2i

zZ( q)Int(H)
Res
_
p
q
, z
_
.
Ejemplo 2.38 Queremos calcular
J =
_

0
x
2
1+x
4
dx.
Es claro que
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
J =
1
2
_

x
2
1+x
4
dx. (2.105)
Los polinomios complejos
(%i1) p(z):= z2;
( %o1) p(z) := z
2
(%i2) q(z):= 1+ z4;
( %o2) q(z) := 1+z
4
verican las condiciones del Corolario 2.14. En efecto, se tiene que
4 = grado(q) grado(p) +2 = 4
y ninguna de las races de q cae en el eje real:
(%i3) allroots(q(z));
( %o3) [z = 0,70710678118655i +0,70710678118655,
z = 0,707106781186550,70710678118655i,
z = 0,70710678118655i 0,70710678118655,
z =0,70710678118655i 0,70710678118655]
En Int(H) est an
(%i4) z1: %e(%i
*
%pi/4);
( %o4)
i
2
+
1
2
(%i5) z2: %e(%i
*
3
*
%pi/4);
( %o5)
i
2
Entonces por el Corolario 2.14:
(%i6) J: (1/2)
*
2
*
%pi
*
%i
*
(residue(p(z)/q(z),z,z1)
+residue(p(z)/q(z),z,z2)), rectform;
( %o6)

2
3
2
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Caso II:
_

f (x)dx cuando f tiene polos reales

Se tiene el siguiente resultado.
1) 1P =a
1
, ..., a
s
, donde los a
j
son polos simples de

f ;
[

f (z)[
K
[z[
p
Entonces,
_

f (x)dx = 2i

zInt(H)P
Res(

f , z) +i
s
j=1
Res( f , a
j
).
Para una demostraci on v ease [ADCR05]. A veces se puede aplicar el siguiente corolario.
Corolario 2.15 Sean p y q dos polinomios primos entre s. Si q tiene races reales simples y
entonces
_

p(x)
q(x)
dx = 2i

zZ( q)Int(H)
Res
_
p
q
, z
_
+i

aZ[ q]1
Res
_
p
q
, a
_
.
Ejemplo 2.39 Queremos calcular
I =
_

p(x)
q(x)
, dx
donde
(%i1) p(z):= 3
*
z+2;
( %o1) p(z) := 3z +2
(%i2) q(z):= z
*
(z-4)
*
(z2+9);
( %o2) q(z) := z (z 4)
_
z
2
+9
_
Puesto que se verican las condiciones del Corolario 2.15, se tiene que
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
(%i3) z1: 3
*
%i;
( %o3) 3i
(%i4) a1: 0;
( %o4) 0
(%i5) a2: 4;
( %o5) 4
(%i6) I: 2
*
%pi
*
%i
*
residue(p(z)/q(z),z,z1)+
%pi
*
%i
*
(residue(p(z)/q(z),z,a1) + residue(p(z)/q(z),z,a2)),
rectform;
( %o6)
14
75
Caso III:
_

f (x) cos(x)dx y
_
f (x) sin(x)dx cuando f no tiene polos reales

Cuando se quiere calcular una integral como
I
1
=
_

f (x) cos(x)dx, I
2
=
_

f (x) sin(x)dx (2.106)

evaluamos en realidad la integral
I =
_

f (x)e
ix
dx = I
1
+i I
2
.
Para ello se puede utilizar el siguiente teorema.
1) 1P = / 0, es decir

f no tiene polos reales;
[

f (z)[
K
[z[
p
Entonces, para todo > 0,
_

f (x)e
ix
dx = 2i

wInt(H)P
Res(e
iz

f , w).
Observaci on 2.16 T engase presente que se exige que p > 0, a diferencia del Teorema 2.27 donde se re-
quera que p > 1.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
La demostraci on de este resultado es similar a la prueba del Teorema 2.27. A veces se puede aplicar el
siguiente corolario.
Corolario 2.16 Sean p y q dos polinomios primos entre s. Si q no tiene races reales y
entonces, para > 0,
_

p(x)
q(x)
e
ix
dx = 2i

zZ( q)Int(H)
Res
_
p
q
e
iz
, z
_
.
Ejemplo 2.40 Sean a, s > 0. Queremos calcular
I =
_

cos(sx)
x
2
+a
2
dx.
Ponemos
(%i1) assume(s>0);
( %o1) [s > 0]
(%i2) assume(a>0);
( %o2) [a > 0]
(%i3) p(z):=1; q(z):= z2+a2;
( %o3) p(z) := 1
( %o4) q(z) := z
2
+a
2
Los polinomios p y q verican las condiciones del Corolario 2.16. Se tiene entonces que
(%i5) I: 2
*
%pi
*
%i
*
residue(%e(%i
*
s
*
z)/q(z),z,a
*
%i);
( %o5)
e
as
a
de manera que
_

cos(sx)
x
2
+a
2
dx =

a
e
as
.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Caso IV:
_

f (x) cos(x)dx y
_
f (x) sin(x)dx cuando f tiene polos reales

Para calcular integrales como I
1
e I
2
en (2.106) cuando f admite polos reales se tiene el siguiente teore-
ma.
1) 1P =a
1
, ..., a
s
, donde los a
j
son polos simples de

f ;
[

f (z)[
K
[z[
p
Entonces,
_

f (x)e
isx
dx = 2i

wInt(H)P
Res(e
isz

f , w) +i
s
j=1
Res(e
isz

f , a
j
).
Para una demostraci on de este teorema v ease [ADCR05]. A veces se puede aplicar el siguiente corolario.
Corolario 2.17 Sean p y q dos polinomios primos entre s. Si q tiene races reales simples y
entonces
_

p(x)
q(x)
e
isx
dx = 2i

zZ( q)Int(H)
Res
_
p
q
e
isz
, z
_
+i

aZ[ q]1
Res
_
p
q
e
isz
, a
_
.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Problemas
2.1. Usando (2.2) y (2.3) pruebe que C es un cuerpo (v ease Secci on 2.1.2).
2.2. Sea n N y > 0. Resuelva la ecuaci on
z
n
= , z C.
Para n = 3, 4, 5, 6, 7 graque en Maxima el polgono que resulta de unir las soluciones de la ecuaci on con
segmentos en el plano complejo.
2.3. Sea f : CC. Halle el conjunto de puntos Cdonde la funci on compleja (denida por la f ormula
indicada) es derivable y, si es el caso, calcule f
/
(z).
f
1
(z) = tan(z); f
2
(z) = z z; f
3
(z) = tanh(z); f
4
(z) = sin(z) sin(z);
f
5
(z) = e
x
(cos(y) i sin(y)); f
6
(z) = (z
3
+1) e
y
(cos(x) i sin(x)).
2.4. Escriba una rutina en Maxima que reciba como entrada una funci on compleja f (z) = u(x, y) +i v(x, y)
y que verique si se cumplen las condiciones C-R. Aplique esta herramienta a las funciones del Ejercicio
2.3.
2.5. Denamos los operadores diferenciales

z
y

z
mediante las f ormulas
z
=
1
2
_

x
i

y
_
,

z
=
1
2
_

x
+i

y
_
.
1) Pruebe que f = u+iv satisface las ecuaciones de Cauchy - Riemann si y s olo si se cumple la ecuaci on
f
z
(z) = 0.
2) Si f H(), C, muestre que para todo z se tiene que
f
/
(z) =
f
z
(z).
2.6. Sea C, abierto. Pruebe que f H() si f (z) y z f (z) son arm onicas en .
Idea. Tenga presente que una funci on compleja es arm onica si tanto su parte real como su parte imaginaria
son arm onicas. Una funci on g : 1
2
1 es arm onica en si se cumple que
2
g
x
2
+

2
g
y
2
= 0, para todo (x, y) .
2.7. Sea f : C C. Pongamos z = x +iy = r e
i
y
f (z) = u(x, y) +i v(x, y) =U(r, ) +iV(r, ).
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
1) Pruebe que f H() si y s olo si se cumplen las condiciones
_
_
1
r
V
=
U
r
,
1
r
U
=
V
r
.
Estas condiciones se conocen como las ecuaciones de Cauchy - Riemann en coordenadas polares.
2) Verique que si se cumplen estas condiciones entonces
f
/
(z) =
_
U
r
+i
V
r
_
e
i
.
2.8. Sea z C. Verique las siguientes propiedades
cosh(z) = cosh(z);
sinh(z) =sinh(z);
cosh
/
(z) = sinh(z);
sinh
/
(z) = cosh(z);
cosh
2
(z) sinh
2
(z) = 1;
sin(iz) = i sinh(z);
cosh(iz) = cos(z);
sin(z) = sin(z).
2.9. Calcule
L = lm
y
tan(x +iy).
.
2.10. Halle en C las soluciones de las ecuaciones
cosh(z) = 0;
sinh(z) = 0.
2.11. Determinar el radio de convergencia de las series de potencias
S
1
=
kN
(z i)
k
, S
2
=
kN
(z +2i)
k
k
, S
3
=
kN
(z +2)
k
k
2
.
2.12. Sabiendo que la serie S(z) =
kN
c
k
(z z
0
)
k
tiene radio de convergencia R
0
> 0, determine el radio
de convergencia de las series de potencias
U(z) =
kN
c
k
(z z
0
)
2k
, V(z) =
kN
c
2
k
(z z
0
)
k
.
2.13. Encuentre el desarrollo en serie de potencias
k=0
c
k
z
k
en torno a z
0
= 0, para la funci on determinada
por la f ormula
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
f (z) =
1
1z z
2
.
Pruebe que la sucesi on (c
k
)
kN
es la serie de Fibonacci:
_
c
0
= c
1
= 1,
c
k+2
= c
k
+c
k+1
, k = 0, 1, 2, ...
2.14. Dado C, se dene la funci on potencia , p
: C0 C, mediante
p
(z) = e
ln(z)
.
El valor de la funci on p
se denota habitualmente como z
.
1) Muestre que i
i
= e
/2
.
2) Dado = +i, pruebe que para todo t > 0 real,
t
=t
[cos( ln(t)) +i sin( ln(t))].

3) Dados , C, verique que
z
+
= z
.
4) Determine el dominio donde p
es holomorfa y pruebe que en dicho dominio se cumple que

(z
)
/
= z
1
,
donde se supone que ,= 0.
2.15. Pruebe que la funci on logartmica es holomorfa para z C(, 0] y que en ese caso se tiene que
ln
/
(z) =
1
z
.
Idea. Puede usar el resultado establecido en el Ejercicio 2.7.
2.16. Manualmente y usando Maxima encuentre primitivas de las siguientes funciones
f
1
(z) =
z
1/2
2z
2/3
+1
z
1/4
; f
2
(z) =
e
3z
+1
e
z
+1
;
f
3
(z) =
z
2
+1
z
4
+1
; f
4
(z) =
senh(z)cosh(z)
_
sinh
4
(z) +cosh
4
(z)
_
1/2
;
f
5
(z) =
z ln
_
z +(1+z
2
)
1/2
_
(1+z
2
)
1/2
; f
6
(z) = e
z
1/2
;
f
7
(z) =
1
z
2
(z
2
+z 1)
1/2
; f
8
(z) =
z
(1+z)(1z z
2
)
1/2
.
2.17. Calcule manualmente la longitud de las curvas
(t) =t cos(t) +i t sin(t), t [0, ];
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
2.18. Escriba en Maxima una rutina que reciba como entrada una curva compleja (t) = x(t) +i y(t), t
[a, b], que la graque y que calcule su longitud. Aplique esta rutina a la curva del Ejercicio 2.17 y a las
siguientes curvas.
1
(t) = sin(t)
_
e
cos(t)
2cos(4t) sin
5
_
t
12
__
+i cos(t)
_
e
cos(t)
2cos(4t) sin
5
_
t
12
__
, t [0, 2];
2
(t) = [cos(t) +t sin(t)] +i [sin(t) t cos(t)] , t [2, 2];
3
(t) = 2
2tan(t) +i 2cos
2
(t), t [/2+, /2].
Figura 2.20 A
1
se le co-
noce como la curva de la
mariposa.
Figura 2.21 A
2
se le conoce
como la involuta.
Figura 2.22 A
3
se le conoce
como la Bruja o curva de
Agnesi; (0, /2). Aqu se
ha tomado = 0,3.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
2.19. Calcule manualmente y usando Maxima, la longitud del arco de circunferencia de radio r > 0 com-
prendido entre los angulos
1
y
2
, donde
0
1

2
2.
2.20. Calcule valor de I =
_
sin(z)ln(z
2
5)
cosh(ln(z))
dz, donde es el camino denido por la curva
(t) : [0; 1] C
t (t) = e
2it
.
2.21. Calcule directamente el valor de las siguientes integrales
I
1
=
_
[0,1+i]
(z
3
z
2
z +1)e
z
dz; I
2
=
_
[z[=1/2
dz
1+z
2
.
2.22. Pruebe que la funci on denida por la f ormula f (z) = zln(z) tiene una primitiva en C (; 0], y
calcule el valor de la integral
I =
_
[2,i]
zln(z)dz.
2.23. Sea S 1. Calcule
L = lm
S
_
[S; S+i]
z
2
e
z
z +1
dz.
2.24. Calcule las siguientes integrales
I
1
=
_
3+4i
0
sin(z)dz; I
2
=
_
[1+i,3+4i]
ln(z)dz;
I
3
=
_
1+i
0
(2z
2
z +1)e
z
dz. I
4
=
_
[2i,4+i]
cosh(z)sinh(z)dz;
2.25. Sea f H(B(z
0
; R)).
1) Pruebe que para todo r ]0; R[ se tiene que
f (z
0
) =
1
2
_
2
0
f (z
0
+re
i
)d.
2) Deduzca que para 0 < r < 1, se cumple que
_
2
0
ln(1+re
i
)d = 0,
y que como consecuencia
_
/2
0
ln(sin(x)) =
2
ln(2).
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
2.26. El objetivo de este ejercicio es probar las f ormulas de Fresnel:
_

cos(x
2
)dx =
_

sin(x
2
)dx =
_
2
.
1) Pruebe que la serie de Taylor correspondiente a la funci on denida por la f ormula f (z) = exp(iz
2
) tiene
radio de convergencia innito.
2) Tomemos R > 0 y consideremos el camino
R
=
1
3
. Calcule
_
1
f (z)dz.
3) Pruebe que
_
3
f (z)dz =
_
0
R
exp
_
it
2
e
i/2
_
e
i/4
dt
y concluya que
lm
R
_
3
f (z)dz =
1
2
__
2
+i
_
2
_
.
4) Pruebe que
_
2
f (z)dz =
_
/4
0
exp
_
iR
2
e
2
it
_
Rie
it
dt
de manera que
2
f (z)dz
R
_
/4
0
e
R
2
sin(2t)
dt.
Concluya que
lm
R
_
2
f (z)dz = 0
Indicaci on.- Puede usar el hecho que
sin()
2
, para todo [0, /2].

5) Pruebe que
_

0
cos(x
2
)dx =
_

0
sin(x
2
)dx =
1
2
_
2
y deduzca las f ormulas de Fresnel.
2.27. Pruebe que para todo k 1,
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
_

0
e
kcos()
cos(k sin())d = .
2.28. Halle la serie de Taylor de sinh en torno al punto z
0
= i.
2.29. Halle la serie de Laurent para f
i
(z) en torno a z
0
en el anillo m as grande posible
f
1
(z) =
2z
1+z
2
, z
0
= i; f
2
(z) =
sin(z)
z
2
, z
0
= 0;
f
3
(z) =
1cos(2z)
z
2
, z
0
= 0; f
4
(z) =
e
z
z(z
2
+1)
, z
0
= 0.
2.30. Encuentre las singularidades de la funci on e indique de qu e tipo son.
f
1
(z) =
4sin(z +2)
(z +i)
2
(z i)
; f
2
(z) =
sin(z)
sinh(z)
;
f
3
(z) =
1
z
4
+z
2
; f
4
(z) = cotg(z);
f
5
(z) = tan(z); f
6
(z) = e
1/z(z+1)
;
f
7
(z) = cosec(z); f
8
(z) =
1
z 1
e
1/z
2
.
2.31. Suponga que f (z) y g(z) tienen polos en z
0
C de orden m y n, respectivamente. Qu e puede decirse
sobre las singularidades de f +g, f g en z
0
?
2.32. Explique por qu e el residuo en un polo simple no puede tomar el valor 0.
2.33. Sea p C un polo de las funciones g y h. Pruebe que
Res(g+h, p) = Res(g, p) +Res(h, p).
2.34. Calcular I
i
=
_
f
i
(z)dz, donde est a parametrizada por (t) = e
it
, t [0, 2].
f
1
(z) =
cos(z)
z
3
; f
2
(z) =
1e
2z
z
4
; f
3
(z) =
e
z
2(z 1/2)
2
.
2.35. Muestre que si f es una funci on impar y holomorfa en z ,= 0, entonces todos los t erminos pares en su
expansi on de Laurent sobre z
0
= 0 son iguales a 0.
2.36. Calcule I =
_
e
1/z
dz donde es cualquier trayectoria cerrada que no pase por el origen.
2.37. Usando el Teorema del Residuo calcule I
k
=
_
k
f (z)dz.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
1) f
1
(z) =
1+z
2
(z 1)
2
(z +2i)
,
1
es el crculo de radio 7 alrededor de z
0
=i.
2) f
2
(z) =
e
z
z
,
2
es el crculo de radio 2 alrededor de z
0
=3i.
3) f
3
(z) =
z +i
z
2
+6
,
3
es el cuadrado de lado de longitud 8 y lados paralelos a los ejes, con centro en el
origen.
4) f
4
(z) =
e
2z
z(z 4i)
,
4
es cualquier trayectoria cerrada que encierra a 0 y a 4i.
2.38. Sean a (0, 1) y n N.
1) Sobre el crculo unitario integre la funci on determinada por la f ormula
f (z) =
_
z
n
+
1
z
n
_
_
1
z a
1
z 1/a
_
2) Calcule
I =
_
2
0
cos(nx)
1+a
2
2acos(x)
dx.
2.39. Sea a (0, 1) y n = 0, 1, 2, .... Calcule
I
1
=
_
2
0
d
a+cos()
;
I
2
=
_
2
0
cos
2
(3)
12acos(2) +a
2
d;
I
3
=
_
2
0
cos(n)
cosh(a) +cos()
d.
2.40. Sea a > 0. Calcule
I
1
=
_

1
1+x
6
dx; I
2
=
_

0
xsin(x)
x
2
+a
2
dx;
I
3
=
_

0
ln(x)
1+x
2
dx; I
4
=
_

0
ln(x)
(1+x
2
)
2
dx;
I
5
=
_

0
sin(x)
x(x
2
+a
2
)
dx.
2.41. Sean , > 0. Calcule
I =
_

0
xsin(x)
x
4
+
4
dx.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Captulo 3
Transformada de Laplace
3.1. Introducci on
Hoy en da, los sistemas de control juegan un papel muy importante en Ingeniera (v ease e.g. [Ni n10]),
particularmente cuando se aplican sus t ecnicas a proyectos de desarrollo tecnol ogico y en la industra, e.g.
lneas de ensamblaje autom atico, control de m aquinas-heramienta, sistemas de armas, sistemas de transpor-
te, sistemas de potencia, rob otica, concentraci on de productos en un reactor qumico, etc.
A grosso modo, para dise nar un sistema de control autom atico (v ease e.g. [DB10]) se debe modelar ma-
tem aticamente el proceso de inter es. Esto habitualmente involucra un modelo din amico a tiempo continuo
(v ease el Ap endice A), es decir una ecuaci on diferencial que permite dise nar un controlador de manera
que se cumplan los objetivos del proceso (habitualmente representados por un conjunto de restricciones
matem aticas).
Controlar apropiadamente un proceso permite incrementar la productividad, mejorar la calidad y la se-
guridad, reducir costos de producci on, mejorar la protecci on al medio ambiente, etc. de manera que el rango
de aplicaciones de los sistemas de control es grande y una herramienta que se utiliza en el dise no de control
cl asico es precisamente la transformada de Laplace, [Ni n10].
Figura 3.1 Para resolver
un problema por medio de
L empieza por transformar
el problema complicado en
uno simple; este problema
se resuelve obteni endose la
transformada de Laplace de
la soluci on; nalmente se
aplica L
1
para recuperar
la soluci on del problema
original.
De hecho, la transformada de Laplace tiene aplicaciones mucho m as all a del ambito de los sistemas de
control. As, por ejemplo, en Economa tiene una interpretaci on simple: es el valor presente de un ujo efec-
105
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
106 3 Transformada de Laplace
tivo (v ease e.g. [LR03]). En la Secci on 3.8 aplicamos la transformada de Laplace para abordar problemas
de valor inicial, ecuaciones integrodiferenciales, sistemas de ecuaciones diferenciales ordinarias y algunos
problemas en Economa.
3.2. Deniciones y f ormulas b asicas
Dada una funci on
f : [0, ) 1
t f (t)
se dene formalmente su transformada de Laplace mediante
L [ f ] (s) =
_

0
e
st
f (t)dt. (3.1)
Observaci on 3.1 A lo largo de esta secci on, si no se menciona explcitamente el dominio de una funci on
f = f (t) debe asumirse que es [0, ).
T engase presente que la transformada de funciones f = f (t), g = g(t), etc. suele denotarse por sus
correspondientes may usculas:
F(s) =L [ f ] (s), G(s) =L [g] (s), etc. (3.2)
Por la denici on (3.1) es claro que
_

0
f (t)e
at
dt = F(a), (3.3)
y en particular
_

0
f (t)dt = F(0). (3.4)
Por la denici on (3.1) es claro que L [] es una aplicaci on lineal sobre un espacio vectorial de funciones
denidas sobre [0, ). En efecto, si 1y f = f (t) y g =g(t) son funciones con transformadas de Laplace,
entonces f +g tambi en tiene transformada de Laplace y se cumple que
L [ f +g] = L [ f ] +L [g] . (3.5)
Ejemplo 3.1 Calculemos la transformada de Laplace de
f (t) =
_
1, 0 t < /2
cos(t), t /2
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
3.2 Deniciones y f ormulas b asicas 107
(%i1) assume(s>0);
( %o1) [s > 0]
(%i2) g(t):= 1;
h(t):= cos(t);
( %o2) g(t) := 1
( %o3) h(t) := cos(t)
(%i4) F: integrate(g(t)
*
exp(-s
*
t),t,0,%pi/2)
+integrate(h(t)
*
exp(-s
*
t),t,%pi/2,inf);
( %o4)
e
s
2
s
2
+1
s
2
s
+
1
s
Existencia de la transformada de Laplace
Existe una variedad de condiciones para f = f (t) bajo las cuales uno puede establecer la existencia de
la transformada de Laplace L [ f ]. En la siguiente denici on establecemos una de ellas.
Denici on 3.1 [Orden Exponencial]
Se dice que f = f (t) tiene un oden exponencial si existen c, M, T > 0 tales que
[ f (t)[ Me
ct
, para todo t > T. (3.6)
Figura 3.2 La funci on
f (t) = 2,2sin(4t) es de
orden exponencial. Se pue-
de tomar c = 1, M = 1 y
T = 0,5337079.
Teorema 3.1 [Existencia de la transformada de Laplace]
Si f = f (t) es continua por trozos y verica (3.6), entonces L [ f ] (s) existe para s > c.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Demostraci on. Se tiene que
[L [ f ] (s)[ =
_

0
e
st
f (t)
_

0
e
st
[ f (t)[dt
_
T
0
e
st
[ f (t)[dt +M
_

T
e
t(sc)
dt
_
T
0
[ f (t)[dt +
M
s c
e
T(sc)
de manera que L [ f ] (s) 1, para todo s > c.
Observaci on 3.2 En la demostraci on anterior, la continuidad por trozos de f sirve para asegurar que la
integral
_
T
0
[ f (t)[dt sea nita. Podemos cambiar este requerimiento por f L
1
(0, T) (v ease la Secci on
5.6.1).
F ormulas b asicas
Introducimos aqu las f ormulas para las transformadas de funciones importantes.
Teorema 3.2 [F ormulas b asicas]
Se tiene que
L [1] (s) =
1
s
, para s > 0; (3.7)
L [t
n
] (s) =
n!
s
n+1
, para s > 0; (3.8)
L
_
e
at
(s) =
1
s a
, para s > a; (3.9)
L [sin(kt)] (s) =
k
s
2
+k
2
, para s > 0; (3.10)
L [cos(kt)] (s) =
s
s
2
+k
2
, para s > 0; (3.11)
L [sinh(kt)] (s) =
k
s
2
k
2
, para s >[k[; (3.12)
L [cosh(kt)] (s) =
s
s
2
k
2
, para s >[k[. (3.13)
Ejemplo 3.2 Para obtener las f ormulas (3.7)-(3.13) basta aplicar la denici on (3.1). Obtengamos la
f ormula (3.13):
(%i1) assume(k>0);
( %o1) [k > 0]
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
3.2 Deniciones y f ormulas b asicas 109
(%i2) f(t):= cosh(k
*
t);
( %o2) f (t) := cosh(kt)
(%i3) assume(s>abs(k));
( %o3) [s > k]
(%i4) F: integrate(f(t)
*
exp(-s
*
t),t,0,inf);
( %o4)
s
s
2
k
2
Tip 38.
La orden laplace(f(x),x,y) permite calcular L [ f (x)] (y).
(%i1) f(t):= cos(%pi
*
t) - sinh(2
*
t);
( %o1) f (t) := cos( t) sinh(2t)
Se tiene que
(%i2) F: laplace(f(t),t,s);
( %o2)
s
s
2
+
2

2
s
2
4
Transformada inversa de Laplace
Dada una funci on F = F(s) uno se pregunta si existe una funci on f = f (t) tal que L [ f ] = F. En si el
caso se dice que f = f (t) es la transformada inversa de Laplace de F = F(s) y se escribe
L
1
[F] (t) = f (t).
Por (3.5), se sigue que la transformada inversa de Laplace tambi en es lineal:
L
1
[F +G] = L
1
[F] +L
1
[G] . (3.14)
Se puede observar en el Teorema 3.2 que todas las transformadas se anulan cuando s tiende a . Esto no
es casualidad pues de hecho se cumple la siguiente proposici on.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Proposici on 3.1 [Propiedades asint oticas de L [ f ]]
Si f = f (t) es continua por trozos y de orden exponencial, entonces
lm
s
F(s) = 0; (3.15)
lm
s
sF
/
(s) = 0; (3.16)
lm
s
sF(s) = lm
t0
+
f (t). (3.17)
Observaci on 3.3 De la Proposici on 3.1 se sigue que una funci on F = F(s) que no satisface
lm
s
F(s) = 0
no puede ser la transformada de Laplace de una funci on f = f (t).
El Teorema 3.2 se puede reescribir como
Corolario 3.1 [F ormulas b asicas]
Sean a, k 1. Para t 0 se tiene que
L
1
_
1
s
_
= 1; (3.18)
L
1
_
n!
s
n+1
_
=t
n
; (3.19)
L
1
_
1
s a
_
= e
at
; (3.20)
L
1
_
k
s
2
+k
2
_
= sin(kt); (3.21)
L
1
_
s
s
2
+k
2
_
= cos(kt); (3.22)
L
1
_
k
s
2
k
2
_
= sinh(kt); (3.23)
L
1
_
s
s
2
k
2
_
= cosh(kt). (3.24)
Las siete f ormulas del Teorema 3.2 (equivalentemente del Corolario 3.1) deben grabarse en la memoria
del estudiante.
3.3. Teoremas de traslaci on o corrimiento
Los teoremas de traslaci on (tambi en conocidos como teoremas de corrimiento) que a continuaci on se
presentan permiten ampliar el espectro de funciones a las que se puede aplicar L [] o L
1
[].
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
3.3 Teoremas de traslaci on o corrimiento 111
3.3.1. Primer teorema de traslaci on
Teorema 3.3 [Primer teorema de traslaci on]
Sea a 1. Si se cumple que F(s) =L [ f ] (s), entonces se tiene que
L
_
e
at
f (t)
(s) = F(s a). (3.25)

Demostraci on. Por la f ormula (3.3) se tiene que
L
_
e
at
f (t)
(s) =
_

0
e
at
f (t)e
st
dt
=
_

0
f (t)e
t(sa)
dt
= F(s a). .
Observaci on 3.4 A veces es bueno poner la f ormula (3.25) en la forma
L
_
e
at
f (t)
=L [ f ]
ssa
. (3.26)
Para el c alculo de transformadas inversas es util escribir el Teorema 3.3 como
L
1
[F(s) [
ssa
] = e
at
f (t). (3.27)
Tip 39.
La orden ilt(f(x),x,y) permite calcular L
1
[ f (x)] (y).
(%i1) f(t):= exp(m
*
t)
*
sin(%pi
*
t);
( %o1) f (t) := exp(mt) sin( t)
Se tiene que
(%i2) F: laplace(f(t),t,s);
( %o2)

s
2
2ms +m
2
+
2
Ahora calculemos L
1
[F]:
(%i3) ilt(F,s,t);
( %o3) e
mt
sin( t)
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
3.3.2. Transformada inversa de funcionales racionales
Consideremos una funci on racional denida por la f ormula
R(s) =
P(s)
Q(s),
donde P y Q son polinomios tales que grad(P) < grad(Q). Para calcular L
1
[R] se descompone R(s) en
fracciones parciales de manera que aparezcan sumandos de la forma
L
1
_
A
s a
_
; L
1
_
A
(s a)
n
_
;
L
1
_
s +a
(s +a)
2
+b
2
_
; L
1
_
b
(s +a)
2
+b
2
_
;
que pueden ser calculados mediante las f ormulas del Corolario 3.1 y con ayuda del primer teorema de
traslaci on en la forma
L
1
[F(s) [
ssa
] = e
at
f (t).
Para el caso particular en que
Q(s) =
m
i=1
(s a
i
),
donde las a
i
1 verican
i ,= j = a
i
,= a
j
,
se puede aplicar la f ormula de Heaviside:
L
1
[R(s)] (t) =
m
i=1
P(a
i
)
Q
/
(a
i
)
e
a
i
t
. (3.28)
Ejemplo 3.5 Calculemos L
1
[R(s)] =L
1
[P(s)/Q(s)] donde
(%i1) P(s):= s2-4
*
s+1;
(%o1) P(s) := s
2
4s +1
(%i2) Q(s):= s4+11
*
s3-34
*
s2-344
*
s+960;
(%o2) Q(s) := s
4
+11s
3
+(34) s
2
+(344) s +960
Factoramos el denominador:
(%i3) factor(Q(s));
(%o3) (s 4) (s 3) (s +8) (s +10)
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
3.3 Teoremas de traslaci on o corrimiento 113
de manera que podemos aplicar la f ormula de Heaviside:
(%i4) define(q(s), diff(Q(s),s));
(%o4) q(s) := 4s
3
+33s
2
68s 344
(%i5) F: P(4)/q(4)
*
exp(4
*
t)+P(3)/q(3)
*
exp(3
*
t)+
P(-8)/q(-8)
*
exp(-8
*
t)+P(-10)/q(-10)
*
exp(-10
*
t);
(%o5)
e
4t
168
+
2e
3t
143
+
97e
8t
264

141e
10t
364
Comprobemos que efectivamente da el resultado correcto:
(%i6) F - ilt(P(s)/Q(s),s,t);
(%o6) 0
3.3.3. Segundo teorema de traslaci on
Para establecer el segundo teorema de traslaci on necesitamos denir la funci on de Heaviside:
H(t a) =
_
0, t < a,
1, t a.
(3.29)
Al valor t = a se le conoce como punto de activaci on. En efecto, la gr aca de la funci on de Heaviside
puede interpretarse como un sistema que permanece apagado (toma el valor 0) hasta que se activa (toma el
valor 1) en t = a.
Figura 3.3 La funci on de
Heaviside con activaci on en
t = 1,5.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Teorema 3.4 [Segundo teorema de traslaci on]
Sea a > 0. Si se cumple que F(s) =L [ f ] (s), entonces se tiene que
L [ f (t a) H(t a)] (s) = e
as
F(s). (3.30)
Para el c alculo de transformadas inversas es util escribir el Teorema 3.4 como
L
1
_
e
as
F(s)
= f (t a) H(t a). (3.31)

Ejemplo 3.6 Queremos calcular la transformada de Laplace de la funci on
g(t) =
_
0, 0 t < 4,
t
2
+1, t 4.
Puesto que
g(t) = H(t 4) (t
2
+1),
para aplicar (3.30) tenemos que hallar una funci on f (t) tal que
t
2
+1 = f (t 4).
Puesto que
(%i1) taylor(t2 +1,t,4,2);
(%o1)/T/ 17+8 (t 4) +(t 4)
2
+...
se sigue que
(%i2) define(f(t), 17+8
*
t+t2);
(%o2) f (t) :=t
2
+8t +17
Al aplicar (3.30) se encuentra la transformada de g(t):
(%i3) G: exp(-4
*
s)
*
laplace(f(t),t,s);
(%o3)
_
17
s
+
8
s
2
+
2
s
3
_
e
4s
3.4. La transformada inversa mediante el c alculo de residuos
Sea F una funci on diferenciable para todo s excepto para los puntos s
1
, s
2
, ..., s
n
que son todos los polos
de F. Supongamos que para alg un 1, F es diferenciable para todo s tal que Re(s) > . Supongamos
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
3.4 La transformada inversa mediante el c alculo de residuos 115
tambi en que existen n umeros M, R > 0 tales que
[sF(s)[ M, para [s[ > R.
Entonces, la funci on
f (t) =
n
j=1
Res(e
st
F(s), s
j
) (3.32)
verica
L [ f ] = F(s), para Re(s) > .
Ejemplo 3.7 Calculemos la transformada inversa de
(%i1) F(s):= 1/(s3-s2-4
*
s+4);
(%o1) F(s) :=
1
s
3
s
2
+(4) s +4
Puesto que
(%i2) factor(1/F(s));
(%o2) (s 2) (s 1) (s +2)
es claro que F(s) tiene polos simples en los puntos
(%i3) s1: -2;
s2: 1;
s3: 2;
(%o3) 2
(%o4) 1
(%o5) 2
Calculamos la transformada inversa de Laplace de F(s) mediante la f ormula (3.32):
(%i6) define(f(t), residue(exp(s
*
t)
*
F(s),s,s1)
+residue(exp(s
*
t)
*
F(s),s,s2)+residue(exp(s
*
t)
*
F(s),s,s3));
(%o6) f (t) :=
e
2t
4

e
t
3
+
e
2t
12
Finalmente vericamos que se ha obtenido el resultado correcto
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
(%i7) f(t)-ilt(F(s),s,t);
(%o7) 0
3.5. Derivaci on y convoluci on
Para calcular la transformada de Laplace de la derivada de una funci on se tiene el siguiente teorema.
Teorema 3.5 [Transformada de una derivada]
Sea f = f (t) una funci on tal que
1) para k = 0, 1, ..., n1, f
(k)
C([0, )) y es de orden exponencial;
2) f
(n)
es continua por trozos.
Entonces
L
_
f
(n)
_
(s) = s
n
F(s) s
n1
f (0) s
n2
f
/
(0) ... f
(n1)
(0), (3.33)
donde F(s) =L [ f ] (s).
Tip 40.
La orden nombrelista[k] permite extraer el k-esimo elemento de la lista nombrelista.
Tip 41.
El comando atvalue(f(x),x=a,v) establece que f (a) = v.
Ejemplo 3.8 Maxima utiliza la f ormula (3.33) como se puede ver en el siguiente caso
(%i1) atvalue(f(t),t=0,v[0]);
atvalue(diff(f(t),t),t=0,v[1]);
atvalue(diff(f(t),t,2),t=0,v[2]);
( %o1) v
0
( %o2) v
1
( %o3) v
2
( %o4) v
3
( %o5) v
4
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
3.5 Derivaci on y convoluci on 117
(%i6) laplace(diff(f(t),t,5) ,t,s);
( %o6) s
5
laplace(f (t), t, s) v
0
s
4
v
1
s
3
v
2
s
2
v
3
s v
4
Para calcular la derivada de una transformada se tiene el siguiente teorema.
Teorema 3.6 [Derivada de una transformada]
Supongamos que F(s) =L [ f ] (s). Entonces se tiene
L [t
n
f (t)] = (1)
n
d
n
ds
n
F(s). (3.34)
Ejemplo 3.9 Maxima utiliza la f ormula (3.34) como se puede ver en el siguiente caso
(%i1) laplace((t5-t3)
*
f(t),t,s);
( %o1)
d
3
d s
3
laplace(f (t), t, s)
d
5
d s
5
Convoluci on de funciones
Si las funciones f y g son continuas por trozos en [0, ), la convoluci on de f y g es la funci on
conv[ f , g] : [0, ) 1 denida como
conv[ f , g](t) =
_
t
0
f ()g(t )d. (3.35)
De la denici on se sigue que
conv[ f , g] = conv[g, f ]. (3.36)
Observaci on 3.5 Nuestra elecci on en la notaci on conv[ f , g] para representar la convoluci on de las funcio-
nes f = f (t) y g = g(t) se debe a que en la Secci on ?? deniremos un producto de convoluci on uv para
funciones denidas sobre 1. El producto ser a utilizado en combinaci on con conv[, ] para resolver un
tipo de ecuaciones diferenciales parciales (v ease la Secci on 6.5.3).
Para el manejo de ecuaciones integrales e integro-diferenciales es util el siguiente teorema.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Teorema 3.7 [Convoluci on]
Sean f y g continuas por trozos en [0, ) y de orden exponencial. Entonces,
L [conv[ f , g]](s) =L [ f ] (s) L [g] (s). (3.37)
En particular se tiene que
L
_
_
t
0
f ()d
_
(s) =
F(s)
s
. (3.38)
Obviamente se tiene que
L
1
[F(s) G(s)] (t) = conv[ f , g](t). (3.39)
Ejemplo 3.10 Maxima utiliza las f ormulas (3.37) y (3.38):
(%i1) assume(t>0);
( %o1) [t > 0]
(%i2) h(t):= integrate(f(x)
*
g(t-x),x,0,t);
( %o2) h(t) :=
_
t
0
f (x) g(t x)dx
(%i3) laplace(h(t),t,s);
( %o3) laplace(f (t), t, s) laplace(g(t), t, s)
(%i4) laplace(integrate(f(x),x,0,t),t,s);
( %o4)
s
3.6. Funciones peri odicas
Si f tiene transformada de Laplace y es peri odica, entonces se cumple que
L [ f ] (s) =
1
1e
sT
_
T
0
e
st
f (t)dt, (3.40)
donde T es el perodo de f .
Ejemplo 3.11 Consideramos la funci on diente de sierra:
f (t) =
_
_
t, 0 t < 1
0, 1 t < 2
f (t 2), t 2
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
3.6 Funciones peri odicas 119
Figura 3.4 La funci on diente
de sierra.
Es claro que la funci on f es peri odica con perodo
(%i1) T: 2;
( %o1) 2
Aplicamos (3.40) para encontrar la transformada de Laplace de f :
(%i3) (integrate(%e(-s
*
t)
*
t,t,0,1)+integrate(%e(-s
*
t)
*
0,t,1,T))
/(1-%e(-s
*
T)), ratsimp;
( %o3)
e
2s
+(s 1) e
s
s
2
e
2s
s
2
Figura 3.5 La transformada
de Laplace de la funci on
diente de sierra.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
3.7. Delta de Dirac
Introducimos de una manera intuitiva el delta de Dirac, (t t
0
), como si fuera el lmite de una su-
cesi on de funciones reales. Su manipulaci on se vuelve aceptable desde el punto de vista mec anico; pero,
para abordar su verdadero signicado, es necesario enmarcarse en la teora de distribuciones o funciones
generalizadas. Este tema es abordado brevemente en la Secci on 6.5.2.
Fijemos un t
0
[0, ). Para cada n N defnimos
n
(t t
0
) =
_
n
2
, t [t
0
1
n
; t
0
+
1
n
]
0, t / [t
0
1
n
; t
0
+
1
n
].
(3.41)
Trataremos de hallar una funci on, que denotaremos ( t
0
), a partir de (3.41) pasando al lmite cuando n
tiende a . Puesto que
_

n
(t t
0
)dt = 1, para todo n N,
esperaramos que se cumpla que
_

(t t
0
)dt = 1. (3.42)
Se puede probar que para cualquier funci on f = f (t) continua en el punto t =t
0
se cumple que
lm
n
_

n
(t t
0
) f (t)dt = f (t
0
),
de manera que esperamos que se cumpla que
_

(t t
0
) f (t)dt = f (t
0
). (3.43)
Nuestras esperanzas se encuentran con un problema mayor al constatar que lm
n
n
(t
0
) = , de manera
que, por (3.41), la unica denici on aceptable para el delta de Dirac sera:
(t t
0
) =
_
+, t =t
0
,
0, t ,=t
0
;
(3.44)
pero esto involucra a que no es un n umero real.
Figura 3.6 En el gr aco se
representan
1
(t),
4
(t),
7
(t),
10
(t) y
13
(t).
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
3.8 Aplicaciones de la transformada de Laplace 121
Como ya se dijo, la teora de distribuciones elimina este tipo de problemas. Para la aplicaci on operativa
del delta de Dirac a la Ingeniera uno puede sobrellevar este peque no inconveniente aceptando la existen-
cia del delta de Dirac como el smbolo (t t
0
) que verica (3.42), (3.43) y (3.44). Cuando t
0
= 0 se habla
del delta de Dirac cl asico, y se lo denota simplemente (t).
Se dene entonces la transformada de Laplace del delta de Dirac mediante
L [(t t
0
)] (s) = lm
n
L [
n
(t t
0
)] (s) = e
st
0
. (3.45)
Tip 42.
En Maxima el comando delta(t) representa (t).
Ejemplo 3.12 Calculemos las transformadas de Laplace de (t a) y de (t a) sin(bt).
(%i1) assume(a>0);
( %o1) [a > 0]
(%i2) laplace(delta(t-a),t,s);
( %o2) e
as
(%i3) laplace(delta(t-a)
*
sin(b
*
t),t,s);
( %o3)
_
i e
2i ab
i
_
e
asi ab
2
3.8. Aplicaciones de la transformada de Laplace
La gr aca de la derecha resume la mec anica que
se sigue para resolver un problema por medio de la
transformada de Laplace y su inversa. La idea es
simple: un problema complicado se transforma en
uno simple despu es de que se aplica L []; este pro-
blema se resuelve obteni endose la transformada de
Laplace de la soluci on; nalmente se aplica L
1
[]
para recuperar la soluci on del problema original.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
3.8.1. Aplicaci on a un problema de valor inicial
Apliquemos la metodologa reci en mencionada a la resoluci on de problemas de valor inicial.
Ejemplo 3.13 Consideramos el problema
_
_
y
//
6y
/
+9y =t
2
e
3t
;
y(0) = 2;
y
/
(0) = 6
(3.46)
Tomamos transformada de Laplace en ambos lados de la ecuaci on diferencial:
L
_
y
//
6L
_
y
/
+9L [y] =L
_
t
2
e
3t
;
s
2
Y(s) sy(0) y
/
(0) 6[sY(s) y(0)] +9Y(s) =
2
(s 3)
3
.
Usando las condiciones iniciales y simplicando obtenemos
Y(s) =
2
s 3
+
2
(s 3)
5
Tomando transformada inversa tenemos entonces que
y(t) = 2e
3t
+
1
12
t
4
e
3t
.
Tip 43.
Las ordenes lhs(ec) (left hand side) y rhs(ec) (right hand side) permiten extraer el
lado izquierdo y derecho, respectivamente, de la ecuacion ec.
Ejemplo 3.14 Resolvamos con ayuda de Maxima el mismo problema del Ejemplo 3.13. Consideramos
entonces la ecuaci on diferencial
(%i1) ec1: diff(y(t),t,2)-6
*
diff(y(t),t)+9
*
y(t)=t2
*
exp(3
*
t);
( %o1)
d
2
dt
2
y(t) 6
_
d
dt
y(t)
_
+9y(t) =t
2
e
3t
sujeta a las condiciones iniciales
(%i2) atvalue(y(t),t=0,2);
atvalue(diff(y(t),t),t=0,6);
( %o2) 2
( %o3) 6
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Aplicamos la transformada de Laplace al problema de valor inicial:
(%i4) ec2: laplace(ec1,t,s);
( %o4) 6 (slaplace(y(t), t, s) 2) +s
2
laplace(y(t), t, s) +9laplace(y(t), t, s) 2s 6 =
2
(s 3)
3
(%i5) ec3: ev(ec2,laplace(y(t),t,s)=Y);
( %o5) 6 (sY 2) +s
2
Y +9Y 2s 6 =
2
(s 3)
3
Despejamos la transformada de Laplace de la soluci on:
(%i6) ec4: solve(ec3,Y), factor;
( %o6) [Y =
2
_
s
4
12s
3
+54s
2
108s +82
_
(s 3)
5
]
Hallamos y(t), la soluci on del problema de valor inicial:
(%i7) define(y(t),ilt(rhs(ec4[1]),s,t));
( %o7) y(t) :=
t
4
e
3t
12
+2e
3t
que cumple la condici on
(%i8) y(0);
( %o8) 2
y tambi en cumple la condici on y
/
(0) = 6:
(%i9) define(z(t),diff(y(t),t));
( %o9) z(t) :=
t
4
e
3t
4
+
t
3
e
3t
3
+6e
3t
(%i10)z(0);
( %o10) 6
Tip 44.
Maxima tiene el comando desolve para resolver ecuaciones diferenciales ordinarias
con ayuda de la transformada de Laplace.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Ejemplo 3.15 Consideramos nuevamente el problema del Ejemplo 3.13. La soluci on de la ecuaci on dife-
rencial
(%i1) ec1: diff(y(t),t,2)-6
*
diff(y(t),t)+9
*
y(t)=t2
*
exp(3
*
t);
( %o1)
d
2
dt
2
y(t) 6
_
d
dt
y(t)
_
+9y(t) =t
2
e
3t
sujeta a las condiciones iniciales
(%i2) atvalue(y(t),t=0,2);
( %o2) 2
( %o3) 6
est a dada por
(%i4) desolve(ec1,y(t));
( %o4) y(t) =
t
4
e
3t
12
+2e
3t
3.8.2. Aplicaci on a la ecuaci on de Volterra
Consideremos la ecuaci on de Volterra:
f (t) = g(t) +
_
t
0
f ()p(t )d, t [0, ). (V)
Esta es una ecuaci on integral para la funci on inc ognita f = f (t). Las funciones g = g(t) y p = p(t) se
suponen conocidas. Aplicando L [] se obtiene
F(s) = G(s) +F(s) P(s),
de manera que
F(s) =
G(s)
1P(s)
.
Por tanto la soluci on de (V) es
f (t) =L
1
_
G(s)
1P(s)
_
.
Ejemplo 3.16 Resolvamos la ecuaci on
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
f (t) = 3t
2
e
t
_
t
0
f ()e
t
d. (3.47)
Usando la transformada de Laplace tenemos:
L [ f (t)] = 3L
_
t
2
L
_
e
t
L [ f (t)] L
_
e
t
.
As que
F(s) =
6(s 1)
s
4

s 1
s(s +1)
=
6
s
3

6
s
4
+
1
s

2
s +1
.
As que
f (t) = 3t
2
t
3
+12e
t
.
Ejemplo 3.17 Resolvamos el mismo problema del Ejemplo 3.16 con ayuda de Maxima. Consideramos la
ecuaci on integral
(%i1) assume(t>0);
( %o1) [t > 0]
(%i2) ec1: f(t) = 3
*
t2 - %e(-t) - integrate(f(x)
*
%e(t-x),x,0,t);
( %o2) f (t) =
_
t
0
e
tx
f (x)dx e
t
+3t
2
Aplicamos la transformada de Laplace:
(%i3) ec2: laplace(ec1,t,s);
( %o3) laplace(f (t), t, s) =
s 1

