Edo R.benazic

Topicos de Ecuaciones Diferenciales
Ordinarias
Renato Benazic
Captulo 1
Sistemas de Ecuaciones
Diferenciales Ordinarias
1.1 Introducci on
El mejor lenguaje creado por la raza humana para entender el
mundo que lo rodea se llama Matematica. Esta es una de las
razones por la cual el estudio de esta ciencia ocupa un papel
preponderante en nuestra moderna sociedad. Haciendo un poco
de historia, a comienzos del siglo XVI, el gran fsico italiano
Galileo Galilei (1564-1642) llego a la conclusion de que la nat-
uraleza esconde sus secretos en el lenguaje de las matematicas.
Algunos a nos mas tarde el ingles Isaac Newton (1642-1727) y
el aleman Wilhelm Gottfried Leibnitz (1646-1716) elaboraron
un nuevo tipo de matematica: el Calculo Diferencial e Inte-
gral, que permitio a los cientcos de la epoca, resolver muchos
problemas fsicos y geometricos. En particular, esta nueva her-
ramienta fue indispensable para que Newton estableciera sus
tres inmortales leyes del movimiento de los cuerpos por accion
1
2 Sistemas de Ecuaciones Diferenciales Ordinarias
del campo gravitatorio (por ejemplo trayectoria de planetas,
satelites y cometas as como tambien el movimiento de proyec-
tiles, conectando de esta manera la fsica de los cielos con la
fsica terrestre). En el siglo siguiente se establecieron leyes simi-
lares que gobiernan los fenomenos de electricidad y magnetismo.
Todas estas leyes tenan algo en com un: el fenomeno que se de-
sea conocer (el cual es modelado matematicamente por el con-
cepto de funcion) estaba escondido bajo la operacion de difer-
enciacion. Resolver un Sistema de Ecuaciones Diferenciales Or-
dinarias (E.D.O.) consiste justamente en determinar tal funcion
o funciones incognitas.
Por ejemplo el movimiento de un pendulo no amortiguado
de longitud esta gobernado por el sistema
(t) = y
y
(t) =
g
sen x
(1.1)
en donde g representa la aceleracion de la gravedad. Si en cam-
bio consideramos el pendulo amortiguado, con una constante de
amortiguamiento c > 0, la ecuacion que gobierna su movimiento
es dada por
(t) = y
y
(t) =
c
m
y
g
sen x
(1.2)
Como segundo ejemplo consideremos el problema del rapaz y
la presa, el cual es uno de los problemas fundamentales de
la ecologa matematica. Sean x(t) e y(t) las poblaciones, en
cualquier instante t de dos especies una de las cuales (y el ra-
paz) devora a la otra (x la presa). Se supone que en ausencia de
rapaces, el n umero de presas crecera ilimitadamente, mientras
que en ausencia de presas, la poblacion de rapaces decrecera.
T opicos de Ecuaciones Diferenciales Ordinarias 3
Alrededor de 1925 el biofsico americano Alfred Lotka (1880-
1949) y el matematico italiano Vito Volterra (1860 - 1940) pro-
pusieron el siguiente modelo matematico para que las especies
se mantengan en equilibrio.
(t) = ax bxy
y
(t) = cy +dxy
(1.3)
en donde a, b, c y d son constantes reales positivas.
Como tercer ejemplo, suponga que se tienen dos especies
semejantes que compiten por un alimento com un el cual es lim-
itado. Sean x(t) e y(t) el n umero de individuos de cada especie
en cualquier instante t. El modelo matematico propuesto que
rige el crecimiento de las poblaciones x e y viene dado por
(t) = a
1
x a
2
x
2
a
3
xy
y
(t) = b
1
y b
2
y
2
b
3
xy
(1.4)
en donde a
1
, a
2
, a
3
, b
1
, b
2
y b
3
son constantes reales positivas.
Como ejemplo nal, mencionaremos el sistema masa resorte.
Consideremos un resorte de masa m sujeto a un resorte de con-
stante de estiramiento k el cual esta conectado a un mecanismo
cuya constante de amortiguacion es c. Suponga ademas que a
la masa que pende del resorte se le aplica una fuerza exterior
periodica del tipo f(t) = cos wt (donde w es el perodo de la
fuerza f). El modelo matematico que gobierna el movimiento
del sistema masa-resorte viene dado por el sistema
(t) = y
y
(t) =
k
m
x
c
m
y +
1
m
cos wt
(1.5)
Todos los ejemplos presentados son casos particulares de Sis-
temas de Ecuaciones Diferenciales Ordinarias de primer orden,
concepto que pasamos a denir y estudiar a partir de la proxima
seccion.
Note el lector la Teora de las Ecuaciones Diferenciales Ordi-
narias no solo interesa al matematico, sino que es util a cualquier
ciencia que pueda expresar sus leyes en lenguaje matematico. La
Fsica, la Qumica, la Biologa, la Ecologa y la Economa son
algunos ejemplos de tales disciplinas.
1.2 Sistemas Aut onomos y no Aut onomos
Denimos a continuacion nuestro principal objeto de estudio.
Denicion 1.2.1 Un Sistema de n Ecuaciones Diferenciales
Ordinarias (E.D.O.) de primer orden es una expresion del tipo
1
= F
1
(t, x
1
, x
2
, . . . , x
n
)
x
2
= F
2
(t, x
1
, x
2
, . . . , x
n
)
.
.
.
.
.
.
.
.
.
x
n
= F
n
(t, x
1
, x
2
, . . . , x
n
)
(1.6)
en donde t es una variable independiente que denota al tiempo,
x
1
, x
2
, . . . , x
n
son variables que dependen de t que toman valores
reales y F
1
, F
2
, . . . , F
n
son funciones real valoradas denidas en
un subconjunto de D de R
n+1
.
Los ejemplos dados en la seccion anterior son casos particu-
lares del sistema (1.6). En efecto, en el modelo de Lotka-Volterra
(1.3) tenemos que
x
1
= x, x
2
= y, F
1
(t, x
1
, x
2
) = ax
1
bx
1
x
2
y
F
2
(t, x
1
, x
2
) = cx
2
+dx
1
x
2
.
Mientras que en el modelo matematico (1.5) propuesto para el
sistema masa-resorte se tiene
x
1
= x, x
2
= y, F
1
(t, x
1
, x
2
) = x
2
y
F
2
(t, x
1
, x
2
) =
k
m
x
1
c
m
x
2
+
1
m
cos wt.
En diversas ocasiones sucede que las funciones F
1
, F
2
, . . . ,
F
n
solo dependen de las variables x
1
, x
2
, . . . , x
n
y no de la
variable temporal t, en este caso (1.6) toma la forma
1
= F
1
(x
1
, x
2
, . . . , x
n
)
x
2
= F
2
(x
1
, x
2
, . . . , x
n
)
.
.
.
.
.
.
x
n
= F
n
(x
1
, x
2
, . . . , x
n
)
(1.7)
Decimos que (1.7) es un Sistema Autonomo de Ecuaciones Difer-
enciales Ordinarias, mientras que (1.6) es llamado Sistema no
Autonomo.
Los modelos (1.1), (1.2), (1.3) y (1.4) son ejemplos de sis-
temas autonomos, mientras que el modelo masa-resorte (1.5) es
un ejemplo de sistema no autonomo.
A continuacion, vamos a precisar lo que se entiende por
solucion de un sistema de E.D.O.
Denicion 1.2.2 Una Solucion de (1.6) es un conjunto de n
funciones
1
,
2
, . . . ,
n
, con valores reales y denidas en un
mismo intervalo abierto J de la recta real tales que satisfacen
las dos condiciones siguientes:
1. (t,
1
(t),
2
(t), . . . ,
n
(t)) D, para todo t J.
2. Cada
i
es diferenciable en J y para cada t J se cumple
1
(t) = F
1
(t,
1
(t),
2
(t), . . . ,
n
(t))
2
(t) = F
2
(t,
1
(t),
2
(t), . . . ,
n
(t))
.
.
.
.
.
.
n
(t) = F
n
(t,
1
(t),
2
(t), . . . ,
n
(t))
(1.8)
En el caso de sistemas autonomos, si denotamos por U R
n
al dominio com un de las funciones F
1
, F
2
, . . . F
n
, tenemos el
siguiente caso particular de la Denicion (1.8).
Denicion 1.2.3 Una Solucion del sistema autonomo (1.7) es
un conjunto de n funciones
1
,
2
, . . . ,
n
, con valores reales y
denidas en un mismo intervalo abierto J de la recta real tales
que satisfacen las dos condiciones siguientes:
1. (
1
(t),
2
(t), . . . ,
n
(t)) U, para todo t J.
2. Cada
i
es diferenciable en J y para cada t J se cumple
1
(t) = F
1
(
1
(t),
2
(t), . . . ,
n
(t))
2
(t) = F
2
(
1
(t),
2
(t), . . . ,
n
(t))
.
.
.
.
.
.
.
.
.
n
(t) = F
n
(
1
(t),
2
(t), . . . ,
n
(t))
(1.9)
1.3 Repaso de Matrices y Transfor-
maciones Lineales
En lo sucesivo, K denotara al campo de los n umeros reales R o
al de los n umeros complejos C y sus elementos seran llamados
escalares. Sean m y n dos enteros positivos, denotemos por
I
m,n
al conjunto de todos los pares ordenados (i, j) tales que
1 i m y 1 j n. Una matriz de m las y n columnas con
coecientes en K o simplemente K-matriz m n, es cualquier
funcion A que a cada par (i, j) I
m,n
le asocia un elemento
A(i, j) = a
ij
K llamado la entrada ij de la matriz A.
Se acostumbra disponer los valores a
ij
de la matriz A en un
arreglo de m las y n columnas, de la manera siguiente
A =
_
_
a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
a
m1
a
m2
a
mn
_
_
= [a
ij
].
El conjunto de todas las K-matrices mn sera denotado por
K
mn
. Si m = n, A se llama matriz cuadrada. Si A K
1n
en-
tonces A se llama matriz la mientras que si A K
m1
entonces
A es una matriz columna. Dos matrices A = [a
ij
], B = [b
ij
]
K
mn
son iguales, lo que denotamos A = B, si y solo si a
ij
= b
ij
,
para todo par (i, j) I
m,n
. Sean A = [a
ij
], B = [b
ij
] K
mn
y
c K, denimos la suma de las matrices A y B y el producto del
escalar c por la matriz A, denotados respectivamente por A+B
y cA, como
A +B = [a
ij
+b
ij
], cA = [ca
ij
]
Con las operaciones de suma de matrices y producto de un es-
calar por una matriz, K
mn
se torna un K-espacio vectorial
de dimension mn. Denotaremos por a la matriz cero. Si
E
ij
K
mn
denota la matriz que tiene todas sus entradas
iguales a cero, excepto la entrada ij la cual es igual a uno,
entonces el conjunto E
ij
; (i, j) I
m,n
es una base de K
mn
llamada base canonica. Por ejemplo las matrices
E
11
=
_
1 0
0 0
_
, E
12
=
_
0 1
0 0
_
, E
21
=
_
0 0
1 0
_
, E
22
=
_
0 0
0 2
_
forman la base canonica de K
22
.
Como K
mn
es un K-espacio vectorial de dimension mn, en-
tonces el es isomorfo a K
mn
, va el isomorsmo
_
_
a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
a
m1
a
m2
a
mn
_
_
(a
11
, . . . , a
1n
, . . . , a
m1
, . . . , a
mn
) (1.10)
En particular una matriz la A K
1n
(respectivamente una
matriz columna B K
m1
) puede identicarse con un vector
de K
n
(respectivamente de K
m
), va el isomorsmo anterior, es
decir
A =
_
a
11
a
12
a
1n
(a
11
, a
12
, . . . , a
1n
)
y
_
_
a
11
a
21
.
.
.
a
m1
_
_
(a
11
, a
21
, . . . , a
m1
)
A lo largo del texto usaremos frecuentemente el isomorsmo
anterior.
Sea A = [a
ij
] K
mn
la transpuesta de A, denotada por A
t
,
es denida por
A
t
= [a
ji
] =
_
_
a
11
a
21
a
m1
a
12
a
22
a
m2
.
.
.
.
.
.
.
.
.
a
1n
a
2n
a
mn
_
_
es decir, la matriz obtenida de A intercambiando las por colum-
nas. Es claro que A
t
K
nm
Sean A = [a
ij
] K
mn
y B = [b
jk
] K
np
. El producto de
las matrices A y B, denotado por A B o simplemente AB, es la
matriz de K
mp
denida por AB = [c
ik
], donde c
ik
=
n
j=1
a
ij
b
jk
.
El producto de matrices satisface las siguientes propiedades:
1. Propiedad Asociativa:
A(BC) = (AB)C, A K
mn
, B K
np
, C K
pr
.
2. Propiedad Distributiva a derecha:
(A +B)C = AC +BC, A, B K
mn
, C K
np
.
3. Propiedad Distributiva a izquierda:
A(B +C) = AB +AC, A K
mn
, B, C K
np
.
En el espacio de matrices cuadradas K
nn
, denimos
I = [
ij
] =
_
_
1 0 0
0 1 0
.
.
.
.
.
.
.
.
.
0 0 1
_
_
donde
ij
es la delta de Kronecker, es decir
ij
= 0 si 1 i ,=
j n y
ii
= 1. Se cumple
AI = IA = A, A K
nn
,
es decir I es la matriz identidad (multiplicativa) de K
nn
. No es
difcil probar que el conjunto de las matrices cuadradas K
nn
con
las operaciones de suma de matrices y producto de matrices es
un anillo no conmutativo con elemento identidad. Si A K
nn
y k 0, denimos la potencia k-esima de A, denotada A
k
por
induccion como sigue:
A
0
= I, A
1
= A, A
k
= A A
k1
, k 2.
Decimos que A K
nn
es una matriz no singular (o matriz
inversible) si y solo si existe B K
nn
tal que AB = BA = I.
En caso de existir tal matriz B, se prueba que ella es unica y
recibe el nombre de inversa de A. Usaremos la notacion A
1
para representar a la matriz inversa de A. Las matrices que no
son inversibles son llamadas singulares. El conjunto de todas las
matrices no singulares se llama grupo lineal de K
n
y sera deno-
tado por GL(K
n
). Queda como ejercicio para el lector, probar
que GL(K
n
) con la multiplicacion de matrices tiene estructura
de grupo (no abeliano).
Un concepto fuertemente relacionado con el de matriz es el
de transformacion lineal. Una funcion T : K
n
K
m
es una
Transformacion Lineal si y solo si se cumple
T(x +y) = T(x) +T(y), x, y K
n
, , K.
Denotaremos por L(K
n
; K
m
) al conjunto de todas las transfor-
maciones lineales de K
n
en K
m
. Con las operaciones usuales
de suma de funciones y producto de un n umero real por una
transformacion lineal, el conjunto L(K
n
; K
m
) se torna un K-
espacio vectorial de dimension mn. Observe que como K
mn
y
L(K
n
; K
m
) son K-espacios vectoriales de la misma dimension,
ellos son isomorfos (de ahora en adelante usaremos la notacion
V W para establecer que los K-espacios vectoriales V y W,
son isomorfos). Conviene dar explcitamente el isomorsmo
entre K
mn
y L(K
n
; K
m
). Denotemos por e
1
= (1, 0, . . . , 0),
Topicos de Ecuaciones Diferenciales Ordinarias 11
e
2
= (0, 1, 0, . . . , 0), . . . , e
k
= (0, . . . , 0, 1) la base canonica de
K
k
, (k = n, m). Como T(e
j
) K
m
, existen unicos escalares a
1j
,
. . . a
mj
(j = 1, 2, . . . , n) tales que:
T(e
1
) = a
11
e
1
+a
21
e
2
+ +a
m1
e
m
T(e
2
) = a
12
e
1
+a
22
e
2
+ +a
m2
e
m
.
.
.
.
.
.
T(e
n
) = a
1n
e
1
+a
2n
e
2
+ +a
mn
e
m
Los n umeros reales a
ij
forman una matriz, cuya transpuesta que
denotamos por A
T
recibe el nombre de matriz asociada (en las
bases canonicas de K
n
y K
m
) a la transformacion lineal T, es
decir
A
T
=
_
_
a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
a
m1
a
m2
a
mn
_
_
.
Recprocamente, dada A = [a
ij
] K
mn
, denimos la transfor-
macion lineal T
A
: K
n
K
m
mediante T
A
(x) = Ax, es decir
T
A
(x
1
, . . . , x
n
) = (a
11
x
1
+ +a
1n
x
n
, . . . , a
m1
x
1
+ +a
mn
x
n
) .
Es claro que la matriz asociada a T
A
(en las bases canonicas
de K
n
y K
m
) es A. As, es facil probar que la funcion que
asocia a T L(K
n
; K
m
) la matriz (T) = A
T
K
mn
es un
isomorsmo entre los K-espacios vectoriales L(K
n
; K
m
) y K
mn
.
De ahora en adelante usaremos indistintamente la letra A (o la
T) para denotar matrices o transformaciones lineales.
El n ucleo de la transformacion lineal A L(K
n
; K
m
), el cual
es denotado por Nu(A), es denido como el conjunto de todos los
x K
n
tales que Ax = 0. Es claro que Nu(A) es un K-espacio
vectorial.
Sea A K
nn
, decimos que K es un autovalor de A, si
y solo si existe un vector no nulo x K
n
tal que Ax = x.
El vector no nulo x es llamado autovector de A asociado al
autovalor . No es difcil probar que K es un autovalor de
A si y solo si A I es singular si y solo si Nu(A I) ,= 0.
Ademas se cumple que si x
1
y x
2
son autovectores de A asociados
a los autovalores
1
y
2
respectivamente (
1
,=
2
), entonces
x
1
y x
2
son linealmente independientes.
Para calcular los autovalores de una matriz, necesitamos in-
troducir el concepto de determinante. Sea A = [a
ij
] K
nn
,
escribiremos A = [A
1
A
2
. . . A
n
], donde A
j
denota la j-esima
columna de la matriz A, es decir
A
j
=
_
_
a
1j
a
2j
.
.
.
a
mj
_
_
1 j n.
El determinante es una funcion que a cada matriz cuadrada
A K
nn
le asocia el escalar det(A) y que satisface las siguientes
propiedades:
1. det es una funcion n- lineal, es decir para cada j = 1, 2, . . . , n
se cumple
det[A
1
. . . A
j
+A
j
. . . A
n
] = det[A
1
. . . A
j
. . . A
n
] +
+ det[A
1
. . . A
j
. . . A
n
],
2. Si A
i
= A
j
(con 1 i ,= j n) entonces det[A
1
. . . A
n
] =
0.
3. det(I) = 1.
Por ejemplo la funcion det : K
22
K denida por
det
_
a
11
a
12
a
21
a
22
_
= a
11
a
22
a
12
a
21
es un determinante, puesto que satisface las 3 condiciones ante-
riores. Se puede demostrar que ella es la unica funcion determi-
nante en K
22
.
Si A, B K
nn
entonces no es difcil probar que
det(AB) = det(A) det(B).
Una consecuencia del resultado anterior es que A GL(K
n
)
si y solo si det(A) ,= 0. De esta manera es un autovalor de
A K
nn
si y solo si det(AI) = 0. Note que det(AI) es
un polinomio de grado n con coecientes en K en la variable ,
el cual es llamado el polinomio caracterstico de la matriz A y
al que denotaremos por P
A
(). Las races del polinomio carac-
terstico son los autovalores de A. Concluimos que toda matriz
cuadrada A K
nn
posee n autovalores (contando multiplici-
dad).
1.4 Nociones de Calculo Matricial
Una funcion denida en un intervalo J de la recta real con val-
ores en R
mn
es llamada funcion matricial. En virtud del iso-
morsmo (1.10) cualquier funcion matricial
: J R
mn
t (t) =
_
_
a
11
(t) a
12
(t) a
1n
(t)
a
21
(t) a
22
(t) a
2n
(t)
.
.
.
.
.
.
.
.
.
a
m1
(t) a
m2
(t) a
mn
(t)
_
_
= [a
ij
(t)]
puede ser observada como un camino en R
mn
: J R
nm
t (t) = (a
11
(t), . . . , a
1n
(t), . . . , a
m1
(t), . . . , a
mn
(t))
As, dada una funcion matricial (t) = [a
ij
(t)] R
nm
quedan
automaticamente determinadas una coleccion de nm funciones
reales de variable real a
ij
llamadas funciones coordenadas de A.
Observe que a
ij
: J R, (i, j) I
m,n
. Las propiedades co-
munes a estas funciones coordenadas, caracterizan las propiedades
de la funcion matricial .
Denicion 1.4.1 Sea : J R
mn
una funcion matricial tal
que (t) = [a
ij
(t)], t J. Si t
0
J, decimos que la matriz
A = [a
ij
] R
mn
es el lmite de (t) cuando t tiende a t
0
, lo
que denotamos por lim
tt
0
(t) = A si y solo si lim
tt
0
a
ij
(t) = a
ij
,
(i, j) I
m,n
.
No es difcil probar que se cumplen las reglas usuales del
algebra de lmites (ver ejercicios al nal del captulo).
La continuidad de funciones matriciales se denen tambien
en termino de sus funciones coordenadas.
mn
una funcion matricial tal
que (t) = [a
ij
(t)], t J. Decimos que es continua en
t
0
J si y solo si cada a
ij
es continua en t
0
.
mn
, donde J es un intervalo
abierto. Decimos que es diferenciable en t
0
J si y solo si
existe el siguiente lmite:
lim
tt
0
1
t t
0
[(t) (t
0
)] .
En caso armativo, denotamos por
(t
0
) al lmite anterior.
El lector no tendra dicultad en demostrar el siguiente re-
sultado.
Proposicion 1.4.1 Sea : J R
mn
una funcion matricial
tal que (t) = [a
ij
(t)], t J. es diferenciable en t
0
J
si y solo si a
ij
es diferenciable en t
0
, (i, j) I
m,n
. En caso
armativo se cumple que
(t
0
) = [a
ij
(t
0
)].
Decimos que la funcion matricial : J R
mn
es de
clase C
1
en el intervalo J si y solo si es diferenciable en J
y la funcion derivada
es continua en J. Procediendo por in-