1
s +1
+
6
s
3
(%i4) ec3: ev(ec2, laplace(f(t),t,s)=F);
( %o4) F =
F
s 1
1
s +1
+
6
s
3
Despejamos la transformada de Laplace de la soluci on:
(%i5) ec4: solve(ec3, F);
( %o5) [F =
s
4
s
3
6s
2
+6
s
5
+s
4
]
Finalmente hallamos la soluci on:
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
(%i6) define(F(t),ilt(rhs(ec4[1]),s,t));
( %o6) F(t) :=2e
t
t
3
+3t
2
+1
3.8.3. Aplicaci on a la segunda ley de Kirchoff
Como ejemplo de ecuaci on integro diferencial consideremos la Segunda Ley de Kirchoff que establece
que en un circuito en serie, la suma de las caidas de voltaje a trav es de un inductor, L, de un resistor, R, y
de un capacitor, C, es igual a la tensi on aplicada:
_
_
_
L
di
dt
+Ri +
1
C
_
t
0
i()d = v(t), t [0, ),
i(0) = i
0
,
(KR)
donde i = i(t) representa la corriente electrica.
Figura 3.7 Un circuito LRC
en serie.
Tomamos la transformada de Laplace en (KR) y tenemos
L[sI(s) i(0)] +RI(s) +
1
C
I(s)
s
=V(s),
de manera que
i(t) =L
1
_
Cs(V(s) +i
0
L)
LCs
2
+RCs +1
_
(t). (3.48)
Ejemplo 3.18 Consideramos un circuito LRC en serie tal que
L = 0,1h, R = 20, C = 0,001f,
sometido al voltaje
v(t) =
_
120t, 0 t < 1,
0, t 1.
Nos interesa hallar la corriente i(t), t 0. Su comportamiento est a dado por la ecuaci on integrodiferencial
(KR). Aplicamos (3.48):
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
(%i1) L: 0.1;
R: 20;
C: 0.001;
( %o1) 0,1
( %o2) 20
( %o3) 0,001
(%i4) i0: 0;
( %o4) 0
(%i5) define(V(s),integrate(120
*
t
*
exp(-s
*
t),t,0,1));
( %o5) V(s) := 120
_
1
s
2

(s +1) e
s
s
2
_
(%i6) I: C
*
s
*
(V(s)+i0
*
L)/(L
*
C
*
s2+R
*
C
*
s+1), ratsimp;
rat : replaced0,12by3/25 = 0,12rat : replaced0,02by1/50 = 0,02rat : replaced1,0E 4by1/10000 =
1,0E 4
( %o6)
e
s
(1200e
s
1200s 1200)
s
3
+200s
2
+10000s
de manera que
i(t) = 1200
_
L
1
_
1
s
3
+200s
2
+10000s
_
(t) L
1
_
e
s
(s +1)
s
3
+200s
2
+10000s
_
(t)
_
= 1200
_
L
1
_
1
s
3
+200s
2
+10000s
_
(t) H(t 1) L
1
_
s +1
s
3
+200s
2
+10000s
_
(t 1)
_
(%i1) define(g1(t),ilt(1/(s3+200
*
s2+10000
*
s),s,t));
( %o1) g1(t) :=
t e
100t
100

e
100t
10000
+
1
10000
(%i2) define(g2(t),ilt((s+1)/(s3+200
*
s2+10000
*
s),s,t));
( %o2) g2(t) :=
99t e
100t
100

e
100t
10000
+
1
10000
(%i3) aux: 1200
*
(g1(t)+g2(t-1)
*
H(t-1));
( %o3) 1200
__
99 (t 1) e
100(t1)
100

e
100(t1)
10000
+
1
10000
_
H(t 1)
t e
100t
100

e
100t
10000
+
1
10000
_
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
(%i4) define(i(t),aux);
( %o4) i (t) :=1200
__
99 (t 1) e
100(t1)
100

e
100(t1)
10000
+
1
10000
_
H(t 1)
t e
100t
100

e
100t
10000
+
1
10000
_
Recuerde que por H(t a) representamos la funci on de Heaviside con activaci on en el punto t = a.
3.8.4. Aplicaci on a sistemas de EDO
La transformada de Laplace permite resolver una variedad de sistemas de EDO lineales con coecientes
constantes.
Ejemplo 3.19 Buscamos funciones x =x(t) e y =y(t) que constituyan una soluci on del siguiente problema
de valor inicial:
_
_
x
//
+y
//
=t
2
,
x
//
y
//
= 4t,
x(0) = 8, x
/
(0) = 0,
y(0) = 0, y
/
(0) = 0.
Al aplicar L a las ecuaciones diferenciales obtenemos
_
_
s
2
X(s) +s
2
Y(s) =
2
s
3
+8s,
s
2
X(s) s
2
Y(s) =
4
s
2
+8s,
de manera que
_
_
X(s) =
8s
4
+2s +1
s
5
,
Y(s) =
2s 1
s
5
,
y entonces
_
_
x(t) =
t
4
24
+
t
3
3
+8,
y(t) =
t
4
24
t
3
3
.
Ejemplo 3.20 Resolvemos el problema del Ejemplo 3.19 con ayuda de Maxima. Consideramos entonces
el sistema de ecuaciones diferenciales
(%i1) ec1: diff(x(t),t,2) + diff(y(t),t,2) = t2;
ec2: diff(x(t),t,2) - diff(y(t),t,2) = 4
*
t;
( %o1)
d
2
dt
2
y(t) +
d
2
dt
2
x(t) =t
2
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
( %o2)
d
2
dt
2
x(t)
d
2
dt
2
y(t) = 4t
sujetas a las restricciones
(%i3) atvalue(x(t),t=0,8);
atvalue(diff(x(t),t),t=0,0);
atvalue(y(t),t=0,8);
( %o3) 8
( %o4) 0
( %o5) 8
( %o6) 0
La soluci on es
(%i7) desolve([ec1, ec2],[x(t),y(t)]);
( %o7) [x(t) =
t
4
24
+
t
3
3
+8, y(t) =
t
4
24
t
3
3
+8]
3.8.5. Aplicaci on a la Economa
La transformada de Laplace de una funci on f = f (t) tiene una interpretaci on econ omica (v ease e.g.
[LR03]): L [ f ] (s) es el valor presente de un ujo de efectivo f (t) durante el periodo [0, ) y con una tasa
de descuento igual a s.
Ejemplo 3.21 Si denotamos por c(t) el consumo al tiempo t 0 y por u(c(t)) la utilidad que se deriva del
mismo, entonces L [u(c(t))] (s) es el valor presente de la utilidad acumulada en [0, ), descontado a una
tasa s.
Ejemplo 3.22 Denotemos por k(t) al capital en el tiempo t 0. Si el capital capital inicial k(0) = k
0
> 0
se deprecia a una tasa > 0, entonces la inversi on bruta, h(t), est a dada por
b(t) =
dk
dt
(t) + k(t). (3.49)
Entonces, si la tasa de descuento es igual a s, los valores presentes de la inversi on bruta, B(s), y del capital,
K(s) est an relacionados por
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
B(s) = (s +)K(s) k
0
. (3.50)
k(t) = k
0
e
t
+L
1
_
B(s)
s +
_
(t), (3.51)
que, por (3.37), equivale a
k(t) = k
0
e
t
+
_
t
0
e
(t)
B()d. (3.52)
Las ecuaciones (3.51) y (3.52) expresan que el capital al tiempo t consiste de dos partes: la primera es lo
que queda del capital inicial por la depreciaci on y, la segunda parte, consiste en la inversi on acumulada
en el perodo [0, t] con su correspondiente depreciaci on.
Ejemplo 3.23 Supongamos que en (3.49), k(t) representa el fondo para pagar las pensiones a jubilados
de un sistema p ublico. El tiempo se mide en meses. Es conocido que este fondo depende b asicamente de un
ujo de trabajadores j ovenes que ingresen al sistema. Este ujo se puede modelar mediante
b(t) =
n=1
p
n
(t n).
Si no hay inversiones adicionales al sistema de pensiones y la tasa con que ingresan nuevos trabajadores
al sistema es aproximadamente constante, despu es de cuantos meses el fondo se habr a reducido a menos
de la tercera parte de su capital inicial? Se tiene que
k(t) = k
0
e
t
+
n=1
p
i
H(t n) e
(tn)
.
De ah se deduce que deben pasar al menos N meses, donde N es el primer entero tal que N >
k
0
3p
.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Problemas
3.1. Usando la denici on de la transformada de Laplace calcule manualmente y con Maxima la transfor-
mada de Laplace de las funciones determinadas por
f
1
(t) = e
t
cos(t); f
2
(t) =t;
f
3
(t) = e
3t
; f
4
(t) = sin(2t);
f
5
(t) =
_
0, 0 t < 3
2, t 3
.
3.2. Usando la denici on de la transformada de Laplace calcule manualmente y con Maxima la transfor-
mada de Laplace de las funciones determinadas por
f
1
(t) =
_
1, 0 t < 1
1, t 1
f
2
(t) =
_
t, 0 t < 1
1, t 1
f
3
(t) =
_
sin(t), 0 t <
0, t
f
4
(t) =
_
4, 0 t < 2
0, t 2
f
5
(t) =
_
2t +1, 0 t < 1
0, t 1
f
6
(t) =
_
0, 0 t <

2
cos(t), t

2
3.3. Sean n N, a 1 y k 1. Pruebe que
L [1] (s) =
1
s
, para s > 0;
L [t
n
] (s) =
n!
s
n+1
, para s > 0;
L
_
e
at
(s) =
1
s a
, para s > a;
L [sin(kt)] (s) =
k
s
2
+k
2
, para s > 0;
L [cos(kt)] (s) =
s
s
2
+k
2
, para s > 0;
L [sinh(kt)] (s) =
k
s
2
k
2
, para s >[k[;
L [cosh(kt)] (s) =
s
s
2
k
2
, para s >[k[.
3.4. Si F(s) =L [ f ] (s), demuestre que
L [cosh(at) f (t)] (s) =
1
2
[F(s a) +F(s +a)] .
3.5. Sean a, b 1, a b, b. Pruebe que
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
L
_
cos(at) cos(bt)
(ba)(b+a)
_
(s) =
s
(s
2
+a
2
)(s
2
+b
2
)
, para s > 0;
L [sin(at)cosh(at) cos(at)sinh(at)] (s) =
4a
3
s
4
+4a
4
, para s > 0;
L [sin(at)sinh(at)] (s) =
2a
2
s
s
4
+4a
4
, para s > 0.
3.6. Sean a, > 0. Calcule manualmente y con Maxima la transformada de Laplace de las funciones
determinadas por las f ormulas
f
1
(t) =
sin(at)
t
; f
2
(t) =
2(1cos(at))
t
;
f
3
(t) =
2(1cosh(at))
t
; f
4
(t) =
1
t
e
a
2
/4t
;
f
5
(t) =
_
_
a sin(t), 0 t < /,
0, / t < 2/,
f (t) = f (t 2/), t 2/.
3.7. Calcule manualmente y con Maxima la transformada de Laplace de las funciones determinadas por
las f ormulas
f
1
(t) = (t +1)
3
; f
2
(t) = (1+e
2t
)
2
; f
3
(t) = sin(t)sinh(3t);
f
4
(t) = e
3t
t
7/2
; f
5
(t) =
_
t
0
e
cos()d; f
6
(t) = 2
t
conv(e
t
, e
t
cos(t));
f
7
(t) = (2t 1)
3
; f
8
(t) = (e
t
e
t
)
2
; f
9
(t) = cos
2
(t);
f
10
(t) =
_
t
0
e
t
d; f
11
(t) = conv(1, e
2t
).
3.8. Calcule manualmente y con Maxima la transformada inversa de Laplace de las funciones determinadas
por las f ormulas
F
1
(s) =
1
s
3
+5s
2
+2s 8
; F
2
(s) =
s +1
s
2
(s +2)
3
;
F
3
(s) =
3s 2
s
3
(s
2
+4)
F
4
(s) =
s 1
s
2
(s
2
+1)
; F
5
(s) =
s
s
2
+6s +11
.
3.9. Calcule manualmente y con Maxima la transformada inversa de Laplace de las funciones determinadas
por las f ormulas
F
1
(s) =
_
2
s

1
s
3
_
2
; F
3
(s) =
s
(s 2)(s 3)(s 6)
;
F
2
(s) =
(s +1)
3
s
4
; F
4
(s) =
s 1
s
2
(s
2
+1)
.
3.10. Sean f y g continuas por trozos en [0, ) y de orden exponencial.
1) Pruebe que
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
L [conv[ f , g]](s) =L [ f ] (s) L [g] (s).
2) Pruebe que
L
_
_
t
0
f ()d
_
(s) =
F(s)
s
.
3.11. Recordemos que la funci on Gamma, : 1
+
1, est a dada por
() =
_

0
t
1
e
t
dt, > 1.
Pruebe que para > 1 se tiene
L [t
] =
( +1)
s
+1
.
3.12. Usando la transformada de Laplace y su inversa, resuelva los siguientes problemas de valor inicial.
_
x
/
3x = e
2t
,
x(0) = 1;
_
_
y
//
4y
/
+5y = 0,
y(0) = 1,
y
/
(0) =1;
_
_
z
//
2z
/
+z = 0,
z(0) = 2,
z
/
(0) = 3;
_
_
u
//
6u
/
+9u =t
2
e
3t
,
u(0) = 2,
u
/
(0) = 6.
Resuelva los mismos problemas usando Maxima.
3.13. Usando la convoluci on, escriba la soluci on del problema de valor inicial en t erminos de f = f (t).
_
_
x
//
5x
/
+6x = f (t),
x(0) = 0,
x
/
(0) = 0;
_
_
y
//
8y
/
+12y = f (t),
y(0) =3,
y
/
(0) = 2;
_
_
u
//
+9u = f (t),
u(0) =1,
u
/
(0) = 1;
_
_
v
///
v
//
4v
/
+4v = f (t),
v(0) = 1,
v
/
(0) = 1,
v
//
(0) = 0.
3.14. Resuelva los siguientes problemas de valor inicial.
_
_
x
//
+2x
/
+2x = (t 3),
x(0) = 0,
x
/
(0) = 0;
_
_
y
//
+5y
/
+6y = 3(t 2) 4(t 5),
y(0) = 0,
y
/
(0) = 0;
_
_
u
///
+4u
//
+5u
/
+2u = 6(t),
u(0) = 0,
u
/
(0) = 0,
u
//
(0) = 0.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
3.15. Resuelva usando la transformada de Laplace y su inversa las siguientes ecuaciones.
f (t) +
_
t
0
(t ) f ()d =t; g(t) +2
_
t
0
cos(t )g()d = 4e
t
+sin(t);
_
_
_
y
/
+6y(t) +9
_
t
0
y()d = 1;
y(0) = 0
_
_
u
//
+4u
/
+5u = (t 2),
u(0) = 0,
u
/
(0) = 0.
h(t) = 3t
2
e
t
_
t
0
h()e
t
d.
3.16. Sea f = f (t) una funci on continua y peri odica de perodo T > 0.
1) Pruebe que para n N se cumple que
_
(n+1)T
nT
e
st
f (t)dt = e
nsT
_
T
0
e
st
f (t)dt.
2) Pruebe que
L [ f ] (s) =
1
1e
sT
_
T
0
e
st
f (t)dt.
Idea. Recuerde que
n=0
r
n
=
1
1r
, cuando 0 <[r[ < 1.
3.17. Dadas las constantes no-nulas L, R y C, encuentre i(t), soluci on de la ecuaci on integrodiferencial
_
_
_
L
di
dt
+Ri(t) +
1
C
_
t
0
i()d = v(t),
i(0) = i
0
,
sabiendo que v = v(t) es una funci on peri odica de perodo T > 0.
3.18. Usando la transformada de Laplace y su inversa resuelva los siguientes sistemas de ecuaciones dife-
renciales
_
_
x
/
y =t t
2
,
x
/
+y
/
=t
2
,
x(0) = 1,
y(0) = 0.
_
_
u
//
+10u4v = 0,
4u+v
//
+4v = 0,
u(0) = 0,
u
/
(0) = 1,
v(0) = 0,
v
/
(0) =1.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
3.19. Usando la transformada de Laplace y su inversa resuelva los siguientes sistemas de ecuaciones dife-
renciales
_
_
x
/
=4x +y +z,
y
/
= x +5y z,
z
/
= y 3z,
x(0) = 0,
y(0) = 1,
z(0) = 0.
_
_
u
//
+3v
/
+3v = 0,
u
//
+3v =te
t
,
u(0) = 0,
u
/
(0) = 2,
v(0) = 0.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Captulo 4
Sistemas din amicos continuos
4.1. Introducci on
Desde el punto de vista matem atico, el t ermino evoluci on no tiene una connotaci on positiva ni negativa,
simplemente indica que hay cambios en el tiempo. A un sistema cuyo estado evoluciona en el tiempo se
le denomina sistema din amico. Si la evoluci on est a modelada por una ecuaci on, esta recibe el nombre
de ecuaci on de evoluci on (v ease la Secci on A.3.1). Nuestras referencias de base son [Vil07], [Sal04] y
[Zil97].
El estudio de los sistemas din amicos yace en la frontera entre la Matem atica y la Fsica: habitualmente
la terminologa proviene de la Fsica en tanto que las t ecnicas de an alisis provienen de la Matem atica. En
este captulo nos interesan los sistemas din amicos continuos que est an descritos esencialmente por sistemas
de ecuaciones diferenciales de primer orden. Sin embargo, en esta secci on damos un vistazo a los sistemas
din amicos discretos.
Sistemas discretos
Cuando el sistema cambia de estado unicamente en los instantes t
0
, t
1
, t
2
, ... se dice que el sistema es
discreto.
1
Si representamos por y
n
al n- esimo estado del sistema, entonces su evoluci on es habitualmente
modelada por una ecuaci on recurrente de la forma
y
n+1
= F(y
n
), n N
, (4.1)
donde la funci on F : Y Y est a denida sobre Y, el espacio de estados del sistema.
Observaci on 4.1 A prop osito se deja ambigua la naturaleza de Y pues, dependiendo del sistema concreto
que se estudia, podra ser 1, C, un espacio funcional, un espacio de matrices, etc.
Por tanto, si se prescribe informaci on al instante t =t
0
,
1
Recuerde que un conjunto es discreto si es nito o numerable.
137
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
138 4 Sistemas din amicos continuos
y
0
= c,
se tiene que la evoluci on del sistema est a dada por
y
n
= F
n
(c), para todo n N
.
Tip 45.
El comando evolution permite analizar la evolucion de un sistema dinamico discreto
cuando el espacio de estados es 1. El comando staircase permite construir el
correspondiente diagrama de degraus.
Observaci on 4.2 Sea Y =1. El gr aco de degraus consiste en representar las funciones y = F(x), y = x
y una serie alternada de segmentos verticales y horizontales que unen los puntos (y
0
, y
0
), (y
0
, y
1
), (y
1
, y
1
),
(y
1
, y
2
), etc.
Ejemplo 4.1 Representemos por P
0
, P
1
, P
2
, ... el n umero de individuos de una cierta especie animal a
los instantes t
0
, t
1
, t
2
,... Supongamos que la tasa de natalidad de la poblaci on es constante, a > 0, y que
la tasa de mortalidad al tiempo t
n
, m
n
, es directamente proporcional a la poblaci on, con constante de
proporcionalidad b > 0. Entonces el n umero de individuos al instante t
n+1
es
P
n+1
= P
n
+aP
n
(bP
n
) P
n
. (4.2)
Para simplicar el an alisis, hacemos el cambio de variable
y
n
=
bP
n
a+1
(4.3)
de manera que la ecuaci on de evoluci on se puede ver como
y
n+1
= cy
n
(1y
n
), n N0, (4.4)
donde c = a+1 representa el factor de expansi on de la poblaci on en ausencia de mortalidad.
Obs ervese que
m
n
= bP
n
, n N0,
de manera que para que (4.2) est e bien determinado necesitamos conocer tres datos: a, P
0
y b o m
0
. Por
otro lado, gracias al escalamiento (4.3), para que (4.4) est e bien determinado, basta conocer y
0
y c.
Analicemos la evoluci on del sistema descrito por (4.4) cuando y
0
= 0,1, c = 2. En este caso, m
0
= 0,2 y
a = 1.
(%i1) c:2;
y0: 0.1;
( %o1) 2
( %o2) 0,1
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
(%i3) evolution(c
*
y
*
(1-y),y0,20);
( %o3)
(%i4) staircase(c
*
y
*
(1-y),y0,20);
plot2d: some values were clipped.
( %o4)
Figura 4.1 Evoluci on de
y
n+1
= cy
n
(1y
n
) con c = 2,
y
0
= 0,1.
Figura 4.2 Gr aco de de-
graus de y
n+1
= cy
n
(1 y
n
)
con c = 2, y
0
= 0,1.
De la gr aca de evoluci on se ve claramente que el sistema converge r apidamente:
lm
n
y
n
= 0,5,
de manera que, por (4.3), el tama no de la poblaci on tambi en converge:
lm
n
P
n
=
1
b
= 5P
0
,
pues, nuevamente por (4.3),
b =
y
0
c
P
0
.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Ejemplo 4.2 Consideremos la evoluci on del sistema descrito por (4.4) cuando y
0
= 0,1, c = 4. Puesto que
y
0
=
bP
0
c
, la relaci on entre la tasa de mortalidad inicial m
0
y el factor de expansi on c es el mismo que en el
Ejemplo 4.1. El comportamiento en este caso es, sin embargo, ca otico: el estado en un instante cualquiera
est a perfectamente determinado por el instante anterior pero una peque na modicaci on en el estado inicial
conduce a una evoluci on completamente diferente.
Figura 4.3 Evoluci on de
y
n+1
= cy
n
(1y
n
) con c = 4,
y
0
= 0,1
Figura 4.4 Gr aco de de-
graus de y
n+1
= cy
n
(1 y
n
)
con c = 4, y
0
= 0,1
4.2. Clasicaci on de los sistemas din amicos continuos
Supongamos ahora que al tiempo t el sistema est a en el estado x(t) y que la evoluci on del sistema
est a bien modelada por la ecuaci on diferencial
_
x
/
= f (x, t), t t
0
,
x(t
0
) = x
0
.
(4.5)
Se dice que x = x(t) es la variable de estado. Es usual establecer el modelo (4.5) de manera tal que el
tiempo inicial sea t
0
= 0.
El espacio de estados X es un espacio vectorial tal que
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
4.2 Clasicaci on de los sistemas din amicos continuos 141
x(t) X, para todo t t
0
,
donde es posible hablar de x
/
(t), la velocidad del sistema al tiempo t. A la funci on f : X [t
0
, ) X se
le reere habitualmente como funci on de evoluci on. Obs ervese que el rango de la curva x = x(t) es un
camino en X.
La naturaleza concreta del espacio de estados X se dej o premeditadamente ambigua pues depende del
sistema concreto que se est a modelando y de sus caractersticas.
Observaci on 4.3 Puesto que en este captulo se hace una introducci on a los sistemas din amicos continuos
haremos, de aqu en adelante, la identicaci on X =1
n
. Entonces, dada una funci on de evoluci on
f : 1
n
[t
0
, ) 1
n
,
nos interesamos en la ecuaci on diferencial
x
/
= f (x, t), t t
0
, (4.6)
junto con la condici on inicial
x(t
0
) = x
0
. (4.7)
Por convenci on denotaremos
x = (x
1
, x
2
, ..., x
n
) 1
n
,
y diremos que (4.6) - (4.7) es un sistema de orden n.
Ejemplo 4.3 La posici on de una partcula evoluciona en el tiempo conforme a
_
_
x
/
1
= e
t/5
_
2t +
1
5
t
2
_
, t 0,
x
/
2
=
1
12
e
t/12
, t 0,
x
1
(0) = 5,
x
2
(0) = 2.
Calcularemos los vectores posici on x(t) = (x
1
(t), x
2
(t)), velocidad v(t) = x
/
(t) y aceleraci on a(t) para
t = 15 y analizaremos el comportamiento del sistema cuando t .
Empecemos calculando la posici on de la partcula.
(%i1) ec1: diff(x1(t),t) = exp(-t/5)
*
(-2
*
t+t2/5);
ec2: diff(x2(t),t) = exp(-t/12)/12;
( %o1)
d
dt
x1(t) =
_
t
2
5
2t
_
e
t
5
( %o2)
d
dt
x2(t) =
e
t
12
12
(%i3) atvalue(x1(t),t=0,5);
atvalue(x2(t),t=0,2);
( %o3) 5
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
( %o4) 2
(%i5) sol: desolve([ec1, ec2], [x1(t), x2(t)]);
( %o5) [x1(t) = 5t
2
e
t
5
, x2(t) = 3e
t
12
]
(%i6) define(x(t), [rhs(sol[1]), rhs(sol[2])]);
( %o6) x(t) := [5t
2
e
t
5
, 3e
t
12
]
Denimos ahora los vectores velocidad y aceleraci on
(%i7) define(v(t), diff(x(t),t));
define(a(t), diff(x(t),t,2));
( %o7) v(t) := [
t
2
e
t
5
5
2t e
t
5
,
e
t
12
12
]
( %o8) a(t) := [
t
2
e
t
5
25
+
4t e
t
5
5
2e
t
5
,
e
t
12
144
]
Hacemos los calculos previamente indicados
(%i9) x(15), numer;
( %o9) [6,202090382769388, 2,71349520313981]
(%i10)v(15), numer;
( %o10) [0,74680602551796, 0,023875399738349]
(%i11)a(15), numer;
( %o11) [0,049787068367864, 0,0019896166448624]
Finalmente analizamos al sistema cuando t .
(%i12)limit(x(t),t,inf);
( %o12) [5, 3]
(%i13)limit(v(t),t,inf);
( %o13) [0, 0]
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
4.2 Clasicaci on de los sistemas din amicos continuos 143
(%i14)limit(a(t),t,inf);
( %o14) [0, 0]
Figura 4.5 Trayectoria de la
partcula para 0 t 60.
Linealidad
Diremos que el sistema de orden n
_
x
/
= f (x, t), t t
0
,
x(t
0
) = x
0
,
(4.8)
es un sistema lineal si la funci on f es lineal afn en x, caso contrario se dir a que (4.8) es un sistema
no-lineal.
Es importante tener presente que las ecuaciones diferenciales no-lineales son, por regla general, m as
difciles de resolver que las lineales. y frecuentemente hay que recurrir a m etodos num ericos para obtener
una aproximaci on de una soluci on de (4.8).
Observaci on 4.4 Para la resoluci on de sistemas lineales se puede utilizar en ciertos casos la transformada
de Laplace, como se mostr o en la Secci on 3.8.4. Cuando este m etodo no es aplicable se puede recurrir al
m etodo de variaci on de par ametros o a m etodos num ericos.
Ejemplo 4.4 El sistema
_
x
/
1
= 3x
1
tx
2
+cos(t),
x
/
2
= x
1
+x
2
+e
2t
,
es lineal en tanto que
_
x
/
1
= 3x
1
tx
2
+cos(t),
x
/
2
= x
2
1
+x
2
+e
2t
,
no lo es.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Autonoma
Se dice que el sistema (4.8) es aut onomo cuando f (x, t) = g(x), esto es, cuando la funci on de evoluci on
del sistema no depende explcitamente del tiempo t.
Los sistemas aut onomos son muy importantes y nos concentraremos principalmente de ellos en virtud
de que todo sistema no-aut onomo de orden n se puede transformar en un sistema aut onomo equivalente de
orden n+1 al a nadir a (4.8) la ecuaci on
t
/
= 1.
Ejemplo 4.5 El sistema no aut onomo
_
x
/
1
= 3x
1
t x
2
2
,
x
/
2
= 5x
2
1
x
2
,
es equivalente al sistema aut onomo
_
_
t
/
= 1,
x
/
1
= 3x
1
t x
2
2
,
x
/
2
= 5x
2
1
x
2
.
4.3. Existencia, unicidad y estabilidad de soluciones
Antes de buscar analtica o num ericamente una soluci on a un problema es importante saber si existe tal
soluci on. La situaci on se vuelve optima cuando, previo a los c alculos, se conoce de antemano que de hecho
existe una unica soluci on.
Hablar de existencia y unicidad de una soluci on no es cuesti on de matem aticos exclusivamente. El in-
geniero encontrar a que es una p erdida de recursos (especialmente paciencia) tratar de calcular una soluci on
que no existe. Y, si hay m as de una soluci on, entonces encontrar a serios problemas tratando de calcular la
soluci on apropiada.
Presentamos en esta secci on un breve resumen de resultados que responden a este tipo de inquietudes.
Se busca una soluci on de la ecuaci on diferencial
x
/
= f (x, t), t t
0
, (4.9)
como una curva x = x(t) de clase C
1
([t
0
; ); 1
n
) que verica
d
dt
x(t) = f (x(t), t), para todo t t
0
.
Entonces una soluci on del sistema din amico (4.9) es una curva en 1
n
tal que la tangente al punto x(t) es
igual al vector f (x(t), t).
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
4.3 Existencia, unicidad y estabilidad de soluciones 145
Para establecer nuestros resultados de existencia y/o unicidad necesitamos denir las funciones de Lips-
chitz, es decir funciones donde las distancias de las im agenes est an controladas por las distancias de las
preim agenes.
Funciones de Lipschitz
Empecemos recordando lo que es un conjunto abierto en un espacio n-dimensional. El caso n = 2 fue
considerado en la Secci on 2.2.2. M as adelante, en la Secci on ??, deniremos conjuntos abiertos en el
contexto de espacios normados generales (incluyendo aquellos de dimensi on innita).
Recuerde que la norma euclidiana de un vector x = (x
1
, ..., x
n
) 1
n
est a dada por
|x| =
i=1
x
2
i
y que la distancia entre los vectores x, y 1
n
est a dada por dist(x, y) =|x y|.
Denici on 4.1 [Bolas y conjuntos abiertos en 1
n
]
Sean n N, x 1
n
y r > 0. Se dice que el conjunto
B(x, r) =y 1
n
: |x y| < r (4.10)
es la bola con centro en x y radio r. Se dice que 1
n
es un conjunto abierto si para cada x
se puede hallar un r > 0 tal que B(x, r) .
Un subconjunto de 1
n
es cerrado si su complemento es abierto.
Notaci on 4.1 En lo que resta de esta secci on J 1
n
representar a un conjunto abierto. Por U 1
n+1
denotaremos un conjunto abierto de la forma U = J (, ), 1.
Denici on 4.2 [Funciones de Lipschitz y contractivas]
Sea f : J 1
n
1
n
. Se dice que f es una funci on de Lipschitz si existe L > 0 tal que
| f (x) f (y)| L|x y|, para todo x, y J. (4.11)
En particular, si 0 < L < 1, se dice que f es contractiva.
Obs ervese que de (4.11) se sigue que
|f (x) f (y)|
|x y|
L, para todo x, y J.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
El cociente del lado izquierdo de esta desigualdad es el mismo que aparece cuando se dene la derivabilidad
de una funci on, de manera que el concepto de derivabilidad debe tener algo que ver con las funciones de
Lipschitz. Esto viene dado por el siguiente teorema.
2
Teorema 4.1 [Funciones de Lipschitz derivables]
Sea f = ( f
1
, ..., f
n
) C
1
(J; 1
n
). Entonces f es de Lipschitz si y s olo si existe L > 0 tal que
|Df (x)| L, para todo x J, (4.12)
donde
Df (x) =
_
f
i
x
j
_
i, j=1,...,n
.
Es importante considerar funciones que se pueden ver localmente como Lipschitzianas.
Denici on 4.3 [Funciones localmente de Lipschitz]
Sea f : 1
n
1
n
. Se dice que f es una funci on localmente de Lipschitz si para cada x
0
,
existe J tal que
1) x
0
J;
2) f es de Lipschitz en J.
Como consecuencia del Teorema 4.1 se tiene el siguiente
Corolario 4.1 [Criterio para funciones localmente Lipschitzianas]
Sea 1
n
abierto. Toda funci on f C
1
(; 1
n
) es localmente de Lipschitz.
Puesto que las funciones f = f (x, t) que determinan la evoluci on de un sistema din amico (4.9) dependen
del tiempo, es necesario considerar funciones que cumplen una condici on de Lipschitz en la variable x de
manera independiente de la variable t. Esto queda establecido en las siguientes deniciones.
Denici on 4.4 [Funciones t-Lipschitzianas]
Sea f : U 1
n
1 1
n
. Se dice que f = f (x, t) es t-Lipschitziana si existe una constante L > 0 tal
que
|f (x, t) f (y, t)| L|x y|, para todo x, y J, para todo t > . (4.13)
An aloga a la Denici on 4.3 tenemos la siguiente denici on.
Denici on 4.5 [Funciones localmente t-Lipschitzianas]
Sea f : (, ) 1
n
1 1
n
. Se dice que f = f (x, t) es localmente t-Lipschitziana si para
cada x
0
existe J tal que
1) x
0
J;
2) f es t-Lipschitziana en U = J (, ).
2
Recuerde que la norma euclidiana de una matriz A = (a
i, j
) M
mn
(1) es |A| =
i=1
n
j=1
a
2
i, j
.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
4.3 Existencia, unicidad y estabilidad de soluciones 147
En el siguiente corolario, que es consecuencia del Corolario 4.1, se establece un criterio para determinar
cuando una funci on es t-Lipschitziana.
Corolario 4.2 [Criterio para funciones localmente t-Lipschitzianas]
Sean 1
n
abierto y f : (, ) 1
n
. Supongamos que
1) f C( (, ); 1
n
);
2) f (, t) C
1
(; 1
n
), para cada t I.
Entonces f = f (x, t) es localmente t-Lipschitziana.
Resultados
El siguiente resultado de existencia y unicidad es un caso particular del Teorema de Cauchy-Lipschitz
(v ease e.g. [Sal04]).
Teorema 4.2 [Existencia y unicidad]
Sean 1
n
abierto y f C( (, ); 1
n
) una funci on localmente t-Lipschitziana. Entonces,
para cada (t
0
, x
0
) (, ) , existe una unica soluci on del problema de valor inicial
_
x
/
= f (x, t), t t
0
,
x(t
0
) = x
0
.
(4.14)
Observaci on 4.5 Como consecuencia del Teorema 4.2 si uno quiere buscar num erica o analticamente una
soluci on al problema
_
x
/
= f (x, t), t 0,
x(0) = x
0
,
debera primero asegurarse que la funci on de evoluci on f = f (x, t) es localmente t-Lipschitziana en
(, ) para alg un > 0 y alg un abierto 1
n
.
Por el Teorema 4.2 es claro que la condici on inicial determina la soluci on de (4.14). Cuando es impor-
tante recalcar esta dependencia, se denota por
x = x(t; x
0
, t
0
) (4.15)
la soluci on de (4.14). El siguiente resultado establece que la soluci on de (4.14) es estable a cambios en la
condici on inicial.
Proposici on 4.1 [Estabilidad]
Bajo las condiciones del Teorema 4.2, se tiene que
|x(t; x
0
, t
0
) x(t; x
1
, t
0
)| e
[tt
0
[
|x
1
x
0
|, para todo x
0
, x
1
y todo t t
0
. (4.16)
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
4.4. Campos de direcciones
Como ya se dijo, la evoluci on del estado de un sistema modelado por la ecuaci on diferencial
x
/
= f (x, t), t t
0
, (4.17)
queda completamente determinada por la funci on de evoluci on f = f (x, t). De hecho, se puede captar
informaci on sobre (4.17) sin resolverla.
Por ejemplo, consideremos (4.17) cuando n = 1. En este caso Rg( f ) 1 de manera que para cada t, la
pendiente de la gr aca en el punto (t, x(t)) es justamente el n umero f (x(t), t).
Llamamos campo de direcciones a un gr aco en 1
2
donde a cada punto (t, x) se le asocia un vector
con pendiente f (t, x(t)). Las soluciones de (4.17) ser an las curvas tangentes a estos vectores en todos los
puntos. Para hallar la soluci on al problema de valor inicial
_
x
/
= f (x, t), t 0,
x(0) = x
0
,
habr a que escoger de estas curvas, aquellas que pasen por el punto (t
0
, x
0
).
Tip 46.
Para obtener un campo de direcciones se puede usar el comando plotdf.
Ejemplo 4.6 Consideremos el problema de valor inicial
_
y
/
= x +y, x 1
y(2) = 2.
Trazamos la curva que cumple con la condici on inicial:
(%i1) plotdf(x+y, [trajectory_at, -2.0, 2.0]);
( %o1) 0
Figura 4.6 Campo de direc-
ciones de y
/
= x +y. Se se nala
la curva que pasa por (2, 2).
-10 -5 0 5 10
-10
-5
0
5
10
y
x
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
4.4 Campos de direcciones 149
Ejemplo 4.7 Consideremos la caida de un paracaidista de masa m. Por simplicidad consideremos que el
movimiento es unicamente vertical y que las unicas fuerzas que afectan al desplazamiento del paracaidista
son la atracci on gravitatoria y la resistencia del aire. La resistencia del aire, R, es una fricci on de manera
que act ua en sentido opuesto al desplazamiento del aire; puede ser modelada mediante la f ormula
R =
1
2
A[v[v,
donde > 0 es una constante aerodin amica adimensional que depende de la geometra del paracadas,
A es el area de la secci on transversal del paracadas, representa la densidad del aire y v es la velocidad
del paracadas. Para un paracadas circular 0,8.
Por la ley de Newton la sumatoria de fuerzas es igual a la masa por la aceleraci on, de manera que el
sistema est a modelado por la ecuaci on diferencial aut onoma
mv
/
=mg
1
2
A[v[v, t [0, );
v
/
=g
A
2m
[v[v, t [0, ). (4.18)
Consideremos ahora un paracaidista de m = 70Kg que se lanza provisto de un paracadas circular
( = 0,8) cuya secci on transversal tiene un area de A = 7m
2
. Por simplicidad, suponemos que
g = 9,8m/s
2
, = 1,2Kg/m
3
,
son constantes.
3
Entonces (4.18) se transforma en
v
/
=9,80,048[v[v, t [0, ).
Graquemos el campo de direcciones junto con la trayectoria que pasa por el punto P
1
= (0, 20). En este
caso el paracaidista parte con velocidad inicial hacia arriba.
(%i1) plotdf(-9.8 - 0.048
*
abs(y)
*
y,[xradius,4],[xcenter,4],
[yradius,30],[trajectory_at,0.0,20.0]);
( %o1) 0
Figura 4.7 Trayectoria para
el caso en que se parte con
una velocidad positiva, movi-
miento inicial hacia arriba.
0 2.5 5 7.5
-30
-20
-10
0
10
20
30
y
x
3
La gravedad y la densidad del aire dependen realmente de la altura. La densidad depende tambi en de la temperatura y de la
humedad relativa.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
2
= (0, 0). En este
caso el paracaidista parte con velocidad inicial nula.
(%i2) plotdf(-9.8 - 0.048
*
abs(y)
*
[yradius,30],[trajectory_at,0.0,0.0]);
( %o2) 0
el caso en que se parte del
reposo.
0 2.5 5 7.5
-30
-20
-10
0
10
20
30
y
x
3
= (0, 25). En
este caso el paracaidista parte con velocidad inicial hacia abajo.
(%i3) plotdf(-9.8 - 0.048
*
abs(y)
*
[yradius,30],[trajectory_at,0.0,-25.0]);
( %o3) 0
el caso en que se parte con
una velocidad negativa, movi-
miento inicial hacia abajo.
0 2.5 5 7.5
-30
-20
-10
0
10
20
30
y
x
En los tres casos, como bien lo sugieren los campos de direcciones, v(t) converge a una velocidad
terminal, v
f
< 0, cuando t . Para hallar su valor, usamos el hecho que
lm
t
v
/
(t) = 0,
de manera que, por (4.18), se tiene que
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
4.5 Puntos atractivos y repulsivos 151
v
f
=
2mg
A
, (4.19)
que en nuestro caso corresponde a
v
f
=14,28869m/s.
4.5. Puntos atractivos y repulsivos
A partir de este punto y por el resto del captulo consideraremos exclusivamente sistemas aut onomos.
Consideremos el problema de valor inicial
_
x
/
= 4x
2
, t 1,
x(t
0
) = x
0
.
(4.20)
Los puntos crticos de (4.20) quedan determinados por la ecuaci on
4x
2
= 0,
es decir
x
1
=2, x
2
= 2,
independiente del valor de t. Analizando el signo del lado derecho de (4.20) se puede construir el siguiente
diagrama de fase:
Figura 4.10 Las echas
indican que f (x) = 4 x
2
es
decreciente en (, 2]
[2, +) y creciente en [2, 2].
Fuente [Vil07]
De esto se deduce que el punto crtico x
1
= 2 es repulsivo en tanto que el punto crtico es atractivo.
Esta denominaci on se vuelve clara cuando gracamos el campo de direcciones:
(%i1) plotdf(4-y2, [trajectory_at,0.0,4.0]);
( %o1) 0
(%i2) plotdf(4-y2, [trajectory_at,0.0,0.0]);
( %o2) 0
(%i3) plotdf(4-y2, [trajectory_at,0.0,-4.0]);
( %o3) 0
V eanse las Figuras 4.11 - 4.13. Cuando x
0
(2, +), se tiene que
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
lm
t
x(t) = x
2
= 2.
Por otro lado si x
0
(, 2) 2, entonces x(t) se aleja de x
1
=2.
ciones para x
/
=4x
2
cuando
t
0
= 0, x
0
= 4
-1.2 -0.8 -0.4 0 0.4 0.8 1.2
-10
-5
0
5
10
y
x
ciones para x
/
=4x
2
cuando
t
0
= 0, x
0
= 0
-1.2 -0.8 -0.4 0 0.4 0.8 1.2
-10
-5
0
5
10
y
x
ciones para x
/
=4x
2
cuando
t
0
= 0, x
0
=4
-1.2 -0.8 -0.4 0 0.4 0.8 1.2
-10
-5
0
5
10
y
x
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
4.6 El m etodo de Runge - Kutta 153
4.6. El m etodo de Runge - Kutta
El m etodo de Runge - Kutta de (cuarto orden) es uno de los m etodos num ericos m as ecientes para
abordar ecuaciones diferenciales ordinarias. No es nuestro objetivo entrar en el detalle de como funciona
sino, m as bien, utilizarlo para el estudio de sistemas din amicos.
4.6.1. Runge - Kutta para sistemas de primer orden
En esta secci on mostramos, mediante un ejemplo, como utilizar el m etodo de Runge - Kutta para obtener
una aproximaci on de la soluci on del problema de valor inicial
_
x
/
= f (t, x), t [t
0
, t
f
],
x(t
0
) = x
0
(4.21)
Tip 47.
El metodo de Runge - Kutta esta implementado en Maxima mediante el comando
rk(edo, estado, estado inicial, dominio) donde edo debe ser reemplazado por la EDO
o por la funcion f (t, x). Entonces el metodo de Runge - Kutta (de cuarto orden)
para (4.21) se puede escribir como
rk(f(t, x), x, x
0
, [t, t
0
, t
f
, h])
donde h > 0 es tal que t
n
=t
0
+n h, para n = 0, 1, ..., N. Aqu t
f
=t
N
Tip 48.
El comando graph2d incluido en el paquete graph2d sirve para graficar un conjunto
de pares ordenados.
Ejemplo 4.8 Consideramos el problema
_
x
/
=t x
2
, t [0, 9],
x(0) = x
0
.
(4.22)
Usamos Maxima para abordar (4.25) cuando x
0
= 3 y x
0
=0,7.
(%i1) f(x,t):= t - x2;
( %o1) f (x, t) :=t x
2
(%i2) s1: rk(f(x,t),x,3,[t,0,9,0.01]);
(( Expresi on excesivamente larga para ser mostrada! ))
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
(%i3) s2: rk(f(x,t),x,-0.7,[t,0,9,0.01]);
(%i5) graph2d(s1,s2);
( %o5) 0
Figura 4.14 Soluciones de
la EDO x
/
= t x
2
que pasan
por los puntos (t
0
, x
0
) =
(0, 3) (color azul) y (t
0
, x
0
) =
(0, 0,7) (color verde).
0 2.5 5 7.5
0
1
2
3
line0
line1
4.6.2. Sistemas din amicos de segundo orden
Un sistema de segundo orden suele escribirse como
_
x
/
= f (t, x, y), t [t
0
, t
f
],
y
/
= g(t, x, y), t [t
0
, t
f
],
(4.23)
Al sistema (4.23) usualmente se le asocia las condiciones iniciales
_
x(t
0
) = x
0
,
y(t
0
) = y
0
.
(4.24)
En este contexto, el espacio de estados es 1
2
y suele ser referido como el espacio de fase. El diagrama de
fase es el campo de direcciones de y = y(x) en el que se incluyen los puntos crticos y algunas soluciones
que llegan o salen de estos puntos.
La relaci on y = y(x) queda determinada por la imagen de la funci on param etrica
[t
0
, t
f
] t
_
x(t)
y(t)
_
1
2
,
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
que tiene como velocidad de fase a la funci on
[t
0
, t
f
] t
_
f (t, x(t), y(t))
g(t, x(t), y(t))
_
1
2
.
Para el caso en que (4.23) es aut onomo, es decir cuando f = f (x, y) y g = g(x, y), los puntos crticos de
(4.23) son las soluciones del sistema
_
f (x, y) = 0,
g(x, y) = 0.
Un punto crtico (x
, y
) se denomina punto atractivo si existe > 0 tal que las relaciones

[x
0
x
[ < , [y
0
y
[ < ,
implican
lm
t
(x(t), y(t)) = (x
, y
).
Se dice que (x
, y
) es un punto repulsivo si existen > 0 y > 0 tales que

[t nf I[ > ,
implica
dist ((x(t), y(t)); (x
, y
)) > .
Ejemplo 4.9 Consideramos el sistema aut onomo
_
_
_
x
/
= x (1x y), t 0,
y
/
= y
_
3
4
y
x
2
_
, t 0.
Hallemos los puntos crticos:
(%i1) f(x,y):= x
*
(1-x-y);
g(x,y):= y
*
(3/4-y-x/2);
( %o1) f (x, y) := x (1x y)
( %o2) g(x, y) := y
_
3
4
y +
x
2
_
(%i3) solve([f(x,y)=0, g(x,y)=0], [x,y]);
( %o3) [[x = 0, y = 0], [x = 1, y = 0], [x = 0, y =
3
4
], [x =
1
2
, y =
1
2
]]
Los puntos crticos son entonces
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
_
x
1
y
1
_
=
_
0
0
_
,
_
x
2
y
2
_
=
_
1
0
_
,
_
x
3
y
3
_
=
_
0
3/4
_
,
_
x
4
y
4
_
=
_
1/2
1/2
_
.
Hagamos el diagrama de fase:
(%i4) plotdf([f(x,y),g(x,y)],[xcenter,0.5],[ycenter,0.5],
[xradius,1.0],[yradius,1.0]);
( %o4) 0
Figura 4.15 Campo de
direcciones para el sis-
tema x
/
= x(1 x y),
y
/
= y
_
3
4
y
x
2
_
.
-0.5 0 0.5 1
-0.5
0
0.5
1
1.5
y
x
Para analizar de qu e tipo es (x
1
, y
1
) = (0, 0) hacemos click sobre puntos cercanos a este punto crtico
en la ventana producida por la anterior orden de Maxima, Figura 4.15. De esta manera aparecen las
trayectorias que pasan por los puntos se nalados. Nosotros utilizamos los puntos (0,2, 0,2), (0,2, 0,2),
(0,2, 0,4), (0,2, 0,2), (0,3, 0,1), (0,2, 0,1), (0,1, 0,2) y obtenemos la Figura 4.16. Es claro entonces
que (x
1
, y
1
) = (0, 0) es un punto repulsivo.
Figura 4.16 Soluciones del
sistema x
/
= x(1 x y),
y
/
= y
_
3
4
y
x
2
_
. que pasan
cerca del punto crtico (0, 0).
-0.5 0 0.5 1
-0.5
0
0.5
1
1.5
y
x
Procediendo de manera similar, se puede vericar que (x
4
, y
4
) = (1/2, 1/2) es un punto atractivo en
tanto que los puntos crticos (x
2
, y
2
) = (1, 0) y (x
3
, y
3
) = (0, 3/4) no son ni atractivos ni repulsivos.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Eliminaci on de singularidades
Los m etodos num ericos para resolver ecuaciones diferenciales utilizan un valor aproximado de la deri-
vada de la soluci on en el punto inicial. Si por alguna raz on este valor no existe, entonces la relaci on y =y(x)
puede ser reemplazada por
_
x = x(t),
y = y(t),
donde la variable t se introduce apropiadamente.
Ejemplo 4.10 Para abordar num ericamente el problema
_
_
_
dy
dx
=
x
y
, x 3,
y(3) = 0,
se usa el sistema
_
_
dy
dt
=x, t 0,
dx
dt
= y, t 0,
x(0) = 3,
y(0) = 0.
4.6.3. Runge - Kutta para sistemas de segundo orden
En esta secci on mostramos, mediante un ejemplo, como utilizar el m etodo de Runge - Kutta para obtener
una aproximaci on de la soluci on del problema de valor inicial
_
_
x
/
= f (t, x, y), t [t
0
, t
f
],
y
/
= g(t, x, y), t [t
0
, t
f
],
x(t
0
) = x
0
,
y(t
0
) = y
0
.
(4.25)
Tip 49.
En Maxima se puede escribir rk(edos, estados, estados iniciales, dominio), donde edos
debe ser reemplazado por las ecuaciones diferenciales o, como veremos en nuestro
ejemplo, las funciones f = f (t, x, y) y g = g(t, x, y). Entonces el metodo de Runge - Kutta
(de cuarto orden) para (4.25) se puede escribir como
rk([f(t,x,y), g(t,x,y) ], [x,y], [x0,y0], [t, t0, tf, h]),
donde h > 0 es tal que t
n
=t
0
+n h, para n = 0, 1, ..., N. Aqu t
f
=t
N
.
Ejemplo 4.11 Consideremos el problema
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
_
_
x
/
= 4x
2
4y
2
, t 0,
y
/
= y
2
x
2
+1, t 0,
x(0) =1,25
y(0) = 0,75.
(4.26)
(%i1) f(x,y):=4-x2-4
*
y2;
g(x,y):=y2-x2+1;
( %o1) f (x, y) := 4x
2
+(4) y
2
( %o2) g(x, y) := y
2
x
2
+1
(%i3) sol: rk([f(x,y),g(x,y)],[x,y],[-1.25,0.75],[t,0,4,0.01]);
(%i5) graph2d(makelist([sol[i][2],sol[i][3]],i,1,length(sol)));
( %o5) 0
Figura 4.17 Soluci on del
sistema (4.26).
line0
-1 0 1
-0.5
0
0.5
4.7. Sistemas de orden superior
Se dice que el sistema din amico
_
x
/
= f (t, x), t t
0
,
x(t
0
) = x
0
.
(4.27)
es de orden superior cuando n 3. El m etodo de Runge - Kutta sigue siendo util en este caso como se puede
apreciar en el siguiente ejemplo.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
4.7 Sistemas de orden superior 159
Ejemplo 4.12 Una bola de 0,08Kg y radio 0,035m es lanzada con una velocidad inicial de 50m/s en un
angulo de 45
respecto a la horizontal. Nos interesa calcular el alcance del lanzamiento cuando el valor de
la constante aerodin amica es 0,5, la densidad del aire es 1,2Kg/, m
3
y el valor de la gravedad es 9,81m/s
2
.
La resistencia que ejerce el aire al movimiento (v ease el Ejemplo 4.7.) est a dada por
R =
1
2
A|v|v
=
1
2
A
_
v
2
x
+v
2
y
_
v
x
v
y
_
,
donde v
x
y v
y
son, respectivamente, la componente en x y en y de la velocidad v. Se tiene que resolver
entonces el sistema
_
_
v
x
=
A
2m
v
x
_
v
2
x
+v
2
y
, t 0,
v
y
=g
A
2m
v
y
_
v
2
x
+v
2
y
, t 0,
r
x
= v
x
, t 0,
r
y
= v
y
, t 0,
v
x
(0) = v
x,0
,
v
y
(0) = v
y,0
,
r
x
(0) = 0,
r
y
(0) = 0,
(4.28)
donde
(%i1) m: 0.08;
r: 0.035;
rho: 1.2;
g: 9.81;
alpha: 0.5;
A: %pi
*
r2, numer;
vx0: 50
*
cos(%pi/4), numer;
vy0: 50
*
sin(%pi/4), numer;
d: (alpha
*
rho
*
A)/(2
*
m), numer;
( %o1) 0,08
( %o2) 0,035
( %o3) 1,2
( %o4) 9,810000000000001
( %o5) 0,5
( %o6) 0,0038484510006475
( %o7) 35,35533905932738
( %o8) 35,35533905932737
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
( %o9) 0,014431691252428
Resolvemos el sistema (4.28).
(%i10)sol1: rk([-d
*
vx
*
sqrt(vx2+vy2), -g-d
*
vy
*
sqrt(vx2+vy2),vx,vy],
[vx,vy,rx,ry],[vx0,vy0,0,0],[t,0,5,0.01]);
(%i11)load(graph2d);
(%i12)graph2d(makelist([sol1[i][4],sol1[i][5]],i,1,length(sol1)));
( %o12) 0
Figura 4.18 Trayectoria
de un proyectil sujeto a la
gravedad y a la resistencia del
aire.
line0
0 25 50 75
0
10
20
Para saber el alcance del proyectil, necesitamos revisar los datos de r
y
pues el alcance m aximo se da
cuando r
y
= 0.
(%i13)length(sol1);
( %o13) 501
(%i14)makelist(sol1[i][5],i,481,501);
( %o14) [1,428202323208411, 1,239388920496874, 1,05015563577429, 0,8605045063611,
0,67043756428264, 0,47995683623114, 0,28906434352843, 0,097762102089244,
0,093947877614818, 0,28606359059069, 0,47858303735862, 0,67150422398627,
0,86482516212227, 1,058543869029018, 1,252658367614993, 1,447166686466326,
1,642066859877817, 1,837356927883306, 2,033034936285436, 2,229098936684798,
2,425546986508465]
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
4.7 Sistemas de orden superior 161
Puesto que el cambio de signo se da entre los elementes 488 y 489 de la lista, podemos estimar el alcance
del proyectil como
(%i15)L1: 0.5
*
(sol1[488][4] + sol1[489][4]);
( %o15) 78,95589903445531
Recordemos que sin resistencia de aire, el alcance m aximo est a dado por la f ormula
L =
v
2
0
sin(2)
g
,
donde es el angulo de lanzamiento. En nuestro caso, se tendra
(%i16)L: 502
*
sin(2
*
%pi/4)/g;
( %o16) 254,841997961264
que es bastante mayor al alcance con resistencia del aire. Finalmente hacemos el gr aco de las compo-
nentes en x e y de la velocidad en funci on del tiempo.
(%i17)vel_x: makelist([sol1[i][1],sol1[i][2]],i,1,501);
(%i18)graph2d(vel_x);
( %o18) 0
Figura 4.19 Componente en
x de la velocidad.
(%i19)vel_y: makelist([sol1[i][1],sol1[i][3]],i,1,501);
(%i20)graph2d(vel_y);
( %o20) 0
Finalmente contrastamos la evoluci on de las componentes en x e y de la velocidad.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Figura 4.20 Componente en
y de la velocidad.
(%i21)graph2d(vel_x, vel_y);
( %o21) 0
line0
line1
1 2 3 4 5
-10
0
10
20
30
Figura 4.21 Componente en x (azul) y componente en y (verde) de la velocidad.
Reducci on de una ecuaci on diferencial de orden n
Una ecuaci on diferencial ordinaria
F(t, x, x
/
, ..., x
(n)
) = 0, (4.29)
puede transformarse en un sistema de ecuaciones diferenciales de orden n mediante la introducci on de las
variables x
1
= x
1
(t),..., x
n
= x
n
(t) denidas mediante
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
4.8 Sistemas aut onomos lineales 163
_
_
x
1
= x,
x
2
= x
/
,
.
.
.
x
n
= x
(n1)
.
(4.30)
Ejemplo 4.13 La ecuaci on que modela el movimiento del p endulo simple es
_
=
g
l
sin(),
(0) = ,
(0) = ,
donde l es el largo de la varilla que sostiene a la masa m.
Figura 4.22 Un p endulo
simple. Fuente: [Vil07]
Usando el cambio de variable x
1
= y x
2
=

, se obtiene el sistema
_
_
x
1
= x
2
,
x
2
=
g
l
sin(x
1
),
x
1
(0) = ,
x
2
(0) = .
4.8. Sistemas aut onomos lineales
Sistemas homog eneos
Consideramos sistemas de la forma
X
/
= AX, t 1, (4.31)
donde
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
A = (a
i j
) M
nn
, X(t) =
_
_
_
_
_
x
1
(t)
x
2
(t)
.
.
.
x
n
(t)
_
_
_
_
_
.
En el siguiente teorema se establece la forma de la soluci on de (4.31) para el caso m as simple, cuando A
tiene n vectores propios reales distintos.
Teorema 4.3
Sup ongase que
1
,
2
, ...,
n
1 son los valores propios de A en (4.31) y que son distintos. Si
K
1
, ..., K
n
1
n
son los correspondientes vectores propios, entonces la soluci on general de (4.31) es
X(t) =
n
i=1
c
i
X
i
(t), t 1, (4.32)
donde
X
i
(t) = K
i
e
i
t
, t 1.
Tip 50.
Los valores y vectores propios de una matriz se obtienen con el comando eigenvec-
tors.
Ejemplo 4.14 Consideramos el sistema
_
x = 2x +3y, t 1,
y = 2x +y, t 1.
(4.33)
Denimos la matriz de coecientes
(%i1) A: matrix([2, 3], [2, 1]);
( %o1)
_
2 3
2 1
_
Calculamos los valores y vectores propios de A:
(%i2) eigenvectors(A);
( %o2) [[[4, 1], [1, 1]], [[[1,
2
3
]], [[1, 1]]]]
Entonces
1
= 4 es un valor propio de multiplicidad 1 con vector propio asociado
K
1
=
_
1
2/3
_
;
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
2
=1 es un valor propio de multiplicidad 1 con vector propio asociado
K
2
=
_
1
1
_
.
La soluci on general de (4.33) es
X(t) = c
1
X
1
(t) +c
2
X
2
(t), t 1,
donde
X
1
(t) =
_
1
2/3
_
e
4t
, X
2
(t) =
_
1
1
_
e
t
.
Consideramos ahora el caso en que la matriz de coecientes A tiene un valor propio complejo de
multiplidad uno. Tenga presente que en este caso tambi en es valor propio de A.
Teorema 4.4
Sea
1
= +i C un valor propio de A en (4.31). Entonces,
X
1
(t) = (B
1
cos(t) +B
2
sin(t))e
t
, (4.34)
X
2
(t) = (B
2
cos(t) B
1
sin(t))e
t
, (4.35)
son soluciones linealmente independientes de (4.31). Aqu,
B
1
=
1
2
(K
1
+K
1
), B
2
=
i
2
(K
1
K
1
),
donde K
1
C
n
es un vector propio asociado a
1
.
_
x = 2x +8y, t 1,
y =x 2y, t 1.
(4.36)
Tenemos que
(%i1) A: matrix([2, 8],[-1, -2]);
( %o1)
_
2 8
1 2
_
(%i2) eigen: eigenvectors(A);
( %o2) [[[2i, 2i], [1, 1]], [[[1,
i +1
4
]], [[1,
i 1
4
]]]]
Entonces
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
(%i3) l1: eigen[1][1][1];
( %o3) 2i
(%i4) K1: eigen[2][1][1];
( %o4) [1,
i +1
4
]
(%i5) B1: (K1+conjugate(K1))/2, rectform;
B2: %i
*
(K1-conjugate(K1))/2, rectform;
( %o5) [1,
1
4
]
( %o6) [0,
1
4
]
Por tanto el conjunto fundamental de soluciones de (4.36) es generado por las funciones
(%i7) define(X1(t), exp(t
*
realpart(l1))
*
( transpose(matrix(B1))
*
cos(imagpart(l1)
*
t)
+ transpose(matrix(B2))
*
sin(imagpart(l1)
*
t) ));
( %o7) X1(t) :=
_
cos(2t)
sin(2t)
4

cos(2t)
4
_
(%i8) define(X2(t), exp(t
*
realpart(l1))
*
( transpose(matrix(B2))
*
cos(imagpart(l1)
*
t)
- transpose(matrix(B1))
*
sin(imagpart(l1)
*
t) ));
( %o8) X2(t) :=
_
sin(2t)
cos(2t)
4

sin(2t)
4
_
La soluci on general de (4.36) es:
(%i9) define(X(t),C1
*
X1(t)+C2
*
X2(t));
( %o9) X(t) :=
_
_
sin(2t) C2+cos(2t) C1
_
cos(2t)
4

sin(2t)
4
_
C2+
_
sin(2t)
4

cos(2t)
4
_
C1
_
_
En el siguiente teorema se considera el caso en que A tiene un valor propio con multiplicidad mayor que
uno.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Teorema 4.5
Sup ongase que
1
1 es un valor propio de A en (4.31) con multiplicidad m.
1) Si asociados a
1
existen m vectores linealmente independientes, K
1
, ..., K
m
1
n
, entonces
X
i
(t) = K
i
e
1
t
, t 1, i = 1, ..., m, (4.37)
son soluciones linealmente independientes de (4.31).
2) Si
1
tiene asociado un unico vector propio, entonces siempre es posible encontrar m soluciones
linealmente independientes de (4.31) de la forma
X
i
(t) =
i
j=1
K
i j
t
i1
(i j)!
e
1
t
, t 1. (4.38)
_
_
x = x 2y +2z, t 1,
y =2x +y 2z, t 1,
z = 2x 2y +z, t 1.
(4.39)
Se tiene que
(%i1) A: matrix([1, -2, 2], [-2, 1, -2], [2, -2, 1]);
( %o1)
_
_
1 2 2
2 1 2
2 2 1
_
_
( %o2) [[[5, 1], [1, 2]], [[[1, 1, 1]], [[1, 0, 1], [0, 1, 1]]]]
El valor propio
(%i3) l1: eigen[1][1][1];
( %o3) 5
tiene multiplicidad 1 y tiene asociado el vector propio
(%i4) K1: transpose(matrix(eigen[2][1][1]));
( %o4)
_
_
1
1
1
_
_
El valor propio
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
(%i5) l2: eigen[1][1][2];
( %o5) 1
tiene multiplicidad 2 y tiene asociado los vectores propios
( %o6)
_
_
1
0
1
_
_
( %o7)
_
_
0
1
1
_
_
Entonces el conjunto fundamental de soluciones del sistema (4.39) es generado por las aplicaciones
(%i8) define(X1(t), K1
*
exp(l1
*
t));
( %o8) X1(t) :=
_
_
e
5t
e
5t
e
5t
_
_
(%i9) define(X2(t), K2
*
exp(l2
*
t));
( %o9) X2(t) :=
_
_
e
t
0
e
t
_
_
(%i10)define(X3(t), K3
*
exp(l2
*
t));
( %o10) X3(t) :=
_
_
0
e
t
e
t
_
_
de manera que la soluci on general de (4.39) es
(%i11)define(X(t), C1
*
X1(t)+C2
*
X2(t)+C3
*
X3(t));
( %o11) X(t) :=
_
_
e
t
C2+e
5t
C1
e
t
C3e
5t
C1
e
t
C3e
t
C2+e
5t
C1
_
_
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Para el caso m = 3 en el punto ii) del Teorema 4.5 se puede proveer f ormulas explcitas para (4.38). Este
es contenido del siguiente corolario.
Corolario 4.3
Consideramos las condiciones del punto ii) del Teorema 4.5, con K 1
n
vector propio de
1
. Si m2,
una soluci on linealmente independiente de
X
1
(t) = Ke
1
t
,
est a dada por
X
2
(t) = Kt e
1
t
+Pe
1
t
,
donde P es soluci on de
(A
1
I)P = K.
Si m 3, una soluci on linealmente independiente de X
1
, X
2
est a dada por
X
3
(t) = K
t
2
2
e
1
t
+Pt e
1
t
+Qe
1
t
,
donde Q es soluci on de
(A
1
I)Q = P.
_
_
x = 2x +y +6z, t 1,
y = 2y +5z, t 1,
z = 2z, t 1.
(4.40)
Se tiene que
(%i1) A: matrix([2, 1, 6], [0, 2, 5], [0, 0, 2]);
( %o1)
_
_
2 1 6
0 2 5
0 0 2
_
_
( %o2) [[[2], [3]], [[[1, 0, 0]]]]
Se tiene que
(%i3) l1: eigen[1][1][1];
( %o3) 2
es el unico valor propio de A con multiplicidad 3 y tiene vector propio
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
(%i4) K: transpose(matrix(eigen[2][1][1]));
( %o4)
_
_
1
0
0
_
_
OJO: TIENE QUE SER REVISADO!!!
Se tiene que
P =
_
_
0
1
0
_
_
, Q =
_
_
0
6/5
1/5
_
_
.
Sistemas no-homog eneos
Consideramos el sistema de EDOs
X
/
(t) = A(t)X(t) +F(t), t I, (N)
donde
X(t) =
_
_
_
_
_
x
1
(t)
x
1
(t)
.
.
.
x
n
(t)
_
_
_
_
_
, F(t) =
_
_
_
_
_
f
1
(t)
f
1
(t)
.
.
.
f
n
(t)
_
_
_
_
_
,
A(t) =
_
_
_
_
_
a
11
(t) a
12
(t) . . . a
1n
(t)
a
21
(t) a
22
(t) . . . a
2n
(t)
.
.
.
.
.
. . . .
.
.
.
a
n1
(t) a
n2
(t) . . . a
nn
(t)
_
_
_
_
_
.
Se llama matriz fundamental del sistema (N) a la matriz
(t) = (X
1
(t) X
2
(t) . . . X
n
(t)), (4.41)
donde los vectores X
1
= X
1
(t), X
2
= X
2
(t), ..., X
n
= X
n
(t) forman un sistema fundamental de soluciones
para el sistema homog eneo
X
/
(t) = A(t)X(t), t I. (H)
Una soluci on particular, X
p
= X
p
(t), de (N) se encuentra mediante el m etodo de variaci on de par ame-
tros:
X
p
(t) = (t)
_

1
(t)F(t)dt, t I, (4.42)
de manera que la soluci on general de (N) es
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
X(t) = X
p
(t) +
n
i=1
c
i
X
i
(t), t I. (4.43)
_
x =3x +y +3t,
y = 2x 4y +e
t
.
(4.44)
Se tiene que
(%i1) F: matrix([3
*
t], [%e(-t)]);
(%o1)
_
3t
e
t
_
(%i3) A: matrix([-3, 1], [2,-4]);
(%o3)
_
3 1
2 4
_
(%o6) [[[5, 2], [1, 1]], [[[1, 2]], [[1, 1]]]]
(%i11) K1: eigen[2][1][1];
(%o11) [1, 2]
(%i12) K2: eigen[2][2][1];
(%o12) [1, 1]
(%i21) lambda1: eigen[1][1][1];
(%o21) 5
(%i22) lambda2: eigen[1][1][2];
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
(%o22) 2
Entonces las soluciones linealmente independientes para el sistema homog eneo asociado a (4.44) son
(%i25) X1: K1
*
%e(lambda1
*
t);
(%o25) [e
5t
, 2e
5t
]
(%i26) X2: K2
*
%e(lambda2
*
t);
(%o26) [e
2t
, e
2t
]
de manera que la matriz fundamental es
(%i27) Phi: transpose(matrix(X1, X2));
(%o27)
_
e
5t
e
2t
2e
5t
e
2t
_
Una soluci on particular de (4.44) es entonces
(%i41) Xp: Phi.integrate(invert(Phi).F,t), expand;
(%o41)
_
e
t
4
+
6t
5

27
50
e
t
2
+
3t
5

21
50
_
La soluci on general de (4.44) es entonces
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
4.9 Estabilidad de puntos crticos 173
X(t) = c
1
_
1
2
_
e
5t
+c
2
_
1
1
_
e
2t
+
_
e
t
4
+
6t
5

27
50
e
t
2
+
3t
5

21
50
_
.
4.9. Estabilidad de puntos crticos
4.9.1. Caso lineal
Nos interesa estudiar sus propiedades de estabilidad de un sistema din amico. Consideramos el caso m as
simple:
_
x = ax +by,
y = cx +dy,
(4.45)
donde a, b, c, d 1 son constantes. Como ya sabemos, este sistema se puede escribir en la forma
X
/
= AX,
donde
A =
_
a b
c d
_
Observaci on 4.6 Tenga presente que un sistema de la forma
_
u = au+bv +e,
v = cu+dv + f ,
puede pasarse a la forma (4.45) mediante el cambio de variable
u = x h, v = y k,
en tanto que h y k veriquen
_
ah+bk = e,
ch+dk = f .
Valores propios reales
Si A tiene dos valores propios
1
,
2
1 0, entonces el (4.45) tiene un unico punto crtico en el
origen del plano x-y. Este punto crtico ser a
1) repulsivo (y por tanto inestable) si
1
> 0 y
2
> 0;
2) atractivo o estable si
1
< 0 y
2
< 0;
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
3) punto de silla (y por tanto inestable) si
1

2
< 0.
_
x = x +y,
y =
1
2
x +y,
Se tiene que
(%i1) A: matrix([1, 1], [1/2, 1]);
(%o2) [[[
22
2
,
2+2
2
], [1, 1]], [[[1,
1
2
]], [[1,
1
2
]]]]
Puesto que los valores propios de A
1
=
22
2
,
2
=
2+2
2
,
son positivos se tiene que (x
0
, y
0
) = (0, 0) es el unico punto crtico del sistema y adem as es repulsivo.
(%i8) plotdf([x+y, x/2 + y],
[xfun, "-((1/sqrt(2.0))
*
x); ((1/sqrt(2.0))
*
x)"]);
Figura 4.23 El punto en el
origen es un repulsivo.
-10 -5 0 5 10
-10
-5
0
5
10
y
x
-((1 / sqrt (2.0)) * x)
((1 / sqrt (2.0)) * x)
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
El punto en el origen es un repulsivo y entonces inestable. v ease la Figura 4.23. Las rectas denidas por
los vectores propios proveen un nuevo sistema de coordenadas que ayuda a la comprensi on del fen omeno.
En la Figura 4.24 se representa la trayectoria que pasa por el punto (5, 5).
Figura 4.24 Una trayectoria
de una partcula gobernada
por x = x +y, y =
1
2
x +y.
-10 -5 0 5 10
-10
-5
0
5
10
y
x
_
x = x +2y,
y = x +y,
Se tiene que
(%i1) A: matrix([1, 2], [1,1]);
(%o2) [[[1
2,
2+1], [1, 1]], [[[1,

1
2
]], [[1,
1
2
]]]]
1
= 1
2,
2
=
2+1,
tienen diferente signo se tiene que (x
0
, y
0
) = (0, 0) es el unico punto crtico del sistema y adem as es un
punto de silla.
(%i6) plotdf([x+2
*
y, x+y],
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
[xfun, "(-1/sqrt(2))
*
x; (1/sqrt(2))
*
x"]);
origen es de silla.
-10 -5 0 5 10
-10
-5
0
5
10
y
x
((-1 / sqrt (2)) * x)
((1 / sqrt (2)) * x)
El punto en el origen es de silla y entonces inestable V ease la Figura 4.25. Las rectas denidas por los
vectores propios proveen un nuevo sistema de coordenadas que ayuda a la comprensi on del fen omeno.
Valores propios complejos
Si A tiene dos valores propios = i C, entonces el (4.45) tiene un unico punto crtico en el
origen del plano x-y. Este punto crtico ser a
1) un foco repulsivo (y por tanto inestable) si > 0 - las trayectorias son espirales que se alejan del
origen;
2) un foco atractivo (y por tanto estable) si <0 - las trayectorias son espirales que se acercan al origen;
3) un centro (y por tanto estable) si = 0.
_
x =x 2y,
y = x y,
Se tiene que
(%i10) A: matrix([-1, -2], [1, -1]);
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
(%o13) [[[
2i 1,
2i 1], [1, 1]], [[[1,

i
2
]], [[1,
i
2
]]]]
1
=1+i
2,
2
=1+i
2,
tienen componente real negativa tenemos un foco atractivo en (0, 0).
(%i14) plotdf([-x-2
*
y,x-y]);
El punto en el origen es un foco atractivo y entonces estable. V ease la Figura 4.21.
origen es un foco atractivo.
-10 -5 0 5 10
-10
-5
0
5
10
y
x
Puntos crticos propios, impropios y no-hiperb olicos
Supongamos que la matriz A asociada a (4.45) tiene un unico valor propio, 1. Se dice que el punto
crtico (x
0
, y
0
) = (0, 0) es
1) propio si asociado a existen dos vectores propios linealmente independientes;
2) impropio si no existen dos vectores propios linealmente independientes asociados a .
_
x = x,
y = y.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Se tiene que
(%i15) A: matrix([1, 0], [0, 1]);
(%o16) [[[1], [2]], [[[1, 0], [0, 1]]]]
Puesto que el valor propio de A, = 1 tiene dos vectores propios linealmente independientes
K
1
=
_
1
0
_
, K
2
=
_
0
1
_
,
el punto en el origen es un punto crtico propio.
(%i17) plotdf([x,y]);
origen es un punto crtico
propio inestable.
-10 -5 0 5 10
-10
-5
0
5
10
y
x
_
x = 3x +2y,
y =2x y.
Se tiene que
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
(%i18) A: matrix([3, 2], [-2, -1]);
(%o19) [[[1], [2]], [[[1, 1]]]]
Puesto que el valor propio de A, = 1 no tiene dos vectores propios linealmente independientes, el
punto en el origen es un punto crtico impropio.
(%i23) plotdf([3
*
x+2
*
y, -2
*
x-y], [xfun, "-x"]);
origen es un punto crtico
impropio inestable.
-10 -5 0 5 10
-10
-5
0
5
10
y
x
-x
Si el determinante de la matriz A asociada a (4.45) tiene valor propio
1
= 0, existir an innitos puntos
crticos localizados a lo largo de una recta que pasa por el origen; a estos puntos crticos se les denomina
no-hiperb olicos.
_
x = x +2y,
y = x +2y.
Se tiene que
(%i24) A: matrix([1, 2], [1, 2]);
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
(%o25) [[[0, 3], [1, 1]], [[[1,
1
2
]], [[1, 1]]]]
Puesto que
1
= 0 es valor propio de A, existen puntos crticos no-hiperb olicos.
(%i26) plotdf([x+2
*
y, x+2
*
y], [xfun, "-x/2; x"]);
Figura 4.29 Los puntos a lo
largo de la recta determinada
por el vector propio asociado
a
1
= 0 son puntos crticos
no-hiperb olicos inestables.
-10 -5 0 5 10
-10
-5
0
5
10
y
x
( -x / 2)
x
4.10. Caso no-lineal
Consideramos el sistema no-lineal aut onomo
_
x = f (x, y), t I,
y = g(x, y), t I.
(4.46)
Los puntos crticos son las soluciones del sistema
_
f (x, y) = 0,
g(x, y) = 0.
Para analizar la estabiloidad de un punto crtico (u, v), se linealizan las funciones f = f (x, y) y g = g(x, y)
(que suponemos que son de clase C
2
), mediante la expansi on de Taylor en las cercanas de (u, v):
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
4.10 Caso no-lineal 181
f (x, y) (x u)
f
x
(u, v) +(y v)
f
y
(u, v),
g(x, y) (x u)
g
x
(u, v) +(y v)
g
y
(u, v).
Entonces, mediante el cambio de variable
X = x u, Y = y v,
tenemos que (4.46) se aproxima mediante
_

X
Y
_
= A
_
X
Y
_
donde
A =
_
_
_
f
x
(u, v)
f
y
(u, v)
g
x
(u, v)
g
y
(u, v)
_
_
_
Observaci on 4.7 T engase presente que a cada punto crtico, le corresponde una matriz A, es decir
A = A(u, v).
La estabilidad del punto crtico (u, v) est a determinada por la matriz A siguiendo las consideraciones he-
chas para sistemas lineales en la secci on anterior. Obs ervese que A es la matriz Jacobiana de ( f (x, y), g(x, y))
evaluanda en el punto crtico (u, v).
_
x = 4x
2
4y
2
,
y = y
2
x
2
+1.
Calculemos los puntos crticos del sistema:
(%i16) f(x,y):=4 - x2 -4
*
y2;
(%i17) g(x,y):= y2 - x2 +1;
(%i18) F(x,y):= [f(x,y), g(x,y)];
(%o18) F (x, y) := [ f (x, y), g(x, y)]
(%i19) v: [x,y];
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
(%i29) crit: solve(F(x,y),v);
(%o29) [[x =
2
3
2
5
, y =
5
], [x =
2
3
2
5
, y =
5
],
[x =
2
3
2
5
, y =
5
], [x =
2
3
2
5
, y =
5
]]
Calculemos la matriz Jacobiana de F(x, y)
(%i22) h[i, j]:= diff(F(x,y)[i], v[j]);
(%o22) h
i, j
:= di f f ((F (x, y))
i
, v
j
)
(%i23) jac: genmatrix(h,2,2);
(%o23)
_
2x 8y
2x 2y
_
Analicemos la estabilidad de
(u
1
, v
1
) = (
2
3
2
5
,
5
)
(1,264911064067352, 0,77459666924148).
(%i32) A: jac, crit[1];
(%o32)
_
_
2
5
2
5
8
5
2
5
2
5

2
5
_
_
(%i38) eigen: eigenvalues(A);
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
(%o38) [[
_
2
9
2
3
5
2
+44
5+
_
2
32
5
2
_
5
10
,
_
2
9
2
3
5
2
+44
5+
_
2
5
2
2
3
_
5
10
], [1, 1]]
Puesto que
(%i44) eigen[1][1]
*
eigen[1][2], numer;
(%o44) 19,59591794226544
se tiene que (u
1
, v
1
) es un punto de silla.
(u
2
, v
2
) = (
2
3
2
5
,
5
)
(1,264911064067352, 0,77459666924148)
(%i45) A: jac, crit[2];
(%o45)
_
_
2
5
2
5

8
5
2
5
2
5
2
5
_
_
(%o49) [[
_
2
9
2
3
5
2
44
5i +
_
2
32
5
2
_
5
10
,
_
2
9
2
3
5
2
44
5i +
_
2
3+2
5
2
_
5
10
], [1, 1]]
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
(%i54) eigen[1][1], expand, numer;
(%o54) 2,0395077333088363,92890902771226i
Figura 4.30 El punto (u
2
, v
2
)
es un foco repulsivo.
-3 -2 -1 0 1 2 3
-2
-1
0
1
2
3
y
x
sqrt ((1 - (pow(x,2) / 4)))
-sqrt ((1 - (pow(x,2) / 4)))
sqrt ((pow(x,2) - 1))
-sqrt ((pow(x,2) - 1))
Por tanto (u
2
, v
2
) es un foco repulsivo.
(u
3
, v
3
) = (
2
3
2
5
,
5
)
(1,264911064067352, 0,77459666924148)
(%i57) A: jac, crit[3];
(%o57)
_
_
2
5
2
5
8
2
5
2
5

2
5
_
_
(%o58) [[
_
2
9
2
3
5
2
44
5i +
_
2
3+2
5
2
_
5
10
,
_
2
9
2
3
5
2
44
5i +
_
2
32
5
2
_
5
10
], [1, 1]]
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
(%i60) eigen[1][1], expand, numer;
(%o60) 3,92890902771226i 2,039507733308836
Por tanto (u
3
, v
3
) es un foco atractivo.
Figura 4.31 El punto (u
3
, v
3
)
es un foco atractivo.
-3 -2 -1 0 1 2 3
-2
-1
0
1
2
3
y
x
sqrt ((1 - (pow(x,2) / 4)))
-sqrt ((1 - (pow(x,2) / 4)))
sqrt ((pow(x,2) - 1))
-sqrt ((pow(x,2) - 1))
(u
4
, v
4
) = (
2
3
2
5
,
5
)
(1,264911064067352, 0,77459666924148)
(%i65) A: jac, crit[4];
(%o65)
_
_
2
5
2
5

8
2
5
2
5
2
5
_
_
(%o66) [[
_
2
9
2
3
5
2
+44
5+
_
2
5
2
2
3
_
5
10
,
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
_
2
9
2
3
5
2
+44
5+
_
2
32
5
2
_
5
10
], [1, 1]]
(%i69) eigen[1][1]
*
eigen[1][2], numer;
(%o69) 19,59591794226544
Entonces (u
4
, v
4
) es punto de silla.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Problemas
4.1. Pruebe que una funci on de Lipschitz es continua.
4.2. Pruebe que las funciones determinadas por las siguientes f ormulas son de Lipschitz
f
1
(x) =
_
x
2
+5, f
2
(x) = sin(x); f
3
(x) =[x[.
4.3. Pruebe que las funciones determinadas por las siguientes f ormulas no son de Lipschitz
f
1
(x) = x
2
; f
2
(x) =
x; f
3
(x) =
_
x
3/2
sin(x), x (0, 1]
0, x = 0
.
4.4. Sea a > 0. El sistema din amico discreto
x
n+1
=
1
2
_
x
n
+
a
x
n
_
,
fue conocido por los saumerios hace unos 4000 a nos como una herramienta para calcular

a. Utilizando
cualquier valor inicial x
0
> 0 calcule
3,
15 y
234. Observe la diferencia en los resultados al empezar

con x
0
como un n umero racional y como un n umero de punto otante. Haga los diagramas de evoluci on y
de degraus.
4.5. La poblaci on inicial de una cierta especie de mamferos es de 5000 individuos. Cada a no el aumen-
to natural (nacimientos menos muertes naturales) es de 25%. Suponiendo que el n umero de individuos
eliminados por los cazadores cada a no es de 1500, manteni endose constante este n umero en los a nos sub-
siguientes, c omo sera la evoluci on de la poblaci on en los pr oximos 10 a nos si la caza est a permitida s olo
en cierta epoca del a no?
4.6. Calcule y graque los primeros 15 t erminos del sistema discreto
x
n+1
= x
2
n
2.
Use los siguientes valores:
x
0
= 1; x
0
= 2; x
0
= 0,5; x
0
= 1,999.
En cada caso explique el comportamiento de la evoluci on.
4.7. Calcule y graque los primeros 15 t erminos del sistema discreto
x
n+1
=[x
n
2[.
Use los siguientes valores:
x
0
= 1; x
0
= 2; x
0
= 0,5; x
0
= 1,999.
En cada caso explique el comportamiento de la evoluci on.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
4.8. Obtenga el campo de direcciones para la EDO y esboce trayectoria de la soluci on que pasa por el punto
dado
x
/
+x = 1+t
2
, x(1) = 1;
dy
dx
=
x +y
x +2y
, y(2) = 3;
cos(x)
dx
dt
=
t sin(x)
1+t
2
, x(1) =