duccion, decimos que es de clase C
k
(k > 1) en el intervalo
J si y solo si
(k1)
es diferenciable en J y la funcion derivada
k-esima
(k)
es continua en J.
En cuanto a la integral de una funcion matricial, tenemos
Denicion 1.4.4 Sea : [a, b] R
mn
una funcion matricial
tal que (t) = (a
ij
(t)), t [a, b]. Decimos que es integrable
en [a, b] si y solo si cada a
ij
es integrable en [a, b]. En caso
armativo se tiene que
_
b
a
(t)dt =
__
b
a
a
ij
(t)dt
_
.
Naturalmente muchas de las reglas del calculo diferencial e
integral que conocemos pueden ser extendidas al calculo matri-
cial. En los ejercicios al nal del captulo, se le pide al lector
que demuestre estas reglas.
Volviendo al estudio de los sistemas de Ecuaciones Diferen-
ciales Ordinarias, resulta claro ahora que si denotamos
x =
_
_
x
1
x
2
.
.
.
x
n
_
_
, F(t, x
1
, . . . , x
n
) =
_
_
F
1
(t, x
1
, . . . , x
n
)
F
2
(t, x
1
, . . . , x
n
)
.
.
.
F
n
(t, x
1
, . . . , x
n
)
_
_
,
entonces el sistema (1.6) se escribe de manera mas compacta
como
x
= F(t, x) (1.11)
Analogamente, una solucion de (1.11) es una funcion
= (
1
, . . . ,
n
) : J R
1n
R
n
diferenciable en J tal que
1. (t, (t)) D, t J.
2.
(t) = F(t, (t)).

1.5 Sistemas Lineales
Un caso particularmente importante de Sistema de Ecuaciones
Diferenciales Ordinarias viene dado cuando las funciones F
1
,
. . . F
n
son del tipo
F
i
(t, x
1
, x
2
, . . . , x
n
) = a
i1
(t)x
1
+a
i2
(t)x
2
+ +a
in
(t)x
n
+b
i
(t),
en donde a
ij
y b
i
(1 i, j n) son funciones dadas denidas en
un cierto intervalo J de la recta real R y con valores en R. En
este caso el sistema (1.6) toma la forma
1
= a
11
(t)x
1
+a
12
(t)x
2
+ +a
1n
(t)x
n
+b
1
(t)
x
2
= a
21
(t)x
1
+a
22
(t)x
2
+ +a
2n
(t)x
n
+b
2
(t)
.
.
.
.
.
.
x
n
= a
n1
(t)x
1
+a
n2
(t)x
2
+ +a
nn
(t)x
n
+b
n
(t)
(1.12)
El sistema (1.12) recibe el nombre de Sistema de Ecuaciones
Diferenciales Ordinarias Lineales. Si denotamos
x =
_
_
x
1
x
2
.
.
.
x
n
_
_
, b(t) =
_
_
b
1
(t)
b
2
(t)
.
.
.
b
n
(t)
_
_
y
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)
_
_
entonces (1.12) toma la forma
x
= A(t)x +b(t) (1.13)

Denicion 1.5.1 Sean A : J R
nn
y b : J R
n1
funciones
matriciales. Una funcion : I R
n1
es una solucion de la
E.D.O. (1.13) si y solo si es diferenciable en el intervalo I J
y se cumple:
(t) = A(t)(t) +b(t), t I.

Ejemplo 1.5.1 Determine una solucion del Sistema
x
= A(t)x +b(t)
en donde
A(t) =
_
1 0
0 t
_
y b(t) =
_
t
0
_
, t R.
Solucion. El sistema dado es equivalente a
1
= x
1
+t
x
2
= tx
2
Usando los metodos estudiados en un primer curso de Ecua-
ciones Diferenciales, no es difcil ver que la solucion de x
1
= x
1
+t
viene dada por
1
(t) = t 1 + C
1
e
t
, t R y la solucion
de x
2
= tx
2
es
2
(t) = C
2
e
1
2
t
2
, t R. Luego, la solucion del
sistema propuesto es:
(t) =
_
t 1 +C
1
e
t
C
2
e
1
2
t
2
_
, t R.
En el ejemplo anterior se observa que existen innitas solu-
ciones del sistema dado (basta darle cualquier valor real a las
constantes C
1
y C
2
), y que cada solucion es una curva diferen-
ciable en R
2
. Esto es un hecho general: Dadas las funciones ma-
triciales A : J R
nn
y b : J R
n1
, el sistema (1.13) tiene
innitas soluciones siendo todas ellas curvas diferenciables en
R
n
. (Note el lector, que estamos identicando geometricamente
el espacio de matrices R
n1
con el espacio vectorial R
n
. De ahora
en adelante, usaremos esta identicacion sin mas comentarios).
En las aplicaciones a menudo se busca una solucion de (1.13)
que cumpla una condicion inicial es decir que tome un valor
determinado x
0
R en un instante t
0
dado. Esto se conoce
como un Problema de Valor Inicial.
Denicion 1.5.2 Sean A : J R
nn
y b : J R
n1
funciones
matriciales. Un Problema de Valor Inicial (P.V.I.) o Problema
de Cauchy asociado a la E.D.O. lineal (1.13) es una expresion
del tipo:
= A(t)x +b(t)
x(t
0
) = x
0
(1.14)
en donde t
0
J y x
0
R
n1
son dados.
Una funcion : I R
n1
denida en el intervalo abierto
I J es una solucion del P.V.I. (1.14) si y solo si es diferen-
ciable en I, t
0
I y se cumple:
(t) = A(t)(t) +b(t), t I.