2
.
4.9. Considere los problemas de valor inicial del ejercicio anterior.
1) En caso de ser posible, obtenga una soluci on analtica del problema de valor inicial y grafquela.
2) Aplique un m etodo num erico para obtener una aproximaci on de la soluci on del problema de valor inicial.
4.10. Considere la EDO
x
/
= (2x) sin(x).
Obtenga el diagrama de fase, identique los puntos crticos e indique si son atractivos o repulsivos.
4.11. Resuelva num ericamente los siguientes problemas de valor inicial y graque las soluciones obtenidas.
_
x
/
=
t
2
x
2
x
, 0 t 3,
x(0) = 1;
_
x
/
= cos(t) +2x, 2 t 1,
x(2) = 0;
_
x
/
+x = 1+t
2
, 0 t 4,
x(0) = 2.
4.12. Una bola se deja caer desde la terraza de un rascacielos. Para esferas la constante aerodin amica es
igual a 0,5. Use un m etodo num erico para calcular la velocidad de la bola, v(t), durante los 5 primeros
segundos. La bola es
1) una pelota de tenis con m = 0,062Kg y r = 0,0325m;
2) una pelota de ping-pong con m = 0,0024Kg y r = 0,0019m;
3) una gota de lluvia con r = 0,003m.
Haga los gr acos de las velocidades y aceleraciones de los tres objetos en funci on del tiempo. Qu e relaci on
hay entre las respectivas velocidades terminales? Por qu e se puede lanzar m as lejos una bola de tenis que
una bola de ping-pong, cuando de hecho la primera pesa m as?
4.13. Un tanque cilndrico, lleno de agua, tiene un oricio en la base. La velocidad de escape del agua
est a dada por
y
/
=k
y, t 0,
donde y es la altura de agua en el tanque y k > 0 es una constante que depende del tama no del oricio y de
la area de base del cilindro. Para un caso concreto se tiene k = 0,05. Si la altura est a medida en metros y el
tiempo en minutos, use el m etodo de R-K con incrementos de tiempo de 1 segundo para calcular el tiempo
que se demora en vaciarse completamente el tanque. La altura inicial del agua es de 1m.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
4.14. Una bola de 0,08Kg y radio de 0,035m es lanzada con una velocidad de 20m/s en un angulo de 60
respecto de la horizontal. Calcule el alcance si la constante aerodin amica vale 0,5, la densidad del aire es
de 1,2Kg/m
3
y la gravedad tiene un valor de 9,81m/s
2
Compare gr acamente la trayectoria de la bola con
la trayectoria que seguira si no hubiese resistencia del aire.
4.15. Escriba el problema como un sistema libre de singularidades, haga el diagrama de fase.
_
_
_
dy
dx
=
x +y
x +2y
,
y(2) = 3;
4.16. Use el m etodo de Runge - Kutta para resolver el siguiente problema
_
_
(t
2
+1)y
//
(t +3)y
/
+y = 0, 3 t 1
y(3) = 0,
y
/
(3) = 1.
4.17. Use el m etodo de Runge - Kutta para resolver el siguiente problema
_
_
y
//
+xy
/
+x
2
y = sin(x), 1 x 5
y(1) = 0,
y
/
(1) =2.
4.18. Encuentre la soluci on general para el sistema indicado, para t 1.
a)
_
x = x +2y,
y = 4x +3y;
b)
_
_
x = x +y z,
y = 2y,
z = y z;
c)
_
x = 6x y,
y = 5x +2y;
d)
_
x = 5x +y,
y =2x +3y.
4.19. Encuentre la soluci on general para el sistema indicado, para t 1.
X
/
=
_
_
1 1 0
3/4 3/2 3
1/8 1/4 1/2
_
_
X; Y
/
=
_
_
5 4 0
1 0 2
0 2 5
_
_
Y; Z
/
=
_
_
1 0 0
2 2 1
0 1 0
_
_
Z.
4.20. Resuelva los siguientes problemas de valor inicial
_
_
X
/
=
_
2 4
1 6
_
X,
X(0) =
_
1
6
_
;
_
_
X
/
=
_
4 3
3 4
_
X,
X(0) =
_
1
1
_
.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
4.21. Resuelva los siguientes sistemas por el m etodo de variaci on de par ametros
(a)
_
x = 3x 3y +4,
y = 2x 2y 1;
(b)
_
x = 2x y,
y = 3x 2y +4t;
4.22. Resuelva los siguientes sistemas por el m etodo de variaci on de par ametros
(a) X
/
=
_
3 2
2 1
_
X +
_
1
1
_
; (b) X
/
=
_
1 1
1 1
_
X +
_
cos(t)
sin(t)
_
e
t
;
(c) X
/
=
_
1 2
1/2 1
_
X +
_
cosec(t)
sec(t)
_
e
t
; (d) X
/
=
_
_
1 1 0
1 1 0
0 0 3
_
_
X +
_
_
e
t
e
2t
te
3t
_
_
.
4.23. Analice los puntos crticos del sistema din amico. Indique si son puntos atractivos, repulsivos, etc.
(a)
_
x = x +y,
y = 4x +y;
(b)
_
x =3x +
2y,
y =
2x 2y;
(c)
_
x = x y,
y = x +3y.
4.24. Estudie la estabilidad de los puntos crticos del sistema
(a)
_
x = x,
y = x
2
+y
2
1;
(b)
_
x = x(2y),
y =
1
2
y(x 3).
4.25. La amplitud de oscilaci on de un p endulo decrece principalmente por causa de la resistencia del aire.
Esta fuerza es opuesta al movimiento y proporcional a la velocidad angular , con constante de proporcio-
nalidad . Suponga que la varilla tiene una longitud l
Use el diagrama de fuerzas para probar que el movi-
miento del p endulo est a gobernado por el sistema
_
= ,
=
g
l
sin()

ml
,
donde m es la masa colocada al extremo inferior de
la varilla.
Suponga que m=0,3Kg, l =0,5m, g =9,81ms
2
, =0,05N s. Analice la estabilidad de los puntos crticos
del sistema. Resu elva num ericamente el sistema y graque la soluci on cuando
1) el p endulo parte del reposo un angulo inicial
0
= 120
;
2) el p endulo es lanzado desde
0
= 60
, con una velocidad inicial

0
=9s
1
.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Captulo 5
An alisis de Fourier
5.1. Introducci on
En este captulo se asume que el lector tiene buenas bases de Algebra Lineal (v eanse e.g. [Gro87] y
[NCT96]). Creemos que encontrar a util el material presentado en el Ap endice 1.
Recordemos que en un espacio Euclidiano n-dimensional V todo vector u V se puede expandir en
t erminos de una base B =v
1
, ..., v
n
:
u =
n
k=1
c
k
v
k
. (5.1)
Si, adicionalmente, B es ortonormal, entonces los coecientes c
k
, k = 1, ..., n, se pueden calcular mediante
la f ormula
c
k
= (u, v
k
), k = 1, 2, ..., n, (5.2)
donde (, ) representa el producto interior en V. La norma de u se puede calcular con la f ormula Pitag orica
1
|u| =
k=1
c
2
k
. (5.3)
Si suponemos ahora que V es dimensi on innita, nos cuestionamos si es que es posible proveer a V
de un conjunto B = v
1
, v
2
, ... de manera tal que la estructura de las relaciones (5.1), (5.2) y (5.3) siga
siendo v alida cuando n . Esta cuesti on tiene innumerables aplicaciones en Ingeniera; por ejemplo
en el An alisis de Se nales, en la resoluci on de Ecuaciones Diferenciales Parciales, en el modelamiento de
fen omenos peri odicos, etc.
El ejemplo hist orico de esta situaci on corresponde a expandir una funci on u : [, ] 1 como una
serie de Fourier cl asica,
u(t) =
a
0
2
+
k=1
a
k
cos(kt) +
k=1
b
k
sin(kt), t [, ],
1
Cuando n = 2 la formula (5.3) establece que en un tri angulo rect angulo la hipotenusa se calcula como la raz de la suma de
los cuadrados de los catetos.
191
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
192 5 An alisis de Fourier
donde los coecientes a
0
/2, a
n
y b
n
, n =1, 2, ..., son las coordenadas de u en la base F =1, cos(k), sin(k) :
k = 1, 2, 3, .... Este tipo de expansiones (v ease e.g. [Kre06]) surgi o de manera natural en el trabajo sobre
cuerdas vibrantes de D. Bernoulli (1753) y en el trabajo sobre la conducci on del calor de J. Fourier (1822)
pues permite modelar sistemas peri odicos complicados en t erminos de funciones simples (senos y cosenos).
En este captulo abordaremos la inquietud planteada sobre expansiones innitas en t erminos de bases,
con particular inter es en el espacio de funciones de cuadrado integrable L
2
(I). Dependiendo del interva-
lo I 1, el sistema trigonom etrico F ya mencionado as como los sistemas de funciones de Legendre,
Hermite y Laguerre toman el papel de base de L
2
(I) vericando las relaciones (5.1), (5.2) y (5.3).
Al nal del captulo abordamos el estudio de la Transformada de Fourier en el marco del espacio L
2
(I);
all se maniesta como una herramienta util para el An alisis de Se nales y, como se ver a en el Captulo 6,
tambi en para el an alisis de Ecuaciones en Derivadas Parciales.
5.2. Preliminares
5.2.1. Espacios normados
El concepto de norma es una generalizaci on de la funci on m odulo (que a su vez generaliza bidimensio-
nalmente la funci on valor absoluto) que fue denida en la Secci on 2.2 para el conjunto C, pues permite
medir el tama no de un vector y la distancia entre vectores que viven en un espacio vectorial.
Denici on 5.1 [Espacio normado]
Se dice que (V, | |) es un espacio normado si V es un espacio vectorial y | | : V 1 es una
aplicaci on, llamada norma, que verica las siguientes propiedades
|u| 0, para todo u V; (5.4)
|u| = 0 ssi u = 0; (5.5)
|u| =[[ |u|, para todo u V; (5.6)
|u+v| |u|+|v|, para todo u, v V. (5.7)
Si no hay lugar a confusi on se dir a que V es el espacio normado en lugar de (V, | |).
Figura 5.1 La desigualdad
triangular establece que en
un tri angulo formado en un
espacio normado, la longitud
de un lado es menor que la
suma de las longitudes de
los otros dos lados. Fuente:
http://www.answers.com
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
5.2 Preliminares 193
Una vez que se puede medir distancias en un espacio es posible establecer el concepto de convergencia.
2
Esto lo establecemos en la siguiente denici on.
Denici on 5.2 [Distancia y convergencia]
Sea (V, | |) un espacio normado. La distancia entre los vectores u, v V est a dada es
dist(u, v) =|uv|. (5.8)
Se dice que una sucesi on (v
n
)
nN
V converge al vector v V si se cumple que
lm
n
|v
n
v| = 0. (5.9)
Tenga presente que sobre un mismo espacio vectorial V se pueden denir diferentes normas. Las pro-
piedades de un espacio normado (V, | |
1
) pueden diferir sustancialmente de las propiedades del espacio
normado (V, | |
2
); por ejemplo, una sucesi on (v
n
) V podra converger en (V, | |
1
) y no en (V, | |
2
).
Notaci on 5.1 Sean 1
n
y 1
m
. Por C
k
(;) representaremos el espacio funcional
3
constituido
por las funciones : que tienen derivadas continuas al menos hasta orden k N
. Cuando =1
se escribe simplemente C
k
() en lugar de C
k
(; 1).
Ejemplo 5.1 [Teorema de Aproximaci on de Weierstrass]
Supongamos que < a < b <. Consideramos el espacio V = C([a, b]). El lector puede vericar que la
aplicaci on | |
: V 1 denida mediante
|u|
= sup
t[a,b]
[u(t)[ (5.10)
es una norma sobre V. De hecho, el supremo en (5.10) es un m aximo (v ease e.g. [Apo67, Teo. 3.12]).
Es en el espacio normado (C([a, b]), | |
) donde tiene sentido el Teorema de Aproximaci on de Weiers-

trass que el estudiante aprendi o en su curso de C alculo. Este famoso teorema establece que dada cualquier
f C([a, b]) y dado cualquier grado de aproximaci on > 0, se puede hallar un polinomio p : [a, b] 1
tal que
|f p|
= sup
t[a,b]
[ f (t) p(t)[ < . (5.11)
Por ejemplo, si [a, b] = [0, 1] los polinomios de Bernstein:
B
n
( f )(t) =
n
k=0
_
n
k
_
f
_
k
n
_
t
k
(1t)
nk
, n N, (5.12)
verican
lm
n
| f B
n
|
= 0.
Ejemplo 5.2 [Normas de Lebesgue]
Sea 1 p < y supongamos que < a < b < . Consideramos nuevamente el espacio V = C([a, b])
2
En el marco de los espacios topol ogicos, se puede denir la convergencia de sucesiones sin el concepto de distancia; para
ello la herramienta indispensable es el concepto de conjunto abierto.
3
Un espacio funcional es un espacio vectorial donde los vectores son funciones que cumplen habitualmente con ciertas
propiedades de derivabilidad y/o integrabilidad.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
pero ahora con la aplicaci on | |
p
denida por
|u|
p
=
_
_
b
a
[u(t)[
p
_
1/p
. (5.13)
Se puede probar, con ayuda de la desigualdad de H older, que | |
p
es una norma sobre C([a, b]); se le
denomina norma p de Lebesgue.
Puesto que se cumple que
lm
p
|u|
p
=|u|
, para todo u C([a, b]), (5.14)

a la norma | |
, denida en el Ejemplo 5.1, se le suele llamar norma de Lebesgue.

Observaci on 5.1 La desigualdad de H older establece que para p, p
/
[1, ] conjugados,
1
p
+
1
p
/
= 1, (5.15)
se cumple que
|uv|
1
|u|
p
|v|
p
/ , para todo u, v C([a, b]). (5.16)
Para probar la desigualdad de H older se necesita la desigualdad de Young
ab
1
p
a
p
+
1
p
/
b
p
/
, para todo a, b 0.
Observaci on 5.2 Es importante recalcar que no es indispensable que la funci on u sea continua en [a, b]
para que la f ormula (5.13) tenga sentido. V ease la Denici on ??.
5.2.2. Conjuntos abiertos y cerrados
Como se vi o en la Secci on 2.2.2 las bolas y los conjuntos abiertos son indispensables para establecer una
gama de resultados en C. En un espacio normado V se dene la bola centrada en u
0
V con radio r > 0
como el conjunto
B(u
0
; r) =u V : dist(u, u
0
) < r. (5.17)
Denici on 5.3 [Conjunto abierto. Conjunto acotado]
Sean V un espacio normado y U V. Se dice que U es un conjunto abierto si para todo u U existe
r >0 tal que B(u; r) U. A un conjunto se le denomina cerrado si su complemento es abierto. Se dice
que U V es acotado si se lo puede cubrir con alguna bola; esto equivale a que se pueda hallar un
M > 0 tal que
|u| < M, para todo u U.
En particular, toda bola es un conjunto abierto y acotado.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
5.2 Preliminares 195
Mediante el concepto de punto de acumulaci on es posible caracterizar a un conjunto cerrado.
Denici on 5.4 [Puntos de acumulaci on. Adherencia]
Sean V un espacio normado y B V. Se dice que v V es un punto de acumulaci on (o punto lmite)
de B si existe una sucesi on (u
n
)
nN
B tal que
lm
n
u
n
= v.
Se denomina adherencia de B al conjunto
B =u V : u es punto de acumulaci on de B. (5.18)
De la denici on anterior es claro que B B. En el siguiente teorema se establece que un conjunto es
cerrado cuando contiene a todos sus puntos de acumulaci on, es decir que B B.
Teorema 5.1 [Caracterizaci on de un conjunto cerrado]
Sean V un espacio normado y M V. Entonces M es cerrado ssi M = M.
Demostraci on. Puesto que M M tenemos que probar que M es cerrado ssi M M.
1) Supongamos que M es cerrado de manera que M
c
es abierto. Sea x M arbitrario y probemos que
x M. Por reducci on al absurdo, supongamos entonces que x M
c
de manera que existe un r > 0 tal que
B(x, r) M
c
. Ahora bien como x es punto de acumulaci on de M, existe una sucesi on (x
n
)
nN
M tal que
lm
n
x
n
= x;
es decir que para todo > 0, existe un N
N tal que
n > N
=|x x
n
| < .
Pero entonces, para = r,
x
n
B(x, r) M
c
, para todo n N
r
,
que es una contradicci on pues (x
n
)
nN
M. Por la arbitrariedad de x, se sigue que M M.
2) Supongamos ahora que M = M y probemos que M es cerrado, es decir que M
c
es abierto. Por reducci on
al absurdo, supongamos que M
c
no es abierto de manera que existe un punto x M
c
que no es interior; es
decir,
B(x, r) ,M
c
, para todo r > 0.
Por tanto, para todo n N, existe un x
n
B(x, 1/n) tal que x
n
M. Ahora, como
lm
n
|x x
n
| = 0,
se sigue que x es punto de acumulaci on de M y, por ello, x M que es una contradicci on. Puesto que x fue
arbitrario, se sigue que M
c
es abierto. .
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
5.2.3. Continuidad de operadores
Llamamos operador a toda funci on L tal que su dominio y codominio son subconjuntos de un espacio
vectorial. En particular, si el codominio es un subconjunto de 1 se dice que L es un funcional.
Denici on 5.5 [Continuidad de operadores]
Sean (V, | |
V
) y (W, | |
W
) dos espacios normados. El operador L : V W es continuo en el punto
v
0
V ssi para todo > 0, existe un > 0 tal que
v B(v
0
, ) =L[v] B(L[v
0
], ). (5.19)
Si L es continuo en todo punto de V se dice simplemente que es un operador continuo.
Conceptualmente la denici on anterior establece que un operador es continuo cuando peque nas pertur-
baciones entorno al punto de referencia v
0
provocan peque nas perturbaciones en L[v
0
].
Para terminar esta secci on caracterizamos la continuidad de operadores por medio de sucesiones.
Teorema 5.2 [Caracterizaci on de la continuidad]
Sean (V, | |
V
) y (W, | |
W
) dos espacios normados. El operador L : V W es continuo en el punto
v
0
V ssi dada cualquier sucesi on (v
n
)
nN
V tal que
lm
n
v
n
= v
0
,
se sigue que
lm
n
L[v
n
] = L[v
0
].
5.3. Espacios Euclidianos
Como el lector recordar a, varios conceptos de la Geometra Euclidiana se pueden replicar en un espa-
cio normado. Este parecido mejora sustancialmente cuando la norma del espacio se dene a trav es de un
producto escalar.
Presentamos en la siguiente denici on un recurso para medir angulos entre vectores. Se necesita intro-
ducir el concepto de producto interno (an alogo al producto punto de vectores fsicos ordinarios), [RR92].
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
5.3 Espacios Euclidianos 197
Denici on 5.6 [Espacio Euclidiano]
Sea V un espacio vectorial. Se dice que (, ) : V V 1 es un producto interno o producto escalar
sobre V si se cumplen las siguientes condiciones:
(u+v, w) = (u, w) +(v, w), para todo u, v, w V; (5.20)
(u, v) = (v, u), para todo u, v V; (5.21)
(u, v) = (u, v), para todo u, v V y todo 1; (5.22)
(u, u) 0, para todo u V; (5.23)
(u, u) = 0 ssi u = 0. (5.24)
En este caso se dice que (V, (, )) es un espacio Euclidiano.
Observaci on 5.3 Si V es un espacio vectorial denido sobre el campo C, se dice que (, ) : V V C es
un producto interno sobre V si se cumplen las siguientes condiciones:
(u+v, w) = (u, w) +(v, w), para todo u, v, w V;
(u, v) = (v, u), para todo u, v V;
(u, v) = (u, v), para todo u, v V y todo 1;
(u, u) 0, para todo u V;
(u, u) = 0 ssi u = 0.
En un espacio Euclidiano
4
se pueden establecer el tama no o norma de un vector (por lo cual todo espacio
euclidiano es un espacio normado),
|u| =
_
(u, u), (5.25)
y, por (5.8), tambi en la distancia entre dos vectores (por lo cual todo espacio Euclidiano es un espacio
m etrico), El angulo [0, ] entre dos vectores no-nulos u, v V est a dado por
cos() =
(u, v)
|u||v|
. (5.26)
Ejemplo 5.3 [El espacio 1
d
]
En el espacio 1
d
se dene el producto escalar de dos vectores
u =
_
_
_
_
_
u
1
u
2
.
.
.
u
d
_
_
_
_
_
, v =
_
_
_
_
_
v
1
v
2
.
.
.
v
d
_
_
_
_
_
mediante
(u, v) = u
T
v (5.27)
= u
1
v
1
+u
2
v
2
+... +u
d
v
d
.
Aqu, el superndice T representa la transpuesta de una matriz.
4
En honor al matem atico griego Euclides (330 A.E.C. - 275 A.E.C.), autor de los Elementos, libro donde se expone la
geometra cl asica como un sistema axiom atico.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Si consideramos los siguientes elementos de 1
3
(%i1) u: transpose(matrix([ux, uy, uz]));
v: transpose(matrix([vx, vy, vz]));
( %o1)
_
_
ux
uy
uz
_
_
( %o2)
_
_
vx
vy
vz
_
_
el producto interior de u con v es
(%i3)
u.v;
( %o3) uzvz +uyvy +uxvx
Calculemos la distancia entre los vectores u, v 1
3
:
(%i4) sqrt((u-v).(u-v));
( %o4)
_
(uz vz)
2
+(uy vy)
2
+(ux vx)
2
que es la f ormula que uno aprende en el curso de Geometra Analtica.
Para terminar esta secci on establecemos, gracias al Teorema 5.2, la continuidad del producto interno.
Proposici on 5.1 [Continuidad del Producto Interno]
Sea V un espacio euclidiano. Sean (u
n
)
nN
y (v
n
)
nN
sucesiones en V tales que
lm
n
u
n
= u, lm
n
v
n
= v.
Entonces,
lm
n
(u
n
, v
n
) = (u, v).
5.3.1. El espacio L
2
(I)
Vamos a suponer que I 1es [a, b], [a, ), (, a] o 1. Se dene el espacio de funciones con cuadrado
integrable sobre I como
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
2
(I) =
_
f : I 1 :
_
I
[ f (t)[
2
dt <
_
. (5.28)
Observaci on 5.4 Para que la denici on de
2
(I) sea estrictamente correcta, la integral que aparece en
(5.28) debe ser calculada en el sentido de Lebesgue y no en el sentido de Riemann, que es la integral que
habitualmente se ense na a un estudiante de Ingeniera. Esto queda fuera de los objetivos de este texto.
Se dene sobre
2
(I) una relaci on de equivalencia mediante
u v ssi
_
I
[u(t) v(t)[
2
dt = 0. (5.29)
Se dene el espacio L
2
(I) como
L
2
(I) =[u] : u
2
(I), (5.30)
donde [u] representa la clase de equivalencia de u
2
(I) pr la relaci on de equivalencia denida en (5.29).
Agrosso modo la clase [u] est a formada por todas funciones v de cuadrado integrable tales que u(t) =v(t)
en casi todo punto
5
t I de manera que la integral en (5.29) se anula. Por esta raz on, es habitual abusar
de la notaci on escribiendo u en lugar de [u].
El espacio L
2
(I) es Euclidiano cuando se le equipa del producto escalar
(u, v)
L
2
(I)
=
_
I
u(t)v(t)dx. (5.31)
En este caso la norma viene dada por
|u|
L
2
(I)
=
_
_
I
[u(t)[
2
dt
_
1/2
, (5.32)
en tanto que la distancia entre dos funciones est a dada por
dist(u, v) =
_
_
I
[u(t) v(t)[
2
dt
_
1/2
. (5.33)
Observaci on 5.5 Para calcular las integrales que aparecen en (5.31), (5.32) y (5.33) se debe tomar fun-
ciones cualesquiera que vivan en las clases de equivalencia [u] y [v], respectivamente.
Tip 51.
El comando quad qagi permite realizar la integracion numerica de una funcion
general en un intervalo infinito o semi-infinito.
Tip 52.
Los comandos acos, asin, atan representan la funciones trigonometricas inversas arccos,
arcsin y arctan, respectivamente.
5
Para aclarar la armaci on en casi todo punto se debe acudir a la Teora de la Medida. Esto queda por fuera del alcance de
este libro. El lector interesado puede consultar e.g. [Ash72] y [Hal50].
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Ejemplo 5.4 En el espacio L
2
(0; ) consideramos las funciones denidas por las f ormulas
(%i1) u(t):= %e(-t);
( %o1) u(t) := e
t
(%i2) v(t):= sin(t)
*
%e(-t2);
( %o2) v(t) := sin(t) e
t
2
Puesto que
(%i3) norm_u: sqrt(integrate(u(t)2,t,0,inf));
( %o3)
1
2
(%i4) norm_v: sqrt(integrate(v(t)2,t,0,inf));
( %o4)
2
5
2
2
5
2
e
se tiene que
|u|
2
=
1
2
, |v|
2
=
2
5
2
2
5
2
e
.
Puesto que
(%i5) sqrt(quad_qagi((u(t)-v(t))2,t,0,inf));
( %o5) [0,4634171105924, 9,759243776845532910
6
,
165, 0]
se tiene que
dist(u, v) 0,4634171105924.
Calculamos el producto escalar entre u y v:
(%i6) prod_uv: quad_qagi(u(t)
*
v(t),t,0,inf), numer;
( %o6) [0,20426487665289, 5,101368981273537810
10
, 135, 0]
de manera que
(u, v) 0,20426487665289
El angulo (en radianes) que forman u y v es
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
(%i7) acos(prod_uv[1] / (norm_u
*
norm_v)), numer;
( %o7) 0,60461272176685
que equivale a 34.64
, aproximadamente.
En un espacio Euclidiano se cumple la desigualdad de Cauchy - Schwartz.
Proposici on 5.2 [Desigualdad de Cauchy - Schwartz]
Sea V un espacio euclidiano. Se tiene que
[(u, v)[ |u||v|, para todo u, v V. (5.34)
Demostraci on (de la Proposici on 5.2). Si v = 0 se cumple inmediatamente (5.34). Supongamos entonces
que v ,= 0. Para 1 se tiene que
0 |uv|
2
=|u|
2
+
2
|v|
2
2(u, v). (5.35)
El lado de la derecha se minimiza cuando
=
(u, v)
|v|
;
se concluye al reemplazar este valor en (5.35). .
Observaci on 5.6 En el espacio L
2
(I), I 1, la desigualdad de Cauchy - Schwartz
_
I
u(t)v(t)dt
_
_
I
[u(t)[
2
dt
_
1/2
_
_
I
[v(t)[
2
dt
_
1/2
(5.36)
es un caso particular de la desigualdad de H older,
_
I
u(t)v(t)dt
_
_
I
[u(t)[
p
dt
_
1/p
_
_
I
[v(t)[
p
/
dt
_
1/p
/
, (5.37)
que fue presentada en (5.16) para funciones en el espacio C([a, b]).
5.3.2. Ortogonalidad
Un concepto geom etrico que tiene cabida en un espacio euclidiano es el de ortogonalidad - que generaliza
la idea de perpendicularidad entre vectores.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Denici on 5.7 [Conjuntos Ortogonales y Ortonormales]
Sean V un espacio euclidiano y B V. Se dice que B es un conjunto ortogonal si
(u, v) = 0, para todo u, v B, u ,= v.
Si, adicionalmente, se cumple que
|u| = 1, para todo u B,
se dice que B es un conjunto ortonormal.
Ejemplo 5.5 [Sistema trigonom etrico]
En el espacio L
2
(; ), el sistema trigom etrico est a dado por
F =C
n
: n NS
n
: n N1
f
,
donde, para t [; ] y n N,
1
f
(t) = 1; (5.38)
C
n
(t) = cos(nt); (5.39)
S
n
(t) = sin(nt). (5.40)
Es f acil vericar que F es ortogonal en L
2
([; ]):
(%i3) Sm(t) := sin(m
*
t);
Sn(t) := sin(n
*
t);
Cm(t) := cos(m
*
t);
Cn(t) := cos(n
*
t);
One(t) := 1;
( %o3) Sm(t) := sin(mt)
( %o4) Sn(t) := sin(nt)
( %o5) Cm(t) := cos(mt)
( %o6) Cn(t) := cos(nt)
( %o7) One(t) := 1
(%i8) integrate(Sn(t)
*
Cm(t),t,-%pi,%pi);
( %o8) 0
(%i9) integrate(Sn(t)
*
One(t),t,-%pi,%pi);
( %o9) 0
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
(%i10)integrate(One(t)
*
Cm(t),t,-%pi,%pi);
( %o10) 0
(%i11)integrate(Sn(t)
*
Sm(t),t,-%pi,%pi);
( %o11) 0
(%i12)integrate(Cn(t)
*
Cm(t),t,-%pi,%pi);
( %o12) 0
Es f acil vericar la siguiente proposici on.
Proposici on 5.3 Sea V un espacio Euclidiano. Si BV es un conjunto ortogonal de vectores no-nulos
entonces es linealmente independiente.
Demostraci on. Sea U B un conjunto nito cualquiera. Puesto que B es ortogonal, U = v
1
, v
2
, ..., v
n
tambi en es ortogonal. Ahora, supongamos que

a
1
v
1
+a
2
v
2
+... +a
n
v
n
= 0,
con a
i
1, para i = 1, 2, ..., n. Tomando j 1, 2, ..., n jo, se sigue que
(v
j
, a
1
v
1
+a
2
v
2
+... +a
n
v
n
) = 0
de manera que
a
j
|v
j
|
2
= 0,
pero, como v
j
,= 0 y j es arbitrario, se sigue que
a
j
= 0, para todo j = 1, 2, ..., n,
de manera que U es linealmente independiente. Puesto que U fue elegido arbitrariamente, se sigue que B es
linealmente independiente. .
5.3.3. El proceso de Gram - Schmidt
Supongamos que V es un espacio Euclidiano y B V. Se puede hallar un conjunto ortonormal C V
que genere la c apsula
6
de B? Al menos para el caso en que B es un conjunto discreto, la respuesta es
armativa y, de hecho, el siguiente teorema establece una metodologa para construir C.
6
Para la denici on de c apsula v ease el Ap endice 1.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Teorema 5.3 [Proceso de Gram - Schmidt]
Sea B = v
1
, v
2
, v
3
, ... un conjunto l.i. en un espacio Euclidiano V. Se dene el conjunto C =
u
1
, u
2
, u
3
, ... V de la siguiente manera
_
_
u
1
=
1
|v
1
|
v
1
,
w
k+1
= v
k+1
j=1
(u
j
, v
k+1
)u
j
,
u
k+1
=
1
|w
k+1
|
w
k+1
,
(5.41)
para k N. Se tiene que
<v
1
, v
2
, v
3
, ..., v
n
>=, para cada n N. (5.42)
La relaci on (5.42) establece que cualquier combinaci on lineal nita de vectores de B se puede escribir
como una combinaci on lineal nita de vectores de C.
Corolario 5.1 [Proceso de Gram - Schmidt]
Bajo las condiciones del Teorema 5.3 se tiene que
 = <C >. (5.43)
La relaci on (5.43) establece que cualquier combinaci on lineal innita de elementos de B,
v =
n=1
c
n
v
n
,
se puede expandir como una combinaci on lineal innita de elementos de C:
v =
n=1
n
u
n
.
El proceso de Gram - Schmidt ser a utilizado m as adelante en la Secci on 5.5 para construir bases Hilber-
tianas para el espacio L
2
(I).
Ejemplo 5.6 Consideramos un subconjunto B =v
1
, v
2
, v
3
, v
4
del espacio 1
4
.
(%i1) l1: [1, -1, 3, -5];
l2: [0, 2, 2, 3];
l3: [0, 0, -1, 1];
l4: [0, 0, 4, 1];
( %o1) [1, 1, 3, 5]
( %o2) [0, 2, 2, 3]
( %o3) [0, 0, 1, 1]
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
( %o4) [0, 0, 4, 1]
(%i5) v1: transpose(matrix(l1));
v2: transpose(matrix(l2));
( %o5)
_
_
_
_
1
1
3
5
_
_
_
_
( %o6)
_
_
_
_
0
2
2
3
_
_
_
_
( %o7)
_
_
_
_
0
0
1
1
_
_
_
_
( %o8)
_
_
_
_
0
0
4
1
_
_
_
_
Puesto que B tiene exactamente 4 =dim(1
4
) elementos, es l.i. en tanto que sea distinto (v ease e.g. [Gro87])
de cero el determinante de la matriz cuyas columnas (o las) son v
1
, v
2
, v
3
y v
4
.
(%i9) det: determinant(matrix(l1, l2, l3, l4));
( %o9) 10
De manera que B es una base de 1
4
. Aplicaremos Gram - Schmidt para obtener una base ortonormal de
1
4
. Para ello, hacemos operacional el c alculo del producto escalar y de la norma en 1
4
:
(%i10)Prod(u,v):= u.v;
( %o10) Prod(u, v) := u.v
(%i11)N(v):= sqrt(Prod(v,v));
( %o11) N(v) :=
_
Prod(v, v)
Calculemos entonces C =u
1
, u
2
, u
3
, u
4
una base ortonormal de 1
4
.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
(%i12)u1: v1/N(v1);
( %o12)
_
_
_
_
1
6
1
6
1
2
5
6
_
_
_
_
(%i13)w2: v2-Prod(u1,v2)
*
u1;
( %o13)
_
_
_
_
11
36
61
36
35
12
53
36
_
_
_
_
(%i14)u2: w2/N(w2);
( %o14)
_
_
_
_
_
_
11
6
491
61
6
491
35
2
491
53
6
491
_
_
_
_
_
_
(%i15)w3: v3-Prod(u1,v3)
*
u1-Prod(u2,v3)
*
u2;
( %o15)
_
_
_
_
125
491
21
491
12
491
22
491
_
_
_
_
(%i16)u3: w3/N(w3);
( %o16)
_
_
_
_
_
125
34
491
21
34
491
12
34
491
22
34
491
_
_
_
_
_
(%i17)w4: v4-Prod(u1,v4)
*
u1-Prod(u2,v4)
*
u2-Prod(u3,v4)
*
u3;
( %o17)
_
_
_
_
5
17
25
17
10
17
10
17
_
_
_
_
(%i18)u4: w4/N(w4);
( %o18)
_
_
_
_
_
_
17
17
17
17
_
_
_
_
_
_
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
5.3.4. Bases de Schauder y Hilbertianas
En el Ap endice 1 se establece, mediante el Lema de Zorn, que todo espacio vectorial pos ee una base de
Hamel. Sin embargo, este resultado no prov ee ninguna informaci on sobre la naturaleza de dicha base y, de
hecho, se pueden encontrar bases de Hamel que no son numerables de manera que no hay garanta de que
se pueda obtener una expansi on de la forma
u =
k=1
c
k
v
k
. (5.44)
Por ello, cuando el universo de estudio es un espacio normado o un espacio Euclidiano, es indispensable
establecer un nuevo concepto de base.
Para un espacio vectorial de dimensi on nita existe un unico concepto de base: un conjunto nito lineal-
mente independiente tal que si se le a nade cualquier otro vector deja de ser linealmente independiente. Esta
noci on no se puede generalizar a espacios de dimensi on innita. Sin embargo, deniremos el concepto de
base teniendo como norte la existencia de sumas innitas de la forma (5.44).
Observaci on 5.7 En un espacio euclidiano V se dice que una sucesi on (u
n
)
nN
V es l.i. si el conjunto
B = u
i
: i N es l.i. Se dir a que (u
n
)
nN
V es ortogonal (respectivamente ortonormal) si B es l.i. y
ortogonal (respectivamente ortonormal). Abusando un poco identicaremos a B con (u
n
)
nN
.
Denici on 5.8 [Base de Schauder]
Sea V un espacio normado. Se dice que una sucesi on (u
n
)
nN
V l.i. es una base de Schauder de V
si dado cualquier u V existe una unica sucesi on de escalares (
n
)
nN
1 tal que
u =
n=1
n
u
n
. (5.45)
La igualdad (5.45) es equivalente a
lm
m
_
_
_
_
_
u
m
n=1
n
u
n
_
_
_
_
_
= 0.
Proposici on 5.4 Sea (u
n
)
nN
V una base de Schauder del espacio normado V. Se tiene que
V = . (5.46)
El ambiente natural en una gran cantidad de aplicaciones del An alisis Matem atico a la Ingeniera es
alg un espacio de Euclidiano. All, bajo condiciones apropiadas, se puede probar la existencia de bases de
Schauder ortonormales. Por su importancia tienen nombre propio:
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Denici on 5.9 [Base Hilbertiana]
Sea V un espacio Euclidiano. Se dice que una sucesi on B = (u
n
)
nN
V es una base ortogonal de V
si se cumple que
1) B es una base de Schauder de V;
2) B es ortogonal.
Si, adicionalmente, B es ortonormal se dice que B es una base Hilbertiana de V.
En este caso, dado u V se puede escribir
u =
n=1
n
u
n
, (5.47)
y se dice que (
n
)
nN
es la sucesi on de coecientes de Fourier de u y que (5.47) es la serie de Fourier de
u (en la base B).
Teorema 5.4 [Igualdad de Parseval]
Sea B = (u
n
)
nN
una base Hilbertiana del espacio Euclidiano V. Entonces, dado u V se tiene
u =
n=1
n
u
n
, (5.48)
donde
n
= (u, u
n
), para todo n N. (5.49)
Adem as se cumple la igualdad de Parseval
|u|
2
=
n=1
2
n
. (5.50)
Demostraci on. Se tiene directamente que
(u, u
n
) =
_

m=1
m
u
m
, u
n
_
=
m=1
(
m
u
m
, u
n
)
=
n
(u
n
, u
n
)
=
n
.
De la misma manera
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
|u|
2
=
_

n=1
n
u
n
,
m=1
m
u
m
_
=
n=1
n
_
u
n
,
m=1
m
u
m
_
=
n=1
n
(u
n
,
n
u
n
)
=
n=1
2
n
. .
Observaci on 5.8 Si (u
n
)
nN
V es una base ortogonal, entonces todo u V se puede escribir como
u =
n=1
c
n
u
n
, (5.51)
donde, para cada n N,
c
n
=
(u, u
n
)
|u
n
|
2
. (5.52)
Ejemplo 5.7 [El espacio l
2
]
Consideremos el espacio V = l
2
de las sucesiones reales u = (x
i
)
iN
1 que verican la condici on
i=1
[x
i
[
2
<. (5.53)
El espacio l
2
es el prototipo de un espacio de Hilbert. Fue introducido e investigado por David Hilbert en
su trabajo sobre ecuaciones integrales, [Kre89]. El lector puede vericar, como ejercicio, que la f ormula
(u, v) =
i=1
x
i
y
i
,
dene el producto escalar de u = (x
i
)
iN
l
2
y v = (y
i
)
iN
l
2
.
Consideramos, para cada n N, u
n
= (x
(n)
i
)
iN
denido por
x
(n)
i
=
_
1, si i = n,
0, si i ,= n.
Entonces,
u
1
= (1, 0, 0, 0, ...),
u
2
= (0, 1, 0, 0, ...),
u
3
= (0, 0, 1, 0, ...),
u
4
= (0, 0, 0, 1, ...), etc.
A B = (u
n
)
nN
se le reere como la base (Hilbertiana) can onica de l
2
.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
5.4. Espacios de Banach y Hilbert
Existen espacios normados que no pos een bases de Schauder. Para garantizar su existencia, el espacio
debe ser m as rico en propiedades y por ello consideramos en esta secci on el concepto de completitud. Los
espacios normados y Euclidianos son referidos respectivamente como espacios de Banach y Hilbert cuando
pos een esta propiedad.
T engase presente que todo espacio vectorial tiene una base de Hamel. La demostraci on de este hecho
utiliza el Lema de Zorn. El lector interesado tiene una demostraci on en el Ap endice 1 (v ease tambi en
[Kre89]).
5.4.1. Criterio de Cauchy. Completitud
Recordemos del curso de C alculo que toda sucesi on real que cumple el criterio de Cauchy es convergen-
te. Esta propiedad es importante tambi en para espacios Euclidianos.
Denici on 5.10 [Sucesiones de Cauchy]
Sea V un espacio normado. Se dice que la sucesi on (u
n
)
nN
V es una sucesi on de Cauchy si para
todo > 0, existe N N tal que
m, n > N = |u
n
u
m
| < .
Entonces una sucesi on es de Cauchy cuando sus elementos se api nan unos a otros mientras n se hace cada
vez m as grande.
Proposici on 5.5 En un espacio normado V, toda sucesi on convergente es de Cauchy.
Ahora bien, puesto que en la denici on de sucesi on de Cauchy intervienen unicamente elementos de
la sucesi on y no elementos externos, como en la denici on de sucesi on convergente (v ease la Denici on
5.2), el criterio de Cauchy es, usualmente, m as f acil de probar. Por esta raz on merecen nombre propio los
espacios normados completos, es decir, aquellos espacios donde se cumple el recproco de la Proposici on
5.5.
Denici on 5.11 [Espacios de Banach]
Se denomina espacio de Banach a todo espacio normado completo, esto es cuando toda sucesi on de
Cauchy es convergente.
No es difcil vericar que todo espacio normado de dimensi on nita es de Banach. Sin embargo, dado
un espacio vectorial V puede suceder que provisto de una norma sea de Banach en tanto que equipado con
otra norma no lo sea.
Teorema 5.5 El espacio C([a, b]) junto con la norma | |
es un espacio de Banach.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
5.4 Espacios de Banach y Hilbert 211
Demostraci on. Sea (u
n
)
nN
C([a, b]) una sucesi on de Cauchy. Entonces, dado > 0, existe un N =
N() N tal que
[u
m
(t
0
) u
n
(t
0
)[ m ax
t[a,b]
[u
m
(t) u
n
(t)[ < , para todo t
0
[a, b]. (5.54)
Por tanto, para todo t
0
[a, b], la sucesi on (u
n
(t
0
))
nN
1 es de Cauchy y por tanto convergente a un valor
que denotamos u(t
0
) 1. Hemos denido de esta manera una funci on u : [a, b] 1.
Tomando el lmite en (5.54) cuando m se tiene que
m ax
t[a,b]
[u(t) u
n
(t)[ < , (5.55)
lo que prueba que (u
n
)
nN
converge a u uniformemente a u en el intervalo [a, b]. Entonces, puesto que
todas las funciones u
n
son continuas en [a, b] se sigue que u tambi en es continua en [a, b], es decir que
u C([a, b]). Entonces, por (5.55), hemos probado que dado > 0, existe un N = N() N tal que
|uu
n
|
L
(a,b)
< ,
de manera que (u
n
)
nN
C([a, b]) es convergente. .
Ejemplo 5.8 Consideremos el espacio C([0, 1]) con la norma | |
2
como fue denida en (5.32). Con es-
ta norma C([0, 1]) no es completo. Para mostrar este hecho, el lector puede vericar que la sucesi on
(x
m
)
mN
C([0, 1]) dada en la gura 5.2 es de Cauchy pero no convergente.
Figura 5.2 Tomando a
m
=
1
2
+
1
m
, se tiene que la funci on
x
m
se acerca cada vez m as,
a medida que m , a la
funci on x(t) = 0 si t [0,
1
2
] y
x(t) = 1 si t (
1
2
, 1], que no
es continua.
Como ya comentamos anteriormente, en los espacios Euclidianos se pueden representar conceptos
geom etricos. La geometra de los espacios de Hilbert se parece m as todava a la geometra de Euclides.
Denici on 5.12 [Espacios de Hilbert]
Un espacio Euclidiano que es completo se denomina espacio de Hilbert.
Ejemplo 5.9 Todo espacio euclidiano V de dimensi on nita es un espacio de Hilbert. Esto viene del hecho
de que V se puede identicar con 1
d
, para una dimensi on d apropiada. Para demostrar que 1
d
=11
... 1 es completo se aprovecha el hecho de que 1 es completo.
Ejemplo 5.10 Consideramos el espacio de las matrices cuadradas M
n
con el producto escalar denido
por la f ormula
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
(u, v) =
n
i=1
n
j=1
u
i j
v
i j
,
donde u = (u
i j
) M
n
y v = (v
i j
) M
n
. Por lo comentado en el Ejemplo 5.9, el espacio euclidiano M
n
es
de Hilbert.
El siguiente resultado es sumamente importante.
Teorema 5.6 L
2
(I) es un espacio de Hilbert.
La demostraci on de la completitud de L
2
(I) requiere el uso de la integraci on de Lebesgue y conceptos
de Teora de la Medida que quedan fuera de los objetivos de este texto. El lector interesado puede consultar
por ejemplo [Bre83, Teo. IV.8]
Tip 53.
La evaluacion condicionada se establece con la sentencia if ... then ... else.
Ejemplo 5.11 Dado n N, consideramos la funci on u
n
: [, ] 1 denida mediante
u
n
(t) =
n
k=1
1
k
sin(kt).
En las siguientes guras se observa que, a medida que n crece, la gr aca de u
n
se acerca a la gr aca de la
funci on
u
(t) =
_
_
_
t
2
2
, t < 0,
t
2
+

2
, 0 t .
Los gr acos se obtienen de la siguiente manera:
(%i1) u_inf(t):= if t<=0 then -t/2-%pi/2 else -t/2+%pi/2;
( %o1) u inf (t) := ift <= 0then
t
2