(t
0
) = x
0
.
La interpretacion geometrica de la solucion del P.V.I. (1.14)
es que de entre todas las soluciones (curvas diferenciables en R
n
)
del sistema dado, escogemos aquella que en el instante t
0
pase
por el punto x
0
del espacio R
n
.
Ejemplo 1.5.2 Determine una solucion del P.V.I.
= A(t)x +b(t)
x(t
0
) = x
0
en donde A(t) y b(t) son como en el Ejemplo 1.5.1, t
0
= 0 y
x
0
=
_
0
1
_
Soluci on. Sabemos que para cualquier par de n umeros reales
C
1
y C
2
, la funcion
(t) =
_
t 1 +C
1
e
t
C
2
e
1
2
t
2
_
, t R.
es solucion de la E.D.O. dada. Usando las condiciones iniciales:
_
0
1
_
= (0) =
_
1 +C
1
C
2
_
de donde C
1
= 1 y C
2
= 1, luego la solucion del P.V.I. propuesto
es
(t) =
_
t 1 +e
t
e
1
2
t
2
_
, t R.
Con respecto al ejemplo anterior, surge una pregunta natu-
ral: Es la funcion hallada la unica solucion del P.V.I. dado?,
dicho de otra manera Es posible que el P.V.I. del Ejemplo 1.5.2
admita mas de una solucion? Por la interpretacion geometrica
de una solucion del P.V.I. que dimos lneas arriba, nosotros
podramos responder que no! puesto que de entre todas las
soluciones posibles (las cuales son curvas en R
2
), hemos elegido
aquella que en el instante t = 0 pase por el punto (0, 1). Notese
que este razonamiento es correcto si supieramos que las solu-
ciones de un sistema son disjuntas (es decir curvas que no se
intersectan). En el caso de nuestro ejemplo, uno podra probar
con un poco de paciencia, que esto es cierto, dos soluciones de la
E.D.O. dada o son iguales o bien son disjuntas. Esta propiedad
se cumplira para cualquier E.D.O.?
De manera mas general: Todo P.V.I. del tipo (1.14) ad-
mite solucion? Si la respuesta es armativa, esta solucion es
unica? en caso contrario bajo que condiciones un P.V.I. admite
solucion?
El Teorema de Existencia y Unicidad para un Sistema Lineal
de Ecuaciones Diferenciales Ordinarias responde a todas estas
interrogantes. Uno de los objetivos del proximo captulo es pro-
bar el Teorema de Existencia y Unicidad.
1.6 Ecuaciones de Orden Superior
Hasta el momento solo hemos visto el caso en que la funcion (o
funciones) incognita estan afectadas por una derivacion, sin em-
bargo, como ya el lector debe haber estudiado en un primer curso
de Ecuaciones Diferenciales, en muchas aplicaciones se presen-
tan modelos matematicos en donde la funcion incognita esta
afectada por una doble derivada (como ocurre en fsica cuando
tenemos como dato la aceleracion) e inclusive por derivadas de
orden mas alto. Tales ecuaciones son llamadas de orden supe-
rior.
Denicion 1.6.1 Sea D R
n+1
y f una funcion denida en
D y con valores reales. La Ecuacion Diferencial Ordinaria de
orden n, asociada a la funcion f es una expresion del tipo
x
(n)
= f(t, x, x
, . . . , x
(n1)
) (1.15)
en donde t es una variable independiente que denota al tiempo,
x depende de t y x
(j)
=
d
j
x
dx
j
, (1 j n).
Como ejemplo consideremos la E.D.O. de segundo orden
mx
+cx
+kx = cos wt (1.16)

la cual describe el movimiento de una masa m suspendida de
un resorte de constante de elasticidad k, sujeta a un mecanismo
que ejerce una amortiguacion constante igual a c y tal que se
ejerce sobre la masa una fuerza exterior periodica cos wt. En
este caso f es una funcion denida en todo R
3
y su regla de
correspondencia viene dada por
f(t, x
1
, x
2
) =
1
m
cos wt
k
m
x
1
c
m
x
2
.
Un caso interesante de la E.D.O. (1.15) ocurre cuando la
funcion f : J R
n
R es de la forma:
f(t, x
1
, . . . , x
n
) = b(t) a
1
(t)x
n
a
2
(t)x
n1
a
n
(t)x
1
(1.17)
en donde a
1
, a
2
, . . . , a
n
y b son funciones a valores reales deni-
das en un mismo intervalo J R y x
1
, x
2
, . . . , x
n
son variables
reales. La E.D.O. de orden n asociada a la funcion (1.17) es
x
(n)
+a
1
(t)x
(n1)
+ +a
n1
(t)x
+a
n
(t)x = b(t), (1.18)
la cual se llama Ecuacion Lineal no Homogenea de orden n.
Como ocurre con los sistemas, para las E.D.O.s de orden n
existe tambien un concepto de Problema de Valor Inicial y el de
su correspondiente solucion.
Denicion 1.6.2 Sean D R
n+1
, f : D R y (t
0
, x
0
0
, x
1
0
, . . . , x
n1
0
)
D.
1. El Problema de Valores Iniciales (P.V.I.) o Problema de
Cauchy asociado a f es dado por
x
(n)
= f(t, x, x
, . . . , x
(n1)
)
x(t
0
) = x
0
0
, x
(t
0
) = x
1
0
, . . . , x
(n1)
(t
0
) = x
n1
0
.
(1.19)
2. Una solucion del P.V.I. (1.19) es una funcion : J R
n-veces diferenciable en el intervalo J R tal que:
(a) t
0
J.
(b)
_
t, (t),
(t), . . . ,
(n1)
(t)
_
D, t J.
(c)
(n)
(t) = f(t, (t),
(t), . . . ,
(n1)
(t)), t J.
(d) (t
0
) = x
0
0
,
(t
0
) = x
1
0
, . . . ,
(n1)
(t
0
) = x
n1
0
.
Como mostramos a continuacion, existe una ntima relacion
entre Ecuaciones Diferenciales de orden n y sistemas de E.D.O.s.
En efecto, consideremos el P.V.I. (1.19) y denamos la funcion
F : D R
n
como
F(t, x
1
, x
2
, . . . , x
n
) = (x
2
, . . . , x
n
, f(t, x
1
, x
2
, . . . , x
n
)). (1.20)
Observe que el P.V.I. asociado a la funcion F es
1
= x
2
, x
1
(t
0
) = x
0
0
x
2
= x
3
, x
2
(t
0
) = x
1
0
.
.
.
.
.
.
x
n1
= x
n
, x
n1
(t
0
) = x
n2
0
x
n
= f(t, x
1
, x
2
, . . . , x
n
), x
n
(t
0
) = x
n1
0
(1.21)
Proposicion 1.6.1 Resolver el P.V.I. de orden n (1.19) es equiv-
alente a resolver el P.V.I. (1.21).
Demostracion. Sea : J R solucion del P.V.I. de orden n
(1.19). Consideremos : J R
n
denida por
(t) = ((t),
(t), . . . ,
(n1)
(t))
un facil calculo muestra que es solucion del P.V.I. (1.21).
Recprocamente, si = (
1
,
2
, . . . ,
n
) : J R
n
es solucion
(1.21), entonces no es difcil ver que la primera coordenada
1
: J R es solucion de (1.19). Dejamos los calculos para
el lector.
Ejemplo 1.6.1 Dada la E.D.O de segundo orden (1.16), hace-
mos el cambio de coordenadas
1
= x
x
2
=
1
m
cos wt
k
m
x
1
c
m
x
2
y obtenemos el sistema
(t) = y
y
(t) =
k
m
x
c
m
y +
1
m
cos wt
Compare el lector con (1.5).
Captulo 2
Sistemas Lineales de
Ecuaciones Diferenciales
Ordinarias con
Coecientes Constantes
En el presente captulo, nos proponemos estudiar Problemas de
Valores Iniciales del tipo
= Ax +b(t)
x(t
0
) = x
0
(2.1)
en donde A R
nn
es una matriz dada, b : J R
n1
es una
funcion matricial denida en el intervalo J, t
0
J, y x
0
R
n1
.
Note que el P.V.I. (2.1) es un caso particular de (1.14) (basta
considerar la funcion matricial constante A(t) = A, t J).
La E.D.O.
x
= Ax +b(t) (2.2)
25
26 Sistemas Lineales de E.D.O.s con Coecientes Constantes
es llamada Sistema Lineal no Homogeneo de Ecuaciones Difer-
enciales Ordinarias con Coecientes Constantes y (2.1) es su
P.V.I. asociado. Cuando b : J R
n1
es la funcion matri-
cial constante cero, decimos que (2.2) es un Sistema Lineal ho-
mogeneo. Vamos a empezar estudiando estos sistemas.
2.1 Sistemas Lineales Homogeneos
En la presente seccion, consideraremos P.V.I.s del tipo
= Ax
x(t
0
) = x
0
(2.3)
en donde A R
nn
es una matriz jada y t
0
R, x
0
R
n1
son dados.
La E.D.O. x
= Ax es llamada Sistema Lineal Homogeneo

de Ecuaciones Diferenciales Ordinarias con Coecientes Con-
stantes y (2.3) es su P.V.I. asociado.
Observe que cuando n = 1, A y x
0
son matrices 1 1, es
decir, n umeros reales. Si denotamos por a R a la matriz
A R
11
, entonces el P.V.I. (2.3) toma la forma:
= ax
x(t
0
) = x
0
(2.4)
Como es bien conocido, la unica solucion del P.V.I. escalar
(2.4) es dada por
(t) = x
0
e
a(tt
0
)
, (2.5)
la cual esta denida para todo t R. En los ejemplos siguientes,
veremos como este resultado puede ser usado para resolver al-
gunos sistemas de P.V.I.
Ejemplo 2.1.1 Resolver el siguiente P.V.I.:
1
= 2x
1
, x
1
(0) = 1
x
2
= 3x
2
, x
2
(0) = 1
Soluci on. De acuerdo a (2.5) las soluciones de los P.V.I.s
1
= 2x
1
x
1
(0) = 1
y
2
= 3x
2
x
2
(0) = 1
son, respectivamente
1
(t) = e
2t
y
2
(t) = e
3t
las cuales
estan denidas en todo R, luego la solucion del P.V.I. dado es:
: R R
2
t (t) = (e
2t
, e
3t
)

Ejemplo 2.1.2 Resolver el P.V.I.:
1
=
1
x
1
, x
1
(0) = x
1
0
x
2
=
2
x
2
, x
2
(0) = x
2
0
.
.
.
.
.
.
.
.
.
.
.
.
x
n
=
n
x
n
, x
n
(0) = x
n
0
Soluci on. Desde que
i
(t) = x
i
0
e
i
t
, t R es solucion de
i
=
i
x
i
x
i
(0) = x
i
0
en donde 1 i n, tenemos que la solucion del P.V.I. propuesto
es
: R R
n
t (t) = (x
1
0
e
1
t
, x
2
0
e
2
t
, , x
n
0
e
nt
).

Ejemplo 2.1.3 Resolver el P.V.I.:
1
= 2x
1
+ 3x
2
, x
1
(0) = 0
x
2
= 2x
2
, x
2
(0) = 1
Solucion. En primer lugar, observe que este ejemplo diere un
poco de los dos anteriores puesto que ahora el P.V.I.
1
= 2x
1
+ 3x
2
x
1
(0) = 0
(2.6)
no es del tipo (2.4), sin embargo la solucion de
2
= 2x
2
x
2
(0) = 1
es dada por
2
(t) = e
2t
, t R. Reemplazando este resultado
en (2.6), tenemos
1
= 2x
1
+ 3e
2t
x
1
(0) = 0
cuya solucion (usando los metodos que se dan en un primer curso
de Ecuaciones Diferenciales) es dada por
1
(t) =
3
4
e
2t
+
3
4
e
2t
,
t R.
De esta manera, la solucion del P.V.I. propuesto es dada por:
: R R
2
t (t) = (
3
4
e
2t
+
3
4
e
2t
, e
2t
).

Observaciones:
1. Los tres ejemplos anteriores podran dejar al lector la im-
presion de que las tecnicas aprendidas en un curso basico
de Ecuaciones Diferenciales, son sucientes para resolver
P.V.I.s del tipo (2.3). Nada mas falso, en efecto, trate de
resolver como en los ejemplos anteriores, el P.V.I.
1
= 5x
1
+ 3x
2
, x
1
(0) = x
1
0
x
2
= 6x
1
4x
2
, x
2
(0) = x
2
0
2. Las matrices asociadas a los P.V.Is de los Ejemplos 2.1.1,
2.1.2 y 2.1.3 son, respectivamente:
_
2 0
0 3
_
,
_
1
0 0
0
2
0
.
.
.
.
.
.
.
.
.
.
.
.
0 0
n
_
_
y
_
2 3
0 2
_
mientras que la matriz asociada al P.V.I. de la Observacion
1 es
_
5 3
6 4
_
.
Inmediatamente se observa que las tres primeras matrices
son triangulares superiores (inclusive las dos primeras son
matrices diagonales) mientras que la cuarta no lo es. El
hecho que una matriz no sea triangular trae como conse-
cuencia que en su P.V.I. asociado, las funciones incognitas
x
1
, x
2
, . . . , x
n
esten mezcladas entre s lo cual hace que
no se pueda aplicar el metodo usado en los 3 ejemplos
dados en la seccion.
3. Prestemos por una vez mas nuestra atencion al P.V.I. de
la Observacion 1. Considerando el cambio lineal de coor-
denadas
L : R
2
R
2
(x
1
, x
2
) L(x
1
, x
2
) = (2x
1
+x
2
, x
1
x
2
) = (y
1
, y
2
)
tenemos:
y
1
= 2x
1
+x
2
= 2(5x
1
+ 3x
2
) + (6x
1
4x
2
)
= 4x
1
+ 2x
2
= 2(2x
1
+x
2
) = 2y
1
y
y
2
= x
1
x
2
= (5x
1
+ 3x
2
) (6x
1
4x
2
)
= x
1
+x
2
= (x
1
x
2
) = y
2
Luego el cambio de coordenadas lineal L transforma el
P.V.I. dado en el P.V.I.
1
= 2y
1
, y
1
(0) = y
1
0
y
2
= y
2
, y
2
(0) = y
2
0
donde
(y
1
0
, y
2
0
) = L(x
1
0
, x
2
0
) = (2x
1
0
+x
2
0
, x
1
0
x
2
0
),
cuya solucion es dada por:
: R R
2
t (t) = (y
1
0
e
2t
, y
2
0
e
t
)
Desde que L es una transformacion lineal inversible cuya
inversa L
1
es dada por
L
1
: R
2
R
2
(y
1
, y
2
) L
1
(y
1
, y
2
) = (y
1
+y
2
, y
1
2y
2
) = (x
1
, x
2
)
podemos retornar a las variables originales x
1
y x
2
usando
L
1
y obtenemos:
(t) = L
1
((t)) = L
1
_
y
1
0
e
2t
, y
2
0
e
t
_
=
_
y
1
0
e
2t
+y
2
0
e
t
, y
1
0
e
2t
+ 2y
2
0
e
t
_
.
De esta manera
: R R
2
t (t)
dada por
(t) =
_
_
(2x
1
0
+x
2
0
)e
2t
(x
1
0
+x
2
0
)e
t
(2x
1
0
+x
2
0
)e
2t
+ 2(x
1
0
+x
2
0
)e
t
_
_
es solucion del P.V.I. original.
El lector debe guardar en mente que, por un cambio ade-
cuado de coordenadas (en este caso lineal) L, hemos trans-
formado un P.V.I. en donde sus incognitas estan mez-
cladas en otro P.V.I. tal que su matriz asociada sea di-
agonal (y por lo tanto pueden usarse las tecnicas elemen-
tales de los ejemplos anteriores). Surgen de manera in-
mediata las siguientes preguntas: Como se obtuvo la
Transformacion Lineal L?, existe una manera sistematica
de obtener L? Este metodo puede ser generalizado a
cualquier P.V.I. con cualquier n umero de variables? Todas
estas preguntas seran respondidas conforme avancemos en
este captulo.
Volviendo a nuestro estudio, estamos interesados en saber si
el P.V.I. (2.3) admite solucion unica. Ya sabemos que cuando
n = 1, la solucion es dada por (t) = x
0
e
at
, procediendo por
analoga (un metodo muy usado en matematica), es de esperar
que para el caso en que A R
nn
, una funcion del tipo (t) =
x
0
e
tA
sea solucion de (2.3), pero tiene sentido la expresion an-
terior? Observe que si A es una matriz n n, tambien lo es tA
(para cualquier t R) luego e
tA
es la exponencial de una matriz
cuadrada. Se deduce que si queremos que nuestro metodo tenga
exito, lo primero que debemos hacer es denir lo que entende-
mos por exponencial de una matriz. Con este objetivo en mente,
recordemos que si a R (o a un en C) entonces el n umero real
(o complejo) e
a
queda denido por una serie de potencias del
tipo
e
a
=
k=0
1
k!
a
k
= 1 +a +
1
2!
a
2
+
1
3!
a
3
+
la cual es convergente para cualquier a. La serie anterior
tiene sentido si reemplazamos el n umero real a por una ma-
triz cuadrada A? En primer lugar, sabemos que R
nn
es un
anillo con elemento identidad
I =
_
_
1 0 0
0 1 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 1
_
_
.
En este anillo de matrices cuadradas se cumple que si A
R
nn
y c R entonces cA R
nn
, luego si A R
nn
y k Z
+
,
entonces
1
k!
A
k
R
nn
, se desprende que
m
k=0
1
k!
A
k
= I +A +
1
2!
A
2
+ +
1
m!
A
m
R
nn
para todo m Z
+
(estamos usando la notacion A
0
= I). Si la
sucesion de matrices cuadradas
m
k=0
1
k!
A
k
tuviera lmite cuando
m tiende al innito, entonces este lmite sera el candidato a ser
la exponencial de la matriz A.
En resumen, una manera de resolver el P.V.I. (2.3) sera in-
troduciendo el concepto de exponencial de una matriz cuadrada
y para ello necesitamos estudiar la nocion de convergencia de
sucesiones y series de matrices. Esto es justamente lo que hare-
mos en la proxima seccion.
2.2 Sucesiones y Series de Matrices
En la presente seccion solamente vamos a trabajar con ma-
trices cuadradas de orden n, sin embargo, todos los resulta-
dos obtenidos pueden ser generalizados sin dicultad a matrices
n m.
Sea [ [ una norma en R
n
(puede ser la euclidiana), sabemos
que la bola unitaria cerrada B
1
[0] = x R
n
; [x[ 1 es un
subconjunto compacto de R
n
. Dada A R
nn
, consideremos su
transformacion lineal asociada
T
A
: R
n
R
n
x T
A
(x) = Ax,
claramente T
A
es una funcion continua en R
n
, luego [T
A
(x)[
alcanza su maximo sobre la bola B
1
[0], denotemos por | A | a
este maximo, i.e.
| A |= max[Ax[; x B
1
[0]
Observe que a cada matriz A R
nn
le hemos asociado el
n umero real | A |.
Proposicion 2.2.1 Se cumplen las siguientes propiedades:
1. | A | 0, A R
nn
.
2. | A | = 0 = A = .
3. | rA | = [r[ | A |, A R
nn
, r R
n
.
4. | A +B | | A | + | B |, A, B R
nn
.
Demostracion. Probaremos solamente (3.) las demas quedaran
como ejercicio para el lector.
| rA | = max[(rA)x[; x B
1
[0] = max[r[ [Ax[; x B
1
[0]
= [r[ max[Ax[; x B
1
[0] = [r[ | A |
Observacion: De acuerdo a la proposicion anterior, la funcion
| | : R
nn
R
A | A |= max[Ax[; x B
1
[0],
es una norma sobre R
nn
la que llamaremos Norma Uniforme
en R
nn
asociada a [ [.
Lema 2.2.1 Sea [ [ : R
n
R una norma en R
n
. Entonces
la norma uniforme | | en R
nn
asociada a [ [, satisface las
siguientes propiedades:
1. [Ax[ | A | [x[, A R
nn
, x R
n
.
2. | AB | | A | | B |, A, B R
nn
.
3. | A
m
| | A |
m
, A R
nn
, m N.
El siguiente resultado establece una relacion entre la norma
de una matriz y la norma de sus entradas.
Lema 2.2.2 Dada A = [a
ij
] R
nn
, existen constantes positi-
vas C
1
y C
2
(independientes de la matriz A) tales que
C
1
[a
ij
[ |A| C
2
n
i,j=1
[a
ij
[.
Como (R
nn
, | |) es un espacio normado, podemos denir
el concepto de lmite de una sucesion de matrices.
Denicion 2.2.1 Una sucesion de matrices en R
nn
es una
funcion que a cada n umero natural k le asocia una matriz A
k

R
nn
llamada el k-esimo termino de la sucesion. En este caso
escribiremos (A
k
) R
nn
.
Ejemplo 2.2.1 Dada A R
nn
denimos A
k
=
1
k!
A
k
, k
0. Luego (A
k
) R
nn
.
Denicion 2.2.2 Dados (A
k
) R
nn
y A R
nn
, decimos
que A es el lmite de la sucesion (A
k
), lo que denotaremos por
lim
k
A
k
= A, si y solo si para todo > 0 existe un k
0
N tal
que si k k
0
entonces |A
k
A| < . Cuando una sucesion
de matrices tiene lmite, decimos que es convergente, en caso
contrario se le llama divergente.
El siguiente resultado establece que una condicion necesaria
y suciente para que una sucesion de matrices tenga lmite es que
todas sus entradas formen sucesiones convergentes de n umeros
reales.
Teorema 2.2.2 Sean (A
k
) R
nn
y A R
nn
tales que A
k
=
[a
k
ij
] y A = [a
ij
]. Se cumple
lim
k
A
k
= A lim
k
a
k
ij
= a
ij
, (i, j) I
n,n
.
A toda sucesion (A
k
) R
nn
, le podemos asociar una nueva
sucesion (S
k
) R
nn
, denida por: S
0
= A
0
, S
1
= A
0
+ A
1
,
S
2
= A
0
+A
1
+A
2
, en general:
S
k
=
k
j=0
A
j
, k 0.
(S
k
) R
nn
es llamada sucesion de sumas parciales asociada a
(A
k
) R
nn
. Para hacer notar que (S
k
) R
nn
depende de
la sucesion original (A
k
) R
nn
, denotaremos (S
k
) =
k,0
A
k
,
k,0
A
k
es llamada serie de matrices. Decimos que la serie
k,0
A
k
es convergente si y solo si la sucesion de sumas parciales (S
k
)
R
nn
es convergente y a su lmite lo denotaremos por
k=0
A
k
.
Damos a continuacion una caracterizacion bastante util del
concepto de convergencia de una serie de matrices.
Teorema 2.2.3 (Criterio de Cauchy) Sea (A
k
) R
nn
. Las
armaciones siguientes son equivalentes:
1.
k,0
A
k
es convergente.
2. Dado > 0, existe un k
0
N tal que si m, k k
0
entonces
_
_
_
_
_
m
j=0
A
j

k
j=0
A
j
_
_
_
_
_
< .
Finalizamos la seccion con un criterio bastante util de con-
vergencia.
Teorema 2.2.4 Si (A
k
) R
nn
es tal que la serie de n umeros
reales
k,0
|A
k
| es convergente, entonces la serie de matrices
k,0
A
k
tambien es convergente y se cumple
_
_
_
_
_
k=0
A
k
_
_
_
_
_

k=0
|A
k
|.
2.3 Exponencial de una Matriz
El objetivo central de esta seccion, es denir el concepto de
exponencial de una matriz cuadrada y estudiar sus principales
propiedades.
Teorema 2.3.1 La serie
j,0
1
j!
A
j
es convergente, A R
nn
.
Demostracion. Dado j 0 se cumple:
_
_
_
_
1
j!
A
j
_
_
_
_
=
1
j!
|A
j
|
1
j!
|A|
j
Como la serie de n umeros reales
j,0
|A|
j
j!
es convergente, por
el Criterio de Comparacion
j,0
_
_
_
_
A
j
j!
_
_
_
_
es convergente, y por el
Teorema 2.2.4, concluimos que la serie de matrices
j,0
1
j!
A
j
es
convergente.
Denicion 2.3.1 Dada la matriz A R
nn
, la exponencial de
A, denotada por exp(A) o e
A
, es la matriz de R
nn
denida por
exp(A) =
j=0
1
j!
A
j
Ejemplo 2.3.1 Si A =
_
_
0 1 0
0 0 1
0 0 0
_
_
R
33
, determine e
A
.
Solucion: Es facil ver que A
2
=
_
_
0 0 1
0 0 0
0 0 0
_
_
y A
j
=
_
_
0 0 0
0 0 0
0 0 0
_
_
,
j 3, luego:
e
A
= I +A +
1
2
A
2
=
_
_
1 1
1
2
0 1 1
0 0 1
_
_
.
Observaciones:
1. La exponencial es una funcion que a una matriz le asocia
una nueva matriz, es decir:
exp : R
nn
R
nn
A exp(A) = e
A
2. | exp(A)| e
A
, A R
nn
.
3. e
= I.
4. Si A R
11
entonces A puede ser identicado con un
n umero real, luego la exponencial de una matriz cuadrada
es la generalizacion natural de la funcion exponencial que
se estudia en el Calculo.
Sabemos que la funcion exponencial cumple la propiedad:
e
(a+b)
= e
a
e
b
, a, b R.
Teorema 2.3.2 Sean A, B R
nn
, Se cumplen las siguientes
armaciones:
i) e
PAP
1
= Pe
A
P
1
, P GL(R
n
).
ii) Si AB = BA entonces e
A+B
= e
A
e
B
.
iii) (e
A
)
1
= e
A
.
Ejemplo 2.3.2 En lo sucesivo, denotaremos por diag [
1
,
2
, ,
n
]
R
nn
a las matrices diagonales
_
1
0 . . . 0
0
2
. . . 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 . . .
n
_
_
Armo que si D = diag [
1
,
2
, ,
n
] R
nn
entonces:
e
D
= diag [e
1
, e
2
, , e
n
].
En efecto, por induccion, es facil probar que:
D
j
= diag [
j
1
,
j
2
, ,
j
n
], j N,
luego, para cualquier m 0 dado, tenemos
m
j=0
1
j!
D
j
=
m
j=0
1
j!
diag [
j
1
,
j
2
, ,
j
n
]
=
m
j=0
diag
_
1
j!
j
1
,
1
j!
j
2
, ,
1
j!
j
n
_
= diag
_
m
j=0
1
j!
j
1
,
m
j=0
1
j!
j
2
, ,
m
j=0
1
j!
j
n
_
Entonces
e
D
=
j=0
1
j!
D
j
= lim
m
m
j=0
1
j!
D
j
= diag
_

j=0
1
j!
j
1
,
j=0
1
j!
j
2
, ,
j=0
1
j!
j
n
_
= diag [e
1
, e
2
, , e
n
],
lo cual prueba la armacion.
Como caso particular, observe que la matriz identidad I
R
nn
puede escribirse como matriz diagonal I = diag [1, 1, , 1]
y si R entonces I = diag [, , , ], luego
e
I
= diag [e
, e
, , e
] = e
diag [1, 1, , 1] = e
I.
Ejemplo 2.3.3 Decimos que A R
nn
es una matriz nilpo-
tente si y solo si existe n N tal que A
n
= . Dada A R
nn
nilpotente, sea r = minn A
n
= , es decir A
j
,= para
todo 0 j < r y A
r
= . Este n umero r es llamado orden de
nilpotencia de la matriz A.
Si A R
nn
una matriz nilpotente de orden de nilpotencia
r, entonces se cumple
e
A
= I +A +
1
2!
A
2
+ +
1
(r 1)!
A
r1
.
Ejemplo 2.3.4 Sea
A =
_
a b
b a
_
R
22
.
Con la nalidad de calcular e
A
, consideremos r =
a
2
+b
2
.
Entonces existe un unico [0, 2[ tal que
a +ib = re
i
= r(cos +i sen ) = r cos +ir sen .
Luego
A = r
_
cos sen
sen cos
_
.
Dado j N, se sigue que
A
j
= r
j
_
cos j sen j
sen j cos j
_
Entonces
e
A
= lim
k
k
j=0
A
j
j!
= lim
k
k
j=0
r
j
j!
_
cos j sen j
sen j cos j
_
= lim
k
_
_
k
j=0
r
j
j!
cos j
k
j=0
r
j
j!
sen j
j=0
r
j
j!
sen j
k
j=0
r
j
j!
cos j
_
_
Luego
e
A
=
_
j=0
r
j
j!
cos j
j=0
r
j
j!
sen j
j=0
r
j
j!
sen j
j=0
r
j
j!
cos j
_
_
(2.7)
Por otro lado:
e
a+ib
=
j=0
(a +ib)
j
j!
=
j=0
(re
i
)
j
j!
=
j=0
r
j
e
ij
j!
,
esto implica
e
a
(cos b +i sen b) =
j=0
r
j
j!
(cos j +i sen j),
de donde
e
a
cos b =
j=0
r
j
j!
cos j, e
a
sen b =
j=0
r
j
j!
sen j. (2.8)
Reemplazando (2.8) en (2.7), obtenemos
e
A
=
_
e
a
cos b e
a
sen b
e
a
sen b e
a
cos b
_
= e
a
_
cos b sen b
sen b cos b
_
.
Por lo tanto hemos probado que si
A =
_
a b
b a
_
R
22
entonces
e
A
= e
a
_
cos b sen b
sen b cos b
_
.
Ejemplo 2.3.5 Sea A =
_
1
0
_
R
22
, vamos a calcular
e
A
.
En primer lugar, observe que A = I +N, donde
N =
_
0 1
0 0
_
.
Es facil ver que N
2
= (es decir N es una matriz nilpotente
con orden de nilpotencia 2) y que I y N conmutan, luego:
e
A
= e
I+N
= e
I
e
N
= (e
I)(I +N) = e
_
1 1
0 1
_
.
2.4 El Teorema de Existencia y Uni-
cidad de E.D.O. Lineales
En la presente seccion presentamos la demostracion del Teorema
de existencia y unicidad para un sistema de ecuaciones diferen-
ciales ordinarias con coecientes reales constantes. Para ello,
necesitamos algunas deniciones y propiedades previas.
Dada la matriz A R
nn
, para cualquier t R es claro
que tA R
nn
y por consiguiente e
tA
R
nn
. Luego podemos
denir
A
: R R
nn
t
A
(t) = e
tA
Observe que
A
es un camino en el espacio de matrices cuadradas
n n. El siguiente resultado nos dice que
A
es diferenciable,
mas especcamente:
Proposicion 2.4.1 Si A R
nn
, entonces
A
(t) = e
tA
A = Ae
tA
, t R.
Demostracion. Por denicion de derivada:
A
(t) = lim
h0
A
(t +h)
A
(t)
h
= lim
h0
e
(t+h)A
e
tA
h
= lim
h0
e
tA+hA
e
tA
h
= lim
h0
e
tA
e
hA
e
tA
h
Luego
A
(t) = lim
h0
e
tA
(e
hA
I)
h
(2.9)
Pero e
hA
I = hA +
1
2!
(hA)
2
+
1
3!
(hA)
3
+ , luego
e
hA
I
h
= A +
1
2!
hA
2
+
1
3!
h
2
A
3
+
Reemplazando en (2.9):
A
(t) = lim
h0
e
tA
_
A +
1
2!
hA
2
+
1
3!
h
2
A
3
+
_
= e
tA
A.
Analogamente se prueba que
A
(t) = Ae
tA
.
Corolario. La funcion
A
: R R
nn
es de clase C
en R.
Teorema 2.4.2 (Teorema de Existencia y Unicidad) Si A
R
nn
y x
0
R
n
, entonces la unica solucion del P.V.I.
= Ax
x(0) = x
0
(2.10)
es dada por
: R R
n
t (t) = e
tA
x
0
.
Demostracion. Por la Proposicion 2.4.1:
(t) = (Ae
tA
)x
0
= A(e
tA
x
0
) = A(t), t R,
ademas
(0) = e
0A
x
0
= e
x
0
= x
0
.
Por lo tanto es solucion del P.V.I. (2.10).
Para probar la unicidad, sea : R R
n
otra solucion del
P.V.I. (2.10). Deno
f : R R
n
t f(t) = e
tA
(t).
Se cumple
f
(t) = e
tA
(A)(t) +e
tA
(t) = e
tA
A(t) +e
tA
A(t) = 0
luego f
(t) = 0, t R. Se sigue que f(t) = C R