2
else
t
2
+

2
(%i2) u(t,n):= sum(sin(k
*
t)/k,k,1,n);
( %o2) u(t, n) :=
n
k=1
sin(kt)
k
(%i3) plot2d([u_inf(t), u(t,4)], [t,-%pi,%pi]);
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Figura 5.3 Gr aco de u
(color azul) y u
4
(color rojo).
(color azul) y u
10
(color rojo).
(color azul) y u
20
(color rojo).
La distancia L
2
entre u
k+1
y u
k
es
(%i7) declare(k, integer);
( %o7) done
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
(color azul) y u
50
(color rojo).
(%i8) define(dist(k),sqrt(integrate((sin((k+1)
*
t)/(k+1))2,t,-%pi,%pi)));
( %o8) dist (k) :=
[k +1[
de manera que la sucesi on es de Cauchy, y por tanto convergente, en L
2
([, ]).
5.4.2. Operadores lineales
Recordemos que todo operador lineal f : 1
d
1
m
se puede representar mediante una matriz A M
md
:
f (u) = Au, u 1
d
. (5.56)
En particular, si f es un funcional sobre 1
d
se sigue de (5.56) que existe un unico v 1
d
tal que
f (u) = v
T
u
= (u, v), (5.57)
para todo u 1
d
. Se puede extender la relaci on (5.57) a un espacio Euclidiano de dimensi on innita?
Observemos que si el dominio de una aplicaci on lineal es un espacio normado de dimensi on nita en-
tonces inmediatamente la aplicaci on es continua. Sin embargo, la continuidad no es inmediata cuando el
dominio es un espacio de normado de dimensi on innita. Por otro lado, como ya se coment o anteriormente,
los espacios de Hilbert son los que m as replican las propiedades geom etricas de 1
d
. Esperamos entonces
que (5.57) sea v alido en un espacio de Hilbert. Esto quedar a establecido en la Secci on 5.4.3.
Notaci on 5.2 La acci on de un operador T : V W, donde V y W son espacios vectoriales, W ,=1, sobre
un vector u V suele representarse por T u o T[u] en lugar de T(u), dej andose esta ultima notaci on para
el caso en que T es un funcional, es decir cuando W =1.
Observaci on 5.9 Es importante tener presente que el espacio de operadores lineales de V en W es, a su
vez, un espacio vectorial.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Empecemos por establecer que operadores lineales son continuos en un espacio normado.
Teorema 5.7 [Operadores lineales continuos]
Sean V y W dos espacios normados. Un operador lineal F : V W es continuo ssi es un operador
acotado, es decir si existe una constante c > 0 tal que
|F u|
W
c|u|
V
, para todo u V. (5.58)
Demostraci on. Para F = 0 el resultado es inmediato. Consideramos entonces que F ,= 0.
1) Supongamos que F es acotado. Sean u
0
V y > 0, cualesquiera. Entonces, puesto que F es lineal, se
tiene para todo
u B(u
0
, ), =

c
,
que
|FuFu
0
|
W
=|F(uu
0
)|
W
c|uu
0
|
V
< c = .
Por la arbitrariedad de u
0
y se sigue que F es continua en V.
2) Supongamos, ahora, que F es continua en V. Sea u
0
V. Entonces, dado > 0, existe un > 0 tal que
|uu
0
|
V
= |FuFu
0
|
W
. (5.59)
En particular, podemos tomar
u = u
0
+

|v|
v,
donde v V 0, es arbitrario. Se tiene entonces que
|FuFu
0
|
W
=|F(uu
0
)|
W
=
_
_
_
_
F
_

|v|
v
__
_
_
_
W
=

|v|
|F v|,
de donde, tomando c = /, se sigue que
|F v|
W
c|v|
V
, para todo v V. .
Observaci on 5.10 T engase presente que el espacio de operadores lineales continuos de un espacio nor-
mado V en un espacio normado W, denotado L(V,W) constituye un espacio vectorial. Cuando V =W se
denota L(V) =L(V,V).
Ejemplo 5.12 [Movimiento vibratorio forzado amortiguado]
Consideramos un sistema resorte-masa como una idealizaci on del movimiento de un pist on y su varilla
donde hay amortiguamiento viscoso entre el pist on y la pared por la que desliza. Si suponemos que la varilla
del pist on se comporta el asticamente entonces un modelo matem atico del sistema puede establecerse al
considerarse que la fuerza de restauraci on el astica es proporcional al desplazamiento y que la resistencia
viscosa es proporcional a la velocidad de desplazamiento:
mx
//
(t) + x
/
(t) +kx(t) = f (t), t > 0, (5.60)
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
donde f = f (t) representa la fuerza externa que provoca el movimiento del pist on. Proveeremos a la ecua-
Figura 5.7 Esquema simpli-
cado de un pist on. Fuente
[RR92]
ci on diferencial (5.60) de las condiciones iniciales
x(0) = 0, (5.61)
x
/
(0) = 0, (5.62)
y supondremos que las constantes positivas m, y k son tales que la ecuaci on
m
2
+ +k = 0,
tiene dos soluciones reales distintas
2
>
1
. Consideramos ahora el operador L : C([0, )) C([0, ))
denido mediante
(Lu)(t) =
1
m(
2
1
)
_
t
0
_
e
2
(t)
e
1
(t)
_
u()d, t 0. (5.63)
El lector puede vericar que L es un operador lineal y que si f C([0, )) entonces la soluci on del
problema de valor inicial (5.60)-(5.62) es L f , es decir, que el movimiento del pist on est a denido por
x(t) =
1
m(
2
1
)
_
t
0
_
e
2
(t)
e
1
(t)
_
f ()d, t 0.
El operador L no es continuo en el espacio (C([0, )), | |
) ni en el espacio (C([0, )), | |

2
). Sin embar-
go, dado T > 0, el operador M : C([0, T]) C([0, T]) denido por
(Mu)(t) =
1
m(
2
1
)
_
t
0
_
e
2
(t)
e
1
(t)
_
u()d, t [0, T],
es lineal continuo en (C([0, T]), | |
) y en (C([0, T]), | |
2
); adem as M f es soluci on del problema de
valor inicial
_
_
mx
//
(t) + x
/
(t) +kx(t) = f (t), t [0, T],
x(0) = 0,
x
/
(0) = 0.
Veriquemos la continuidad de M en (C([0, T]), | |
2
):
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
|Mu|
2
2
=
_
T
0
_
1
m(
2
1
)
_
t
0
_
e
2
(t)
e
1
(t)
_
u()d
_
2
dt
1
m
2
(
2
1
)
2
_
T
0
_
_
_
t
0
(e
2
(t)
e
1
(t)
)
2
d
_
1/2
_
_
t
0
[u()[
2
d
_
1/2
_
2
dt
|u|
2
2
m
2
(
2
1
)
2
_
T
0
_
t
0
(e
2
(t)
e
1
(t)
)
2
ddt

2
|u|
2
2
m
2
(
2
1
)
2
,
donde
2
=
_
T
0
_
t
0
(e
2
(t)
e
1
(t)
)
2
d dt,
de manera que
|Mu|
2

m(
2
1
)
|u|
2
, para todo u C([0, T]).
Ejemplo 5.13 Sea 1 p < . Dada una funci on f L
p
([0, )) se tiene, por la desigualdad de H older,
para s > 0 que
[L [ f ] (s)[
_
_

0
e
pst
dt
_
1/p
/
_
_

0
[ f (t)[
p
dt
_
1/p
=
1
p
ps
|f |
p
de manera que L : L
p
([0, )) L
([0, )) no es un operador continuo. Sin embargo, si para > 0

denimos el operador L
: L
p
([0, )) L
([, )) mediante
L
[ f ] =L[ f ][
[,)
,
se tiene que
|L
[ f ]|

1
p
p
|f |
p
,
de manera que L
es continuo.
Notaci on 5.3 [Espacio dual]
Dado un espacio normado V, se denomina espacio dual de V a
V
/
=L(V, 1). (5.64)
Entonces, el dual de V est a formado por todos los funcionales lineales continuos denidos sobre V.
T engase presente que se puede cambiar c por cualquier constante k >c en (5.58). Por otro lado, podemos
intentar reempazar c por constantes m as peque nas pero se alcanzar a un punto crtico a partir del cual no se
puede disminuir m as.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Teorema 5.8 [Norma de un operador lineal acotado]
Sean V y W espacios normados. Para F L(V,W) se denota
|F| =nf c > 0 : |F(u)|
W
c|u|
V
La f ormula (5.65) dene una norma sobre el espacio vectorial L(V,W). Adicionalmente se tiene que
|F| = sup
u,=0
|F(u)|
W
|u|
V
= sup
|u|=1
|F(u)|
W
. (5.66)
Por (5.58) y (5.65) se sigue el siguiente corolario.
Corolario 5.2 Bajo las condiciones del Teorema 5.8 se sigue que
|Fu|
W
|F||u|
V
Ejemplo 5.14 [Integral denida]
Consideremos el espacio V = C([a, b]) con la norma | |
L
(a,b)
. Denimos el funcional F : C([a, b]) 1
F(u) =
_
b
a
u(t)dt, u C([a, b]).
De manera que F(u) es la integral denida de u en el intervalo [a, b]. Es claro que F es un funcional lineal.
Puesto que
[F(u)[ =
_
b
a
u(t)dt
(ba) m ax
t[a,b]
[x(t)[
= (ba)|u|,
se tiene que F es un funcional lineal acotado sobre C([a, b]) y adem as, por (5.65), se sigue que
|F| ba. (5.68)
Consideremos ahora la funci on u
0
C([a, b]) denida mediante
u
0
(t) = 1, t [a, b].
Es claro que |u
0
|
L
2
(a,b)
= 1. Se tiene entonces, por (5.66), que
|F| [F(u
0
)[ =
_
b
a
1 dt = ba. (5.69)
Por (5.68) y (5.69) se sigue que
|F| = ba.
Terminamos esta secci on con el siguiente resultado importante
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Teorema 5.9 [Completitud del espacio de operadores lineales]
Sean V y W espacios normados. Si W es de Banach, entonces L(V,W) tambi en es de Banach.
Demostraci on. Sea (F
n
)
nN
L(V,W) una suces on de Cauchy, cualquiera. Probemos que es convergente.
Puesto que (F
n
)
nN
es de Cauchy, para todo > 0 hay un N N tal que
m, n > N = |F
n
F
m
| < .
Por tanto, para todo u V y m, n > N se cumple que
|F
n
uF
m
u| =|(F
n
F
m
)u| |F
n
F
m
||u| < |u|
V
, (5.70)
as que la sucesi on (F
n
u)
nN
W es de Cauchy y, por la completitud de W, tambi en convergente. Denimos
un operador F : V W mediante
Fu = lm
n
F
n
u, u V.
No es difcil vericar que F es lineal. Para concluir la demostraci on debemos probar que F es acotado y
que
lm
n
F
n
= F.
Puesto que la norma es un funcional continuo, podemos tomar el lmite en (5.70) cuando m :
|(F
n
F)u|
W
|u|
V
, para todo u V, (5.71)
de manera que para n > N, el operador F
n
F es acotado. Entonces, puesto que F
n
es acotado y L(V,W)
es un espacio vectorial, se tiene que F = F
n
(F
n
F) es acotado. M as a un, por (5.65) y (5.71) se sigue
que
|F
n
F| < ;
y entonces, por la arbitrariedad de , se concluye que
lm
n
|F
n
F| = 0. .
Como una consecuencia inmediata del Teorema 5.9 se tiene el siguiente corolario.
Corolario 5.3 [Completitud del dual]
Sea V un espacio normado. Entonces V
/
es un espacio de Banach.
Por tanto, para probar la convergencia de una sucesi on (
n
)
nN
V
/
denidas sobre un espacio normado
V basta probar que cumplen el criterio de Cauchy, es decir, conforme a (5.66), se debe probar que
lm
m,n
|
n
m
| = lm
m,n
sup
|u|=1
[
n
(u)
m
(u)[ = 0. (5.72)
Para terminar esta secci on introducimos el concepto de valor propio de un operador lineal.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Denici on 5.13 [Valores y vectores propios]
Sea V un espacio vectorial y T : V V un operador lineal. Se dice que 1 es un valor propio de
T si existe u V 0 tal que
T u = u.
En este caso se dice que u es un vector propio de T asociado a .
Ejemplo 5.15 Sea V = C
(1). El operador D : V V denido por

(Du)(t) = u
/
(t), t 1.
Es claro que la funci on exponencial,
exp(t) = e
t
, t 1,
es un vector propio de D asociado al valor propio = 1.
5.4.3. La representaci on de Riesz-Fr echet
Retomamos la discusi on empezada en la Secci on 5.4.2. En (5.57) logramos identicar a un funcional
denido sobre el espacio 1
d
con un elemento de 1
d
. Este tipo de propiedad se cumple tambi en en un
espacio de Hilbert.
Teorema 5.10 [Teorema de representaci on de Riesz-Fr echet]
Sea H un espacio de Hilbert. Dada F H
/
, existe un unico v H tal que
F(u) = (v, u), para todo u H. (5.73)
Adicionalmente se cumple que
|F| =|v|
H
.
El teorema dice que en un espacio de Hilbert H, los funcionales lineales pueden considerarse como
elementos de H. En [Bre83, Teo.V.5] se presentan dos tipos de demostraci on.
Ejemplo 5.16 Sea I 1. A cada funcional F (L
2
(I))
/
le corresponde, conforme al Teorema 5.10, un
unico elemento v L
2
(I) mediante la f ormula
F(u) =
_
I
v(t)u(t)dt. (5.74)
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
5.4.4. Densidad
Otra forma de manejar al espacio L
2
(I) yace en observar que est a formado por las funciones que son
lmites de funciones que viven en C(I) cuando el lmite se calcula en la norma | |
2
. Conforme a la siguiente
denici on, esto quiere decir que C(I) es denso en L
2
(I).
Denici on 5.14 [Densidad]
Sean V un espacio normado y B V. Se dice que B es denso en V si dados cualquier v V y cualquier
> 0, existe un u B tal que
|v u| < .
Observaci on 5.11 En el marco de la Denici on 5.14, dado v V, existe una sucesi on (u
n
)
nN
B tal que
lm
n
u
n
= v.
Adem as la sucesi on (u
n
)
nN
B se puede elegir de manera tal que la convergencia sea tan r apida como
sea necesario; por ejemplo, puede escogerse (u
n
)
nN
B de manera tal que
7
|v u
n
| = o
_
1
n
p
_
,
donde p > 0.
De hecho es v alido un resultado de densidad m as fuerte. Para ello debemos tener presente que el soporte
de una funci on u : A 1 1, denotado supp(u), es el conjunto cerrado m as peque no que contiene a
t A : u(t) ,= 0.
Denici on 5.15 [Funciones continuas a soporte compacto]
Sea u C(I). Si supp(u) es un conjunto acotado se dice que u es una funci on continua a soporte
compacto, denotado u C
0
(I).
Observaci on 5.12 Sea u C
0
([a, b]). Entonces, u(a) = u(b) = 0.
El resultado de densidad mencionado se presenta en el siguiente teorema.
Teorema 5.11 [Densidad en L
2
(I)]
El espacio vectorial C
0
(I) es denso en L
2
(I), es decir, dados u L
2
(I) y > 0, existe u
0
C
0
(I) tal
que |uu
0
|
2
< .
Este teorema establece que cualquier funci on de cuadrado integrable se puede aproximar con una funci on
continua a soporte compacto. Para una demostraci on v ease e.g. [Bre83, Teo. IV.12].
7
Recu erdese que la notaci on () = o() quiere decir que () converge a 0 m as r apido que , es decir lm
0
()
= 0.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Ejemplo 5.17 Sea I = [0, 1]. Consideremos la funci on
x(t) =
_
0, 0 t
1
2
,
1,
1
2
t 1.
Por el Teorema 5.11 sabemos que x L
2
(I) se puede aproximar tanto como se necesite por una funci on
Figura 5.8 Es claro que
x L
2
(0, 1) C(0, 1).
que viva en C(0, 1). Consideramos como una aproximaci on intuitiva de x a la funci on continua
x
m
(t) =
_
_
0, 0 t
1
2
,
m(t
1
2
),
1
2
<t
1
2
+
1
m
,
1,
1
2
+
1
m
<t 1,
donde m N.
Figura 5.9 Tomando a
m
=
1
2
+
1
m
, se tiene que la funci on
x
m
se acerca cada vez m as,
a medida que m , a la
funci on x = x(t)
Probemos que
lm
m
|x x
m
|
2
= 0, (5.75)
de manera que para m N, sucientemente grande, x
m
aproxima tanto como se quiera a x en la norma
| |
2
. Poniendo d
m
=|x x
m
|
2
se tiene que
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
(%i1) assume(s>0);
( %o1) [s > 0]
(%i2) dm: sqrt(integrate((1-m
*
(t-1/2))2,t,1/2,1/2+1/m)), ratsimp;
( %o2)
_
1
m
3
(%i3) limit(dm,m,inf);
( %o3) 0
de manera que se cumple (5.75).
5.4.5. Operadores adjuntos
En un espacio de Hilbert H consideremos T L(H) y v H, jos. Denimos un funcional l : H 1
l(u) = (Tu, v), u H.
Por la desigualdad de Cauchy - Schwartz y (5.67) se tiene que
[l(u)[ |Tu| |v| c|u|, para todo u H,
donde c =|T| |v|; de manera que l H
/
. Por el Teorema 5.10 existe un unico g H tal que
l(u) = (Tu, v) = (u, g), u H.
Es claro que si variamos v H, tambi en variar a g, es decir que mediante el procedimiento reci en descrito
se dene un operador T
: H H, llamado operador adjunto de T, que verica

(Tu, v) = (u, T
v), para todo u, v H. (5.76)

Proposici on 5.6 [Operador adjunto]
Sea H un espacio de Hilbert y T L(H). Entonces T
L(H). Adem as, dados S L(H) y 1,

se verican las siguientes propiedades:
(T +S)
= T
+S
, (5.77)
(T)
= T
, (5.78)
(TS)
= S
, (5.79)
(T
= T. (5.80)
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Obs ervese que las propiedades presentadas en la Proposici on 5.6 son an alogas a las que cumple la trans-
puesta de una matriz. Los operadores que juegan el papel de las matrices sim etricas son los operadores
autoadjuntos.
Denici on 5.16 [Operador autoadjunto]
Sea H un espacio de Hilbert y T L(H). Se dice que T es autoadjunto si T = T
.
Ejemplo 5.18 [Operador integral]
Sea K L
2
([a, b] [a, b]), es decir, K : [a, b] [a, b] 1 tal que se verica
C =
_
b
a
_
b
a
[K(s, t)[
2
dsdt <.
Sobre H = L
2
(a, b) consideramos el operador T : H H denido mediante
(Tu)(s) =
_
b
a
K(s, t)u(t)dt. (5.81)
Se dice que K =K(s, t) es el kernel o n ucleo de T. El operador T es acotado. En efecto, por la desigualdad
de Cauchy - Schwartz, se tiene para u H que
|Tu|
2
=
_
_
b
a
[(Tu)(s)[
2
ds
_
1/2
=
_
_
b
a
_
b
a
K(s, t)u(t)dt
2
ds
_
1/2
C
1/2
|u|
2
,
de manera que
|T| C
1/2
.
Hallemos el operador T
. Para ello observamos que

(Tu, v) =
_
b
a
(Tu)(s)v(s)ds
=
_
b
a
v(s)
_
_
b
a
K(s, t)u(t)dt
_
ds
=
_
b
a
u(t)
_
_
b
a
K(s, t)v(s)ds
_
dt, (5.82)
de manera que T
: H H se dene mediante
(T
v)(t) =
_
b
a
K(s, t)v(s)ds.
Obs ervese que en general T ,=T
. La acci on de T sobre una funci on u L

2
(a, b) corresponde a multiplicar-
la por K(s, t) e integrarla con respecto a la variable t. Por otro lado, la acci on de T
sobre u corresponde
a multiplicarla por K(s, t) e integrarla con respecto a la variable s.
El operador T es autoadjunto si y s olo si su n ucleo es sim etrico, es decir si se cumple la relaci on
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
5.5 Bases Hilbertianas 225
K(s, t) = K(t, s),
para casi
8
todo s, t [a, b].
5.5. Bases Hilbertianas
5.5.1. Existencia de bases Hilbertianas
Como se mencion o en la Secci on 5.3.4 el ambiente natural en una gran cantidad de aplicaciones del
An alisis Matem atico a la Ingeniera es alg un espacio de Hilbert, siendo L
2
(I) uno de los m as utilizados por
el hecho de que pos ee bases Hilbertianas. Pero, de hecho, esta es una propiedad que comparten todos los
espacios de Hilbert separables.
Denici on 5.17 [Separabilidad]
Sea V un espacio normado. Se dice que V es separable si existe una sucesi on (u
n
)
nN
V que es
densa en V, es decir, dados u V y > 0, existe un n
0
N tal que
|uu
n
0
| < .
Entonces V es separable si cualquier elemento de V se puede aproximar (tanto como se quiera) con alg un
elemento de una sucesi on determinada.
Ejemplo 5.19 Sea n N. El conjunto
n
es numerable y denso en 1
n
. Por tanto 1
n
es separable.
Teorema 5.12 [Existencia de bases Hilbertianas]
Un espacio de Hilbert es separable ssi pos ee una base Hilberttiana.
Para probar este resultado, adaptamos [Bre83, Teo. V.10] y [Kre89, Teo. 3.6-4].
Demostraci on. Sea H un espacio de Hilbert.
1) Supongamos que existe H es separable y probemos que pos ee una base Hilbertiana. Sea B=v
1
, v
2
, ...
V un conjunto denso. Para cada n N, ponemos
V
n
=<v
1
, v
2
, ..., v
n
>,
y escogemos conjuntos ortonormales F
1
F
2
... F
n
F
n+1
... de manera que
< F
n
>=V
n
, para todo n N.
8
Esto quiere decir, a grosso modo que el area de la regi on U =(s, t) [a, b] [a, b] : K(s, t) ,= K(t, s) es cero. Esto incluye
el caso en que U = / 0, en cuya situaci on se reemplaza la frase casi todo por todo.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Puesto que
_
n=1
V
n
es denso en H, se tiene que F =
_
n=1
F
n
es una base ortonormal de H.
2) Supongamos que existe H pos ee una base Hilbertiana y probemos que es separable. Sea (u
n
)
nN
H
una base Hilbertiana de H y probemos que
A =
es denso en H. Sea v H, cualquiera. Puesto que (u
u
)
nN
es base Hilbertiana de H, existe una sucesi on
(
n
)
nN
1 tal que
v =
k=1
k
u
k
.
Entonces, dado > 0 arbitrario, escogemos N
N tal que
|v
n
k=1
k
u
k
| < , para todo n N
.
Puesto que
n
k=1
k
u
k
A se concluye la demostraci on pues v y fueron elegidos arbitrariamente. .
Por el Teorema 5.12, la existencia de bases Hilbertianas de L
2
(I) est a dada por el siguiente resultado.
Teorema 5.13 [Separabilidad de L
2
(I)]
El espacio L
2
(I) es separable.
Para una demostraci on de este resultado el lector puede ver e.g. [Bre83, Teo. IV.13].
Observaci on 5.13 En lo que resta de este captulo usamos el m etodo de Gram - Schmidt para construir
una base Hilbertiana B = (u
n
)
nN
para el espacio L
2
(I), donde I es [1, 1], [, ], [0, ) o 1. Como
veremos m as adelante, los elementos u
n
son funciones propias de un determinado operador diferencial.
5.5.2. Series de Fourier Legendre
Deseamos obtener una base Hilbertiana para L
2
([1; 1]) con funciones que sean f aciles de manejar.
Recordemos que el producto escalar y la norma en L
2
([1; 1]) est an dados por
(%i1) Prod(u,v):= integrate(u
*
v,t,-1,1);
( %o1) Prod(u, v) :=
_
1
1
uvdt
(%i2) N(u):= sqrt(Prod(u,u));
( %o2) N(u) :=
_
Prod(u, u)
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Para arrancar usamos los polinomios can onicos, esto es consideramos la sucesi on linealmente indepen-
diente (x
n
)
nN
L
2
([1; 1]), donde para cada n N
,
x
n
(t) =t
n
, t [1; 1],
que en Maxima se puede denir por
(%i3) x(t,n):= tn;
( %o3) x(t, n) :=t
n
Al aplicar el proceso de Gram-Schmidt
_
_
e
0
=
1
|x
0
|
2
x
0
,
w
k+1
= x
k+1
j=1
(e
j
, x
k+1
)e
j
, k = 0, 1, 2, ...
e
k+1
=
1
|w
k+1
|
2
w
k+1
, k = 0, 1, 2, ....
obtenemos una sucesi on ortonormal de polinomios (e
n
)
nN
conocidos como polinomios de Legendre:

(%i4) define(e0(t),x(t,0)/N(x(t,0)));
( %o4) e0(t) :=
1
2
(%i5) w1: x(t,1) - Prod(e0(t),x(t,1))
*
e0(t);
( %o5) t
(%i6) define(e1(t),w1/N(w1)), fullratsimp;
( %o6) e1(t) :=
3t
2
(%i7) w2: x(t,2)-Prod(e0(t),x(t,2))
*
e0(t)-Prod(e1(t),x(t,2))
*
e1(t);
( %o7) t
2
1
3
( %o8) e2(t) :=
3
5t
2
5
2
2
(%i9) w3: x(t,3)-Prod(e0(t),x(t,3))
*
*
e1(t)
-Prod(e2(t),x(t,3))
*
e2(t), expand;
( %o9) t
3
3t
5
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
( %o10) e3(t) :=
5
7t
3
3
7t
2
2
(%i11) w4: x(t,4)-Prod(e0(t),x(t,4))
*
*
e1(t)
-Prod(e2(t),x(t,4))
*
*
e3(t), expand;
( %o11) t
4
6t
2
7
+
3
35
( %o12) e4(t) :=
105t
4
90t
2
+9
8
2
(%i13) w5: x(t,5)-Prod(e0(t),x(t,5))
*
*
e1(t)
-Prod(e2(t),x(t,5))
*
*
e3(t)
-Prod(e4(t),x(t,5))
*
e4(t), expand;
( %o13) t
5
10t
3
9
+
5t
21
( %o14) e5(t) :=
63
11t
5
70
11t
3
+15
11t
8
2
Para n N
, se acostumbra escribir el polinomio de Legendre como

e
n
(t) =
_
2n+1
2
_
1/2
P
n
(t), t [1; 1], (5.83)
de manera que
|P
n
|
L
2
([1;1])
=
_
2
2n+1
_
1/2
. (5.84)
En general, para n N
y t [1; 1], se tiene que

P
n
(t) =
1
2
n
n!
d
n
dt
n
[(t
2
1)
n
] (5.85)
=
N
j=0
(1)
j
(2n2 j)!
2
n
j!(n j)!(n2j)!
t
n2 j
,
donde
N =
_
n/2, si n es par,
(n1)/2, si n es impar.
A (5.85) se le conoce como la f ormula de Rodrguez.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
(%i1) for n:1 thru 10 step 1 do
define(P[n](t),expand(diff((t2-1)n,t,n)/(2n
*
factorial(n))));
( %o1) done
(%i2) P[1](t);
( %o2) t
(%i3) P[3](t);
( %o3)
5t
3
2

3t
2
(%i4) P[7](t);
( %o4)
429t
7
16

693t
5
16
+
315t
3
16

35t
16
(%i5) P[10](t);
( %o5)
46189t
10
256

109395t
8
256
+
45045t
6
128

15015t
4
128
+
3465t
2
256

63
256
Figura 5.10 Los primeros
polinomios P
n
:
P
0
(t) = 1,
P
1
(t) =t,
P
2
(t) =
1
2
(3t
2
1),
P
3
(t) =
1
2
(5t
3
3t),
P
4
(t) =
1
8
(35t
4
30t
2
+3),
P
5
(t) =
1
8
(63t
5
70t
3
+15t).
Proposici on 5.7 [La ecuaci on de Legendre]
Sean n N
. Los polinomios P
n
y e
n
son soluciones de la ecuaci on de Legendre
[(1t
2
)y
/
(t)]
/
n(n+1)y(t) = 0, t [1, 1]. (5.86)
Entonces P
n
y e
n
son funciones propias del operador de Legendre, L : C
([1, 1]) C
([1, 1]),
denido por
(Ly)(t) =[(1t
2
)y
/
(t)]
/
,
asociadas al valor propio
n
= n(n+1).
Para la demostraci on se utiliza el m etodo de series de potencias aplicado a la ecuaci on (5.86).
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Teorema 5.14 [Series de Fourier Legendre]
Los polinomios de Legendre forman una base Hilbertiana de L
2
([1; 1]). Por tanto, una funci on u
L
2
(1, 1) se escribe como una serie de Fourier Legendre
u(t) =
n=0
n
e
n
(t), para casi todo t 1, (5.87)
donde
n
=
_
1
1
u(t)e
n
(t)dt, n N
, (5.88)
y e
n
est a dado por (5.83) y (5.85). A
n
se le reere como el n- esimo coeciente de Fourier
Legendre.
Para demostrar de este teorema se requiere aplicar el Teorema de Weierstrass. Aqu utilizamos la demostra-
ci on presente en [MZ10a].
Demostraci on. Sean x L
2
([1; 1]) y > 0, cualesquiera. Puesto que C([1; 1]) es denso en L
2
([1; 1]),
escogemos y C([1; 1]) tal que
|x y|
2
<

2
.
Por el teorema de Weierstrass, existe un polinomio z tal que
[y(t) z(t)[ <

2
2
, para todo t [1; 1],
de manera que
|y z|
2
2
=
_
1
1
[y(t) z(t)[
2
dt <

2
4
.
Por la desigualdad triangular se tiene entonces que
|x z|
2
<
y se concluye por la arbitrariedad de x y pues z se puede escribir como una combinaci on lineal nita de
polinomios de Legendre. .
Los argumentos utilizados en la demostraci on anterior son de hecho los mismos que permiten demostrar
el siguiente resultado.
Teorema 5.15 [Bases Hilbertianas polinomiales]
Sea (p
n
)
nN
una base de Hamel para P([a; b]). Si (p

n
)
nN
es ortonormal en L
2
([a; b]), entonces
(p
n
)
nN
es una base Hilbertiana de L

2
([a; b]).
Observaci on 5.14 Los polinomios de Legendre tienen m ultiples aplicaciones a la Fsica e Ingeniera. En
[Jon09] se obtienen los polinomios de Legendre al hacer un an alisis b asico del atomo de hidr ogeno desde
la perspectiva de la Mec anica Cu antica.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
5.5.3. Series cl asicas de Fourier
Como ya se mencion o anteriormente, en el espacio L
2
([; ]), el sistema trigom etrico cl asico est a da-
do por
F =C
n
: n NS
n
: n N1
f
,
donde, para t [; ] y n N,
1
f
(t) = 1; (5.89)
C
n
(t) = cos(nt); (5.90)
S
n
(t) = sin(nt). (5.91)
En el Ejemplo 5.5 se mostr o que F es ortogonal en L
2
([; ]). El sistema trigonom etrico normali-
zado F
1
se obtiene al normalizar los elementos de F. Puesto que
(%i1) declare(n, integer);
( %o1) done
(%i2) integrate(cos(n
*
t)2,t,-%pi,%pi);
( %o2)
(%i3) integrate(sin(n
*
t)2,t,-%pi,%pi);
( %o3)
(%i4) integrate(1,t,-%pi,%pi);
( %o4) 2
se tiene que
F
1
=
_
1
C
n
: n N
_
_
1
S
n
: n N
_
_
1
2
1
f
_
.
Proposici on 5.8 [Valores y vectores propios del Laplaciano unidimensional]
Sea n N. C
n
y S
n
son funciones propias del operador Laplaciano (unidimensional), L :
C
([, ]) C
([, ]),
L[y] = y
//
,
asociadas al valor propio
n
=n
2
.
Teorema 5.16 [Sistema trigonom etrico]
El sistema F es una base ortogonal de L
2
([; ]) de manera que F
1
es una base Hilbertiana de
L
2
([; ]).
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Para demostrar este resultado se necesita utilizar el Teorema de Stone-Weierstrass, v ease e.g. [MZ10a].
Por el teorema 5.16, se puede expandir u L
2
([; ]) en t erminos del sistema trigonom etrico F (o
F
1
):
u =
a
0
2
+
n=1
a
n
C
n
+
n=1
b
n
S
n
, (5.92)
de manera que, para casi todo t [, ] se tiene que
u(t) =
a
0
2
1
f
+
n=1
a
n
cos(nt) +
n=1
b
n
sin(nt), (5.93)
donde
a
0
=
1
u(t)dt, (5.94)
a
n
=
1
u(t)cos(nt)dt, (5.95)
b
n
=
1
u(t)sin(nt)dt. (5.96)
Observaci on 5.15 No debe perderse de vista que el lmite de la sumatoria (5.92) es en el sentido de la
norma de L
2
([, ]).
Encontremos las forma de la igualdad de Parseval (5.50):
(u, u) =
_
a
0
2
+
n=1
a
n
C
n
+
n=1
b
n
S
n
,
a
0
2
+
n=1
a
n
C
n
+
n=1
b
n
S
n
_
=
a
2
0
4
(1
f
, 1
f
) +
n=1
a
2
n
(C
n
, C
n
) +
n=1
b
2
n
(S
n
, S
n
)
=
a
2
0
4
2 +
n=1
(a
2
n
+b
2
n
)
=
_
a
2
0
2
+
n=1
(a
2
n
+b
2
n
)
_
,
que acostumbra a escribirse en la forma
a
2
0
2
+
n=1
[a
2
n
+b
2
n
] =
1
[u(t)[
2
dt, u L
2
([, ]). (5.97)
Observaci on 5.16 Si u es una funci on par se tiene que
_
_
a
0
=
2
_

0
u(t)dt,
a
n
=
2
_

0
u(t)cos(nt)dt,
b
n
= 0.
(5.98)
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Si u es una funci on impar se tiene que
_
_
a
0
= 0,
a
n
= 0,
b
n
=
2
_

0
u(t)sin(nt)dt.
(5.99)
El siguiente teorema da condiciones sucientes para que la relaci on (5.93) sea v alida.
Teorema 5.17 [Convergencia puntual de la serie de Fourier cl asica]
Sea u L
2
([, ]) tal que u y u
/
son continuas en [, ] salvo en los puntos t
1
, t
2
, ..., t
k
donde se
tiene discontinuidad de salto. Entonces,
u(t) =
a
0
2
1
f
+
n=1
a
n
cos(nt) +
n=1
b
n
sin(nt), para todo t [, ] t
1
, t
2
, ..., t
k
. (5.100)
Adicionalmente, para i = 1, 2, ..., k se tiene que
a
0
2
+
n=1
a
n
cos(nt
i
) +
n=1
b
n
sin(nt
i
) =
u(t
+
i
) +u(t
i
)
2
. (5.101)
Entonces, en los puntos donde se tiene discontinuidad de salto, la serie de Fourier converge al promedio
de los lmites laterales.
5.5.4. El sistema trigonom etrico en L
2
([L; L]) y las series de Fourier complejas
Dado L > 0, se dene el sistema trigonom etrico en L
2
([L; L]):
F[L; L] =C
n
: n NS
n
: n N1
f
,
donde, para t [L; L] y n N,
1
f
(t) = 1; (5.102)
C
n
(t) = cos
_
nt
L
_
; (5.103)
S
n
(t) = sin
_
nt
L
_
. (5.104)
Se puede expandir u L
2
([L; L]) en t erminos del sistema trigonom etrico F[L; L] de manera que para
casi todo t [L; L] se cumple que:
u(t) =
a
0
2
+
n=1
a
n
cos
_
nt
L
_
+
n=1
b
n
sin
_
nt
L
_
, (5.105)
donde
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
a
0
=
1
L
_
L
L
u(t)dt, (5.106)
a
n
=
1
L
_
L
L
u(t)cos
_
nt
L
_
dt, (5.107)
b
n
=
1
L
_
L
L
u(t)sin
_
nt
L
_
dt. (5.108)
Observaci on 5.17 La proposici on 5.8 as como los teoremas 5.16 y 5.17 y la igualdad de Parseval en la
forma (5.97) tienen su an alogo para el sistema F[L; L]. Se invita al lector a que escriba y pruebe estos
resultados.
Como el lector sabe, las funciones trigonom etricas est an relacionadas con la funci on exponencial a
trav es de la f ormula de Euler. Esto nos permitir a establecer a continuaci on que los coecientes de Fourier
denidos en (5.106), (5.107) y (5.108) est an relacionados de una manera simple con los coecientes de la
misma funci on cuando es vista como una funci on compleja antes que como una funci on real.
Para empezar denimos el espacio
2
C
(L, L) =
_
f : 1 C/
_
L
L
[ f (t)[
2
dt <
_
. (5.109)
Sea L
2
([L, L]; C) el espacio formado por las clases de equivalencia determinadas sobre
2
C
(L, L) por la
relaci on de equivalencia:
f g
_
L
L
[ f (t) g(t)[
2
dt = 0. (5.110)
El espacio L
2
([L, L]; C) es de Hilbert cuando se le prov ee del producto escalar (v ease la Observaci on 5.3)
( f , g) =
_
L
L
f (t)g(t)dt, (5.111)
donde se identican a las clases [ f ] y [g] con cualesquiera representantes f y g, respectivamente.
Teorema 5.18 [Series de Fourier complejas]
La familia (E
n
)
nZ
L
2
([L, L]; C) dada mediante
E
n
(t) = e
int/L
, t [L, L], n Z, (5.112)
determina una base ortogonal para L
2
([L, L]; C). Como consecuencia, una funci on u
L
2
([L, L]; C) se puede expandir en una serie de Fourier compleja
u =
n=
d
n
E
n
, (5.113)
donde
d
n
=
1
2L
_
L
L
u(t)e
int/L
, n Z. (5.114)
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Observaci on 5.18 Se denomina espectro de amplitud (o espectro de frecuencia) de la serie compleja
(5.113) a la gr aca de los puntos (n/L, [d
n
[).
Observaci on 5.19 El vnculo entre los coecientes complejos d
n
, n Z, y los coecientes reales a
0
, a
n
y
b
n
, n N, est a dado mediante
d
0
=
1
2
a
0
, (5.115)
d
n
=
1
2
(a
n
i b
n
), d
n
= d
n
, n N. (5.116)
Con respecto a la convergencia puntual se tiene el siguiente resultado.
Corolario 5.4 [Convergencia puntual de la serie de Fourier compleja]
En el marco del Teorema 5.18, si u tiene una discontinuidad de salto en en t [L, L], entonces
u(t
+
) +u(t
)
2
=
n=
d
n
e
int/L
. (5.117)
De manera que si u es continua en t [L, L], entonces se tiene
u(t) =
n=
d
n
e
int/L
. (5.118)
Ejemplo 5.20 Calculemos la serie de Fourier compleja de la funci on denida por la f ormula
(%i1) f(t):= exp(t);
( %o1) f (t) := exp(t)
Los coecientes cl asicos de Fourier en el intervalo [, ] son:
(%i2) load(fourie);
( %o2) C : /PROGRA 1/MAXIMA 1,0/share/maxima/5,24,0/share/calculus/ f ourie.mac
(%i3) declare(n, integer);
( %o3) done
(%i4) fourier(f(t),t,%pi);
( %t4) a
0
=
e
2
( %t5) a
n
=
e
(1)
n
n
2
+1

(1)
n
e
n
2
+e
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
( %t6) b
n
=
n(1)
n
e
n
2
+e
n(1)
n
n
2
+1
( %o6) [ %t4, %t5, %t6]

Usando (5.116) calculamos los coecientes de Fourier complejos d
n
y la correspondiente serie de Fou-
rier compleja:
(%i7) define(a(n),rhs(%t5));
( %o7) a(n) :=
e
(1)
n
n
2
+1

(1)
n
e
n
2
+e
(%i8) define(b(n),rhs(%t6));
( %o8) b(n) :=
n(1)
n
e
n
2
+e
n(1)
n
n
2
+1
(%i9) d: (a(n)-%i
*
b(n))/2, ratsimp, rectform;
( %o9)
i
_
e
2
1
_
n(1)
n
2e
n
2
+2e
+
_
e
2
1
_
(1)
n
2e
n
2
+2e
(%i10)define(d(n), d);
( %o10) d(n) :=
i
_
e
2
1
_
n(1)
n
2e
n
2
+2e
+
_
e
2
1
_
(1)
n
2e
n
2
+2e
(%i11)U: sum(d(n)
*
exp(%i
*
n
*
t),n,0,inf)
+sum(conjugate(d(n))
*
exp(-%i
*
n
*
t),n,1,inf);
( %o11)
_

n=0
_
i
_
e
2
1
_
n(1)
n
2e
n
2
+2e
+
_
e
2
1
_
(1)
n
2e
n
2
+2e
_
e
i nt
_
+
n=1
_
_
e
2
1
_
(1)
n
2e
n
2
+2e

i
_
e
2
1
_
n(1)
n
2e
n
2
+2e
_
e
i nt
5.5.5. Series de Fourier Hermite
Consideremos L
2
(1). En la Secci on 5.5.2 se parti o de la sucesi on de polinomios can onicos que consti-
tuyen un conjunto linealmente independiente en L
2
([1; 1]). Puesto que un polinomio p : 1 1 tiene la
propiedad de que
lm
[x[
[p(x)[ =,
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
no es posible usar polinomios como punto de partida para buscar una base Hilbertiana para L
2
(1).
Para controlar el comportamiento de los polinomios cuando [t[ , denimos, para cada n N
,
w
n
(t) =t
n
w(t), w(t) = e
t
2
/2
, t 1. (5.119)
Al aplicar Gram - Schmidt a (w
n
)
nN
L
2
(1) obtenemos la sucesi on ortonormal
e
n
(t) =
1
(2
n
n!
)
1/2
e
t
2
/2
H
n
(t), t 1, n N
. (5.120)
A e
n
se le conoce como la n- esima funci on de Hermite y a H
n
se le conoce como el n- esimo polinomio de
Hermite. Los primeros polinomios de Hermite son
H
0
(t) = 1;
H
1
(t) = 2t;
H
2
(t) = 4t
2
2;
H
3
(t) = 8t
3
12t;
H
4
(t) = 16t
4
48t
2
+12;
H
5
(t) = 32t
5
160t
3
+120t.
Figura 5.11 Las primeras
funciones de Hermite.
En general, para n N y t 1, se tiene que
H
n
(t) = (1)
n
e
t
2
d
n
dt
n
(e
t
2
) (5.121)
= n!
N
j=0
(1)
j
2
n2 j
j!(n2 j)!
t
n2 j
,
donde
N =
_
n/2, si n es par,
(n1)/2, si n es impar.
Por el proceso de Gram - Schmidt y (5.120), se tiene que
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
_

H
m
(t)H
n
(t) e
t
2
dt =
_
0, si m ,= n,
2
n
n!
, si m = n.
Observaci on 5.20 Los polinomios de Hermite pueden encontrarse de forma recurrente. Para t 1se tiene
que
_
H
0
(t) = 1;
H
n+1
(t) = 2t H
n
(t) H
/
n
(t).
Teorema 5.19 [Funciones de Hermite]
La sucesi on (e
n
)
nN

2
(1).
A la expansi on de una funci on u L
2
(1) en la base (e
n
)
nN
se le denomina serie de Fourier

Hermite; a los coecientes correspondientes se les denomina coecientes de Fourier Hermite.
Aplicando el m etodo de series de potencias se puede probar la siguiente proposici on.
Proposici on 5.9 [La ecuaci on de Hermite]
Sea n N. H
n
es soluci on de la ecuaci on de Hermite,
y
//
2ty
/
+2ny = 0, (5.122)
de manera que H
n
es un funci on propia del operador de Hermite, L : C
(1) C
(1),
(Ly)(t) =y
//
(t) +2t y
/
(t), (5.123)
asociada al valor propio
n
= 2n.
5.5.6. Series de Fourier Laguerre
Buscamos ahora una base Hilbertiana para L
2
([0; )) . Denimos, para cada n N
,
w
n
(t) =t
n
w(t), w(t) = e
t/2
, t [0, ). (5.124)
Al aplicar Gram - Schmidt a (w
n
)
nN
L
2
([0; )) obtenemos la sucesi on ortonormal
e
n
(t) = e
t/2
L
n
(t), t [0; ), n N
. (5.125)
A e
n
y L
n
se les reere como la n- esima funci on de Laguerre y el n- esimo polinomio de Laguerre,
respectivamente. Los primeros polinomios de Laguerre son
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
L
0
(t) = 1;
L
1
(t) = 1t;
L
2
(t) = 12t +
1
2
t
2
;
L
3
(t) = 13t +
3
2
t
2
1
6
t
3
,
L
4
(t) = 14t +3t
2
2
3
t
3
+
1
24
t
4
.
Figura 5.12 Las primeras
funciones de Laguerre.
En general, para n N y t 1, se tiene que
L
n
(t) =
e
t
n!
d
n
dt
n
(t
n
e
t
) (5.126)
=
n
j=0
(1)
j
j!