n
, t R.
En particular C = f(0) = e
0A
(0) = Ix
0
= x
0
, de donde
f(t) = x
0
. De esta manera e
tA
(t) = x
0
, es decir (t) =
e
tA
x
0
= (t), t R.
Se debe observar que en el teorema anterior, el instante ini-
cial t = 0 puede ser reemplazado por cualquier t = t
0
R,
esto es precisamente lo que nos dice el siguiente corolario cuya
demostracion es dejada al lector.
Corolario 1. Si A R
nn
, x
0
R
n
y t
0
R, entonces la unica
solucion del P.V.I.
= Ax
x(t
0
) = x
0
(2.11)
es dada por
: R R
n
t (t) = e
(tt
0
)A
x
0
.
Corolario 2. El P.V.I. lineal homogeneo de orden n
x
(n)
+a
1
x
(n1)
+ +a
n1
x
+a
n
x = 0
x(t
0
) = x
0
0
, x
(t
0
) = x
1
0
, . . . , x
(n1)
(t
0
) = x
n1
0
.
(en donde a
1
, . . . , a
n
R, y t
0
, x
0
0
, . . . x
n1
0
R), admite una
unica solucion denida en R.
2.5 Formas can onicas y calculo de la
exponencial de una matriz
Hasta ahora solo sabemos calcular la exponencial de algunas
matrices especiales (ver los ejemplos de la seccion 2.3). Vamos
a agregar a esa lista algunos otros casos mas.
Ejemplo 2.5.1 Sea A R
nn
de la forma
A =
_
_
A
1

n
1
n
2

n
1
nm
n
2
n
1
A
2

n
2
nm
.
.
.
.
.
.
.
.
.
.
.
.
nmn
1

nmn
2
A
m
_
_
donde A
i
R
n
i
n
i
, 1 i m,
n
i
n
j
es la matriz cero de
R
n
i
n
j
y n
1
+ n
2
+ + n
m
= n. Tales matrices son llamadas
matrices diagonales por bloques y las denotaremos por
diag [A
1
, A
2
, , A
m
].
No es difcil probar que si A = diag [A
1
, A
2
, , A
m
] entonces
para cualquier k N se tiene:
A
k
= diag [A
k
1
, A
k
2
, , A
k
m
],
luego:
e
A
= diag [e
A
1
, e
A
2
, , e
Am
].
(Compare con el Ejemplo 2.3.2).
nn
de la forma: A = I + N
n
en
donde R y
N
n
=
_
_
0 1 0 0
0 0 1 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 1
0 0 0 0
_
_
R
nn
Observe que
N
2
n
=
_
_
0 0 1 0 0
0 0 0 1 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 0 0
_
_
, . . . , N
n1
n
=
_
_
0 0 0 0 1
0 0 0 0 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 0 0
_
_
y N
n
n
= , es decir N
n
es una matriz nilpotente con orden de
nilpotencia n. Para calcular e
A
en primer lugar observamos que
(I)N
n
= (N
n
I) = N
n
(I), luego
e
A
= e
I+Nn
= e
I
e
Nn
(2.12)
Sabemos que
e
I
= e
I (2.13)
Por otro lado
e
Nn
= I +N
n
+
1
2!
N
2
n
+ +
1
(n 1)!
N
n1
n
=
_
_
1 1
1
2!

1
(n2)!
1
(n1)!
0 1 1
1
(n3)!
1
(n2)!
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 1 1
0 0 0 0 1
_
_
(2.14)
Reemplazando (2.13) y (2.14) en (2.12) obtenemos:
e
A
= e
_
1 1
1
2!

1
(n2)!
1
(n1)!
0 1 1
1
(n3)!
1
(n2)!
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 1 1
0 0 0 0 1
_
_
(Compare con el Ejemplo 2.3.5).
Ejemplo 2.5.3 Denotemos
I
2
(a; b) =
_
a b
b a
_
R
22
.
Por el Ejemplo 2.3.4 tenemos
e
I
2
(a;b)
= e
a
_
cos b sen b
sen b cos b
_
= e
a
R
2
(b).
Llamemos
J
2n
(a, b) = diag [I
2
(a; b), I
2
(a; b), , I
2
(a; b)] R
2n2n
.
Sea A R
2n2n
matriz de la forma
A = J
2n
(a, b) +N
2
2n
,
donde
N
2
n
=
_
_
0 0 1 0 0
0 0 0 1 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 0 0
_
_
=
_
_
I
I
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
I

_
_
No es difcil probar que J
2n
(a, b)N
2
2n
= N
2
2n
J
2n
(a, b); luego:
e
A
= e
J
2n
(a,b)
e
N
2
2n
= diag [e
I
2
(a;b)
, , e
I
2
(a;b)
]e
N
2
2n
= diag [e
a
R
2
(b), , e
a
R
2
(b)]e
N
2
2n
= e
a
diag [R
2
(b), , R
2
(b)]e
N
2
2n
Concluimos que
e
A
= e
a
diag [R
2
(b), , R
2
(b)]e
N
2
2n
.
En resumen, los ejemplos anteriores nos muestra como cal-
cular la exponencial de A, cuando A es una matriz de la forma:
Diagonal por bloques,
I +N
n
,
J
2n
(a, b) +N
2
2n
.
Como calcular la exponencial de cualquier matriz A R
nn
?
Un resultado bien conocido del algebra lineal (el cual enunciare-
mos a continuacion), establece que no necesitamos mas esfuerzo,
puesto que toda matriz cuadrada real puede reducirse a alguno
de los tres tipos anteriores.
Teorema 2.5.1 (Forma Canonica de Jordan para matri-
ces reales) Si A R
nn
, entonces existe una matriz P
GL(R
n
) tal que
PAP
1
= J
A
= diag [J
1
, J
2
, , J
m
],
donde cada J
i
es una matriz cuadrada de la forma:
1. J
i
=
i
I +N
n
i
, si
i
es un autovalor real de A.
2. J
j
= J
2n
j
(a
j
, b
j
)+N
2
2n
j
, si a
j
+ib
j
es un autovalor complejo
de A.
Ademas, la suma de los ordenes de los bloques de la forma
i
I+N
n
i
es igual a la multiplicidad de
i
como raz del polinomio
caracterstico de A mientras que la suma de los ordenes de los
bloques de la forma J
2n
j
(a
j
; b
j
) + N
2
2n
j
es igual al doble de la
multiplicidad de a
j
+ib
j
como raz del polinomio caracterstico
de A.
La matriz J
A
R
nn
es llamada Forma Canonica de Jordan
(Real) de A y ella es unica salvo el orden de los bloques y el signo
de la parte imaginaria b
j
de las races complejas del polinomio
caracterstico de A.
Observe que J
A
es una matriz diagonal por bloques y que
sus bloques son matrices del tipo
i
I + N
n
i
, o J
2n
j
(a
j
, b
j
) +
N
2
2n
j
. De los ejemplos del inicio de la seccion, se sigue que
podemos calcular sin mayores dicultades la exponencial de J
A
.
Finalmente, para determinar e
A
hacemos uso del Teorema 2.3.2
- (i). En efecto, sabemos que A = P
1
J
A
P, luego
e
A
= e
P
1
J
A
P
= P
1
e
J
A
P.
2.6 Sistemas Lineales no Homogeneos
Finalizamos el captulo estudiando las soluciones de los Sistemas
Lineales no Homogeneos con Coecientes Constantes. Como
veremos a continuacion, la manera de resolver tales E.D.O.s
es completamente analoga al caso escalar que se estudia en los
cursos basicos de Ecuaciones Diferenciales.
Consideremos el P.V.I.
= Ax +b(t)
x(t
0
) = x
0
(2.15)
en donde A R
nn
es una matriz dada, b : J R
n1
es una
funcion matricial continua en el intervalo J, t
0
J, y x
0
R
n1
.
Supongamos que : J R
n
es solucion de (2.15), multi-
plicando ambos miembros de
(t) = A(t) +b(t) por el factor

integrante e
tA
y operando, tenemos
d
dt
_
e
tA
(t)
_
= e
tA
b(t), t J (2.16)
Luego si integramos ambos miembros de (2.16) entre t
0
y t J,
por el Teorema Fundamental del Calculo, se llega a
e
tA
(t) e
t
0
A
(t
0
) =
_
t
t
0
e
sA
b(s)ds.
Multiplicando por e
tA
y operando, se obtiene
(t) = e
(tt
0
)A
x
0
+e
tA
_
t
t
0
e
sA
b(s)ds (2.17)
Un facil calculo nos lleva a concluir que la funcion : J R
n
cuya regla de correspondencia es dada por (2.17) es solucion
del P.V.I. (2.15). Esta solucion es unica? Supongamos que
: J R
n
es otra solucion de (2.15), no es difcil probar que
: J R
n
es solucion del P.V.I. homogeneo
= Ax
x(t
0
) = 0
(2.18)
Pero la unica solucion de (2.18) es la funcion constante cero,
concluimos que = y de esta manera (2.15) admite una unica
solucion. Resumimos los resultados obtenidos en el siguiente
teorema.
Teorema 2.6.1 Sea A R
nn
es una matriz dada, b : J
R
n1
es una funcion matricial continua en el intervalo J, t
0
J,
y x
0
R
n1
. Entonces la unica solucion del P.V.I.
= Ax +b(t)
x(t
0
) = x
0
es dada por : J R
n
donde
(t) = e
(tt
0
)A
x
0
+e
tA
_
t
t
0
e
sA
b(s)ds, t J.
Corolario. El P.V.I. lineal no homogeneo de orden n
x
(n)
+a
1
x
(n1)
+ +a
n1
x
+a
n
x = b(t)
x(t
0
) = x
0
0
, x
(t
0
) = x
1
0
, . . . , x
(n1)
(t
0
) = x
n1
0
.
(en donde a
1
, . . . , a
n
R, b
0
: J R es una funcion continua
denida en el intervalo J y t
0
, x
0
0
, . . . x
n1
0
R), admite una
unica solucion denida en J.
Observaciones:
1. Sean las funciones
h
,
p
: J R
n
denidas por
h
(t) =
e
(tt
0
)A
x
0
y
p
(t) = e
tA
_
t
t
0
e
sA
b(s)ds. Observe que
h
es
solucion del P.V.I. homogeneo
= Ax
x(t
0
) = x
0
mientras que
p
(t) es una solucion del P.V.I.
= Ax +b(t)
x(t
0
) = 0
2. No obstante tener una formula explcita para resolver Prob-
lemas de Valores Iniciales Lineales no Homogeneos con
Coecientes Constantes, los calculos envueltos son muy
engorrosos y en muchos casos no es posible obtener solu-
ciones explcitas. Esto sucede a un en el caso n = 2.
Captulo 3
Teora Cualitativa de las
E.D.O.s Lineales
Por lo hecho en el captulo anterior, el lector podra pensar que
ya no habra nada mas que hacer en cuanto a los sistemas lin-
eales con coecientes constantes, puesto que sabemos que su
solucion existe, es unica, tenemos una formula explcita para su
solucion e incluso, con auxilio del algebra lineal podemos pasar a
un sistema de coordenadas en el que la matriz asociada al nuevo
P.V.I. sea una matriz diagonal por bloques (forma canonica de
Jordan) en donde los bloques son tales que resulta facil calcular
su exponencial y nalmente volver al sistema de coordenadas
originales. Entonces por que seguir estudiando los sistemas
lineales con coecientes constantes?. La respuesta a esta in-
terrogante es bastante simple: para poder encontrar la forma
canonica de Jordan de una matriz A R
nn
necesitamos antes
que nada conocer sus autovalores los cuales, como sabemos, son
races del polinomio caracterstico P
A
(). Ahora bien, P
A
() es
54
un polinomio de grado n y como el lector debe saber, no ex-
iste una formula (por radicales) que nos permita hallar todas
las races de un polinomio de grado mayor que o igual a 5. Una
consecuencia de la no existencia de esta formula es que, salvo en
casos particulares, solo podemos conocer los autovalores de la
matriz A R
nn
(n 5) de una manera aproximada se deduce
que los autovectores (y por lo tanto la matriz P
1
) tambien
seran aproximados y la propia forma canonica de Jordan es una
matriz aproximada. Cuanto se diferencia la solucion aprox-
imada de la solucion teorica? Intuitivamente podemos ver
que en las vecindades del instante inicial t
0
la solucion aprox-
imada representa bastante bien a la solucion teorica, pero
esto deja de ser valido para valores de t muy lejanos del t
0
.
El Analisis Numerico nos proporciona tecnicas para estudiar la
solucion aproximada y controlar el error cometido al usar esta
aproximacion para predecir el valor teorico.
No pretendemos en estas notas estudiar estos metodos numericos,
puesto que existe una bibliografa extensa sobre el tema que
el lector interesado puede consultar, estudiaremos a cambio un
metodo alternativo al Analisis Numerico que nos permita prede-
cir fenomenos modelados por sistemas Ecuaciones Diferenciales
Ordinarias. Este metodo alternativo fue llamado por Poincare
como Teora Geometrica de las Ecuaciones Diferenciales y su
objetivo es obtener propiedades cualitativas de las soluciones de
una E.D.O. a un sin conocer explcitamente estas soluciones.
En el presente captulo iniciamos el estudio de la Teora
Geometrica de las E.D.O.s lineales homogeneas con coecientes
constantes. Algunos de los resultados obtenidos en esta seccion
seran posteriormente generalizados a los sistemas no lineales.
Cabe mencionar que el estudio cualitativo de las E.D.O.s forma
una parte importante de la Teora de los Sistemas Dinamicos,
rama de la matematica que ocupa en la actualidad el interes de
56 Teora Cualitativa de las E.D.O.s Lineales
muchos cientcos y es motivo de investigacion.
3.1 El ujo asociado a una E.D.O. lin-
eal
Sea A R
nn
y x
0
R
n
, por el Teorema 2.4.2 sabemos que la
unica solucion del P.V.I.
= Ax
x(0) = x
0
(3.1)
es dada por:
x
0
: R R
n
t
x
0
(t) = e
tA
x
0
Haciendo variar la condicion inicial x
0
en todo R
n
, obtenemos
todas las soluciones de la E.D.O. x
= Ax. El objetivo de este

captulo es estudiar las propiedades geometricas que tienen estas
soluciones y para ello necesitamos del concepto de ujo.
Denicion 3.1.1 Sea A R
nn
, el ujo asociado a la E.D.O.
lineal x
= Ax es dado por
A
: R R
n
R
n
(t, x)
A
(t, x) = e
tA
x
Ejemplo 3.1.1 Dada la E.D.O.
1
= 5x
1
+ 3x
2
x
2
= 6x
1
4x
2
Su matriz asociada es A =
_
5 3
6 4
_
R
22
. Luego el ujo
asociado a esta E.D.O. es la funcion
A
: RR
2
R
2
denida
por
A
(t, x
1
, x
2
) =
_
(2x
1
+x
2
)e
2t
, (x
1
+x
2
)e
t
_