_
n
j
_
t
j
.
Teorema 5.20 [Funciones de Laguerre]
La sucesi on (e
n
)
nN

2
([0; )).
A la expansi on de una funci on u L
2
([0, )) en la base (e
n
)
nN
se le denomina serie de Fourier

Laguerre; a los coecientes correspondientes se les denomina coecientes de Fourier Laguerre.
Aplicando el m etodo de series de potencias se puede probar la siguiente proposici on.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Proposici on 5.10 Sea n N. L
n
es soluci on de la ecuaci on de Laguerre
ty
//
+(1t)y
/
+ny = 0, t [0, ), (5.127)
de manera que L
n
es funci on propia del operador de Laguerre, G : C
([0, )) C
([0, )),
(Gu)(t) =tu
//
+(1t)u
/
,
asociada al valor propio
n
=n.
Observaci on 5.21 Los polinomios de Laguerre tienen m ultiples aplicaciones a la Fsica e Ingeniera. En
[Jon09] se obtienen los polinomios de Laguerre al hacer un an alisis b asico del atomo de hidr ogeno desde
la perspectiva de la Mec anica Cu antica.
5.6. Transformada de Fourier
5.6.1. Deniciones
En esta secci on abordamos la transformada de Fourier que se dene en el espacio L
1
(1). Empezamos
entonces deniendo los espacios de Lebesgue.
Vamos a suponer que I 1 es [a, b], [a, ), (, a] o 1 y que p 1. Se dene el espacio de funciones
p-integrables sobre I como
p
(I) =
_
f : I 1 :
_
I
[ f (t)[
p
dt <
_
. (5.128)
Observaci on 5.22 Recalcamos que para que la denici on de
p
(I) sea estrictamente correcta, la integral
que aparece en (5.128) debe ser calculada en el sentido de Lebesgue y no en el sentido de Riemann.
Se dene sobre
p
u v ssi
_
I
[u(t) v(t)[
p
dt = 0. (5.129)
Se dene el espacio de Lebesgue L
p
(I) como
L
p
(I) =[u] : u
p
(I), (5.130)
p
(I) por la relaci on de equivalencia denida en
(5.129). A grosso modo la clase [u] est a formada por todas funciones v p-integrables tales que u(t) = v(t)
en casi todo punto t I de manera que la integral en (5.129) se anula. Por esta raz on, es habitual abusar de
la notaci on escribiendo u en lugar de [u].
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
5.6 Transformada de Fourier 241
Una funci on compleja f = u+iv : I C est a en L
p
(I) ssi u L
p
(I) y v L
p
(I). El funcional denido
por la f ormula
| f |
p
=
_
_
I
[ f (t)[
p
dt
_
1/p
(5.131)
es una norma para L
p
(I) que lo transforma en un espacio de Banach.
An alogo al Teorema 5.11, se tiene el siguiente resultado que establece que cualquier funci on de L
p
(I) se
puede aproximar con una funci on continua a soporte compacto.
Teorema 5.21 [Densidad]
Sea p [1, ). El espacio vectorial C
0
(I) es denso en L
p
(I), es decir, dados u L
p
(I) y > 0, existe
u
0
C
0
(I) tal que
|uu
0
|
p
< .
Para una demostraci on, v ease e.g. [Bre83, Teo. IV.12].
Denici on 5.18 [Transformada de Fourier]
Sea f L
1
(1). La transformada de Fourier de f se dene como la funci on

f : 1 C tal que
f () =
_

f (t)e
it
dt. (5.132)
La transformada de Fourier es una herramienta para el an alisis de se nales. En este contexto ingenieril,
habitualmente se reere a la variable como la frecuencia de la se nal f = f (t). Al gr aco de la funci on
[

f ()[ se le reere como el espectro de amplitud. Es com un denotar
F[ f ] () =

f (), (5.133)
y a veces por facilidad se escribe
F[ f (t)] () =

f ().
Observaci on 5.23 Por (5.132) es claro que si f es par, entonces

f toma s olo valores reales. Por otro lado,
si f es impar, entonces

f toma s olo valores imaginarios.
Ejemplo 5.21 Consideramos la funci on f L
1
(1) denida por la f ormula
(%i1) f(t):= (2/%pi)
*
t/(t4+4);
( %o1) f (t) :=
2
t
t
4
+4
Puesto que f es impar, sabemos que su transformada de Fourier toma s olo valores imaginarios. Aplicamos
(5.132) para calcular su transformada de Fourier:
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
(%i2) F1: integrate(f(t)
*
exp(-%i
*
w
*
t),t,minf,inf);
Is w positive, negative, or zero? p;
( %o2) i e
w
sin(w)
*
exp(-%i
*
w
*
t),t,minf,inf);
Is w positive, negative, or zero? n;
( %o3) i e
w
sin(w)
De manera que

f est a dada por
(%i4) F(w):= -%i
*
sin(w)
*
%e(-abs(w));
( %o4) F(w) := (i) sin(w) e
[w[
Denici on 5.19 [Transformada inversa de Fourier]
Sea g L
1
(1). Entonces la transformada inversa de Fourier de g se dene como la funci on g : 1C
dada por
g(t) =
1
2
_

g()e
it
d. (5.134)
Es com un denotar
F
1
[g] (t) = g(t). (5.135)
El siguiente resultado justica la denominaci on inversa para F
1
.
Teorema 5.22 [Proceso de inversi on]
Sea f L
1
(1) continua por trozos en 1 y tal que sus discontinuidades t
1
, t
2
, ... son de salto. Si

f
L
1
(1), entonces se tiene que
f (t
+
) + f (t
)
2
= (F
1
F)[ f ](t)
=

f (t). (5.136)
El teorema anterior establece que en si f es continua en el punto t entonces

f (t) = f (t) en tanto que si

hay un salto en ese punto entonces

f (t) converge al promedio de los lmites laterales de f .

U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Tip 54.
El comando fourint(f(x), x) calcula los coeficientes a
z
y b
z
en terminos de los cuales
se tiene
F
1
[ f ] (z) =
1
2
a
z
+
i
2
b
z
.
Ejemplo 5.22 Consideramos la funci on determinada por la f ormula
(%i1) f(w):= sin(w)
*
exp(-abs(w));
( %o1) f (w) := sin(w) exp([w[)
Calculamos F
1
[ f ] (t) =

f (t):
(%i2) load(fourie);
(%i3) fourint(f(w),w);
( %t3) a
z
= 0
( %t4) b
z
=
4z
(z
4
+4)
( %o4) [ %t3, %t4]
(%i5) Finv_f: ev((1/2)
*
rhs(%t3)+(%i/2)
*
rhs(%t4),z=t);
( %o5)
2i t
(t
4
+4)
5.6.2. Los operadores F y F
1
Recordemos que identicamos I 1 con [a, b], [a, ), (, a] o 1. Para empezar denimos el espacio
de funciones esencialmente acotadas sobre I, denotado
(I), como el conjunto de las funciones u : I 1

para las que existe una constante c > 0 tal que
[u(t)[ c, para casi todo t I. (5.137)
Se dene sobre

u v ssi u(t) = v(t), para casi todo t I. (5.138)
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Se dene el espacio L
(I) como
L
(I) =[u] : u
(I), (5.139)
(I) por la relaci on de equivalencia denida en

(5.138). A grosso modo la clase [u] est a formada por todas funciones v acotadas tales que u(t) = v(t) en
casi todo punto t I. Por esta raz on, es habitual abusar de la notaci on escribiendo u en lugar de [u].
Una funci on compleja f = u+iv : I C est a en L
(I) ssi u L
(I) y v L
(I). El funcional denido

por la f ormula
| f |
=nfc > 0 : [u(t)[ c, para casi todo t I (5.140)

es una norma para L
(I) que lo transforma en un espacio de Banach.

La siguiente proposici on establece un primer resultado de continuidad de los operadores F y F
1
.
Proposici on 5.11 La tranformada de Fourier y la transformada inversa de Fourier son operadores
lineales continuos de L
1
(1) en L
(1). Adicionalmente se tiene que

|F| 1; (5.141)
|F
1
|
1
2
. (5.142)
Demostraci on. De (5.18) y (5.134) se sigue inmediatamente la linealidad de F y F
1
. Por otro lado, si
f L
1
(1)
[

f ()[ =
f (t)e
it
dt
[ f (t)[ dt
= | f |
1
, para todo C,
de manera que

f L
(1) y
|

f |
| f |
1
.
De la misma manera se prueba que g L
1
(1) implica que g L
(1):
[ g(t)[ =
1
2
_

g()e
it
d
1
2
_

[g()[ d
=
1
2
|g|
1
, para todo t C,
de manera que
| g|

1
2
|g|
1
. .
Por la Proposici on 5.11 tenemos que la tranformada de Fourier y la transformada inversa de Fourier
son operadores lineales de L
1
(1) en L
(1). Puesto que una de las aplicaciones m as importantes de F y

U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
F
1
es al an alisis de se nales, es decir funciones que viven en L
2
(1), necesitamos encontrar una manera de
denir la transformada de Fourier como operadores con dominio en L
2
(1).
Dada p [1, ), consideramos una funci on f L
p
(1). Por el Teorema 5.21, existe una sucesi on
( f
n
)
nN
C
0
(1) L
1
(1) L
p
(1)
tal que
lm
n
| f f
n
|
p
= 0.
Puesto que para cada n N, F[ f
n
] existe, se dene puntualmente la transformada de Fourier de f mediante
F[ f ] () =
_
lm
n
F[ f
n
] (), si este lmite existe
0, en caso contrario
(5.143)
Observaci on 5.24 En lo que resta de este captulo denominaremos se nal a todo elemento de L
2
(1). Se
denomina energa o contenido de potencia de la se nal f L
2
(1) al valor
|f |
2
2
=
_

[ f (t)[
2
dt.
Nos cuestionamos ahora para que valores de p la relaci on (5.143) dene a F como un operador con
dominio en L
p
(1) y, en tal caso, cu al sera el codominio. Empecemos considerando el caso p = 2. El
siguiente resultado establece que la energa de una se nal es 1/(2) veces la energa de su espectro de
amplitud.
Teorema 5.23 [Teorema de Pancherel]
Sea f L
2
(1). Entonces

f L
2
(1) y se tiene que
|

f |
2
=
2 | f |
2
, (5.144)
de manera que F L(L
2
(1), L
2
(1)) con
|F| =
2. (5.145)
Para una demostraci on de este resultado puede verse e.g. [MZ10c]. El siguiente teorema es una interpo-
laci on de los Teoremas 5.11 y 5.23.
Teorema 5.24 [Desigualdad de Hausdorff - Young]
Sean 1 p 2 y f L
p
(1). Entonces,
|

f |
p
/ (2)
1
1
p
| f |
p
. (5.146)
De manera que F L(L
p
(1), L
p
/
(1)) con
|F| (2)
1
1
p
. (5.147)
Para una demostraci on de este resultado puede verse e.g. [RS75].
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
5.6.3. Propiedades importantes
A lo largo de esta secci on presentamos una serie de propiedades de la transformada de Fourier de una
funci on que vive en L
1
(1). Sin embargo, teniendo como referencia la herramienta de aproximaci on (5.143)
presentada en la secci on anterior, muchos de estos resultados se pueden extender a funciones en L
p
(1) con
p > 1.
El primer resultado de esta secci on permite calcular la transformada inversa de una funci on que ha
sufrido un corrimiento en la frecuencia.
Teorema 5.25 [Primer teorema de traslaci on]
Si f L
1
(1) y
0
1, entonces
F
_
e
i
0
t
f (t)
() =

f (
0
), 1. (5.148)
Si, adicionalmente, f es continua por trozos en 1y sus discontinuidades t
1
, t
2
, ... son de salto, entonces
F
1
_
f (
0
)
(t) =
_
f (t
+
) + f (t
)
2
_
e
i
0
t
, t 1. (5.149)
Demostraci on. Se tiene, para 1, que
F
_
e
i
0
t
f (t)
() =
_

e
i
0
t
f (t)e
it
dt
=
_

f (t)e
it(
0
)
dt
=

f (
0
). .
Como consecuencia se tiene el siguiente resultado que establece la transformada de Fourier de una funci on
modulada:
Corolario 5.5 [Modulaci on]
Si f L
1
(1) y
0
1, entonces
F[ f (t) cos(
0
t)] () =
1
2
[

f ( +
0
) +

f (
0
)], 1; (5.150)
F[ f (t) sin(
0
t)] () =
i
2
[

f ( +
0
)

f (
0
)], 1. (5.151)
Demostraci on. Usamos
cos(
0
t) =
e
i
0
t
+e
i
0
t
2
, sen(
0
t) =
e
i
0
t
e
i
0
t
2i
,
y aplicamos (5.148). .
El siguiente resultado permite calcular la transformada de una funci on que ha sufrido un corrimiento
en el tiempo:
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Teorema 5.26 [Segundo teorema de traslaci on]
Si f L
1
(1) y t
0
1, entonces
F[ f (t t
0
)] () = e
it
0
f (), 1. (5.152)
1
, t
2
F
1
_
e
it
0
f ()
(t) =
f (t t
0
)
+
+ f (t t
0
)
2
, t 1. (5.153)
En el siguiente resultado se establece la transformada de Fourier de una funci on que ha sufrido un
escalamiento:
Teorema 5.27 [Escalamiento]
Si f L
1
(1) y a 10, entonces
F[ f (at)] () =
1
[a[
f
_
a
_
, 1. (5.154)
1
, t
2
F
1
_
f
_
a
__
(t) =[a[
f (at)
+
+ f (at)
2
, t 1. (5.155)
El siguientes teorema establece el resultado de aplicar sucesivamente la transformada de Fourier a una
se nal.
Teorema 5.28 [Aplicaci on de F
m
]
Si f L
2
(1), entonces
F
_
() = 2 f (), 1. (5.156)
Por tanto, si m N, se tiene para 1 que
F
m
[ f ]() =
_
(2)
m/2
f ((1)
m/2
), si m es par,
(2)
(m1)/2

f ((1)
(m1)/2
), si m es impar.
(5.157)
Sea k N. La f ormula (5.157) se reere a menudo como
F
2k
[ f ]() = (2)
k
f ((1)
k
), (5.158)
F
2k1
[ f ]() = (2)
k1

f ((1)
k1
). (5.159)
Las funciones de Heaviside (que se deni o en la Secci on 3.3.3) de pulso son utiles para la representaci on
de se nales que se activan y desactivan en ciertos instantes.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Denici on 5.20 [Funci on de Pulso]
Dados a, b 1, con a < b, se dene la funci on de pulso mediante
P
a,b
(t) = H(t a) H(t b) =
_
_
0, si t < a,
1, si a t < b,
0, si t b.
(5.160)
Cuando a =b, b > 0, se escribe P
b,b
= P
b
.
A continuaci on se presentan algunos tipos de se nales b asicas junto con sus transformadas de Fourier. El
lector debera gracar todas estas se nales b asicas como ejercicio.
Transformada de Fourier
n f(t)

f()
1 e
a[t[
2a
a
2
+
2
2 P
b
(t)
2
sin(b)
3 P
b,c
(t)
e
ib
e
ic
i
4
2a
a
2
+t
2
2e
a[[
5 t P
0,b
+(2t b) P
b,2b
1+2e
ib
e
2ib
2
6 e
at
H(t)
1
a+i
Transformada de Fourier
n f(t)

f()
7 e
at
P
b,c
(t)
e
(a+i)b
e
(a+i)c
a+i
8 e
iat
P
b
(t)
2sin(b( +a))
+a
9 e
iat
P
b,c
(t) i
_
e
ic(a+)
e
ib(a+)
_
a+
10 e
at
2
_
a
e
2
/4a
11
sin(bt)
t
P
b
()
12
at
(a
2
+t
2
)
iae
[[
sgn()
Tip 55.
Dado x C, el comando signum(x) devuelve 0 si x = 0, caso contrario devuelve [x[/x.
Por tanto, si x 1, signum(x) devuelve el valor de la funci on signo, denotada sgn,
evaluada en x:
sgn(x) =
_
_
1, x < 0,
0, x = 0,
1, x > 0.
(5.161)
Ejemplo 5.23 Comprobemos la f ormula (12) de la tabla anterior. Consideramos la funci on determinada
por la f ormula
(%i1) assume(a>0);
( %o1) [a > 0]
(%i2) f(t):= (a/%pi)
*
t/(t2+a2);
( %o2) f (t) :=
a
t
t
2
+a
2
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Puesto que
*
exp(-%i
*
w
*
t),t,minf,inf);
( %o3) i ae
aw
*
exp(-%i
*
w
*
t),t,minf,inf);
( %o4) i ae
aw
(%i5) F3: integrate(f(t),t,minf,inf);
PrincipalValue
( %o5) 0
se tiene que

f est a dada por
(%i6) F(w):= -%i
*
a
*
exp(-abs(w))
*
signum(w);
( %o6) F(w) := (i) aexp([w[) signum(w)
El siguiente resultado es util cuando se aplica la transformada de Fourier a la resoluci on de ecuaciones
en derivadas parciales.
Teorema 5.29 [Transformada de una derivada]
Sea f L
1
(1) continua por trozos en 1 y tal que sus discontinuidades t
1
, t
2
, ..., t
m
son de salto. Su-
ponga que f
/
es continua por trozos en 1. Entonces,
F
_
f
/
() = i

f ()
m
j=1
_
f (t
+
j
) f (t
j
)
_
e
it
j
. (5.162)
En particular, si para alg un n N se tiene f
(n1)
L
1
(1) C(1) y f
(n)
es continua por trozos,
entonces
F
_
f
(n)
_
() = (i)
n

f (). (5.163)
El siguiente resultado establece una f ormula para la diferenciaci on respecto a la variable frecuencia.
Teorema 5.30 [Derivada de una transformada]
Sea f L
1
(1) continua por trozos. Supongamos que para n Nse tiene que t
n
f (t) L
1
(1). Entonces
F[t
n
f (t)] () = i
n

f
(n)
(). (5.164)
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Tal como la transformada de Laplace, la transformada de Fourier se puede utilizar para la resoluci on de
ecuaciones integro-diferenciales. El siguiente resultado establece la f ormula para el c alculo de la transfor-
mada de Fourier de una integral (de una funci on de lmite superior variable).
Teorema 5.31 [Transformada de una integral]
Sea f L
1
(1) continua por trozos y tal que

f (0) = 0. Entonces
F
_
_
t
f ()d
_
() =
1
i

f (). (5.165)
(%i1) f(t):= 2
*
t/(%pi
*
(t4+4));
( %o1) f (t) :=
2t
(t
4
+4)
Como vimos en el Ejemplo 5.21,

f est a dada por
(%i2) F(w):= -%i
*
sin(w)
*
e(-abs(w));
( %o2) F(w) := (i) sin(w) e
[w[
Intentemos calcular mediante la denici on (5.18) la transformada de Fourier de la funci on de lmite supe-
rior variable asociada a f :
(%i3) define(f_int(t),integrate(f(x),x,minf,t));
( %o3) f int (t) :=
2
_
8

atan
_
t
2
2
_
4
_
Se tiene que
(%i4) F_int1: integrate(f_int(t)
*
exp(-%i
*
t
*
w),t,minf,0)
+ integrate(f_int(t)
*
exp(-%i
*
t
*
w),t,0,inf);
( %o4)
2
_
0
8

atan
_
t
2
2
_
4
_
e
i t w
dt

2
_
0
_
8

atan
_
t
2
2
_
4
_
e
i t w
dt
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
(%i5) F_int2: integrate(f_int(t)
*
exp(-%i
*
t
*
w),t,minf,0)
+ integrate(f_int(t)
*
exp(-%i
*
t
*
w),t,0,inf);
( %o5)
2
_
0
8

atan
_
t
2
2
_
4
_
e
i t w
dt

2
_
0
_
8

atan
_
t
2
2
_
4
_
e
i t w
dt
de manera que nuestro intento no tiene exito. Sin embargo, aplicando (5.165) obtenemos
F
_
_
t
f ()d
_
() =
1
w
sin(w)e
[w[
.
Convoluci on
Para dos funciones f , g L
1
(1) se dene su convoluci on, f g : 1 1, mediante
( f g)(t) =
_

f (t )g()d. (5.166)
Observaci on 5.25 La condici on de que f y g vivan en L
1
(1) se puede alterar de manera que la f ormula
(5.166) siga siendo v alida.
Proposici on 5.12 [Linealidad y conmutatividad de la convoluci on]
Sean f , g y h funciones en L
1
(1) y 1. Se tiene que
( f +g) h = f h+gh; (5.167)
f g = g f . (5.168)
La relaci on de la convoluci on con la transformada de Fourier queda establecida en el siguiente resultado.
Teorema 5.32 [Convoluci on y transformada de Fourier]
Sean f y g dos funciones en L
1
(1). Entonces f g L
1
(1) y se cumple que
_

( f g)(t)dt =
_

f (t)dt
_

g(t)dt; (5.169)
F[ f g] () =

f () g(); (5.170)
F[ f g] () =
1
2
(

f g)(). (5.171)
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
_

( f g)(t)dt =
_

_
_

f (t )g()d
_
dt
=
_

_
_

f (t )g()dt
_
d
=
_

_
_

f (y)dy
_
g()d
=
_

f (y)dy
_

g()d.
Para probar (5.170) se aplica (5.169) a las funciones determinadas por las f ormulas
F(t) = f (t) e
it
, G(t) = g(t) e
it
.
La demostraci on de (5.171) queda como ejercicio para el lector. .
5.6.4. Relaci on de F con otras transformadas
Para las funciones reales con dominio 1 se dene el operador de reejo R determinado por la f ormula
(Ru)(t) = u(t), t 1. (5.172)
Usaremos este operador para escribir las relaciones que vinculan a F con F
1
y con L. Obs ervese que
R = R
1
, es decir
(RRu)(t) = u(t), t 1. (5.173)
Proposici on 5.13 [Relaci on entre F y F
1
]
Sea p 1. Dada u L
p
(1), se tiene que Ru L
p
(1). Adem as se cumple que
F[u] () = 2 F
1
[Ru] (), (5.174)
F[Ru] () = 2 F
1
[u] (). (5.175)
Demostraci on. Mediante el cambio de variable y =t se tiene que
F[u] () =
_

e
it
u(t)dt
=
_

e
iy
u(y)dt
= 2
1
2
_

e
iy
Ru(y)dy,
que es justamente (5.174). Ahora reemplazando u por Ru en (5.174), se obtiene (5.175). .
Observaci on 5.26 T engase presente que si la funci on u es par en la proposici on anterior, entonces de
hecho se tiene que
F[u] () = 2 F
1
[u] (). (5.176)
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Ejemplo 5.25 La transformada de Fourier de la funci on real denida por la f ormula
(%i1) u(x):= cos(x)
*
exp(-abs(x));
( %o1) u(x) := cos(x) exp([x[)
est a dada por
(%i2) F_u: integrate(u(t)
*
exp(-%i
*
t
*
w),t,0,inf)
+integrate(u(t)
*
exp(-%i
*
t
*
w),t,minf,0);
( %o2)
2
_
w
2
+2
_
w
4
+4
Puesto que u es una funci on par tambi en podemos usar (5.176) para calcular F[u]:
(%i3) F_u_aux: 2
*
%pi
*
(1/(2
*
%pi))
*
(integrate(u(x)
*
exp(%i
*
x
*
w),x,0,inf)
+integrate(u(x)
*
exp(%i
*
x
*
w),x,minf,0));
( %o3)
2
_
w
2
+2
_
w
4
+4
Ahora establezcamos la relaci on entre las transformadas de Fourier y Laplace. Escribimos una funci on
f : 1 1 como
f (t) =
_
f
(t), t < 0,
f
+
(t), t 0.
Proposici on 5.14 [Relaci on entre F y L]
Sea f : 1 1 tal que Rf
y f
+
tienen transformada de Laplace. Entonces se tiene que
F[ f ] () =L [ f
+
] (i) +L [Rf
] (i), 1. (5.177)
F[ f ] () =
_

0
e
it
f
+
(t)dt +
_
0
e
it
f
(t)dt
= L [ f
+
] (i) +
_

0
e
y(i)
Rf
(y)dy
= L [ f
+
] (i) +L [Rf
] (i). .
Ejemplo 5.26 Usemos (5.177) para obtener la f ormula
F
_
e
a[t[
_
() =
2a
a
2
+
2
.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
(%i1) assume(a>0);
( %o1) [a > 0]
(%i2) g(t):= exp(-a
*
t);
h(t):= exp(a
*
t);
( %o2) g(t) := exp((a) t)
( %o3) h(t) := exp(at)
(%i4) laplace(g(t),t,%i
*
w)+laplace(h(-t),t,-%i
*
w), ratsimp;
( %o4)
2a
w
2
+a
2
Para terminar esta secci on encontramos la relaci on de F con la transformada coseno de Fourier,
F
C
[ f ]() =
2
_

0
cos(t) f (t)dt, (5.178)
y con la transformada seno de Fourier,
F
S
[ f ]() =
2
_

0
sin(t) f (t)dt. (5.179)
Observaci on 5.27 Es claro que las f ormulas (5.178) y (5.179) tienen sentido cuando f L
1
(1). De ma-
nera similar a como se procedi o en la Secci on 5.6.2 se puede extender la denici on de F
C
[ f ] y F
S
[ f ] para
f L
p
(1), p 1. Las inversas de F
C
y F
S
se denen formalmente mediante
F
1
C
[g](t) =
_

0
g()cos(t)d, (5.180)
F
1
S
[g](t) =
_

0
g()sin(t)d. (5.181)
Observaci on 5.28 Toda funci on f : 11se puede escribir como la suma de una funci on par y una impar,
f = f
e
+ f
o
, donde
f
e
(t) =
f (t) +Rf (t)
2
, t 1, (5.182)
f
o
(t) =
f (t) Rf (t)
2
, t 1. (5.183)
Proposici on 5.15 [Relaci on de F con F
C
y F
S
]
Sean p 1 y f L
p
(1). Se tiene, para x 1, que
F
1
[ f ](x) =
1
2
F
C
[ f
e
](x) +
i
2
F
S
[ f
o
](x), (5.184)
F[ f ](x) = F
C
[ f
e
](x) i F
S
[ f
o
](x). (5.185)
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Para demostrar la Proposici on 5.15 basta con observar que para el caso en que f es par,
F
1
[ f ](x) =
1
2
F
C
[ f ](x), x 1, (5.186)
F[ f ](x) = F
C
[ f ](x), x 1, (5.187)
en tanto que cuando f es impar
F
1
[ f ](x) =
i
2
F
S
[ f ](x), x 1, (5.188)
F[ f ](x) =i F
S
[ f ](x), x 1. (5.189)
Tip 56.
Mediante los comandos fourintcos(f(x), x) y fourintsin(f(x), x) se calcula la transformada
coseno de Fourier y la transformada seno de Fourier, respectivamente, de una
funcion f = f (x).
(%i1) assume(a>0);
( %o1) [a > 0]
(%i2) f(t):= exp(-a
*
abs(t));
( %o2) f (t) := exp((a) [t[)
Puesto que f es par podemos calcular F[ f ] y F
1
[ f ] con ayuda de la transformada coseno de Fourier.
Se tiene que
(%i3) load(fourie);
(%i4) fourintcos(f(t),t);
( %t4) a
z
=
2a
(z
2
+a
2
)
( %o4) [ %t4]
de manera que por (5.187) se tiene que F[ f ] est a dada por
(%i5) F_f: ev(%pi
*
rhs(%t4),z=w);
( %o5)
2a
w
2
+a
2
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
en tanto que por (5.186) se tiene que F
1
[ f ] est a dada por
(%i6) Finv_f: ev((1/2)
*
rhs(%t4),z=t);
( %o6)
a
(t
2
+a
2
)
5.6.5. Estudio de se nales
Filtrado
En la Secci on 3.7 se deni o el delta de Dirac y se indic o que, estrictamente, no es una funci on sino
una distribuci on (o funci on generalizada). En el siguiente captulo se hace una breve introducci on a las
distribuciones. Por el momento podemos usar una funci on de pulso para intentar una interpretaci on intuitiva
de :
(t) = lm
a0
1
2a
P
a
(t) (5.190)
=
_
, si t = 0,
0, si t ,= 0.
Usando (5.190) y la f ormula
F[P
a
(t)] () =
2
sin(a)
se intuye que en alg un sentido debera cumplirse que
F[(t)] () = 1; (5.191)
y, adicionalmente,
f = f = f . (5.192)
Para una funci on f L
1
(1) que es continua por trozos con discontinuidades de salto t
1
, t
2
, ... se tiene
que
_

f (t)(t t
0
)dt =
f (t
+
0
) + f (t
0
)
2
, (5.193)
que en el caso en que f es continua se escribe como
_

(t t
0
) f (t)dt = f (t
0
). (5.194)
Por las relaciones (5.193) y (5.194) se dice que el delta de Dirac ltra la se nal f .
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Localizaci on tiempo-frecuencia
De la denici on de transformada de Fourier
f () =
_

f (t)e
it
dt.
se puede asumir que el espectro de amplitud [

f ()[ atrapa la informaci on para todos los instantes t
(, ) mediante el proceso de integraci on. Por tanto, si se quiere atrapar el contenido de frecuencia en un
intervalo [a, b) se intuye que debera calcularse
_
b
a
f (t)e
it
dt.
Entonces

P
a,b
f da el contenido de frecuencia de la se nal f para t [a, b). A este proceso se le llama
ventaneo o localizaci on tiempo-frecuencia. En este contexto, a la funci on P
a,b
se le reere como ventana
o pulso de localizaci on y al intervalo cerrado [a, b] se le denomina soporte de la ventana.
Puesto que P
a,b
L
2
(1), es f acil vericar que
p
a,b
(t) =
P
2
a,b
(t)
|P
a,b
|
2
2
, (5.195)
es una funci on de densidad, i.e., p
a,b
L
1
(1) es no-negativa y
_

p
a,b
(t)dt = 1.
Se dene el centro de la ventana y el radio de la ventana P
a,b
, respectivamente, mediante
t
C
=
_

t p
a,b
(t)dt, (5.196)
t
R
=
_
_

(t t
C
)
2
p
a,b
(t)dt
_
1/2
. (5.197)
El ancho de la funci on ventana es 2t
R
y se conoce como la duraci on RMS (Root Mean Square) de la
ventana. De forma an aloga se denen el centro y el radio de

P
a,b
, respectivamente, mediante
C
=
_

p
a,b
()d, (5.198)
R
=
_
_

(
C
)
2
p
a,b
()d
_
1/2
, (5.199)
donde
p
a,b
() =
P
2
a,b
()
|
P
a,b
|
2
2
. (5.200)
Al valor 2
R
se le conoce como el ancho de banda RMS de la ventana P
a,b
.
Ejemplo 5.28 Consideramos la se nal determinada por
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
(%i1) assume(a>0);
( %o1) [a > 0]
(%i2) f(t):= exp(-a
*
abs(t));
( %o2) f (t) := exp((a) [t[)
Figura 5.13 La se nal f (t) =
e
[t[
.
El contenido de frecuencia para t (, ) est a dado por

f :
(%i3) load(fourie);
(%i4) fourintcos(f(t),t);
( %t4) a
z
=
2a
(z
2
+a
2
)
( %o4) [ %t4]
(%i5) F_f: ev(%pi
*
rhs(%t4),z=w);
( %o5)
2a
w
2
+a
2
Dado n N, el contenido de frecuencia de f para t [n, n) est a dado por
P
n
f :
(%i6) assume(n>0);
( %o6) [n > 0]
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Figura 5.14 La se nal

f () =
2/(
2
+a
2
).
(%i7) F_fn: integrate(f(t)
*
exp(-%i
*
w
*
t),t,-n,0)
+integrate(f(t)
*
exp(-%i
*
w
*
t),t,0,n), ratsimp, factor;
( %o7)
e
i nwan
_
2ae
i nw+an
+i we
2i nw
+ae
2i nw
i w+a
_
w
2
+a
2
Puesto que
lm
n
|f P
n
f |
2
= 0,
se sigue por el Teorema 5.23 que
lm
n
|

f
P
n
f |
2
= 0.
De hecho, se tiene convergencia puntual:
(%i8) limit(F_fn,n,inf);
( %o8)
2a
w
2
+a
2
es decir,
lm
n
P
n
f () =

f (), 1.
[
P
1
f [.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
[
P
2
f [.
[
P
3
f [.
El teorema de muestreo de Shannon
Recordemos que en la Secci on 5.4.4 se deni o el concepto de soporte de una funci on. Se dice que
f L
2
(1) es una se nal de banda limitada si

f tiene soporte compacto, es decir, si existe alg un l > 0 tal
que
[[ > l =

f () = 0. (5.201)
En este caso se denomina ancho de banda de f al n umero
L =nfl > 0 : l verica (5.201) (5.202)
pues el contenido total de frecuencia de la se nal f est a en la banda [L, L].
El siguiente resultado establece que una se nal continua de banda limitada puede reconstruirse a partir de
valores muestrales.
Teorema 5.33 [Muestreo de Shannon]
Sea f L
2
(1) C(1) una se nal de banda limitada L > 0. Entonces,
f (t) =
n=
f
_
n
L
_
sin(Lt n)
Lt n
, t 1. (5.203)
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Demostraci on. Puesto que f es una se nal continua, se tiene que

f C
0
(1) teniendo como soporte el
intervalo [L, L]. Por tanto, para todo [L, L] se tiene por (5.117) que
f () =
n=
d
n
e
ni/L
, (5.204)
donde
d
n
=
1
2L
_
L
L
f ()e
ni/L
d. (5.205)
Al comparar la relaci on
f (t) =
1
2
_

f ()e
it
d
=
1
2
_
L
L
f ()e
it
d (5.206)
con (5.205) se sigue
d
n
=

L
f
_
n
L
_
;
lo cual reemplazado en (5.204) prov ee
f () =

L
f
_
n
L
_
e
ni/L
=

L
f
_
n
L
_
e
ni/L
. (5.207)
Ahora combinando (5.207) con (5.206) se obtiene
f (t) =
1
2L
_
L
L
f
_
n
L
_
e
i(tn/L)
d
=
1
2L
f
_
n
L
_
_
L
L
e
i(tn/L)
d
=
1
2L
f
_
n
L
_
sin(Lt n)
Lt n
. .
Este teorema establece que una se nal de banda limitada puede reconstruirse a partir de los valores muestrales
en los tiempos
n
L
, para n Z. Esta es la manera en la que los ingenieros convierten se nales digitales en
se nales anal ogicas, [ON09].
Filtros de paso bajo
El Teorema 5.33 es muy util en aplicaciones a la Ingeniera pero no se puede aplicar a una se nal f
L
2
(1) que no tiene banda limitada. Cuando es posible discriminar la informaci on para las frecuencias
que quedan por fuera de [
0
,
0
) para un cierto valor de frecuencia
0
> 0, entonces se puede aplicar un
lto de paso bajo; esto quiere decir que se reemplaza a la se nal f con la se nal f
0
que tiene espectro
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
0
() =

f () P
0
(). (5.208)
No es difcil probar que
f
0
(t) = ( f S
0
)(t), (5.209)
donde S
0
, llamada funci on de Shannon, est a denida mediante
S
0
(t) =
sin(
0
t)
t
. (5.210)
Al procedimiento reci en descrito se le denomina ltro de paso bajo porque se ltran o dejan pasar unica-
mente las frecuencias cuyo valor absoluto est a por debajo de
0
.
Proposici on 5.16 Sea g L
2
(1) una se nal de banda limitada
0
> 0 que es continua por trozos y
con discontinuidades de salto t
1
, t
2
, ..., t
m
. Entonces,
(S
0
g)(t) =
g(t
+
) +g(t
)
2
, t 1. (5.211)
Demostraci on. Por (5.170) se tiene para t 1 que
(S
0
g)(t) = F
1
_
0
g
_
= F
1
_
P
0
g
= F
1
[ g]
=
g(t
+
) +g(t
)
2
. .
Ejemplo 5.29 Consideramos la se nal denida por la f ormula
(%i1) assume(a>0);
( %o1) [a > 0]
(%i2) f(t):= 2
*
a/(t2+a2);
( %o2) f (t) :=
2a
t
2
+a
2
Sabemos que la transformada de Fourier de f es
f () = 2 e
a[[
.
Para
(%i3) assume(w0 > 0);
( %o3) [w0 > 0]
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
buscamos la se nal f
0
tal que
0
=

f () P
0
().
En este caso, la funci on de Shannon es
(%i4) S(t):= sin(w0
*
t)/(%pi
*
t);
( %o4) S(t) :=
sin(w0t)
t
por tanto, usando (X), se tiene que
(%i5) f_w0: integrate(f(t-x)
*
S(x),x,minf,inf), ratsimp;
( %o5)
e
aw0
_
2t sin(t w0) 2acos(t w0) +2ae
aw0
_
t
2
+a
2
Ahora al pasar al lmite cuando el ancho de banda crece indenidamente se recupera la se nal original:
(%i6) limit(f_w0,w0,inf);
( %o6)
2a
t
2
+a
2
Filtrado de ancho de banda
El siguiente resultado establece que una se nal de banda limitada puede descomponerse conforme a ran-
gos de frecuencias.
Proposici on 5.17 [Filtrado de ancho de banda]
Consideramos una se nal f L
2
(1) C(1) de banda limitada L > 0 y los valores de frecuencia
0 <
0
<
1
< ... <
N
= L. Se puede descomponer la se nal f como
f (t) =
N
j=0
f
j
(t), (5.212)
donde f
0
L
2
(1) es el ltro de paso bajo
0
y para j = 1, ..., N, f
j
L
2
(1) est a dada por
f
j
(t) = (
j
f )(t), t 1, (5.213)
donde
j
(t) = S
j
(t) S
j1
(t)
=
sin(
j
t) sin(
j1
t)
t
, t 1. (5.214)
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Observe que f
j
L
2
(1) atrapa la informaci on de f para las frecuencias tales que
j1
[[ <
j
.
Demostraci on. Por la Proposici on 5.16 se tiene, para t 1, que
N
j=0
f
j
(t) = (S
0
f )(t) +
N
j=1
(
j
f )(t)
= (S
N
f )(t)
= f (t). .
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Problemas
5.1. Sea V = C([a, b]), donde < a 0. Considere la sucesi on (p
n
)
nN
C([0, 1]) denida por la f ormula
p
n
( f )(t) =
n
k=0
_
n
k
_
f
_
k
n
_
t
k
(1t)
nk
, t [0, 1], n N.
Pruebe que
lm
n
|f p
n
|
= 0.
5.3. Pruebe la desigualdad de Young
ab
1
p
a
p
+
1
p
/
b
p
/
, a, b 0. (5.215)
Idea.- Utilice la concavidad de la funci on logaritmo en (0, ).
5.4. Sean p, p
/
[1, ) tales que
1
p
+
1
p
/
= 1.
Pruebe que para u L
p
([0, 1]) y v L
p
/
([0, 1]) se cumple la desigualdad de H older
|uv|
1
|u|
p
|v|
p
/ . (5.216)
Idea.- Para probar (5.216) puede utilizar (5.215) para probar que
_
1
0
[u(t)v(t)[dt
1
p
|u|
p
p
+
1
p
/
|v|
p
/
p
. (5.217)
Reemplace u por u, > 0, en (5.217) y optimice en la desigualdad as obtenida.
5.5. Sea V = L
p
([0, 1]). Pruebe que | |
p
es una norma sobre V.
Idea.- Para probar la desigualdad triangular use (5.216).
5.6. Pruebe que en un espacio normado una bola es un conjunto abierto.
5.7. Sean (V, | |
V
) y (W, | |
W
) dos espacios normados. Pruebe que un operador L : V W es continuo en
el punto v
0
V ssi para cualquier sucesi on (v
n
)
nN
V tal que lm
n
v
n
=v
0
, se sigue que lm
n
L(v
n
) =L(v
0
).
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
5.8. Sean (V, | |
V
) y (W, | |
W
) dos espacios normados y L : V W un operador lineal, es decir que
verica
L[u+v] = L[u] +L[v], para todo 1 y para todo u, v V.
Pruebe que si existe una constante c > 0 tal que
|L[u]|
W
c|u|
V
, para todo u V,
entonces L es un operador continuo.
5.9. Pruebe que la f ormula
(u, v) =
_
1
0
u(t)v(t)dt,
dene un producto escalar sobre C([0, 1]) pero no sobre
2
([0, 1]).
5.10. Pruebe que la f ormula
([u], [v]) =
_
1
0
u(t)v(t)dt,
dene un producto escalar sobre L
2
([0, 1]).
5.11. Sea V un espacio Euclidiano. Pruebe que
[(u, v)[ |u||v|, para todo u, v V.
Idea.- Minimice en 1 la funci on deteminada por () =|uv|
2
.
5.12. Pruebe la igualdad de Parseval en L
2
([, ]) puede escribirse como
a
2
0
2
+
n=1
[a
2
n
+b
2
n
] =
1
[u(t)[
2
dt,
donde a
0
, a
n
y b
n
son los coecientes cl asicos de Fourier de u L
2
([, ])
5.13. Denimos una sucesi on (w
n
)
nN
L
2
(1), donde para cada n N
,
w
n
(t) =t
n
e
t
2
/2
, t 1.
1) Pruebe que (w
n
)
nN
es linealmente independiente .
2) Usando Maxima aplique el proceso de Gram-Schmidt a (w
n
)
nN
para obtener los cinco primeros elemen-

tos de la sucesi on ortonormal en L
2
(1):
(e
n
)
nN
=
_
1
(2
n
n!
)
1/2
e
t
2
/2
H
n
_
nN
A e
n
se le conoce como la n- esima funci on de Hermite y a H
n
se le conoce como el n- esimo polinomio de
Hermite.
Idea.- Los primeros polinomios H
n
son H
0
(t) = 1, H
1
(t) = 2t, H
2
(t) = 4t
2
2, H
3
(t) = 8t
3
12t, H
4
(t) =
16t
4
48t
2
+12, H
5
(t) = 32t
5
160t
3
+120t.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
3) Aplique el m etodo de series de potencias para probar que H
n
es soluci on de la ecuaci on de Hermite
y
//
2ty
/
+2ny = 0,
de manera que H
n
es un funci on propia de L, el operador de Hermite,
(Ly)(t) =y
//
(t) +2t y
/
(t),
asociada al valor propio 2n.
5.14. Denimos una sucesi on (w
n
)
nN
L
2
([0; )), donde para cada n N
,
w
n
(t) =t
n
e
t/2
, t [0, ).
1) Pruebe que (w
n
)
nN
es linealmente independiente .
2) Usando Maxima aplique el proceso de Gram-Schmidt a (w
n
)
nN
para obtener los cinco primeros elemen-

tos de la sucesi on ortonormal en L
2
([0; )):
(e
n
)
nN
=
_
e
t/2
L
n
_
nN
A e
n
se le conoce como la n- esima funci on de Laguerre y a L
n
se le conoce como el n- esimo polinomio
de Laguerre.
Idea.- Los primeros polinomios L
n
son L
0
(t) =1, L
1
(t) =1t, L
2
(t) =12t +
1
2
t
2
, L
3
(t) =13t +
3
2
t
2
1
6
t
3
, L
4
(t) = 14t +3t
2
2
3
t
3
+
1
24
t
4
.
3) Aplique el m etodo de series de potencias para probar que L
n
es soluci on de la ecuaci on de Laguerre
ty
//
+(1t)y
/
+ny = 0.
5.15. Encuentre la serie de Fourier cl asica de la funci on indicada en el intervalo dado
f
1
(x) =
2
x
2
, x ; f
2
(x) =[x[, x ;
f
3
(x) =
_
0, x < 0,
x, 0 x ;
f
4
(x) =
_
_
1, 2 x <1,
x, 1 x < 0,
x, 0 x < 1,
1, 1 x 2.
f
5
(x) =
_
1, 5 < x < 0,
1+x, 0 x < 5;
f
6
(x) = e
x
, < x < ;
f
7
(x) =
_
_
0, 2 x <1,
2, 1 x < 0,
1, 0 x < 1,
0, 1 x < 2.
5.16. Use las series de Fourier de las funciones
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
f
1
(x) =
_
0, x < 0,
x
2
, 0 x ;
f
2
(x) = x +, < x < ;
para demostrar que
2
6
= 1+
1
2
2
+
1
3
2
+
1
4
2
+...

2
12
= 1
1
2
2
+
1
3
2

1
4
2
+...