Ejemplo 3.1.2 Dada la E.D.O.
1
= x
2
+x
3
x
2
= x
1
+x
3
x
3
= x
1
+x
2
Su matriz asociada es A =
_
_
0 1 1
1 0 1
1 1 0
_
_
R
33
. Luego el ujo
asociado a la E.D.O. es la funcion
A
: R R
3
R
3
denida
por
A
(t, x
1
, x
2
, x
3
)=
1
3
(x
1
+x
2
+x
3
)e
2t
(1, 1, 1) +
+
1
3
(2x
1
x
2
x
3
, x
1
+ 2x
2
x
3
, x
1
x
2
+ 2x
3
)e
t
Observaciones:
1. Toda matriz A R
nn
determina una E.D.O. lineal x
=
Ax y recprocamente. Luego podemos decir indistinta-
mente que
A
es el ujo asociado a la matriz A o es el
ujo asociado a la E.D.O. x
= Ax.
2. Si A R
nn
, entonces su ujo asociado
A
es una funcion
que depende de n+1 variables: una variable temporal t y
n variables espaciales x = (x
1
, . . . , x
n
).
3. A cada matriz A R
nn
(o equivalentemente, a cada
E.D.O. x
= Ax), le estamos asociando un ujo

A
, el
cual es una funcion denida en RR
n
con valores en R
n
.
Que podemos decir con relacion a la recproca? es decir
toda funcion F : RR
n
R
n
es un ujo? si no lo fuera
bajo que condiciones una funcion F : R R
n
R
n
es
el ujo asociado a una matriz? Intentaremos responder
estas interrogantes, demostrando algunas propiedades de
los ujos.
Proposicion 3.1.1 Si A R
nn
, entonces su ujo asociado
A
: R R
n
R
n
satisface las siguientes propiedades:
i)
A
(0, x) = x, x R
n
.
ii)
A
(t +s, x) =
A
(t,
A
(s, x)), t, s R, x R
n
.
Demostracion. Sabemos que
A
(t, x) = e
tA
x, luego
A
(0, x) = e
0A
x = Ix = x.
lo cual prueba (i). Por otro lado
A
(t +s, x) = e
(t+s)A
x = e
tA+sA
x = (e
tA
e
sA
)x
= e
tA
(e
sA
x) =
A
(t, e
sA
x) =
A
(t,
A
(s, x)).
Observaciones:
1. Sea
A
: R R
n
R
n
el ujo asociado a la matriz
A R
nn
. Fijando un t
0
R podemos denir la funcion
(
A
)
t
0
: R
n
R
n
, como
(
A
)
t
0
(x) =
A
(t
0
, x) = e
t
0
A
x. (3.2)
Resulta claro que (
A
)
t
0
GL(R
n
), mas a un
_
(
A
)
t
0
1
=
(
A
)
t
0
. Tenemos entonces que
(
A
)
t
tR
es una familia en GL(R
n
) indexada por el parametro t
R. Mas a un, de la Proposicion 3.1.1 se desprende que
(a) (
A
)
t
1
+t
2
= (
A
)
t
1
(
A
)
t
2
, para todo t
1
, t
2
R.
(b) (
A
)
0
= I
luego la funcion
A
: R GL(R
n
) denida por
A
(t) =
(
A
)
t
es un monomorsmo del grupo aditivo de los reales
en GL(R
n
).
2. Conocida la posicion inicial de todas las partculas, el
isomorsmo lineal (
A
)
t
0
se interpreta geometricamente
como la posicion de las partculas en el instante t
0
que
uyen a lo largo de las soluciones de la E.D.O. x
= Ax,
tal como se muestra en la Figura 3.2.
3. Sea
A
: R R
n
R
n
el ujo asociado a la matriz A
R
nn
. Si jamos un x
0
R
n
podemos ahora denir la
funcion (
A
)
x
0
: R R
n
, como
(
A
)
x
0
(x) =
A
(t, x
0
) = e
tA
x
0
(3.3)
Es decir, (
A
)
x
0
es la solucion de la E.D.O. x
= Ax que
en el instante 0 pasa por el punto x
0
.
4. Existe la derivada parcial

A
t
en todo punto de R R
n
.
De las observaciones anteriores concluimos que si
A
es el
ujo asociado a la matriz A R
nn
entonces
A
es una funcion
que admite derivada parcial con respecto a t en todo R R
n
y
que satisface las siguientes propiedades:
1. (
A
)
t
GL(R
n
), para todo t R.
2. (
A
)
t
1
+t
2
= (
A
)
t
1
(
A
)
t
2
, para todo t
1
, t
2
R.
3. (
A
)
0
= I
Estas son las propiedades que caracterizan a los ujos aso-
ciados a matrices cuadradas. Mas especcamente, tenemos el
siguiente resultado:
Proposicion 3.1.2 Si la funcion F : RR
n
R
n
satisface las
siguientes propiedades:
i) Existe la derivada parcial
F
t
en R R
n
.
ii) F
t
L(R
n
), para todo t R.
iii) F
t
1
+t
2
= F
t
1
F
t
2
, para todo t
1
, t
2
R.
iv) F
0
= I.
Entonces existe una unica matriz A R
nn
tal que F es su ujo
asociado.
Observaciones:
1. De las propiedades ii), iii) y iv) se deduce que F
t
GL(R
n
),
t R.
2. Existe una correspondencia biunvoca entre las matrices
A R
nn
, las E.D.O.s lineales homogeneas con coe-
cientes constantes x
= Ax y las funciones F : RR
n
R
que satisfacen las 4 condiciones de la Proposicion 3.1.2. De
esta manera, ademas del algebra lineal, podemos valernos
del analisis en varias variables reales para obtener infor-
macion cualitativa sobre el sistema x
= Ax.
A continuacion veremos que las soluciones de la E.D.O. x
=
Ax generan una particion del espacio R
n
.
Dado x R
n
, la orbita o trayectoria del punto x a traves del
ujo
A
denotada por O
A
(x) se dene como el conjunto
O
A
(x) =
A
(t, x); t R
Proposicion 3.1.3 Sean A R
nn
y
A
su ujo asociado. Se
cumplen las siguientes propiedades:
1. Dados x, y R
n
entonces o bien se cumple que O
A
(x)
O
A
(y) = o bien O
A
(x) = O
A
(y).
2. x Nu(A) si y solo si O
A
(x) = x. En particular
O
A
(0) = 0.
El conjunto T
A
formado por todas las orbitas O
A
(x), (donde
x R
n
) es llamado foliacion por curvas de R
n
generada por la
matriz A R
nn
(o por la E.D.O. lineal x
= Ax).
Note que la foliacion T
A
es el conjunto formado por todas las
soluciones de la E.D.O. x
= Ax la cuales pueden ser puntos o

curvas de R
n
. Como una primera consecuencia de esto, tenemos
que dos soluciones de una E.D.O. lineal o bien coinciden o bien
son disjuntas. En las secciones siguientes, vamos a estudiar las
propiedades geometricas de los elementos de una foliacion.
3.2 Conjugaci on de Sistemas Lineales
El ujo
A
(o equivalentemente, la foliacion T
A
) nos propor-
ciona toda la informacion cualitativa necesaria sobre las solu-
ciones de la E.D.O. x
= Ax, por este motivo vamos a iniciar en

esta seccion un estudio sistematico del mismo. Una manera de
iniciar este estudio es clasicar los ujos de acuerdo a ciertas
propiedades comunes que nos interese investigar. Clasicar ob-
jetos de acuerdo a propiedades comunes es una practica usual
no solo en matematica sino tambien en otras disciplinas, por
ejemplo la taxonoma es una rama de la ciencia que se encarga
en clasicar a los seres vivientes, la especie es considerada la
unidad de clasicacion animal. Las especies relacionadas con-
stituyen un genero. Los generos similares se combinan para
formar una familia, familias similares se agrupan para formar
un orden, ordenes similares para formar una clase y clases simi-
lares para formar un phylum. El phylum es la primera etapa de
clasicacion del reino animal, por ejemplo al phylum cordados
pertenecen la clase de los peces, de los anbios, de los reptiles,
de las aves y de los mamferos. La propiedad com un de todos
ellos es la presencia de una notocorda o columna vertebral.
Conforme vamos descendiendo en la clasicacion, tenemos mas
propiedades comunes entre los individuos hasta llegar a la
especie.
Imitando al taxonomo, vamos a clasicar los ujos (o equiva-
lentemente las matrices cuadradas) de acuerdo a ciertas propiedades
geometricas comunes, pero cuales son estas propiedades co-
munes que tantas veces hemos mencionado? veamos: en primer
lugar sabemos que los elementos de una foliacion T
A
son curvas
las cuales resuelven la E.D.O. x
= Ax, si queremos clasicar

foliaciones, entonces debemos caracterizar las propiedades es-
enciales de las curvas que la componen. Desde este punto de
vista, podramos ensayar el siguiente criterio de clasicacion:
Decimos que las foliaciones T
A
y T
B
estan relacionadas si y
solo si existe un homeomorsmo h : R
n
R
n
tal que h lleva
orbitas de T
A
en orbitas de T
B
dicho de otra manera las solu-
ciones de la E.D.O. x
= Ax son homeomorfas a las soluciones