4
= 1
1
3
+
1
5
1
7
+...
5.17. Se prov ee informaci on sobre la funci on en el intervalo [0, L]:
f
1
(x) = 2x, 0 x 1; f
2
(x) =
_
1, 0 x < 1
1, 1 x 2
;
f
3
(x) =
1
10
sin(4 x)e
x
, 0 x 5; f
4
(x) =
_
1, 0 x < 2
1+x, 2 x < 5
;
f
5
(x) = 4, 0 x 3; f
6
(x) =
_
_
0, 0 x < 1
2, 1 x < 2
1, 2 x < 3
0, 3 x 4
;
f
7
(x) = x sin(x), 0 x .
1) Encuentre la serie de Fourier de la funci on en el intervalo sim etrico [L, L] si la funci on es par. Graque en
Maxima la funci on.
2) Encuentre la serie de Fourier de la funci on en el intervalo sim etrico [L, L] si la funci on es impar. Graque
en Maxima la funci on.
3) Graque con Maxima las series obtenidas en los literales anteriores considerando sumas truncadas de 10
t erminos.
5.18. Se sabe que f (x) =sin(x), x [0, ]. Calcule la serie de Fourier en el intervalo [, ] para la funci on
f = f (x) considerando que es una funci on par. Encuentre la suma de la serie
n=1
(1)
n
(4n
2
1)
.
5.19. Sea f L
1
(1) y
0
1.
1) Pruebe que
F
_
e
i
0
t
f (t)
() =

f (
0
).
2) Con este resultado, pruebe que
F[ f (t) cos(
0
t)] () =
1
2
[

f ( +
0
) +

f (
0
)],
F[ f (t) sin(
0
t)] () =
i
2
[

f (
0
) +

f (
0
)].
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
5.20. Sea f L
1
(1), t
0
1 y a 10. Pruebe que
F[ f (t t
0
)] () = e
it
0
f ();
F[ f (at)] () =
1
[a[
f
_
a
_
.
5.21. Encuentre la transformada de Fourier de la se nal. Asuma que a, b, c 1 son constantes.
f
1
(t) = e
a[t[
, f
2
(t) = P
b
(t), f
3
(t) = P
b,c
(t),
f
4
(t) =
2a
a
2
+t
2
, f
5
(t) =t P
0,b
+(2t b), f
6
(t) = e
at
H(t),
f
7
(t) = e
at
P
b,c
(t), f
8
(t) = e
iat
P
b
(t), f
9
(t) = e
iat
P
b,c
(t),
f
10
(t) = e
at
2
, f
11
(t) =
sin(bt)
t
, f
12
(t) =
at
(a
2
+t
2
)
.
5.22. Calcule la transformada de Fourier de la se nal. Suponga que k > 0 es una constante.
f
1
(t) =P
1,0
(t) +P
0,1
(t), f
2
(t) = sin(t)P
k
(t), f
3
(t) = 5e
3(t5)
2
,
f
4
(t) = H(t k)e
t/4
, f
5
(t) =
1
1+t
2
.
5.23. Calcule la transformada inversa de Fourier de
f
1
() =
9
32
e
(+4)
2
,

f
2
() =
e
(204)i
3+i
,

f
3
() =
10 sin(3)
+
,
f
4
() =
1
6
2
+5i
,

f
5
() =
10(4+i)
41
2
+8i
,

f
6
() =
1+i
6
2
+5i
.
5.24. Calcule
I =
_

e
t
2
cos(t)dt.
5.25. Sea a > 0. Calcule la transformada de Fourier de
f (t) =
t
a
2
+t
2
.
5.26. Encuentre la transformada de Fourier de f = f (t).
f
1
(t) =
t
9+t
2
, f
2
(t) = 3te
9t
2
,
f
3
(t) = 26H(t)t e
2t
, f
4
(t) = H(t 3) (t 3)e
4t
,
f
5
(t) =
d
dt
_
H(t)e
3t
, f
6
(t) =t P
1
(t),
f
7
(t) =
5e
3it
t
2
4t +13
, f
8
(t) = H(t 3)e
2t
.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
5.27. Usando la convoluci on encuentre la transformada inversa de Fourier de

f =

f ().
f
1
() =
1
(1+i)
2
,

f
2
() =
1
(1+i)(2+i)
,

f
3
() =
sin(3)
(2+i)
.
5.28. Calcule la energa de la se nal
f (t) =
_
_
_
sin(3t)
t
, t ,= 0,
5, t = 0.
5.29. Resuelva la ecuaci on diferencial
u
//
+6u
/
+5u = (t 3), t 1,
v
/
4v = H(t)e
4t
, t 1.
5.30. Encuentre G
j
= G
j
(), el contenido de frecuencia de la se nal f
j
= f
j
(t) en el intervalo I.
f
1
(t) =t
2
, I = [5, 5),
f
2
(t) = cos(at), I = [4, 4),
f
3
(t) = e
t
, I = [0, 4),
f
4
(t) = e
t
sin(t), I = [1, 1].
5.31. Sea a > 0. Verique que se cumple la igualdad de Parseval para f = f (t).
f (t) = e
a[t[
, f (t) = H(t)e
a[t[
.
5.32. Sean 1 y > 0. Encuentre la transformada de Fourier de
f (t) =
1
2
e
(t)
2
2
2
, t 1.
5.33. Con ayuda de la transformada de Fourier calcule
I =
_

_
sin(t)
t
_
e
[t[
dt;
5.34. Sea a > 0. Con ayuda de la transformada de Fourier compruebe que
_

0
cos(t)
t
2
+a
2
n
2
dt =
1
n
_
2a
_
n1
_
_

0
cos(t)
t
2
+a
2
_
n
, n N.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Captulo 6
Ecuaciones Diferenciales Parciales
6.1. Introducci on
Presentamos aqu una breve introducci on a las Ecuaciones Diferenciales Parciales (abreviado EDP).
Para un primer curso de EDP recomendamos [Per04]. Un libro de texto excelente y con una presentaci on
moderna es [Eva98]. El lector tambi en puede encontrar utiles [ON09] y [Mij82].
Las ecuaciones diferenciales son utiles pues permiten modelar matem aticamente una gran variedad de
procesos o fen omenos en diferentes areas como Fsica, Ingeniera, Economa, etc. Su estudio nace con el
C alculo. Newton se refera a ellas como ecuaciones uxionales y para resolverlas introdujo el m etodo de
series de potencias. Leibniz y J. Bernoulli introdujeron el m etodo de separaci on de variables.
Una EDP es una ecuaci on diferencial que involucra a una funci on inc ognita de dos o m as variables y a las
derivadas de la funci on inc ognita. Por su aplicaci on como modelos matem aticos, en las EDP se acostumbra
separar a la variable tiempo, t, de las dem as variables, x = (x
1
, x
2
, ..., x
n
) que pueden considerarse como los
grados de libertad del sistema que ha sido modelado.
Para escribir la forma general de una EDP necesitamos algo de notaci on. Dada una funci on 1
n

x = (x
1
, x
2
, ..., x
n
) u(x) 1 se denota indistintamente
u
x
i
= u
x
i
=
x
i
u
a la derivada parcial de u con respecto a la variable x
i
. Asimismo se usa
2
u
x
i
x
j
= u
x
i
x
j
,

3
u
x
i
x
j
x
k
= u
x
i
x
j
x
k
, etc.
271
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
272 6 Ecuaciones Diferenciales Parciales
Notaci on 6.1 [Multindices] A un vector = (
1
, ...,
n
) N
n
se le denomina multindice de orden

[[ =
1
+... +
n
. Dada una funci on 1
n
x = (x
1
, x
2
, ..., x
n
) u(x) 1, se denota
D
u =

[[
u
x
1
1
. . . x
n
n
. (6.1)
Cuando k N
denotamos al conjunto de derivadas parciales de orden k mediante

D
k
u =D
u : [[ = k. (6.2)
En su forma m as general, una EDP se escribe como
F
_
t, x, u, Du, D
2
u, ..., D
k
u,
u
t
, ...,

l
u
t
l
_
= 0, t I, x , (6.3)
donde el dominio temporal I 1 es un intervalo de la forma [a, T] o [a, ), y el dominio espacial es
una regi on de 1
n
. Al n umero m axk, l se le reere como el orden de la EDP. Se dice que la EDP es de
evoluci on si l = 1; que la EDP es estacionaria si u no depende de t.
Denici on 6.1 [Linealidad]
Se dice que la EDP (6.3) es lineal si F es lineal afn en u y en sus derivadas, es decir si tiene la forma
l
j=1
b
j
(x, t)

j
u
t
j
+

[[k
a
(x, t)D
u = f (x, t),
donde las funciones b
j
, a
y f son conocidas. En particular, se dice que la EDP es homog enea si

f = 0. Si una EDP no es lineal se dice que es no-lineal.
Observaci on 6.1 Por lo general, resolver (analtica o num ericamente) una EDP no-lineal es m as difcil
que resolver una EDP lineal.
Notaci on 6.2 Dada una funci on f que depende de las variables x e y. La notaci on f (x, ) se reere a la
funci on que resulta de jar x y hacer variar a y. De la misma manera se entiende f (, y).
Cuando se trata de resolver la EDP (6.3) se busca una soluci on fuerte o soluci on cl asica, esto es, una
funci on u
0
: I 1 que cumple
a) u
0
(x, ) C
l
(I), para todo x ;
b) u
0
(, t) C
k
(), para todo t I;
c) u
0
verica (6.3).
Si no se especica nada, por soluci on de una EDP entenderemos soluci on cl asica.
Observaci on 6.2 Para un estudio m as avanzado de EDPs (tanto desde el punto de vista num erico co-
mo analtico) se requiere buscar soluciones de una EDP en un sentido m as general, esto es, se buscan
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
soluciones d ebiles, donde en lugar de las propiedades de derivabilidad se exigen propiedades de integra-
bilidad. Esto lleva al estudio de los espacios de Sobolev y de los espacios de distribuciones (o funciones
generalizadas).
Condiciones iniciales y de frontera
Como se mencion o anteriormente, las EDP son a menudo el ingrediente principal de modelos matem ati-
cos que representan sistemas concretos en Ingeniera. Estas EDP suelen complementarse con condiciones
/ restricciones adicionales que reejan informaci on adicional del fen omeno bajo estudio. Las restricciones
asociados a una EDP
F
_
t, x, u, Du, ..., D
k
u,
u
t
, ...,

l
u
t
l
_
= 0, t [0, ), x 1
n
,
son condiciones iniciales o de frontera.
a) Condiciones de Frontera.- Cuando se prescribe informaci on para u sobre la frontera del dominio. Por
ejemplo,
u(t, x) = 0, t [0, ), x ;
u(t, x) = sin(t), t [0, ), x ;
u
x
1
(t, x) = 0, t [0, ), x ;
u
t
(t, x) =t
2
, t [0, ), x .
b) Condiciones Iniciales.- Cuando se prescribe informaci on u al tiempo t = 0. Por ejemplo,
u(0; x) = cosh(x), x 1;
u
t
(0; x) = 0, x 1
n
;
u
t
(0; x) = x
2
1
+x
2
2
, x 1
2
.
El signicado y relevancia de las condiciones inciales y de frontera se esclarecen cuando se estudian casos
concretos de procesos o fen omenos modelados con EDP.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
6.2. Ejemplos de EDP
Ecuaci on de transporte
En Matem aticas el t ermino evoluci on no tiene una carga val orica; signica simplemente que hay cam-
bios en el tiempo. Para ejemplicar esto, consid erese un uido que uye con velocidad V(x, t), a trav es de
un tubo delgado de secci on A y sup ongase que el uido contiene un agente externo cuya concentraci on en
la posici on x [0, ) al tiempo t [0, ) se denota u(x, t). La evoluci on de dicha concentraci on se puede
modelar con la ecuaci on de transporte:
u
t
=V(x, t)
u
x
. (6.4)
La ecuaci on (6.4) es de primer orden, lineal y de evoluci on. El agente externo podra ser un contaminante
o un veneno y el tubo podra ser una vena o arteria; en este caso uno podra considerar que la evoluci on
es negativa. Si reemplazamos al contaminante por un medicamento, la evoluci on ahora parecera ser
positiva.
Ecuaci on de Schr odinger
La ecuaci on de Schr odinger
ih
t
(t, x) =
h
2
2m
+V(x)(t, x), t [0, ), x 1
n
, (6.5)
es esencial en la Mec anica Cu antica (v eanse e.g. [LL65], [FMZ07]). Aqu h 1,054571628[J s] es la
constante reducida de Planck, m es la masa del sistema y V representa un potencial denido sobre . El
operador Laplaciano se dene por
=

2
x
2
1
+

2
x
2
2
+... +

2
x
2
n
. (6.6)
La ecuaci on (6.5) es de orden 2, de evoluci on y lineal.
Ecuaciones no-lineales
Las EDP no-lineales tienen innumerables aplicaciones en la Fsica-Matem atica y en Ingeniera. La ecua-
ci on p-Laplaciana, p 2,
p
u = F
/
(u), x 1
n
, (6.7)
es una ecuaci on de segundo orden, no-lineal y estacionaria que permite modelar fen omenos de difusi on no
lineal (v ease e.g. [Per97])). Cuando F(u) = e
u
, (6.7) es el modelo de Frank-Kamenetstkii para ignici on
de s olidos (v ease e.g. [FK69].
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
6.3 La ecuaci on de difusi on 275
Observaci on 6.3 El operador p-Laplaciano est a denido mediante
p
= ([[
p2
). (6.8)
Obs ervese que
2
= es el operador Laplaciano.
La ecuaci on de Monge-Ampere,
det(D
2
u)(x) = f (x), x 1
n
, (6.9)
aparece en el estudio de curvaturas en Geometra Diferencial y en problemas de Transporte Optimal (v eanse
e.g. [Vil03] y [Vil08]). La ecuaci on (6.9) es de segundo orden, no lineal y estacionaria.
Las ecuaciones de Maxwell
Ejemplo 6.1 Alrededor de 1860, J. Maxwell mostr o que las leyes experimentales de la electricidad y el
magnetismo (leyes de Coulomb, Gauss, Biot-Savart, Ampere y Faraday) podan resumirse en un sistema de
ecuaciones en derivadas parciales que son conocidas hoy como las ecuaciones de Maxwell. En el vaco,
se pueden escribir en su forma m as b asica como
_
0
E
t
=B,
B
t
=E,
E = 0,
B = 0,
donde B es el campo magn etico, E es el campo el ectrico,
0
es la permitividad el ectrica y
0
es la permea-
bilidad magn etica.
6.3. La ecuaci on de difusi on
Que un mismo modelo matem atico pueda adaptarse a una variedad de fen omenos, que en principio no
est an relacionados, es una de las grandes fortalezas de la Matem atica.
En esta secci on presentamos la ecuaci on de difusi on (una generalizaci on de la ecuaci on del calor) que
aparece en el estudio del esparcimiento o difusi on de algunas sustancias a trav es de un medio continuo.
En este grupo de procesos caen la difusi on del humo de cigarrillo, la difusi on de neutrones en un reactor
nuclear, la difusi on de un disolvente qumico en un solvente y la transferencia de calor.
Denotemos por u(x, t) la densidad (o concentraci on) de la sustancia en el punto x 1
3
al tiempo
t [0, ), y por F(x, t) la densidad de corriente. Podemos suponer que u est a dada en
_
unid.
m
3
_
(unidades
por metro c ubico) y que F est a dada en
_
unid.
m
3
seg
_
. Si , la taza de cambio de la cantidad total de la
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
sustancia al interior de es igual al negativo del ujo neto a trav es de , la frontera de :
d
dt
_
u(x, t)dx =
_
F(x, t) (x)dS, (6.10)

donde (x) denota el vector unitario normal a la supercie en el punto x . Puesto que por el
Teorema de Gauss-Green se tiene que
_
F(x, t) (x)dS =
_
F(x, t)dx,
se sigue, por (6.10) y por la arbitrariedad de , que
u
t
= F, t [0, ), x . (6.11)
A (6.11) se le reere como la ecuaci on de difusi on; es de orden 2 y de evoluci on.
En muchas situaciones, es razonable suponer que se cumple la ley de Fick que establece que el u-
jo F va de regiones de mayor concentraci on a regiones de menor concentraci on. En nuestro caso, esto
corresponde a
F =(x, u)u, t [0, ), x , (6.12)
donde (x, u) 0, x , es una caracterstica del medio llamada conductividad. Por ejemplo, si para
alg un p 1 y alguna a > 0,
F =a[u[
p2
u,
es decir si
(x, u) = a[u[
p2
,
entonces (6.11) prov ee un modelo de difusi on no-lineal:
u
t
= a
p
u, t [0, ), x , (6.13)
donde
p
es el p-Laplaciano denido en (6.8).
Ahora bien, si se trata de encontrar un modelo de difusi on cuando se esperan variaciones moderadas de
u, entonces es razonable suponer que no depende de u. En este caso la ecuaci on de difusi on se vuelve
lineal:
u
t
= ((x)u). (6.14)
Si el medio es homog eneo, entonces es una constante a 0. En este caso particular, la ecuaci on de
difusi on se denomina ecuaci on del calor:
u
t
= au, t [0, ), x . (6.15)
Cuando (6.15) modela la transmisi on del calor, u representa la temperatura y la ley de Fick simplemente
dice que el calor se transmite de regiones con mayor temperatura a regiones con menor temperatura.
Ejemplo 6.2 Supongamos que nos interesa dise nar un espacio de fumadores al interior de un edicio
donde habitualmente est a prohibido fumar. Representemos por u = u(x, y, z, t) la densidad de humo de
cigarrillo al tiempo t [0; ), en el punto (x, y, z) , donde
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
6.3 La ecuaci on de difusi on 277
=(x, y, z) 1
3
: [x[ < R, [y[ < R, 0 < z < h(x, y, z) 1
3
: [x[ r, [y[ r.
Aqu 0 < r < R y h > 0. La difusi on del humo de cigarillo en el aire se puede modelar mediante la EDP
u
t
a
_
2
u
x
2
+

2
u
y
2
+

2
u
z
2
_
= 0, t [0, ), (x, y, z) ;
sujeta a las restricciones
_
_
u(x, y, z, 0) = f (x, y, z), (x, y, z) ;
u
z
(x, y, z, t) = c
1
, t [0, ), (x, y, z) R
1
;
u
x
(x, y, z, t) = c
2
, t [0, ), (x, y, z) R
2
;
u
x
(x, y, z, t) = c
2
, t [0, ), (x, y, z) R
3
;
u
y
(x, y, z, t) = c
2
, t [0, ), (x, y, z) R
4
;
u
y
(x, y, z, t) = c
2
, t [0, ), (x, y, z) R
5
;
u(x, y, z, t) = 0, t [0, ), (x, y, z)
5
i=1
R
i
;
donde c
1
y c
2
son constantes positivas y
R
1
= (x, y, z) 1
n
: z = h, [x[ R, [y[ R(x, y, z) 1
n
: [x[ < r, [y[ < r;
R
2
= (x, y, z) : x =r, [y[ r, [z[ h;
R
3
= (x, y, z) : x = r, [y[ r, [z[ h;
R
4
= (x, y, z) : y =r, [x[ r, [z[ h;
R
5
= (x, y, z) : y = r, [x[ r, [z[ h.
La condici on sobre la subregi on de la frontera R
1
corresponde a la existencia de un extractor de aire en el
techo del sector de fumadores. Las condiciones para R
2
, R
3
, R
4
y R
5
corresponden a extractores de humo
ubicados en una columna ubicada en el centro del sector de fumadores. La condici on para
5
i=1
R
i
corresponde al ideal de que fuera del sector de fumadores no deben percibirse partculas de humo. Para
optimizar energa, el ingeniero a cargo del dise no debera considerar la implementaci on de sensores de
humo en de manera que conforme a la se nal detectada, se activen los extractores de humo. La intensidad
de los extractores est a dado por los valores de c
1
y c
2
.
Ecuaci on de Laplace
La ecuaci on de Laplace es la ecuaci on estacionaria asociada a la ecuaci on del calor (6.15). Esto es, si
u = u(x) representa la densidad de una sustancia en equilibrio, entonces
u = 0, x . (6.16)
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
6.4. La ecuaci on de onda
Introducimos en esta secci on un modelo matem atico que que permite estudiar la vibraci on de cuerdas
(n = 1) , membranas (n = 2) y s olidos el asticos (n = 3).
Supongamos que u(t, x) representa el desplazamiento del punto x 1
n
(con n=1,2,3) al tiempo
t [0, ). Si , entonces la aceleraci on al interior de es
d
2
dt
2
_
u(x, t)dx =
_
d
2
u
dt
2
(x, t)dx.
Si F representa la fuerza que act ua sobre la regi on a trav es de , entonces la fuerza neta de contacto es
F dS. Por la ley de Newton se tiene entonces que

m
d
2
u
dt
2
(x, t)dx =
_
F dS,
donde m
es la masa de . Para cuerpos el asticos se tiene que F = F(u) entonces, por la arbitrariedad de
se obtiene la ecuaci on no-lineal de onda:
m
d
2
u
dt
2
+ F(u) = 0, t [0, ), x . (6.17)
Para peque nos desplazamientos, u, se tiene que
F(u) au, (6.18)
con a > 0. Reemplazando (6.18) en (6.17) se obtiene la ecuaci on lineal de onda:
d
2
u
dt
2

a
m
u = 0, t [0, ), x . (6.19)
6.5. Resoluci on de EDPs
6.5.1. M etodo de separaci on de variables
El m etodo de separaci on de variables intenta construir una soluci on f = f (x)para una EDP
F
_
x, u; D
k
u, D
k1
u, ..., Du
_
= 0, (t; x) I , (6.20)
suponiendo v alida la relaci on
f (x
1
, x
2
, ..., x
n
) = g(x
1
, ..., x
k
) h(x
k+1
, ..., x
n
), x = (x
1
, ..., x
n
) . (6.21)
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
6.5 Resoluci on de EDPs 279
El procedimiento corresponde a insertar (6.21) en (6.20) y escoger las funciones g y h de manera que sean
sencillas en tanto que todava se cumpla (6.20). Finalmente se arma una soluci on completa con la ayuda de
las series de Fourier.
Observaci on 6.4 Si bien el m etodo permite alcanzar soluciones analticas para una variedad EDPs sen-
cillas nunca debe perderse de vista que en las aplicaciones reales de las EDP a la ingeniera normalmente
se recurre a m etodos num ericos para aproximar una soluci on.
El m etodo de separaci on de variables se aprende a base de ejemplos.
Ejemplo 6.3 Consideremos una varilla met alica muy delgada de tama no L > 0 que al tiempo t = 0 tiene
una temperatura f (x), x [0, L]. Supongamos que
1) los extremos de la varilla se mantienen con una temperatura constante de 0
.
2) el calor se transmite s olo en la direcci on x;
3) no hay una fuente que proporcione calor a la varilla;
4) la densidad de masa es constante a lo largo de la varilla;
5) el calor especco y la conductividad t ermica son constantes a lo largo de la varilla.
entonces la temperatura u(t, x) de la varilla corresponde a una soluci on del siguiente problema que invo-
lucra a la ecuaci on del calor unidimensional
k
2
u
x
2
=
u
t
, 0 x L, t 0, (6.22)
junto con las condiciones
u(0, t) = 0, t 0, (6.23)
u(L, t) = 0, t 0, (6.24)
u(x, 0) = f (x), 0 x L. (6.25)
Supongamos que existe una soluci on de (6.22) de la forma
u(t, x) = X(x) T(t),
de manera que (6.22) corresponde a
kX
//
T = X T
/
,
es decir
X
//
X
=
T
/
kT
= ,
donde 1 es una constante en virtud de que las funciones X
//
/X y T
/
/T dependen de variables distintas.
Entonces (6.22) equivale a dos EDOs:
_
X
//
X = 0;
T
/
kT = 0.
(6.26)
Para resolver (6.26) necesitamos conocer el signo de .
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Caso = 0. En este caso, (6.26) corresponde a
X
//
= 0 = X = c
1
x +c
2
,
T
/
= 0 = T = c
3
.
u(t, x) = c
1
c
3
x +c
2
c
3
. (6.27)
Ahora usando las condiciones (6.23) y (6.24) en (6.29) se obtiene:
c
1
c
3
= 0, c
2
c
3
= 0,
de manera que
u(t, x) = 0.
Puesto que esto ultimo es incompatible con (6.25) se concluye que para = 0 no existe soluci on.
Caso > 0. En este caso, ponemos = w
2
, con w > 0, de manera que (6.26) corresponde a
X
//
w
2
X = 0 = X = c
1
e
wx
+c
2
e
wx
,
T
/
w
2
T = 0 = T = c
3
e
w
2
t
.
u(t, x) = c
1
c
3
e
w
2
t
e
wx
+c
2
c
3
e
w
2
t
e
wx
. (6.28)
_
c
1
c
3
+c
2
c
3
= 0,
c
1
c
3
e
Lw
+c
2
c
3
e
Lw
= 0,
de manera que
c
1
c
3
= 0, c
2
c
3
= 0,
y
u(t, x) = 0.
Puesto que esto ultimo es incompatible con (6.25) se concluye que para > 0 no existe soluci on.
Caso < 0. En este caso, ponemos =w
2
, con w > 0, de manera que (6.26) corresponde a
X
//
+w
2
X = 0 = X = c
1
cos(wx) +c
2
sin(wx),
T
/
+w
2
T = 0 = T = c
3
e
w
2
t
.
u(t, x) = c
1
c
3
e
w
2
t
cos(wx) +c
2
c
3
e
w
2
t
sin(wx). (6.29)
_
c
1
c
3
= 0,
c
2
c
3
sin(Lw) = 0.
En caso de que c
2
c
3
= 0 obtenemos u(t, x) = 0 que como ya se vi o no prov ee una soluci on para (P).
Resolvemos entonces
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
sin(Lw) = 0 Lw = n, n N,
de manera que
w
n
=
n
L
, n N,
y
u
n
(t, x) = c
2
c
3
exp
_
t
n
2
2
L
2
_
sin
_
nx
L
_
.
es una soluci on de (6.22) tal que verica (6.23) y (6.24).
Considerando que ninguna de las u
n
satisface (6.25) y el hecho de que cualquier combinaci on lineal de
las funciones u
n
verica (6.22) junto con (6.23) y (6.24), conjeturamos una soluci on de (P) con la forma
u(t, x) =
n=1
n
exp
_
t
n
2
2
L
2
_
sin
_
nx
L
_
.
Entonces por (6.25) se debe cumplir que
f (x) = u(0, x) =
n=1
n
sin
_
nx
L
_
.
Entonces, por (5.99) se hallan los coecientes
n
:
n
=
2
L
_
L
0
f ()sin
_
n
L
_
d,
de manera que
u(t, x) =
2
L
n=1
_
_
L
0
f ()sin
_
n
L
_
d
_
exp
_
t
n
2
2
L
2
_
sin
_
nx
L
_
es soluci on de (P).
Ejemplo 6.4 El modelamiento matem atico de uidos y transporte a trav es de medios porosos juega un
rol importante en estudios medio-ambientales. Entre sus aplicaciones est an la intrusi on de agua mar en
acuferos costaneros y en el desarrollo de nuevas metodologas para la recuperaci on de contaminantes
derivados del petr oleo. En su forma m as simple estas situaciones se modelan mediante la ecuaci on de
medios porosos:
u
t
(u
) = 0, t [0, ), x , (6.30)
donde > 1. Nos interesa soluciones u 0 cuando
1) el dominio de estudio es =1
n
;
2) al tiempo t = 0 se conoce que la densidad es constante e igual a
0
cuando [x[ = 1.
Buscamos una soluci on de la forma
u(t, x) = v(t) w(x), x 1
n
, t [0, ). (6.31)
Reemplazando (6.31) en (6.30) se tiene, para x 1
n
y t [0, ), que
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
v
/
(t)
v(t)
= =
w
(x)
w(x)
,
para alguna constante . Es claro entonces que, para alguna constante ,
v(t) = ((1)t +)
1
1
. (6.32)
Analicemos solo el caso, > 0. Para hallar w se debe resolver la EDP
(w
) = w, x 1
d
. (6.33)
Conjeturamos ahora que (6.33) tiene una soluci on de la forma
w(x) =[x[
,
para alguna constante . Al reemplazar la conjetura en (6.33) se obtiene:
w(w
) = [x[
( +n2)[x[
2
. (6.34)
Por tanto debe cumplirse que
=
2
1
, (6.35)
= ( +n2) > 0. (6.36)
Por tanto
u(t, x) = ((1)t +)
1
1
[x
[, (6.37)
es una solucion para (6.30), donde y est an dados por (6.35) y (6.36). Por las condiciones del problema
se tiene entonces que
u(0, x) =
0
=
1
1
[x[
, [x[ = 1,
de manera que
=
1
0
,
y una soluci on de nuestro problema es entonces
u(t, x) = ((1)t +
1
0
)
1
1
[x
[, (6.38)
6.5.2. Funciones generalizadas
Las funciones generalizadas, tambi en llamadas distribuciones temperadas, son una herramienta poderosa
para tratar con ecuaciones en derivadas parciales. En esta secci on las abordamos en el caso unidimensional
y avanzamos hasta calcular transformadas de Fourier de ellas. Para una presentaci on de las distribucio-
nes temperadas en el marco de los espacios vectoriales topol ogicos, el lector puede referirse a [RS72] y
[MZ10b].
Denotamos N
= N0. Empezamos por denir S(1), el espacio vectorial de las funciones cuyas
derivadas decaen m as r apido que cualquier polinomio.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Denici on 6.2 [Funciones de decrecimiento r apido]
Decimos que C
(1) es una funci on de r apido decrecimiento, denotado S(1), si para cada

, N
se tiene que
||
,
sup
x1
[x
(x)[ <. (6.39)

Denici on 6.3 [Distribuciones temperadas]
Se llama espacio de distribuciones temperadas a S
/
(1), al dual topol ogico de S(1), es decir al
conjunto de aplicaciones lineales continuas denidas sobre S(1).
Es claro que dos distribuciones temperadas T y S son iguales si
T[] = S[], para todo S(1). (6.40)
Se tiene (v ease [MZ10b, Teo.2.2]) la siguiente caracterizaci on
Teorema 6.1 [Caracterizaci on]
Una aplicaci on lineal T : S(1) 1 est a en S
/
(1) si existen k, m N
y C > 0 tales que

T[] C||
k,m
, para todo S(1). (6.41)
Ejemplo 6.5 Dado n N y a 1, se dene
n
a
: S(1) 1 mediante
<
n
a
, >= (D
n
)(a)
No es difcil vericar que
n
a
S
/
(1). En particular =
0
0
es el delta de Dirac cl asico.
Ejemplo 6.6 Sea g S(1). Denotamos por T
g
: S(1) C a la aplicaci on denida mediante
T
g
[] =
_

g(x)(x)dx, S(1). (6.42)

Se tiene que T
g
est a en S
/
(1).
Ejemplo 6.7 En el Ejemplo 6.6 se puede suponer que g L
p
(1) con p [1, ].
Denici on 6.4 [Derivada d ebil]
Sean T S
/
(1) y n N. Se dene la derivada d ebil (o derivada en el sentido de las distribuciones)
T
(n)
S
/
(1) mediante
T
(n)
[] = (1)
n
T
_
(n)
_
, S(1). (6.43)
Ejemplo 6.8 Considere la funci on g : 1 1 dada mediante
g(x) =
_
x, x 0,
0, x < 0.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
En el sentido de las distribuciones, g
/
= H, donde H es la funci on de Heaviside. La derivada d ebil de H
es , el delta de Dirac.
Ejemplo 6.9 Sea a ,= 0. En el sentido de las distribuciones, se tiene que
(ax) =
1
[a[
(x). (6.44)
Se tiene adem as que
(n)
[] = (1)
n
(n)
(0), S(1). (6.45)
Ejemplo 6.10 Dados S(1) y T S
/
(1), se dene la distribuci on T mediante
(T)[] = T[], S(1).
Se tiene que
(T)
/
=
/
T +T
/
; (6.46)
_
T
_
/
=
T
/
/
T
2
. (6.47)
Transformada de Fourier de funciones
Se dene la transformada de Fourier de una distribuci on temperada T S
/
(1) como la distribuci on
T S
/
(1) denida mediante
f s (6.48)
6.5.3. Resoluci on mediante las transformadas de Fourier y Laplace
La transformada de Fourier es una herramienta que puede ser utilizada para el an alisis de Ecuaciones en
Derivadas Parciales.
Ejemplo 6.11 Consideremos el siguiente problema
_
u
t
= a
2
u
xx
+ f (x, t), x 1, t 0,
u(x, 0) = (x), x 1.
(P)
Aqu se est a usando la notaci on
u
t
= u
t
,
u
x
= u
x
,

2
u
t
2
= u
tt
,

2
u
x
2
= u
xx
, etc. (6.49)
Para cada t jo, denotamos
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
v(, t) =F[u] (, t), (6.50)
g(, t) =F[ f ] (, t), (6.51)
() =F[] (), (6.52)
de manera que
F[u
t
] (, t) = v
t
(, t), (6.53)
F[u
xx
] (, t) = (i)
2
v(, t) =
2
v(, t). (6.54)
Usando (6.50) - (6.54), el problema (P) se transforma en
_
v
t
+a
2
2
v = g(, t), t 0,
v(, 0) = (),
(6.55)
que es una ecuaci on diferencial ordianria junto con una condici on inicial. Aplicando la transformada de
Laplace al problema (6.55) con la notaci on
G(, s) =L [g] (, s), V(, s) =L [v] (, s),
se tiene que
sV () +a
2
2
V = G, (6.56)
de manera que
V(, s) =
()
s +a
2
2
+
G(, s)
s +a
2
2
.
Ahora, denotando la convoluci on en [0, ) mediante
conv(, )(t) =
_
t
0
(t )g()d, t 0, (6.57)
se tiene que
v(, t) = ()e
a
2
2
t
+conv
_
L
1
[G] , L
1
_
1
s +a
2
2
__
(t)
y, por tanto,
v(, t) = ()e
a
2
2
t
+conv
_
g(, t), e
a
2
2
t
_
. (6.58)
Por tanto, para hallar la soluci on de (P) se debe tomar la transformada inversa de Fourier en (6.58).
Tomando
1
4A
= a
2
t
en la f ormula
F
1
__
A
e
2
/4A
_
(x) = e
Ax
2
, (6.59)
se tiene que
F
1
_
e
a
2
2
t
_
(x) =
1
2a
t
e
x
2
/4a
2
t
de manera que
F
1
_
()e
a
2
2
t
_
(x) = (x)
1
2a
t
e
x
2
/4a
2
t
, (6.60)
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
donde representa la convoluci on en 1.
Por otro lado, para funciones = (x, t) y = (x, t) tenemos que
F
1
_
conv
_
(, t), (, t)
_
(x, t) =
_

e
ix
_
_
t
0
(, t ) (, )d
_
d
=
_
t
0
_
_

e
ix

(, t ) (, )d
_
dt
=
_
t
0
(x, t ) (x, )dt. (6.61)
Por tanto,
F
1
_
conv
_
g(, t), e
a
2
2
t
__
=
_
t
0
_
1
2a
_
(t )
e
x
2
/4a
2
(t)
f (x, )
_
dt. (6.62)
Usando (6.60) y (6.62) en la transformada inversa de (6.58) se obtiene la f ormula de Poisson:
u(x, t) = (x)
1
2a
t
e
x
2
/4a
2
t
+
_
t
0
_
1
2a
_
(t )
e
x
2
/4a
2
(t)
f (x, )
_
dt (6.63)
que a veces se escribe como
u(x, t) =
1
2a
t
_

(y)e
(xy)
2
/4a
2
t
dy +
_
t
0
1
2a
_
(t )
_

f (y, )e
(xy)
2
/4a
2
(t)
dyd. (6.64)
Ejemplo 6.12 La soluci on del problema
_
_
u
tt
= a
2
u
xx
+ f (x, t), x 1, t 0,
u(x, 0) = (x), x 1,
u
t
(x, 0) = (x), x 1.
(Q)
se puede hallar como
u(x, t) = u
1
(x, t) +u
2
(x, t) +u
3
(x, t), (6.65)
donde u
1
(x, t), u
2
(x, t) y u
3
(x, t) son soluciones, respectivamente de
_
_
u
tt
= a
2
u
xx
, x 1, t 0,
u(x, 0) = (x), x 1,
u
t
(x, 0) = 0, x 1,
(Q1)
_
_
u
tt
= a
2
u
xx
, x 1, t 0,
u(x, 0) = 0, x 1,
u
t
(x, 0) = (x), x 1,
(Q2)
_
_
u
tt
= a
2
u
xx
+ f (x, t), x 1, t 0,
u(x, 0) = 0, x 1,
u
t
(x, 0) = 0, x 1.
(Q3)
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Es muy buen ejercicio vericar que
u
1
(x, t) =
(x +at) +(x at)
2
; (6.66)
u
2
(x, t) =
1
2a
_
x+at
xat
(y)dy; (6.67)
u
3
(x, t) =
1
2a
_
t
0
_
x+a(t)
xa(t)
f (y, )dyd. (6.68)
6.5.4. Otros m etodos de soluci on
EVANS...
Reconocimientos If you want to include acknowledgments of assistance and the like at the end of an individual chapter please
use the acknowledgement environment it will automatically render Springers preferred layout.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Problemas
6.1. Consideremos una varilla met alica muy delgada de tama no L que al tiempo t =0 tiene una temperatura
f (x), x [0, L]. Halle la temperatura u(t, x) de la varilla suponiendo que
1) los extremos de la varilla se mantienen t ermicamente aislados;
2) el calor se transmite s olo en la direcci on x;
3) no hay una fuente que proporcione calor a la varilla;
4) la densidad de masa es constante a lo largo de la varilla;
5) el calor especco y la conductividad t ermica son constantes a lo largo de la varilla.
6.2. Consideremos una cuerda perfectamente exible extendida horizontalmente entre los puntos x = 0 y
x = L. Halle u(t, x), las vibraciones transversales de la cuerda, suponiendo que
1) la densidad de masa es constante en la cuerda;
2) los desplazamientos son peque nos comparados con el largo de la cuerda;
3) la tensi on en la cuerda es constante y grande en comparaci on con la fuerza de la gravedad;
4) no actuan otras fuerzas sobre la cuerda;
5) al tiempo t = 0 la deformaci on y la rapidez de deformaci on est an dadas por f (x) y g(x).
6.3. Resuelva el problema
_
2
u
x
2
+