de la E.D.O. x
= Bx. Recordemos que h : R

n
R
n
es un
homeomorsmo si y solo si h es biyectiva, continua y su inversa
tambien es continua. Los homeomorsmos preservan todas las
propiedades topologicas de las curvas (por ejemplo compacidad,
conexidad, etc.), sin embargo, si estamos interesados en preser-
var propiedades diferenciables de las curvas (tales como concavi-
dad, puntos de inexion, etc.) entonces un difeomorsmo es lo
adecuado. Recordemos que h : R
n
R
n
es un difeomorsmo
de clase C
r
(con 1 r ) si y solo si h es biyectiva, de
clase C
r
y su inversa tambien es de clase C
r
. Finalmente, si
estamos interesados en las propiedades algebraicas de las curvas
entonces debemos imponer que h sea un isomorsmo. Vamos a
formalizar las ideas acabadas de dar, en la siguiente denicion.
Denicion 3.2.1 Sean A, B R
nn
y consideremos sus u-
jos asociados
A
y
B
. Decimos que las matrices A y B (o
sus respectivas E.D.Os asociadas x
= Ax y x
= Bx) son
topologicamente conjugadas, lo que denotamos A
top
B si y
solo si existe un homeomorsmo h : R
n
R
n
llamado conju-
gacion topologica tal que
h(
A
(t, x)) =
B
(t, h(x)), t R, x R
n
. (3.4)
En el caso que h sea un difeomorsmo de clase C
r
(1 r
), entonces decimos que A y B son C
r
conjugados y h es
llamado conjugacion C
r
. Por ultimo, si h es un isomorsmo
lineal, entonces A y B son linealmente conjugados y en este caso
h es llamado conjugacion lineal. Usaremos la notacion A
C
r
B, (respectivamente A
lin
B), para decir que A y B son C
r
conjugados (respectivamente linealmente conjugados).
Observaciones:
1. Las conjugaciones topologicas respetan el parametro t y
por tanto la orientacion de las orbitas.
2. A y B son conjugadas si y solo si el siguiente diagrama es
conmutativo:
A
R R
n
R
n
id h h
R R
n
R
n
B
3. Si jamos un x
0
R
n
, entonces la conjugacion h : R
n
R
n
satisface la siguiente propiedad:
h[O
A
(x
0
)] = O
B
(h(x
0
)).
En efecto, sea y h[O
A
(x
0
)], entonces existe un x
O
A
(x
0
) tal que y = h(x). Como x O
A
(x
0
), tenemos
que existe un t
0
R tal que x =
A
(t
0
, x
0
). Luego
y = h(x) = h(
A
(t
0
, x
0
)) =
B
(t
0
, h(x
0
))
es decir y O
B
(h(x
0
)). El otro contenido es analogo,
basta intercambiar h por h
1
. De esta manera, hemos
demostrado que las conjugaciones lleva orbitas en orbitas
(ver Figura 3.3).
4. Por denicion de
A
, (3.4) es equivalente a
h(e
tA
x) = e
tB
h(x), t R, x R
n
.
A continuacion, demostramos que las conjugaciones topologicas,
C
r
y lineales generan particiones en el espacio de matrices cuadradas
de orden n.
Proposicion 3.2.1
top
,
C
r y
lin
son relaciones de
equivalencia en R
nn
.
Demostracion. Probaremos que
lin
es una relacion de
equivalencia en R
nn
, las otras dos quedan como ejercicio para
el lector.
i) Reexividad:
I(
A
(t, x)) =
A
(t, x) =
A
(t, I(x)), x R
n
, t R,
de donde A
lin
A, A R
nn
.
ii) Conmutatividad: A
lin
B, entonces existe L GL(R
n
)
tal que
L(
A
(t, x)) =
B
(t, L(x)), t R, x R
n
.
Luego para L
1
GL(R
n
), se tiene
L
1
(
B
(t, y)) =
A
(t, L
1
(y)), t R, y R
n
de donde B
lin
A.
iii) Transitividad: Sean A
lin
B y B
lin
C, luego existen
L
1
, L
2
GL(R
n
) tales que para todo t R y para todo
x, y R
n
se tiene
L
1
(
A
(t, x)) =
B
(t, L
1
(x)) y L
2
(
B
(t, y)) =
B
(t, L
2
(y)).
De esta manera L
2
L
1
GL(R
n
) y
L
2
L
1
(
A
(t, x)) = L
2
(
B
(t, L
1
(x)) =
C
(t, L
2
(L
1
(x)))
=
C
(t, L
2
L
1
(x)), t R, x R
n
.
As A
lin
C.
Observaciones:
1. De la proposicion anterior, podemos construir los conjun-
tos cocientes R
nn
/
top
, R
nn
/
C
r
y R
nn
/
lin
. Sus el-
ementos son clases de equivalencia de matrices. Si por
ejemplo [A] R
nn
/
top
, entonces B [A] si y solo si las
orbitas de B son homeomorfas (por un mismo homeomor-
smo) a las orbitas de A.
2. Denotando por Hom(R
n
) (respectivamente Di
r
(R
n
)) al
conjunto de todos los homeomorsmos (respectivamente
difeomorsmos de clase C
r
) de R
n
, del analisis en varias
variables reales se tiene la siguiente cadena de contenidos
estrictos
GL(R
n
) Di
(R
n
) Di
1
(R
n
) Hom(R
n
)
Se sigue que la clasicacion mas na es la lineal mientras
que la mas gruesa es la topologica.
3. Para estudiar las propiedades cualitativas de las soluciones
de una E.D.O. homogenea con coecientes constantes, basta
considerar cualquier representante de su clase y analizarlo.
Como debemos elegir tal representante?. Una manera
natural de hacerlo es eligiendo aquella matriz de la clase
de equivalencia cuya exponencial sea facil de ser calculada,
pero cada clase de equivalencia (ya sea topologica, C
r
o
lineal) admitira tal representante? Responderemos a esta
interrogante dentro de poco.
El siguiente resultado nos dice esencialmente que las matri-
ces cuadradas de orden n solo admiten dos clasicaciones: la
topologica y la lineal.
Proposicion 3.2.2 Sean A, B R
nn
, las siguientes arma-
ciones son equivalentes:
1. A
C
1 B.
2. Existe P GL(R
n
) tal que PA = BP.
3. A
lin
B.
Observaciones:
1. De la demostracion de la proposicion anterior, se desprende
que toda h Di
1
(R
n
) conjugacion C
1
entre A y B induce
una conjugacion lineal entre A y B la cual viene dada por
h
(0) GL(R
n
).
2. En algebra lineal se dice que dos matrices A, B R
nn
son similares si y solamente si existe P GL(R
n
) tal que
PA = BP. La equivalencia 2. 3. de la Proposicion
anterior nos dice que A
lin
B si y solo si A y B son
similares.
3. Por el Teorema 2.5.1, sabemos que toda matriz A R
nn
es similar a su forma canonica de Jordan J
A
R
nn
.
Luego cada clase de equivalencia lineal admite un repre-
sentante simple en el sentido que su exponencial (y por
lo tanto su regla de correspondencia) queda explcitamente
determinada. Esto responde la interrogante planteada
antes de enunciar la Proposicion 3.2.2.
3.3 Sistemas Lineales Bidimensionales
Con el objetivo de jar ideas y motivar futuras generalizaciones,
en esta seccion vamos a estudiar el ujo generado por las ma-
trices cuadradas de orden 2. Sea A R
22
, de acuerdo a la
Proposicion 3.2.2, para entender el comportamiento cualitativo
de las soluciones de la E.D.O. x
= Ax, basta estudiar su Forma

Canonica de Jordan J
A
. Ahora bien, si denotamos por
1
y
2
a los autovalores de A, entonces se presentan las siguientes
posibilidades:
1)
1
,
2
R, con
1
,=
2
.
2)
1
=
2
= .
3)
1
= a +ib,
2
= a ib.
Vamos a analizar cada una de ellas.
1) Si las races son reales y distintas, la forma canonica es
dada por J
A
=
_

1
0
0
2
_
, luego el ujo asociado a J
A
en
cualquier punto p
0
= (x
0
, y
0
) R
2
viene dado por
J
A
(t, p
0
) =
_
e
1
t
x
0
, e
2
t
y
0
_
, t R.
Es claro que O
J
A
((0, 0)) = (0, 0). Ademas, para puntos
ubicados sobre los ejes coordenados (cuando
1
,= 0 y
2
,= 0) tenemos:
O
J
A
((x
0
, 0)) =
_
_
_
]0, +[ 0 si x
0
> 0
] , 0[ 0 si x
0
< 0
O
J
A
((0, y
0
)) =
_
_
_
0]0, +[ si y
0
> 0
0] , 0[ si y
0
< 0
Para determinar el comportamiento geometrico de las demas
orbitas, observamos que si hacemos
x = e
1
t
x
0
y = e
2
t
y
0
t R, x
0
,= 0, y
0
,= 0
tenemos
y = y
0
x
x
0
2
/
1
o x = x
0
y
y
0
1
/
2
seg un
1
,= 0 o
2
,= 0 respectivamente.
De esta manera las orbitas estan contenidas en curvas del
plano del tipo:
f(x) = C[x[
cuya traza depende del signo de C y del valor de .

Como el comportamiento geometrico de las orbitas de-
pende de los signos de los autovalores
1
y
2
, se presentan
los siguientes casos:
a) Si
1
<
2
< 0, entonces lim
t+
J
A
(t, p
0
) = (0, 0),
para todo p
0
R
2
(0, 0).
Por otro lado
lim
t
J
A
(t, p
0
) =
_
_
(+, +), si x
0
> 0, y
0
> 0
(, +), si x
0
< 0, y
0
> 0
(, ), si x
0
< 0, y
0
< 0
(+, ), si x
0
> 0, y
0
< 0
De esta manera, todas las trayectorias vienen del in-
nito y tienden al origen cuando t +a excepcion
del origen que permanece jo, tal como se muestra
en la Figura. En este caso decimos que 0 R
2
es un
atractor o pozo.
b) Si
1
<
2
= 0 se tiene que Nu(J
A
) = (0, y); y R
luego O
J
A
(0, y
0
) = (0, y
0
). Para determinar las
otras orbitas, consideremos x
0
,= 0. Como
J
A
(t, p
0
) =
_
e
1
t
x
0
, y
0
_
, se tiene
lim
t+
J
A
(t, p
0
) = (0, y
0
)
lim
t
J
A
(t, p
0
) =
_
(+, y
0
), si x
0
> 0
(, y
0
), si x
0
< 0
Concluimos que las orbitas estan contenidas en rectas
horizontales que se acercan al eje vertical y orientadas
de acuerdo a la Figura 3.6-(b).
c) Si
1
< 0 <
2
tenemos
lim
t+
J
A
(t, p
0
) =
_
(0, +), si y
0
> 0
(0, ), si y
0
< 0
lim
t
J
A
(t, p
0
) =
_
(+, 0), si x
0
> 0
(, 0), si x
0
< 0
De esta manera las orbitas son curvas que tienen
un comportamiento geometrico muy parecido a las
hiperbolas y estan orientadas de acuerdo a la Figura
. Decimos que el origen es un punto silla.
d) Si 0 =
1
<
2
se tiene que Nu(J
A
) = (x, 0); x R
luego O
J
A
(x
0
, 0) = (x
0
, 0). Para determinar las
otras orbitas, consideremos y
0
,= 0. Como
J
A
(t, p
0
) =
_
x
0
, e
2
t
y
0
_
, se tiene
lim
t
J
A
(t, p
0
) = (x
0
, 0)
lim
t+
J
A
(t, p
0
) =
_
(x
0
, +), si y
0
> 0
(x
0
, ), si y
0
< 0
Concluimos que las orbitas estan contenidas en rectas
verticales que se alejan del eje horizontal y orientadas
de acuerdo a la Figura.
e) Si 0 <
1
<
2
tenemos
lim
t
J
A
(t, p
0
) = (0, 0)
lim
t+
J
A
(t, p
0
) =
_
_
(+, +), si x
0
> 0, y
0
> 0
(, +), si x
0
< 0, y
0
> 0
(, ), si x
0
< 0, y
0
< 0
(+, ), si x
0
> 0, y
0
< 0
De esta manera, todas las trayectorias emanan del
origen y tienden al innito, a excepcion del origen
que permanece jo. En este caso decimos que 0 R
2
es un repulsor o fuente.
2) Si las races son reales e iguales, entonces la Forma Canonica
de Jordan viene dada por
J
A
=
_
0
0
_
o J
A
=
_
1
0
_
Analicemos cada caso.
a) Si J
A
=
_
0
0
_
y < 0, entonces el ujo en el
punto p
0
= (x
0
, y
0
) es
J
A
(t, p
0
) =
_
e
t
x
0
, e
t
y
0
_
=
e
t
p
0
, se sigue que O
J
A
((0, 0)) = (0, 0) y todas las
demas orbitas son rectas, ademas
lim
t+
J
A
(t, p
0
) = (0, 0) y lim
t
[
J
A
(t, p
0
)[ = +.
Luego se tiene el comportamiento geometrico de la
Figura.
b) Si J
A
=
_
0
0
_
y > 0, entonces como en el caso
anterior
J
A
(t, p
0
) = e
t
p
0
, pero ahora
lim
t+
[
J
A
(t, p
0
)[ = + y lim
t
J
A
(t, p
0
) = (0, 0).
c) Si J
A
=
_
1
0
_
y < 0 entonces el ujo viene
dado por
J
A
(t, p
0
) = e
t
(x
0
+ ty
0
, y
0
). Se observa
que O
J
A
((0, 0)) = (0, 0),
O
J
A
((x
0
, 0)) =
_
_
_
]0, +[ 0 si x
0
> 0
] , 0[ 0 si x
0
< 0
todas las demas orbitas se encuentran en la curva que
es graca de la funcion
x = x
0
y +
1
y ln
y
y
0

y se tiene
lim
t+
J
A
(t, p
0
) = (0, 0) y lim
t
[
J
A
(t, p
0
)[ = +.
Este comportamiento geometrico se bosqueja en la
Figura.
d) Si J
A
=
_
1
0
_
y > 0 entonces el ujo es el
mismo que en el caso anterior, pero ahora se tiene
lim
t
J
A
(t, p
0
) = (0, 0) y lim
t+
[
J
A
(t, p
0
)[ = +.
e) En el caso que = 0 tenemos que J
A
=
_
0 1
0 0
_
.
Observe que Nu(J
A
) = (x, 0); x R, luego O
J
A
(x
0
, 0) =
(x
0
, 0). Para determinar las otras orbitas, consid-
eremos y
0
,= 0. Como
J
A
(t, p
0
) = (x
0
+ty
0
, y
0
), se
tiene
lim
t+
J
A
(t, p
0
) =
_
(+, y
0
), si y
0
> 0
(, y
0
), si y
0
< 0
lim
t
J
A
(t, p
0
) =
_
(, y
0
), si y
0
> 0
(+, y
0
), si y
0
< 0
Concluimos que las orbitas son rectas horizontales
(excepto el eje X) orientadas de acuerdo a la Figura.
3) Si las races son complejas conjugadas = a + ib,