2
u
y
2
= 0, 0 < x < a, 0 < y < b,
u
x
(0, y) = 0, 0 y b,
u
x
(a, y) = 0, 0 y b,
u(x, 0) = 0, 0 x a,
u(x, b) = f (x), 0 x a.
6.4. Resuelva la ecuaci on del calor para (x, t) [0, L] [0, ) sujeta a las condiciones indicadas.
(C1)
_
_
u(0, t) = 0
u(L, t) = 0
u(x, 0) =
_
1, 0 < x < L/2
0, L/2 < x < L
(C2)
_
_
u(0, t) = 0
u(L, t) = 0
u(x, 0) = x (Lx)
(C3)
_
_
u
x
(0, t) = 0
u
x
(L, t) = 0
u(x, 0) = f (x)
6.5. Resuelva la ecuaci on de onda para (x, t) [0, L] [0, ) sujeta a las condiciones indicadas.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
(C1)
_
_
u(0, t) = 0
u(L, t) = 0
u(x, 0) =
1
4
x (Lx)
u
t
(x, 0) = 0
(C2)
_
_
u(0, t) = 0
u(, t) = 0
u(x, 0) = 0
u
t
(x, 0) = sin(x)
6.6. Resuelva la ecuaci on de Laplace para (x, y) [0, a] [0, b] sujeta a las condiciones indicadas.
(C1)
_
_
u(0, y) = 0,
u(a, y) = 0,
u(x, 0) = 0,
u(x, b) = f (x)
(C2)
_
_
u(0, y) = 0,
u(1, y) = 1y,
u
y
(x, 0) = 0,
u
y
(x, 1) = 0
6.7. En el sentido de las distribuciones calcule la derivada de
f
1
(x) =[x[; f
2
(x) = H(x)cos(x); f
3
(x) = H(x)sen(x);
f
4
(x) = sgn(x); f
5
(x) = x
/
(x); f
6
(x) = (xH(x))
//
;
f
7
(x) = (x)(x); f
8
(x) = (x)
/
(x); f
9
(x) = (x)
//
(x);
f
10
(x) = x
2
//
(x); f
11
(x) = sen(x)
//
(x); f
12
(x) = cos(x)
//
(x);
f
13
(x) = e
x
//
(x); f
14
(x) = (H(x)e
x
)
//
; f
15
(x) = x
4
(iv)
(x).
_
u
t
= u
xx
+e
tx
, x 1, t 0,
u(x, 0) = x
2
e
x
, x 1.
_
u
t
= 4u
xx
xt, x 1, t 0,
u(x, 0) = xe
x
, x 1.
_
u
t
= u
xx
, x 1, t 0,
u(x, 0) = e
2xx
2
, x 1.
_
u
t
= 4u
xx
+t +e
t
, x 1, t 0,
u(x, 0) = 2, x 1.
_
u
t
= u
xx
+3t
2
, x 1, t 0,
u(x, 0) = sin(x), x 1.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
_
u
t
= u
xx
+e
t
cos(x), x 1, t 0,
u(x, 0) = cos(x), x 1.
_
u
t
+2u
x
+u = xt, x 1, t 0,
u(x, 0) = 2x, x 1.
_
u
t
= a
2
u
xx
+bu, x 1, t 0,
u(x, 0) = (x), x 1.
_
u
t
= a
2
u
xx
+bu
x
, x 1, t 0,
u(x, 0) = (x), x 1.
_
u
t
= a
2
u
xx
+ku
x
, x 1, t 0,
u(x, 0) = 1, x 1.
_
u
t
2u
xx
2u = e
t
, x 1, t 0,
u(x, 0) = sin(x), x 1.
_
_
u
tt
= a
2
u
xx
+xt, x 1, t 0,
u(x, 0) = x
2
, x 1,
u
t
(x, 0) = x, x 1.
_
_
u
tt
= a
2
u
xx
, x 1, t 0,
u(x, 0) = sin(x), x 1,
u
t
(x, 0) = cos(x), x 1.
_
_
u
tt
= 9u
xx
+sin(x), x 1, t 0,
u(x, 0) = 1, x 1,
u
t
(x, 0) = 1, x 1.
_
_
u
tt
= u
xx
+e
x
, x 1, t 0,
u(x, 0) = sin(x), x 1,
u
t
(x, 0) = x +cos(x), x 1.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
_
_
u
tt
= u
xx
a
2
u, x 1, t 0,
u(x, 0) = x, x 1,
u
t
(x, 0) = x, x 1.
_
_
u
tt
= u
xx
+4u, x 1, t 0,
u(x, 0) = x, x 1,
u
t
(x, 0) = 1, x 1.
_
_
u
tt
= u
xx
4u, x 1, t 0,
u(x, 0) = 1, x 1,
u
t
(x, 0) = 1, x 1.
_
_
u
xx
u
tt
2u
t
= 0, x 1, t 0,
u(x, 0) = x, x 1,
u
t
(x, 0) = x, x 1.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Ap endice A
Modelamiento matem atico
Il libro della natura e scrito in lingua matematica
Galileo Galilei
A.1. Introducci on
Para la caida libre hasta el siglo XVI se acep-
taba que los objetos pesados caen m as r apido que
los ligeros (Arist oteles). Fue Galileo Galilei quien
prob o que, en ausencia de resistencia de aire, todos
los objetos caen con una misma aceleraci on unifor-
me. Ingeniosamente prob o su hip otesis usando pla-
nos inclinados. Si denotamos por h la altura caida, g
gravedad y t el tiempo de caida, entonces el mode-
lo matem atico encontrado por Galileo es la funci on
denida por la f ormula
h =
1
2
gt
2
.
El modelo matem atico obtenido por Galileo ayud o a comprender mejor un fen omeno y, de hecho, pro-
voc o un cambio completo en la concepci on del universo. Bajo el supuesto de ausencia del aire, es m as que
suciente para hacer c alculos y tomar decisiones. Esto es v alido para la caida de cuerpos compactos como
una piedra. Sin embargo, hay situaciones importantes donde no se puede despreciar la resistencia del aire
como es el caso de la caida de un paracaidista. En este caso, el modelo deja de ser util y hay que hallar otro
modelo que ayude a entender la nueva situaci on.
Por qu e modelar?
Consid erese una industria manufacturera que contempla la posibilidad de extender una de sus plantas
de producci on. No se tiene claridad sobre si la ganancia en productividad justica el costo de construcci on.
A trav es del modelamiento matem atico, se puede arrojar luz al asunto al simular la operaci on de la planta
como existe actualmente y como pudiera ser si fuera expandida.
293
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
294 A Modelamiento matem atico
A.2. Conceptos b asicos
Las teoras son conceptos propuestos para explicar los fen omenos del mundo real y, como tales, son
aproximaciones o modelos de la realidad. El proceso de inter es es llamado sistema. Estos modelos son pre-
sentados en forma verbal en algunas areas menos cuantitativas (e.g. economa poltica) y como relaciones
matem aticas en otras areas (e.g. economa matem atica).
La utilidad de un modelo matem atico es medida por su idoneidad para ayudarnos en la comprensi on de
los fen omenos y en la soluci on de problemas de la vida real.
Si las relaciones que componen el modelo son sucientemente simples, podra ser posible obtener una
soluci on analtica. Sin embargo, la mayora de sistemas del mundo real son complejos y deben ser estudia-
dos por medio de simulaci on. En una simulaci on se usa un computador para evaluar num ericamente un
modelo; se recopila datos para estimar las caractersticas del modelo.
Formulaci on de un modelo matem atico de un sistema
1) Se establece el estado del sistema: las variables causantes del cambio del sistema. Al principio se
discriminan algunas de estas variables. En este paso especicamos el nivel de resoluci on del modelo.
2) Se establece un conjunto de hip otesis razonables acerca del sistema que tratamos de describir. Esas
hip otesis incluyen todas las leyes empricas aplicables al sistema.
3) La resoluci on del modelo puede ser bastante difcil. Una vez resuelto, comprobamos que el modelo
sea razonable si su soluci on es consistente con los datos experimentales o los hechos conocidos acerca
del comportamiento del sistema.
4) Si las predicciones que se basan en la soluci on son decientes, podemos aumentar el nivel de resoluci on
del modelo o elaborar hip otesis alternativas sobre los mecanismos del cambio del sistema; entonces, se
repiten los pasos del proceso de modelado. Al aumentar la resoluci on, aumentamos la complejidad del
modelo matem atico y la probabilidad de que debamos conformarnos con una soluci on aproximada.
Ejemplo: matem atica de colores
Los pintores saben de antiguo que determinados colores pueden construirse a partir de otros. De hecho,
bastan tres colores b asicos para conseguir cualquier color mediante mezclas adecuadas. Adicionalmente,
conocemos que la luz blanca puede ser descompuesta en los diferentes colores del espectro visible. C omo
utilizar este conocimiento para dar color a monitores, televisiones, impresoras,...?
El sistema aditivo para construir colores consiste en partir del negro (ausencia de luz), e ir a nadiendo
mayor o menor cantidad de luz de tres colores b asicos: rojo, verde y azul (RGB), a partir de los cuales se
consigue cualquier otro color, incluyendo la luz blanca.
Las componentes RGB de un color son sus coordenadas colorim etricas. El origen de coordenadas
(0,0,0) corresponde al negro. El lugar geom etrico de los puntos R =G=B es la escala de grises. Los planos
R-G, G-B y B-R son respectivamente los espacios de color Amarillo (Yellow), Turqueza (Cian) y Morado
(Magenta). Los programas de edici on gr aca, e incluso los lenguajes de programaci on, pueden representar
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
A.3 Tipos de modelos matem aticos 295
Figura A.1 El espacio colo-
rim etrico.
.
los colores en funci on de sus componentes RGB. Por ejemplo, el lenguaje HTML de programaci on de
p aginas Web utiliza una representaci on hexadecimal del tipo
COLOR = #AA16CC
//
(A.1)
para representar los valores de rojo, verde y azul. En este algoritmo los dos primeros caracteres representan
el rojo, los dos centrales el verde y los dos ultimos el azul.
A.3. Tipos de modelos matem aticos
Si se quiere mejorar la respuesta aerodin amica de las alas de un avi on de combate, el m aximo de cono-
cimiento y de costos corresponde a experimentar con el sistema, por ejemplo intercambiando varios tipos
de alas. Menos conocimiento y menos costos se tienen al experimentar en un tunel de viento con represen-
taciones apropiadas de las alas. Decrementamos el conocimiento y los costos con modelos matem aticos.
Tipos de modelos
Para estudiar un modelo matem atico - que se supone representa bien a un sistema - deben utilizarse las
herramientas m as apropiadas. Por ello se consideran tres tipos de criterios para clasicar a los modelos
matem aticos:
1) Est atico / Din amico;
2) Determinstico / Estoc astico;
3) Continuo / Discreto.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Figura A.2 Los modelos
matem aticos son una forma
inteligente de estudiar un
sistema. Dependiendo de las
circunstancias propias de
cada estudio de ingeniera se
debe escoger una de las vias
descritas en la gura.
.
A.3.1. Modelos est aticos y din amicos
Un modelo est atico es una representaci on de un sistema en un tiempo particular, o en circunstancias en
que el tiempo no tiene rol.
Ejemplo A.1 Los administradores de negocios encuentran que los proyectos parecieran estar siempre re-
trasados, fuera de presupuesto y que sus resultados est an lejos de los pron osticos. A ellos les encantara
hacer funcionar las cosas con un estallido... M as de 60 a nos despu es, los administradores enfrentan pro-
blemas que desde el punto de vista matem atico son comparables a los del dise no de la bomba at omica.
Pero sobre su escritorio tienen un PC que es miles de veces m as poderoso que MANIAC. Los m etodos de
Monte Carlo son lo que los administradores necesitan...
Figura A.3 Los m etodos de
Monte Carlo fueron inventa-
dos para resolver problemas
clave en el proyecto Manhat-
tan (desarrollo de la bomba
at omica) en los a nos 40.
Se dene una simulaci on Monte Carlo como un esquema que emplea n umeros aleatorios para resolver
problemas determinsticos o estoc asticos donde el tiempo no juega un rol sustantivo.
Por ejemplo, para calcular I =
_
b
a
g(x)dx se considera la variable aleatoria Y = (b a)g(X), donde
X sigue una distribuci on uniforme en el intervalo (a; b), denotado X U (a, b). En efecto, I = E[Y] de
manera que
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
I Y =
1
n
n
i=1
Y
i
,
donde Y
i
: i = 1, .., n es una muestra de tama no n de U (a, b).
Un modelo din amico representa un sistema cuando evoluciona en el tiempo.
Ejemplo A.2 Consid erese el sistema de presas P-M. La presa de M supondr a una manera de asegurar el
suministro de agua para P en los meses de estiaje. Nos interesa hacer el seguimiento de h, el nivel de agua
en P, en un perodo dado.
Para una primera aproximaci on suponemos que
1) la densidad del lquido, , es constante;
2) el tanque tiene paredes verticales;
3) existe una sola turbina;
4) el nivel del agua est a dado por
m(t) = Ah(t),
donde m es la masa del lquido y A es el area del embalse;
5) La provisi on de uido desde M es proporcional a la se nal de control:
q
in
(t) = K
u
u(t);
6) El agua sale a trav es de una v alvula donde el ujo es proporcional a la raiz cuadrada de la presi on
(hidrost atica) sobre la v alvula (al fondo del embalse):
q
out
(t) = K
v
_
gh(t).
Por el balance de masa se tiene que
dm
dt
=
_
q
in
(t) q
out
(t)
_
de manera que
dh
dt
=
1
A
_
K
u
u(t) K
v
_
gh
_
. (A.2)
El diagrama de bloques para (A.2) es
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Los valores num ericos de los par ametros son:
= 1000
g = 9,81
K
v
= 0,0005
K
u
= 5
A = 1
h(0) = 0,5
h
max
= 1
h
min
= 0.
Se supone adem as que existen niveles crticos
h
= 0,9; h
= 0,1.
Los gr acos de u = u(t) y h = h(t) correspondientes a la simulaci on hecha en Xcos se presentan a
continuaci on.
Figura A.4 Se nal de entrada
provista por M.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Figura A.5 Cota de la presa
P.
A.3.2. Modelos determinsticos y estoc asticos
Si un modelo de simulaci on no contiene elementos probabilsticos o aleatorios, se denomina deter-
minstico. En un modelo determinstico, el futuro queda determinado por sus condiciones iniciales.
Ejemplo A.3 Consideramos un modelo simple de c omo una enfermedad se expande en una comunidad.
Sea s(t) la fracci on de la poblaci on susceptible de infectarse como funci on del tiempo t. Sea i(t) la fracci on
de infectados (y transmisores) y sea r(t) la correspondiente fracci on de recuperados (y entonces inmunes).
Interesa hacer el seguimiento en el tiempo a s, i, r.
Un modelo SIR permite hacer este an alisis. Se puede escribir como
_
_
s
/
(t) =as(t)i(t),
i
/
(t) = as(t)i(t) bi(t),
r
/
(t) = bi(t),
donde a y b son par ametros positivos.
Muchos sistemas requieren para su modelamiento de al menos un componente aleatorio, en este caso
tratamos con modelos estoc asticos.
La mayora de sistemas de inventarios y de colas son modelados estoc asticamente. Estos modelos pro-
ducen salidas que son en si mismas aleatorias.
Ejemplo A.4 En un punto de venta de un almacen particular los clientes llegan al mostrador de caja con
un promedio de siete clientes por hora. En una hora dada, cu al es la probabilidad de que
1) no lleguen m as de tres clientes?
2) lleguen al menos dos clientes?
3) lleguen exactamente cinco clientes?
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Figura A.6 En el gr aco se
presenta una simulaci on con
a =1,0, b =0,3, s(0) =0,999,
i(0) = 0,001. Las fracciones
de susceptibles s(t), infecta-
dos i(t) y recuperados r(t),
se representan respectivamen-
te por las curvas en colores
negro, verde y rojo.
La distribuci on de Poisson, P(), es un modelo para la distribuci on de probabilidad para el n umero X de
eventos raros que ocurren infrecuentemente en el espacio, tiempo, volumen o cualquier otra dimensi on, en
donde representa el valor promedio de X.
El modelo matem atico para responder a las preguntas anteriores es un proceso estoc astico correspon-
diente a una distribuci on de Poisson que evoluciona en el tiempo:
p(x; t) =
_
(t)
x
x!
e
(t)
, si x = 0, 1, 2, ...
0, si no.
En este caso se denota X(t) P((t)), (t) > 0, para todo t.
A.3.3. Modelos continuos y discretos
A groso modo la denominaci on de discreto o continuo sobre un modelo se reere a la representaci on de
las variables que denen el estado del modelo.
Un modelo discreto puede servir para tratar un sistema continuo y un modelo continuo puede servir para
abordar un sistema discreto. La decisi on depende de los objetivos del estudio, de las limitaciones y ecacia
de los modelos, etc.
Por ejemplo, un modelo para el uido de tr a-
co en una autopista podra ser discreto si las carac-
tersticas y movimientos de vehculos individuales
son importantes. Pero, si los carros se pueden tratar
como un agregado, este ujo vehicular puede ser
descrito via ecuaciones diferenciales en un modelo
continuo.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Consideremos una autopista que modelamos como una recta, cada uno de sus puntos como un x 1 y el
ujo de coches no como algo discreto sino como el de un uido continuo, que uye en la direcci on positiva.
Denotemos con 0 (x, t) 1 la densidad de coches es decir los coches que hay por unidad de
longitud, donde por unidad de longitud tomamos la longitud media de los coches, en el punto x e instante
t y con 0 g(x, t) el ujo de coches el n umero de coches por segundo, que pasan por x en el instante
t. En tal caso en un tramo [a, b] de la autopista el n umero de coches que hay en un instante t + es, los que
haba en ese tramo en el instante t m as los que entran durante el intervalo [t, t +], menos los que salen
durante ese intervalo
_
b
a
(x, t +)dx =
_
b
a
(x, t)dx +g(a, t) g(b, t),
de donde, haciendo 0 y por la arbitrariedad de [a, b], tendremos
t
+
g
x
= 0. (A.3)
Ahora simplicamos el problema considerando que g = g(), lo cual no es de extra nar, pues si = 0, no
hay coches, y si = 1, la autopista est a llena. En ambos casos no se mueve ningun vehculo: g = 0. La
funci on m as simple de dependencia de este tipo es
g() = (1),
de manera que
t
+(12)
x
= 0. (A.4)
Modelo predador - presa
Cuando n especies interactuan, la din amica poblacional de cada una de ellas se ve afectada. Los princi-
pales tipos de interacci on son:
1) Predador - presa. Si las tasas de crecimiento de las poblaciones son inversamente proporcionales
conforme avanza el tiempo.
2) Competici on. Si las tasas de crecimiento de las poblaciones decrecen con el tiempo.
3) Mutualismo o simbiosis Si ambas tasas de crecimiento se intensican con el tiempo.
El matem atico italiano Volterra, despu es de haberse interesado por la ecologa matem atica y haber sido
estimulado por su amigo zo ologo Humberto D Ancona, estudi o los registros de las pesqueras del Mar
Adri atico Superior y observ o que, durante y despu es de la Segunda Guerra Mundial, cuando la pesca haba
disminuido dr asticamente, la proporci on de los depredadores haba aumentado. Este hecho lo llevo a estu-
diar ese problema de una manera m as general, logrando construir la primer teora determinista sistematizada
de la din amica de poblaciones.
Para iniciar su investigaci on matem atica estableci o ciertas cosas:
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Que la especie depredadora se alimentaba exclusivamente de la especie presa, mientras que esta se
alimentaba de un recurso que se encontraba en el h abitat en grandes cantidades, el cual solo intervena
as (pasivamente).
Que ambas poblaciones eran homog eneas, es decir, no intervenan factores como la edad o el sexo.
Que, as mismo, el medio era homog eneo, es decir, que las caractersticas fsicas, biol ogicas entre otras,
eran las mismas en el h abitat.
Y que los encuentros de la especie depredadora con las especie presa eran igualmente probables.
Siendo as, se encontr o con que solo existan dos variables: el tama no poblacional de la especie depredadora
y el de la especie presa. As mismo, supuso que ambos tama nos poblacionales dependan exclusivamente
del tiempo y no de alguna otra variable especial.
Determin o que si no existiesen depredadores, la poblaci on de presas crecera malthusianamente, es decir:
x
/
(t) = ax(t)
mientras que si no hubiese presas, la especie depredadora decrecera, tambi en siguiendo un modelo malt-
husiano, es decir
y
/
(t) =cy(t).
Ahora bien, dado que la interacci on benecia a la especie depredadora y perjudica a la presa, el supuso que
sera necesario modicar a los depredadores en un termino que diera cuenta del perjuicio para una y del
benecio para la otra, lo que tendra que ser:
_
x
/
(t) = ax(t) [t ermino de interacci on],
y
/
(t) =cy(t) +[t ermino de interacci on]
Luego entonces, Volterra se top o con el problema de encontrar una forma analtica para cada t ermino que
aparece entre corchetes y, bas andose en el argumento de que cuantos m as encuentros por unidad de tiempo
haya entre individuos de la especie presa con la especie depredadora, mayor ha de ser el perjuicio de unos
y el benecio de otros; lleg o a la conclusi on de que el n umero de encuentros por unidad de tiempo entre
presas y depredadores, es proporcional al producto algebraico de sus respectivas densidades poblacionales,
es decir:
[Numero de encuentros por u. de t]x(t) y(t).
Originalmente Volterra interpreto esto diciendo que los par ametros constantes a y c representan la
raz on de nacimiento y muerte de las dos especies; mientras que b mide la susceptibilidad de la especie
presa a la depredaci on y d mide la habilidad de depredaci on de esta especie. Las constantes b y d son la
proporci on de encuentros perjudiciales para las presas y la correspondiente de encuentros ben ecos para
los depredadores, respectivamente....
Y as logr o armar que en una interacci on presa - depredador descrita en las ecuaciones anteriores, el
tama no de la especie presa y el de la especie depredadora, cambian peri odicamente al aumentar el tiempo.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Figura A.7 Din amica en el
modelo predador-presa.
.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Ap endice B
Ondeletas
dfssfsdfs
305
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Glosario
Use the template glossary.tex together with the Springer document class SVMono (monograph-type
books) or SVMult (edited books) to style your glossary in the Springer layout.
glossary term Write here the description of the glossary term. Write here the description of the glossary
term. Write here the description of the glossary term.
307
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Soluciones a los problemas
Captulo 2
2.2 Las n raices n- esimas son
z
k
=
1/k
e
2k
n
i
, k = 0, 1, ..., n1.
2.9 L = i.
2.10
cosh(z) = 0 z = (
2
+k)i, con k Z;
sinh(z) = 0 z = ki, con k Z.
2.12 (U) = R
1/2
0
; (V) = R
2
0
.
2.20 I = 0.
2.21 I
1
=
2
3
2
3
i; I
2
= 0.
2.22 I =2 ln(2) +
5
4
i
4
.
2.23 L = 0.
2.24
309
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
310 Soluciones a los problemas
I
1
=cos(3) cosh(4) +1+i sin(3) sinh(4);
I
2
= 3 ln(5) +
ln(2)
2
4 arctan
_
4
3
_
+
3
4
4+i
_
4 ln(5)
ln(2)
2
+3 arctan
_
4
3
_
+
3
4
3
_
;
I
3
= e sin(1) +e cos(1) 6+i [e sin(1) e cos(1)] ;
I
4
152,2234882970327+345,0258031285589i.
2.28
(z i )
(z i )
3
6

(z i )
5
120

(z i )
7
5040

(z i )
9
362880
+...
2.29
f
1
(z) =
1
z i
i
2
+
z i
4
+
i (z i)
2
8

(z i)
3
16

i (z i)
4
32
+
(z i)
5
64
+
i (z i)
6
128
+...;
f
2
(z) =
1
z

z
6
+
z
3
120
z
5
5040
+
z
7
362880
+...;
f
3
(z) = 2
2z
2
3
+
4z
4
45

2z
6
315
+
4z
8
14175
+...;
f
4
(z) =
1
z
+1
z
2
5z
2
6
+
13z
3
24
+
101z
4
120

389z
5
720

4241z
6
5040
+
4357z
7
8064
+
305353z
8
362880
+...
2.30 f
1
tiene un polo de orden 2 en z
1
=i y un polo simple en z
2
= i.
f
2
tiene una singularidad removible en z
0
= 0 y polos simples en z
k
= ki, k N.
f
3
tiene un polo de orden 2 en z
1
= 0 y polos simples en z
2
= i y z
3
=i
f
4
tiene polos simples en z
k
= k, k N.
f
5
k
=

2
+k, k N.
f
6
tiene singularidades esenciales en z
1
= 0 y z
2
=1.
f
7
k
= k, k N.
f
8
tiene un polo simple en z
1
= 1 y una singularidad esencial en z
2
= 0.
2.34 I
1
=i; I
2
=
8
3
i; I
3
= i
e.
2.37 I
1
= 2i; I
2
= 0; I
3
= 2i; I
4
=

2
(e
8i
1).
2.39 I
1
=
2
a
2
1
; I
2
=
(1a+a
2
)
1a
; I
3
= 2(1)
n
e
na
sinh(a)
.
2.40 I
1
=
2
3
; I
2
=

2
e
a
; I
3
= 0; I
4
=
4
; I
5
=

2a
2
(1e
1
).
2.41 I =

2
2
e
/
2
sin
_
2
_
.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Soluciones a los problemas 311
Captulo 3
3.1
F
1
(s) =
s 1
s
2
2s +2
; F
2
(s) =
1
s
2
; F
3
(s) =
2
s 3
;
F
4
(s) =
2
s
2
+4
; F
5
(s) =
2e
3s
s
.
3.2
F
1
(s) =
2e
s
s

1
s
, F
2
(s) =
(s +1) e
s
s
2
+
e
s
s
+
1
s
2
, F
3
(s) =
e
s
s
2
+1
+
1
s
2
+1
,
F
4
(s) = 4
_
1
s

e
2s
s
_
, F
5
(s) =
s +2
s
2

(3s +2) e
s
s
2
, F
6
(s) =
e
s
2
s
2
+1
.
3.6
F
1
(s) = arctan
_
a
s
_
; F
2
(s) = ln
_
s
2
+a
2
s
2
_
;
F
3
(s) = ln
_
s
2
a
2
s
2
_
; F
4
(s) =
1
s
e
a
s
;
F
5
(s) =
a
(s
2
+
2
)(1e
s/
)
.
3.7
F
1
(s) =
1
s
+
3
s
2
+
6
s
3
+
6
s
4
; F
2
(s) =
4
_
s
2
4s +2
_
s (s 4) (s 2)
; F
3
(s) =
6s
(s
2
6s +10) (s
2
+6s +10)
;
F
4
(s) =
105
16(s 3)
9
2
; F
5
(s) =
s +1
s (s
2
+2s +2)
; F
6
(s) =
_
s 1
(s +1) (s
2
2s +2)
_
ss+ln(2)
;
F
7
(s) =
1
s
+
6
s
2

24
s
3
+
48
s
4
; F
8
(s) =
8
(s 2) s (s +2)
; F
9
(s) =
s
2
+2
s (s
2
+4)
;
F
10
(s) =
1
(s 1) s
2
; F
11
(s) =
1
s (s +2)
.
3.8
f
1
(t) =
1
15
e
t
1
6
e
2t
+
1
10
e
4t
; f
2
(t) =
t
2
e
3t
9

t e
3t
27
+
t
27
;
f
3
(t) =
3sin(2t)
8

cos(2t)
8

t
2
4
+
3t
4
+
1
8
; f
4
(t) = sin(t) cos(t) t +1;
f
5
(t) = e
3t
_
cos
_
2t
_
2
sin
_
2t
_
_
.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
3.9
f
1
(t) =
t
5
120
2t
3
3
+4t; f
2
(t) =
t
3
6
+
3t
2
2
+3t +1;
f
3
(t) =
e
6t
2
e
3t
+
e
2t
2
; f
4
(t) = sin(t) cos(t) t +1.
3.12
x(t) =e
2t
+2e
3t
, y(t) = e
2t
(cos(t) 3sin(t)), z(t) =t e
t
+2e
t
, u(t) = 2e
3t
+
1
12
t
4
e
3t
.
3.13
x(t) = conv(e
3t
e
2t
, f (t));
y(t) =
1
4
conv(e
6t
e
2t
, f (t)) +2e
6t
5e
2t
;
u(t) =
1
3
conv(sin(3t), f (t)) cos(3t) +
1
3
sin(3t);
v(t) =
4
3
e
t
1
4
e
2t
1
12
e
2t
+conv
_
1
3
e
t
+
1
4
e
2t
+
1
12
e
2t
, f (t)
_
.
3.14
x(t) = H(t 3)e
(t3)
sin(t 3);
y(t) = 3H(t 2)
_
e
2(t2)
e
3(t2)
_
4H(t 5)
_
e
2(t5)
e
3(t5)
_
;
u(t) = 6
_
e
2t
e
t
+te
t
.
3.15
f (t) = sin(t); g(t) = 4t
2
e
t
7t e
t
+4e
t
, y(t) =t e
3t
;
u(t) = e
2(t2)
sin(t) U (t 2); h(t) = 3t
2
t
3
+12e
t
.
3.18
_
_
_
x(t) =4+5t 2t
2
+
1
3
t
3
+5e
t
,
y(t) = 55t +2t
2
5e
t
_
_
u(t) =
3 sin
_
2
3t
_
5

sin
_
2t
_
5
2
,
v(t) =
3 sin
_
2
3t
_
10

2 sin
_
2t
_
5
.
3.19
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
_
_
x(t) =
1
8
e
5t
1
8
e
3t
,
y(t) = e
5t
,
z(t) =
1
8
e
5t
1
8
e
3t
.
_
_
u(t) =
1
2
t
2
+t +1e
t
,
v(t) =
1
3
+
1
3
e
t
+
1
3
te
t
.
Captulo 4
4.5
Figura B.1 De la gr aca de
evoluci on se puede constatar
que para n = 8 la poblaci on
casi se ha extinguido, quedan
50 individuos. Durante el a no
n = 9 la especie se extingue.
4.6 Se considera el sistema din amico discreto
x
n+1
= x
2
n
2.
Figura B.2 Para x
0
= 1,0, es
claro que el sistema converge
inmediatamente a x =1,0.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Figura B.3 Para x
0
= 2,0, el
sistema es constante.
Figura B.4 Para x
0
= 0,5, el
sistema muestra un comporta-
miento ca otico.
Figura B.5 Para x
0
= 1,999,
el sistema toma un comporta-
mineto ca otico desde n = 4.
4.8 V eanse las guras a continuaci on
4.10 Los puntos crticos son
x
= 2; x
k
= k, k Z.
V ease la gura correspondiente. Se tiene que x
= 2 es un punto atractivo y x
0
= 0 es repulsivo. Adem as,
para k N impar, x
k
es repulsivo y x
k
es atractivo. Para k N par, x
k
es atractivo y x
k
es repulsivo.
4.11 V eanse las guras correspondientes.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Figura B.6 Del problema
4.8. Campo de direcciones
para x
/
+x = 1+t
2
, x(1) = 1.
-10 -5 0 5 10
-10
-5
0
5
10
y
x
para y
/
= (x +y)/(x +2y),
y(2) = 3.
-10 -5 0 5 10
-10
-5
0
5
10
y
x
para x
/
=x tan(y)/(1+x
2
),
x(1) = /2.
-10 -5 0 5 10
-10
-5
0
5
10
y
x
4.13 V ease la gura correspondiente.
4.15 V ease la gura correspondiente.
4.16 Mediante el cambio de variable
_
u(t) = y
/
(t),
v(t) = y
/
(t).
el problema 4.16 es equivalente al sistema
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
para x
/
= (2x) sin(x).
-10 -5 0 5 10
-10
-5
0
5
10
y
x
4.11. Soluci on num erica para
x
/
= (t
2
x
2
)/x, x(0) = 1,
0 t 3.
line0
0 1 2 3
1
1.5
2
2.5
x
/
= cos(t) +2x, x(2) = 0,
2 t 1.
line0
-2 -1 0 1
0
1
2
3
4
5
6
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
x
/
+x = 1 +t
2
, x(0) = 2,
0 t 4.
line0
0 1 2 3 4
2.5
5
7.5
10
Figura B.13 Soluci on
num erica del problema 4.13.
Aproximadamente al tiempo
t = 39,8 minutos el tanque se
vaca completamente.
line0
0 10 20 30
0.25
0.5
0.75
1
4.15. Diagrama de fase de
dy
dx
=
x+y
x+2y
, y(2) = 3.
-5 0 5 10
-5
0
5
10
y
x
_
_
u
/
= v, 3 t 1,
v
/
=
(t+3)vu
t
2
+1
, 3 t 1,
u(3) = 0,
v(3) = 1.
V ease la gura correspondiente.
4.18
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Figura B.15 Soluci on
num erica del problema 4.16.
line0
-3 -2 -1 0 1
0
1
2
3
4
a)
_
x(t)
y(t)
_
= c
1
_
1
2
_
e
5t
+c
2
_
1
1
_
e
t
;
b)
_
_
x(t)
y(t)
z(t)
_
_
= c
1
_
_
1
0
2
_
_
e
t
+c
2
_
_
1
0
0
_
_
e
t
+c
3
_
_
1
3/2
1/2
_
_
e
2t
;
c)
_
x(t)
y(t)
_
= c
1
__
1
2
_
cos(t) +
_
0
1
_
sin(t)
_
e
4t
+c
2
__
0
1
_
cos(t)
_
1
2
_
sin(t)
_
e
4t
;
d)
_
x(t)
y(t)
_
= c
1
__
1
1
_
cos(t) +
_
0
1
_
sin(t)
_
e
4t
+c
2
__
0
1
_
cos(t)
_
1
1
_
sin(t)
_
e
4t
;
4.21
a) X(t) = c
1
_
1
1
_
+c
2
_
e
t
2
3
e
t
_
+
_
11t 15
11t 10
_
;
b) X(t) = c
1
_
e
t
3e
t
_
+c
2
_
e
t
e
t
_
+
_
4t
8t 4
_
.
4.23
a) Hay un unico punto crtico, (x
0
, y
0
) = (0, 0), que es un punto de ensilladura.
b) Hay un unico punto crtico, (x
0
, y
0
) = (0, 0), que es un punto atractivo.
c) El punto crtico (x
0
, y
0
) = (0, 0) es impropio inestable.
4.24
a) El punto crtico (x
1
, y
1
) = (0, 1) es un punto de ensilladura. El punto crtico (x
2
, y
2
) = (0, 1) es un
punto repulsivo.
b) Hay puntos crticos no-hiperb olicos. El punto crtico (x
2
, y
2
) = (3, 2) es un punto repulsivo.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Captulo 5
5.15
f
1
(x) =
2
2
3
+4
n=1
(1)
n+1
n
2
cos(nx); f
2
(x) =

2
+
2
n=1
(1)
n
1
n
2
cos(nx);
f
3
(x) =

4
+
n=1
1(1)
n
n
2
cos(nx) +
n=1
1
n
sin(nx); f
4
(x) =
3
4
+
n=1
4
2
n
2
_
cos
_
n
2
_
1
_
cos
_
n
2
x
_
.
5.16
f
1
(x) =

2
6
+
n=1
_
2(1)
n
n
2
_
cos(nx) +
n=1
_
(1)
n+1
n
+
2
n
3
[(1)
n
1]
_
sin(nx);
f
2
(x) = +2
n=1
_
(1)
n+1
n
_
sin(nx).
5.17
1) En todos los casos b
n
= 0.
Para f
1
:
a
0
= 2, a
n
=
4(1)
n
4
2
n
2
.
Para f
2
:
a
0
= 0, a
n
=
4sin
_
n
2
_
n
.
Para f
3
:
a
0
=
_
4e
5
4
_
400
2
+25
, a
n
=
_
4e
5
3
n
2
1600e
5
3
100e
5
_
(1)
n
4
3
n
2
+1600
3
+100
4
n
4
+(50
2
800
4
) n
2
+160000
4
+20000
2
+625
.
Para f
4
:
a
0
=
31
5
, a
n
=
4 nsin
_
2 n
5
_
+10cos
_
2 n
5
_
10(1)
n
2
n
2
.
Para f
5
:
a
0
= 8, a
n
= 0.
Para f
6
:
a
0
=
1
2
, a
n
=
2sin
_
3 n
4
_
6sin
_
n
2
_
+4sin
_
n
4
_
n
.
Para f
7
:
a
0
= 2, a
1
=
2
3
, a
n
=
2(1)
n
n
2
1
.
2) En todos los casos a
0
= a
n
= 0.
Para f
1
:
b
n
=
4(1)
n
n
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Para f
2
:
b
n
=
4cos
_
n
2
_
2(1)
n
2
n
.
Para f
3
:
b
n
=
40e
5
2
n(1)
n
40
2
n
4
n
4
+(50
2
800
4
) n
2
+160000
4
+20000
2
+625
.
Para f
4
:
b
n
=
10sin
_
2 n
5
_
4 ncos
_
2 n
5
_
+12 n(1)
n
2 n
2
n
2
.
Para f
5
:
b
n
=
8(1)
n
8
n
.
Para f
6
:
b
n
=
2cos
_
3 n
4
_
6cos
_
n
2
_
+4cos
_
n
4
_
n
.
Para f
7
:
b
n
=
4n(1)
n
+4n
n
4
2 n
2
+
.
5.18
a
0
=
4
, a
n
=
2(1)
n
+2
n
2
, b
n
= 0.
5.22
f
1
() =
2e
i
e
i
i
;

f
2
() = i
_
sin(k +k)
+1

sin(k k)
1
_
;

f
3
() = 5
_
3
exp
_
(
2
+60i)
12
_
;
f
4
() =
16 sin(k) +4 cos(k) +i(4 sin(k) 16 cos(k))
16e
k/4
2
+e
k/4
;

f
5
() = e
[[
.
5.23
f
1
(t) =
9e
t
2
/4
cos(4t)
64

9i e
t
2
/4
sin(4t)
64
; f
2
(t) = H(t 4) exp(20i 3(t 4));
f
3
(t) = 5e
it
P
3
(t); f
4
(t) = exp
_
7
2
[t[ +
5
2
t
_
;
f
5
(t) = 10H(t)e
4t
cos(5t); f
6
(t) = H(t)[2e
3t
e
2t
].
5.24 Se tiene que I =
e
.
5.25 Usando fracciones parciales se prueba que
F
_
t
a
2
+t
2
_
() = 2i (1H()) cosh(a).
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
5.26
f
1
() = 2i (1H()) cosh(3);

f
2
() =
i e
2
/36
18
;

f
3
() =
26
_
2
4i 4
_
(
2
+4)
2
;
f
4
() =
e
12
i
_
2
sin(3) 16 sin(3) 8 cos(3)
_
(
2
+16)
2

e
12
_
8 sin(3) +
2
cos(3) 16 cos(3)
_
(
2
+16)
2
;
f
5
() =
i
3+i
;

f
6
() =
sin() +cos()
2

sin() cos()
2

2i (cos() sin())
2
;
f
7
() =
5
3
e
(3+2i)(+3)
;

f
8
() =
e
6+i3
2i
.
5.28 Se tiene, por la igualdad de Parseval, que
|f |
2
L
2
(1)
= 3.
5.29
u(t) =
1
4
H(t 3)
_
e
(t3)
e
5(t3)
_
; v(t) =
1
8
e
4[t[
.
5.30
G
1
() =
2
_
25
2
sin(5) 2 sin(5) +10 cos(5)
_
3
;
G
2
() =
2 (cos(4 a) sin(4 ) a sin(4 a) cos(4 ))
( a) ( +a)
;
G
3
() =
e
4i w
e
4
i we
4

1
i w1
; G
4
() =
e
i w1
_
e
i w+1
1
_ _
e
i w+1
+1
_
(w i) (w+ i)
.
5.32
f () = exp
_
2
2
i
_
.
5.33 Se tiene que
I =

2
.
Captulo 6
6.1
u(t, x) =
1
L
_
L
0
f ()d +
2
L
n=1
_
_
L
0
f ()cos
_
n
L
_
d
_
exp
_
kt
n
2
2
L
2
_
cos
_
nx
L
_
.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
6.2
u(t, x) =
n=1
_
A
n
cos
_
nat
L
_
+B
n
sin
_
nat
L
__
,
donde
A
n
=
2
L
_
L
0
f ()sin
_
n
L
_
d, B
n
=
2
na
_
L
0
g()sin
_
n
L
_
d.
6.3
u(x, y) = A
0
y +
n=1
A
n
sinh
_
ny
a
_
cos
_
nx
a
_
,
donde
A
0
=
1
ab
_
a
0
f ()d, A
n
=
2
asinh(nb/a)
_
a
0
f ()cos
_
n
a
_
d.
6.4 La ecuaci on del calor para (x, t) [0, L] [0, ) sujeta a (C1) tiene soluci on
u(x, t) =
2
n=1
1
n
_
1cos(
n
2
)
_
exp
_
kt
n
2
2
L
2
_
sin
_
n
L
x
_
.
Bajo (C3):
u(x, t) =
1
L
_
L
0
f ()d +
2
L
n=1
_
_
L
0
f ()cos(
n
L
)d
_
exp
_
kt
n
2
2
L
2
_
cos
_
n
L
x
_
6.5 Bajo (C1):
u(x, t) =
L
2
n=1
_
1(1)
n
n
3
_
cos
_
na
L
t
_
sin
_
n
L
x
_
.
Bajo (C2):
u(x, t) =
1
a
sin(at)sin(x)
6.6 Bajo (C1):
u(x, t) =
2
a
n=1
_
1
sinh(
n
a
b)
_
a
0
f ()sin(
n
a
)d
_
sinh
_
n
a
y
_
sin
_
n
a
x
_
.
Bajo (C2):
u(x, t) =
1
2
x +
2
n=1
_
1(1)
n
n
2
sinh(n)
_
sinh(nx)cos(ny).
6.7 En el sentido de las distribuciones se tiene que
f
/
1
(x) = sgn(x); f
/
2
(x) = (x) H(x)sin(x); f
/
3
(x) = H(x)cos(x);
f
/
4
(x) = 2(x); f
/
5
(x) =(x); f
/
6
(x) = (x);
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
f
/
7
(x) = (0)(x); f
/
8
(x) =
/
(0)(0) +(0)
/
(x);
f
/
9
(x) =
//
(0)(x) 2
/
(0)
/
(x) +(0)
//
(x); f
/
10
(x) = 2(x);
f
/
11
(x) = 2
/
(x); f
/
12
(x) = (x)
//
(x);
f
/
13
(x) = (x) +2
/
(x) +
//
(x); f
/
14
(x) =
/
(x) +(x) +H(x)e
x
; f
/
15
(x) = 24(x).
6.8
u(x, t) = e
tx
_
(2t x)
2
+t
.
6.9
u(x, t) = e
4t+x
(8t +x)
1
2
xt
2
.
6.10
u(x, t) =
1
4t +1
e
[4tx(x2)]/(4t+1)
.
6.11
u(x, t) =
1
2
t
2
+e
t
+1.
6.12
u(x, t) =t
3
+sin(x)e
t
.
6.13
u(x, t) = cos(x)e
t
(t +1).
6.14
u(x, t) = xt x 2t +42e
t
.
6.15
u(x, t) =
e
bt
2a
t
e
x
2
/(4a
2
t)
.
6.16
u(x, t) =
1
2a
t
exp
_
_
x +bt
2a
t
_
2
_
.
6.17
u(x, t) = 1.
6.18
u(x, t) = e
2t
e
t
+sin(x).
6.19
u(x, t) = xt +x
2
+a
2
t
2
+
1
3
axt
3
.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
6.20
u(x, t) =
1
a
sin(at)cos(x) +sin(x)cos(at).
6.21
u(x, t) =t +1+
1
9
sin(x)(1cos(3t)).
6.23
u(x, t) = x cos(at) +
1
a
sin(at).
6.24
u(x, t) = sinh(2t) +x cosh(2t).
6.25
u(x, t) = cos(2t) +
1
2
sin(2t).
6.26
u(x, t) = xe
t
cosh(t) +2xe
t
sinh(t).
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Referencias
[ADCR05] F. Alvarez, J. D avila, R. Cominetti, and H. Ramrez, C alculo Vectorial, Variable Compleja y Ecuaciones en
Derivadas Parciales, Universidad de Chile, Chile, 2005.
[Ald97] M. Alder, An Introduction to Complex Analysis for Engineers, Massachusetts Institute of Technology, 1997.
[Apo67] Tom M. Apostol, Calculus. Vol. I: One-variable calculus, with an introduction to linear algebra, Second edition,
Blaisdell Publishing Co. Ginn and Co., Waltham, Mass.-Toronto, Ont.-London, 1967.
[Ash72] R. Ash, Real Analysis and Probability, Academic Press, New York, 1972.
[Bre83] H. Brezis, Analyse Fonctionnelle, Collection Math ematiques Appliqu ees pour la Matrise, Masson, Paris, 1983.
[DB10] R. Dorf and R. Bishop, Modern Control Systems, Prentice Hall, USA, 2010.
[Eva98] L. Evans, Partial Differential Equations, Graduate Studies in Mathematics, vol. 19, American Mathematical So-
ciety, Providence, RI, 1998.
[FK69] D. Frank-Kamenetskii, Diffusion and heat transfer in chemical kinetics, Ed. Plenum Press (1969).
[FMZ07] P. Felmer and J. Mayorga-Zambrano, Multiplicity and concentration for the nonlinear Schr odinger equation with
critical frequency, Nonlinear Analysis 66/1 (2007), 151169.
[Gro87] S. Grossman, Algebra Lineal, Grupo Editorial Iberoamericana, 1987.
[Hal50] Paul R. Halmos, Measure Theory, D. Van Nostrand Company, Inc., New York, N. Y., 1950.
[Jon09] T. Jones, The Legendre and Laguerre Polynomials & the elementary quantum mechanical model of the Hydrogen
atom, Drexel University, http://www.physics.drexel.edu/ tim/open/hydron/ (2009).
[Kre89] E. Kreyszig, Introductory Functional Analysis with applications, Wiley, USA, 1989.
[Kre06] , Advanced Engineering Mathematics, Wiley, USA, 2006.
[Kur87] A. Kurosch, Curso de Algebra Superior, Editorial MIR, Mosc u, 1987.
[LL65] L. Landau and E. Lifshitz, Quantum mechanics (non-relativistic theory), Series in Theoretical Physics, Pergamon
Press Ltd., New York, 1965.
[LR03] H. Lomel and B. Rumbos, La transformada de Laplace en Economa, ITAM, M exico (2003).
[Mij82] V. Mij ailov, Ecuaciones Diferenciales en Derivadas Parciales, Editorial MIR, Mosc u, 1982.
[MZ07] J. Mayorga-Zambrano, C alculo Diferencial para Ingeniera, Universidad de Talca, Chile, 2007.
[MZ10a] , Bases Hilbertianas y Series de Fourier en L
2
, Apuntes de Curso ESPE Vol.01, N.01 (2010).
[MZ10b] , Distribuciones, Apuntes de Curso ESPE Vol.01, N.02 (2010).
[MZ10c] , Distribuciones Temperadas y Transformada de Fourier, Apuntes de Curso ESPE Vol.01, N.03 (2010).
[NCT96] F. Navas, R. Cueva, and J. Toro, Algebra lineal, Escuela Polit enica Nacional, Ecuador, 1996.
[Ni n10] E. Ni no, Aplicaciones reales de la transformada de Laplace, Instituto Tecnol ogico de Monterrey (2010).
[ON09] P. ONeil, Matem aticas Avanzadas para Ingeniera, CENCAGE Learning, M exico, 2009.
[Per97] I. Peral, Multiplicity of solutions for the p-laplacian, International Center for Theoretical Physics (1997).
[Per04] , Primer Curso de Ecuaciones en Derivadas Parciales, Universidad Aut onoma de Madrid, Madrid, 2004.
[PR95] C. Pita Ruiz, C alculo Vectorial, Pearson, M exico, 1995.
[Ros80] K. A. Ross, Elementary Analysis: The theory of calculus, Springer-Verlag, New York, 1980.
[RR92] J. Reddy and M. Rasmussen, An alisis Matem atico Avanzado, Editorial Limusa, M exico, 1992.
[RS72] M. Reed and B. Simon, Methods of modern Mathematical Physics. I. Functional analysis, Academic Press, New
York, 1972.
[RS75] , Methods of modern Mathematical Physics. II. Fourier analysis, self-adjointness, Academic Press, New
York, 1975.
[Sal04] G. Sallet, Ordinary Differential Equations with Scilab, University Gaston Berger (2004).
[Tor92] J. Toro, Sucesiones, Escuela Polit ecnica Nacional, Ecuador, 1992.
325
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
326 Referencias
[Vil03] C. Villani, Topics in optimal transportation, Graduate Studies in Mathematics, vol. 58, American Mathematical
Society, Providence, RI, 2003.
[Vil07] J. Villate, Introduction to dynamical systems, Universidade do Porto, Porto, 2007.
[Vil08] C. Villani, Optimal transport: Old and new, Grundlehren der mathematischen Wissenschaften, Springer, 2008.
[Zil97] D. Zill, Ecuaciones Diferenciales con aplicaciones de modelado, International Thomson Editores, 1997.
U
n
i
v
e
r
s
i
d
a
d
d
e
l
a
s
F
u
e
r
z
a
s
A
r
m
a
d
a
s
-
E
S
P
E
J
u
a
n
M
a
y
o
r
g
a
-
Z
a
m
b
r
a
n
o
,
P
h
D
Indice alfab etico

glossary, 307
327

Up Ale 56

Uploaded by

Document Information

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

Up Ale 56

Uploaded by

Copyright:

Available Formats

Juan Mayorga-Zambrano

Matem atica Superior para Ingeniera

Indice alfab etico. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 327

Indice alfab etico. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 327

se denen la uni on e intersecci on de los elementos de la

, una familia de conjuntos sobre , es una partici on de si su uni on da y si

una familia de conjuntos sobre un conjunto no-vaco tal que

,= / 0,para todo . Entonces, existe una aplicaci on E : tal que

una familia de subespacios vectoriales de V. Entonces U =

es subespacio vectorial de V, para cada . Se concluye que U es subespacio vectorial de V

1. De aqu en adelante se usar a la notaci on

valor real valor aproximado

f (z)dz, para denotar la integral de f sobre .

, comprendido entre los puntos () y (), con

f (z)dz = F((b)) F((a)), (2.74)

es un camino cerrado tal que z

y gira el mismo n umero de vueltas alrededor de z

. Por el Teorema 2.20 se tiene que

tiene expansi on de Laurent

f (x)dx cuando f no tiene polos reales

f (x)dx cuando f tiene polos reales

f (x) sin(x)dx cuando f no tiene polos reales

f (x) sin(x)dx (2.106)

f (x) sin(x)dx cuando f tiene polos reales

se denota habitualmente como z

[cos( ln(t)) +i sin( ln(t))].

es holomorfa y pruebe que en dicho dominio se cumple que

, para todo [0, /2].

(s) = F(s a). (3.25)

= f (t a) H(t a). (3.31)

) se denomina punto atractivo si existe > 0 tal que las relaciones

) es un punto repulsivo si existen > 0 y > 0 tales que

2+1], [1, 1]], [[[1,

2i 1], [1, 1]], [[[1,

234. Observe la diferencia en los resultados al empezar

, con una velocidad inicial

) donde tiene sentido el Teorema de Aproximaci on de Weiers-

, para todo u C([a, b]), (5.14)

, denida en el Ejemplo 5.1, se le suele llamar norma de Lebesgue.

tambi en es ortogonal. Ahora, supongamos que

) ni en el espacio (C([0, )), | |

([0, )) no es un operador continuo. Sin embargo, si para > 0

(1). El operador D : V V denido por

: H H, llamado operador adjunto de T, que verica

v), para todo u, v H. (5.76)

L(H). Adem as, dados S L(H) y 1,

. Para ello observamos que

. La acci on de T sobre una funci on u L

conocidos como polinomios de Legendre:

, se acostumbra escribir el polinomio de Legendre como

y t [1; 1], se tiene que

una base de Hamel para P([a; b]). Si (p

es una base Hilbertiana de L

( %o6) [ %t4, %t5, %t6]

es una base Hilbertiana de L

se le denomina serie de Fourier

es una base Hilbertiana de L

se le denomina serie de Fourier

f (t) = f (t) en tanto que si

f (t) converge al promedio de los lmites laterales de f .

(I), como el conjunto de las funciones u : I 1

(I) una relaci on de equivalencia mediante

(I) por la relaci on de equivalencia denida en

(I). El funcional denido