=
a ib, entonces su forma canonica de Jordan viene dada
por no existe autoespacio en el plano real y el ujo viene
dado por J
A
=
_
a b
b a
_
, no existe autoespacio en el
plano real y el ujo viene dado por
J
A
(t, p
0
) = e
at
(x
0
cos bt y
0
sen bt, x
0
sen bt +y
0
cos bt).
Se presentan los siguientes casos:
a) Si a = 0 (races imaginarias puras) entonces la orbita
O
J
A
(p
0
) es una circunferencia de radio [p
0
[
2
= (x
0
)
2
+
(y
0
)
2
, orientada de acuerdo al signo de b. En este caso
decimos que el origen es un centro.
b) Si a < 0 entonces las orbitas son espirales que tienden
al origen cuando t +.
c) a > 0 entonces las orbitas son espirales que emanan
del origen.
Observaciones:
1. El lector debe haber notado que el comportamiento de las
orbitas no es tan simple cuando la matriz A no es inversible
(vea los casos 1b, 1d y 2e).
2. Al igual que en el caso 1a, en los casos 2a, 2c y 3b el origen
es la unica orbita puntual la cual puede ser vista como un
atractor. Analogamente, en los casos 2b, 2d y 3b el origen
puede ser visto como un repulsor.
3. El comportamiento de centro solo ocurre en el caso 3a.
3.4 Atractores y Repulsores de Sis-
temas Lineales
En la seccion anterior hemos observado algunos comportamien-
tos geometricos comunes para las orbitas asociadas a matrices
22 (repulsor, atractor). En esta seccion vamos a caracterizar-
los y generalizarlos a dimension cualquiera.
Decimos que un punto p es un atractor (resp. repulsor) de
una matriz A si y solo si cualquier partcula que se desplaza a lo
largo de las orbitas de A despues de un tiempo sucientemente
grande se encuentra muy cerca (resp. muy lejos) del punto p.
Mas especcamente, tenemos la siguiente denicion.
nn
, y consideremos su ujo aso-
ciado
A
.
i) Decimos que 0 R
n
es un atractor (o pozo) de A si y solo
si
lim
t+
A
(t, x) = 0, x R
n
.
ii) Decimos que 0 R
n
es un repulsor (o fuente) de A si y
solo si
lim
t+
[
A
(t, x)[ = +, x R
n
0.
Observacion: De la denicion se sigue directamente que 0
R
n
es un atractor de A R
nn
si y solo si 0 es un repulsor de
A.
Teorema 3.4.1 Dada la matriz A R
nn
, las siguientes ar-
maciones son equivalentes:
i) A
top
I.
ii) 0 R
n
es un atractor de A.
iii) Todos los autovalores de A tienen parte real negativa.
iv) Existen constantes > 0 y K 1 tales que [
A
(t, x)[
Ke
t
[x[, x R
n
, t 0.
Teorema 3.4.2 Sea A R
nn
. Las siguientes armaciones son
equivalentes:
i) A
top
I.
ii) 0 R
n
es un repulsor de A.
iii) Todos los autovalores de A tienen parte real positiva.
iv) Existen constantes > 0 y K 1 tales que
[
A
(t, x)[ K
1
e
t
[x[, t 0, x R
n
.
3.5 Sistemas Lineales Hiperb olicos
Nos proponemos generalizar los resultados de la seccion anterior
en una teora que englobe los casos 1a, 1c, 1e, 2a, 2b, 2c, 2d, 3b
y 3c de la Seccion 3.3.
nn
i) Decimos que la matriz A (o su sistema asociado x
= Ax)
es hiperbolico si y solo si todos los autovalores de A tienen
parte real distinta de cero.
ii) Si A es una matriz hiperbolica, El ndice de estabilidad de
A, denotado por i(A) es el n umero de autovalores de A
(contando multiplicidad) con parte real negativa.
nn
, se cumple
1. 0 R
n
es un atractor de A si y solo si i(A) = n.
2. 0 R
n
es un repulsor de A si y solo si i(A) = 0.
Ejemplo 3.5.2 Sea A =
_
_
0 1 1
1 0 1
1 1 0
_
_
R
33
. Sabemos que
los autovalores de A son
1
= 2 y
2
= 1 (con multiplicidad
2), luego A es una matriz hiperbolica y i(A) = 2.
De ahora en adelante, denotaremos por Hip(R
n
) al conjunto
de todas las matrices A R
nn
que son hiperbolicas.
Observacion: Hip(R
n
) GL(R
n
).
Denicion 3.5.2 Sea A Hip(R
n
)
i) El subespacio estable de A, denotado por E
s
(A), es el sube-
spacio vectorial de R
n
que es generado por los autovectores
correspondientes a los autovalores con parte real negativa.
ii) El subespacio inestable de A, denotado por E
u
(A), es el
subespacio vectorial de R
n
que es generado por los au-
tovectores correspondientes a los autovalores con parte
real positiva.
nn
, se cumple
1. Si 0 R
n
es un atractor de A entonces E
s
(A) = R
n
y
E
u
(A) = 0.
2. Si 0 R
n
es un repulsor de A, entonces E
u
(A) = R
n
y
E
s
(A) = 0.
Ejemplo 3.5.4 Si A =
_
_
0 1 1
1 0 1
1 1 0
_
_
R
33
, entonces v
1
=
(1, 1, 1) es un autovector asociado al autovalor
1
= 2 y que
v
2
= (1, 0, 1), v
3
= (0, 1, 1) son autovectores asociados al
autovalor
2
= 1, luego
E
s
(A) = (1, 0, 1), (0, 1, 1))
= (x
1
, x
2
, x
3
) R
3
; x
1
+x
2
+x
3
= 0
E
u
(A) = (1, 1, 1)) = (, , ); R.
Las conjugaciones lineales respetan los espacios estables e
inestables. Mas especcamente, tenemos el siguiente resultado.
Lema 3.5.1 Sean A, B Hip(R
n
). Si h GL(R
n
) es una con-
jugacion lineal entre A y B entonces i(A) = i(B) y h[E
s
(A)] =
E
s
(B) y h[E
u
(A)] = E
u
(B).
Teorema 3.5.1 Sean A, B Hip(R
n
). Se cumple
A
top
B i(A) = i(B).
Corolario. Sea A Hip(R
n
) con i(A) = m. Entonces
A
top
diag[I
m
, I
nm
]
en donde I
m
e I
nm
son las matrices identidad de R
mm
y
R
(nm)(nm)
respectivamente.
3.6 Estabilidad Estructural de Cam-
pos Lineales
En la seccion anterior hemos clasicado topologicamente las ma-
trices hiperbolicas de R
nn
. Debemos mencionar que no existe
a la fecha una clasicacion topologica de matrices que tengan
alg un valor con parte real 0. Por esta razon es relevante pre-
guntar que tan grande es el conjunto R
nn
Hip(R
n
). Eso es
justamente lo que haremos a continuacion.
En lo sucesivo, denotaremos por D
r
(z
0
) C (resp. D
r
[z
0
]
C) al disco abierto (resp. cerrado) centrado en z
0
C y de radio
r > 0, es decir
D
r
(z
0
) = z C; [zz
0
[ < r y D
r
[z
0
] = z C; [zz
0
[ r
Asimismo, denotaremos por (A) al conjunto de todos los au-
tovalores de la matriz A R
nn
. Este conjunto es llamado
espectro de A.
Nuestro primer resultado establece que para que los autoval-
ores de B R
nn
esten tan cercanos cuanto querramos de los
autovalores de una matriz A, es suciente tomar B cerca de A.
Lema 3.6.1 Sean A R
nn
. Dado > 0, existe un > 0 tal
que si B R
nn
y |B A| < entonces
(B)
_
(A)
D
()
Demostracion. En primer lugar, observe que si A R
nn
y
(A) entonces [[ |A|. Armo que si B R
nn
es tal
que |B A| < 1 entonces (B) D
A+1
[0] = D. En efecto,
si tomamos (B) entonces
[[ |B| |B A| +|A| < 1 +|A|
y esto prueba la armacion.
Dado > 0, denotemos V
=
_
(A)
D
(). Observe que si

z DV
entonces det(AzI) ,= 0. Esto nos induce a denir

la funcion
: C R
nn
C
(z, M) (z, M) = det(M zI)
Si en C R
nn
consideramos la norma del maximo
|(z, M)| = max[z[, |M|
entonces es continua en su dominio. Como observamos anteri-
ormente, si z DV
entonces (z, A) ,= 0, por la continuidad

de existe
z
> 0 tal que si [w z[ <
z
y |M

A| <
z
entonces det(M wI) = (w, M) ,= 0, es decir w / (M).
Por otro lado, es claro que
D V

_
zDV
D
z
(z)
y como DV
es compacto, se tienen que existen z

1
, z
2
, . . . , z
r

D V
tal que
D V
D
z
1
(z
1
) D
zr
(z
r
)
Tomando = min
z
1
, . . . ,
zr
, 1, dado B R
nn
tal que
|B A| < , tenemos que si D V
entonces existe
j 1, 2, . . . , r tal que D
z
j
(z
j
) y como |B A| <
z
j
de
lo anterior tenemos que / (B), es decir DV
D(B)
y desde que (B) D, se tiene (B) V
.
Teorema 3.6.1 Hip(R
n
) es un subconjunto abierto y denso de
R
nn
.
Demostracion. Probemos primeramente que Hip(R
n
) es abierto
en R
nn
. Sea A Hip(R
n
) y tomemos 0 < < min[Re()[;
(A). Por el Lema 3.6.1, > 0 tal que si B R
nn
y
|B A| < entonces
(B)
_
(A)
D
2
()
Si (B) entonces existe un (A) tal que [ [ <

2
.
Como
[Re()[ = [Re( ) +Re()[ [Re( )[ +[Re()[,
se tiene
[Re()[ [Re()[ [Re()[ [Re()[ [[ >

2
=

2
De esta manera ning un autovalor de B tiene parte real distinta
de cero. Hemos probado que > 0 tal que si B R
nn
y
|B A| < entonces B Hip(R
n
).
Probemos ahora que Hip(R
n
) es denso en R
nn
. Sean B R
nn
y > 0. Debemos probar que existe A Hip(R
n
) tal que
|B A| < . Para ello, deno los conjuntos
1
= (B); Re() = 0 y
2
= (B); Re() ,= 0
Es claro que (B) =
1

2
. Sea = min[Re()[;
2
,
consideremos 0 < r < min, y A = B +rI. Es claro que
(B) +r (B +rI) = (A)
Si (A) entonces r (B). Existen dos alternativas:
Si r
1
entonces Re( r) = 0, luego Re() = r > 0.
Si r
2
entonces Re(r) ,= 0, luego [Re(r)[ . Se
sigue que
[Re()[ = [Re( r) +r[ [Re( r)[ r r > 0
En cualquiera de los dos casos, tenemos que Re() ,= 0. Luego
|B A| = r < y A Hip(R
n
).
Del resultado anterior se desprende que el conjunto de las
matrices que no son hiperbolicas forman un subconjunto muy
no de R
nn
puesto que su complemento (o sea Hip(R
n
)) es
abierto y denso en el espacio de las matrices cuadradas. Una idea
geometrica de este comportamiento esta dada en la siguiente
gura, en donde las lneas representa Hip(R
n
).
Denimos a continuacion el importante concepto de matriz
estructuralmente estable.
Denicion 3.6.1 Decimos que la matriz A R
nn
es estruc-
turalmente estable si y solo si existe > 0 tal que si B R
nn
con |B A| < entonces B
top
A.
Observacion: Intuitivamente una matriz es estructuralmente
estable si al perturbarla un poco, la conguracion de sus orbitas
no se altera, salvo homeomorsmos.
En lo que resta de la seccion, demostraremos que existe una
estrecha relacion entre hiperbolicidad y estabilidad estructural.
Sea A R
nn
y (A). El n umero entero positivo m =
m() denotara la multiplicidad algebraica del autovalor . Del
Teorema de la Descomposicion Espectral se tiene que si
(A) es tal que m() = m entonces dim Nu((A I)
m
) = m.
No es difcil probar que Nu((A I)
k
) = Nu((A I)
m
),
k m.
Lema 3.6.2 Sean A R
nn
y (A) con m() = m. Ex-
isten constantes
0
> 0 y
0
> 0 tales que si B R
nn
y
|B A| <
0
entonces
(B)D
0
()
m() m
Demostracion. Procediendo por contradiccion, supongamos
que > 0 y > 0 existe B
R
nn
tal que |B
A| < y
(B
)D()
m() > m
Tomando = = 1/k (k N) tenemos que existe B
k
R
nn
tal que |B
k
A| <
1
k
y
(B
k
)D
1
k
()
m() > m
De esta manera, hemos construido una sucesion (B
k
) R
nn
tal que lim
k
B
k
= A y
k,1
,
k,2
, . . . ,
k,m
k
(B
k
) D1
k
()
(repetidos de acuerdo a su multiplicidad) y m
k
> m, k N.
Sea m
= minm
k
; k N > m. Para k N, denotemos
C
k
= (B
k

k,1
I) (B
k

k,m
I)
Podemos suponer que dim Nu(C
k
) = m
y consideramos e
k,1
, . . . , e
k,m

una base ortonormal de Nu(C
k
). Desde que (e
k,1
), . . . , (e
k,m
)
S
n1
y S
n1
es compacto, entonces tomando subsucesiones si es
necesario, podemos suponer que lim
k
e
k,j
= e
j
, 1 j m
.
Sea N el subsepacio vectorial de R
n
generado por e
1
, e
2
, . . . , e
m
.
Observe que
lim
k
C
k
= (A I)
m
= C
Armo que N Nu(C), en efecto desde que
[Ce
j
[ [Ce
j
C
k
e
j
[ +[C
k
e
j
C
k
e
k,j
[ +[C
k
e
k,j
[
|C C
k
| [e
j
[ +|C
k
| [e
j
e
k,j
[
Tomando lmite cuando k tenemos que Ce
j
= 0, 1
j m
, esto prueba la armacion.

Finalmente, concluimos que
m
= dim N dim Nu(C) = dim ((AI)

m
) = dim ((AI)
m
) = m
lo cual es una contradiccion.
Teorema 3.6.2 Sean A R
nn
y (A) =
1
, . . . ,
k
con
m(
j
) = m
j
. Dado > 0, existe un > 0 tal que si B R
nn
con |B A| < entonces
(B)D(
j
)
m() = m
j
, 1 j k
Demostracion. Procediendo por contradiccion, supongamos
que existe
1
> 0 tal que para todo > 0 existe B
R
nn
con
|B
A| < y existe j
0
1, . . . , k tal que
(B
)D
1
(
j
0
)
m() ,=
m
j
0
(Hip. Aux.). Por el Lema 3.6.2, existen constantes
0
> 0
y
0
> 0 tales que si B R
nn
y |B A| <
0
entonces
(B)D
0
(
j
)
m() m
j
, 1 j k
Tomando = min
0
,
1
tenemos
(B
)D(
j
0
)
m() < m
j
0
,
ademas por el Lema 3.6.1 existe un > 0 tal que si B R
nn
y |B A| < entonces (B)
k
_
j=1
D
(
j
)
k
_
j=1
D
1
(
j
). Para
el B
R
nn
de la hipotesis auxiliar tenemos
n =
(B
)
m() =
k
j=1
_
_

(B
)D(
j
)
m()
_
_
< m
j
0
+
k
j=1,j=j
0
_
_

(B
)D
0
(
j
)
m()
_
_

k
j=1
m
j
= n
lo cual es una contradiccion.
Corolario. Si A Hip(R
n
) entonces existe > 0 tal que si
B R
nn
con |B A| < entonces i(B) = i(A).
Demostracion. Sean
1
, . . . ,
k
(A) con m(
j
) = m
j
, or-
denados de tal manera que los r primeros tienen parte real neg-
ativa. Tomando 0 < < min[Re(
j
)[; 1 j k, observe
que para esta eleccion del se tiene que si z D
(
j
) entonces
Re(z) < 0 para 1 j r y Re(z) > 0, r+1 < j k. Ademas
por el Teorema anterior, existe > 0 tal que si |B A| <
entonces
(B)D(
j
)
m() = m
j
Se sigue que i(B) = i(A).
Teorema 3.6.3 A Hip(R
n
) si y solo si A es estructuralmente
estable.
Demostracion. () Se sigue del Corolario anterior y el Teo-
rema 3.5.1.
() Sea A / Hip(R
n
), consideremos los conjuntos
1
= (A); Re() = 0 y
2
= (A); Re() ,= 0
y sea = min[Re()[;
2
. Si 0 < r < entonces las
matrices A + rI y A rI son hiperbolicas y de ndices distin-
tos, por lo tanto no son conjugadas. Se sigue que en cualquier
vecindad abierta de A podemos encontrar matrices que no son
conjugadas a A, es decir A no es estructuralmente estable.

Edo R.benazic

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Edo R.benazic

Caricato da

Copyright:

Formati disponibili

Topicos de Ecuaciones Diferenciales

es continua en J. Procediendo por in-

(t) = F(t, (t)).

= A(t)x +b(t) (1.13)

(t) = A(t)(t) +b(t), t I.

(t) = A(t)(t) +b(t), t I.

+kx = cos wt (1.16)

= Ax es llamada Sistema Lineal Homogeneo

(t) = 0, t R. Se sigue que f(t) = C R

(t) = A(t) +b(t) por el factor

= Ax. El objetivo de este

= Ax), le estamos asociando un ujo

= Ax la cuales pueden ser puntos o

= Ax, por este motivo vamos a iniciar en

= Ax, si queremos clasicar

= Ax son homeomorfas a las soluciones

= Bx. Recordemos que h : R

= Ax, basta estudiar su Forma

cuya traza depende del signo de C y del valor de .

Topicos de Ecuaciones Diferenciales Ordinarias 73

(). Observe que si

entonces det(AzI) ,= 0. Esto nos induce a denir

entonces (z, A) ,= 0, por la continuidad

es compacto, se tienen que existen z

, esto prueba la armacion.

= dim N dim Nu(C) = dim ((AI)

Potrebbero piacerti anche