Sistemas Dinamicos

Sistemas Dinmicos
Hctor E. Lomel
Departamento Acadmico de Matemticas
Instituto Tecnolgico Autnomo de Mxico
Ro Hondo #1
Mxico, DF 01000
1 de diciembre de 2005
ndice General
1 Introduccin a los Sistemas Dinmicos.
1.1
Definicin de un sistema dinmico . . . . . . . . . . . . . . . . . . . . . .
1.2
Ejemplos de sistemas dinmicos . . . . . . . . . . . . . . . . . . . . . . .
Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2 Sistemas Lineales
2.1
La norma de una matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2
La exponencial de una matriz . . . . . . . . . . . . . . . . . . . . . . . . .
11
2.3
Derivadas matriciales . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
15
2.4
Clculo de la exponencial de una matriz . . . . . . . . . . . . . . . . . . .
19
2.5
Ecuaciones de orden n y mtodo de Fulmer . . . . . . . . . . . . . . . . .
25
Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
29
3 Estabilidad de Sistemas Lineales.
34
3.1
Matrices no degeneradas . . . . . . . . . . . . . . . . . . . . . . . . . . .
34
3.2
Matrices atractoras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
37
NDICE GENERAL
3.3
Matrices tipo silla . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
40
Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
46
4 Teora no Lineal.
4.1
49
Teora de Ecuaciones Diferenciales. . . . . . . . . . . . . . . . . . . . . .
49
Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
63
5 Estabilidad no lineal
66
5.1
Conjugacin topolgica . . . . . . . . . . . . . . . . . . . . . . . . . . . .
66
5.2
Linealizacin de puntos fijos . . . . . . . . . . . . . . . . . . . . . . . . .
70
5.3
Anlisis de puntos silla . . . . . . . . . . . . . . . . . . . . . . . . . . . .
81
5.4
Estabilidad asinttica . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
95
NDICE GENERAL
ii
CAPTULO 1
Introduccin a los Sistemas Dinmicos.
1.1 Definicin de un sistema dinmico

Los Sistemas Dinmicos son el estudio de modelos que evolucionan en el tiempo. En general
se estudian dos situaciones:
tiempo continuo t R
tiempo discreto t Z
En cada caso, existen muchas aplicaciones que se pueden poner dentro del esquema de un
sistema dinmico:
Ecuaciones diferenciales ordinarias
Tiempo continuo
Ecuaciones de difusin
Procesos estocsticos
Tiempo discreto
Mtodos iterativos
Iteracin de mapeos
1.1 D EFINICIN
DE UN SISTEMA DINMICO
Definicin 1.1.1 Sea E un conjunto. Sea un subconjunto de R E tal que {0} E

R E.Un sistema dinmico de tiempo real en E es una funcin : E
(t, x) t (x)
tal que:
a) (0, x) = x
b) (t, (s, x)) = (t + s, x) (en donde tenga sentido).
Se dir, adems, que es el flujo del sistema dinmico.
Dado un flujo, generalmente se utilizar la siguiente notacin: t (x) = (t, x) . De esta
manera, las condiciones de la definicin anterior se pueden escribir como
0 = i dE ,
t s = t+s .
Recordemos que, como parte de la definicin, para cada punto x E, se tiene que
(0, x) . Queremos que para cada x0 , el conjunto de tiempos t para los que flujo (t, x)
est definido sea un intervalo. El mximo intervalo I R tal que 0 I es llamado el
intervalo maximal de x y se denota D(x).
Definicin 1.1.2 Si para cada punto x el intervalo maximal D(x) = R, se dice que el
sistema dinmico es completo.
En particular, si el flujo es completo, se tiene que para cada t, la funcin t : E E es
1
= t .
una biyeccin con inversa dada por t
Definicin 1.1.3 Sea E un conjunto. Sea un subconjunto de Z E tal que {0} E .
Un sistema dinmico en tiempo discreto es una funcin : E tal que
a) (0, x) = x,
b) (s, (t, x)) = (s + t, x) (cuando esto tiene sentido).
1.1 D EFINICIN
DE UN SISTEMA DINMICO
En un sistema dinmicos en tiempo discreto, generalmente se utiliza = (N {0}) E

con el flujo definido como
(t, x) = ( f f f )(x)

t veces
Esta composicin se puede escribir como f t = f f f .

t veces
En ambos casos, en tiempo discreto y tiempo continuo, nos interesa estudiar el comportamiento de los flujos, por ejemplo, nos preguntamos acerca del siguiente lmite.
lim (t, x) =?
En los siguientes captulos estableceremos una relacin entre flujos y ecuaciones diferenciales. En particular tenemos el siguiente resultado.
Proposicin 1.1.4 Sea E un abierto de Rn . Sea un flujo definido en un abierto RE.
Suponer que (t, x) es de clase C 1 . Demostrar que, para cada x E, la funcin y(t) =
(t, x) satisface el siguiente problema de valores iniciales.
y = f (y),
y(0) = x,
donde f (u) =

t t=0 (t, u).
Ejemplo 1.1.5 Sea : R R R el flujo dado por

t (x) =
x
1 xt
Notemos que para t = 0, siempre est definida est definida. Podemos usar =
{(t, x) : xt = 1} .Vamos a verificar que es un sistema dinmico sobre R.
a) 0 (x) = x,
1.2 E JEMPLOS
DE SISTEMAS DINMICOS
b) t ( s (x)) = t
x
1xs
x
1xs
x
1 1xs
t
x
1sxt x
x
1(s+t)x
= s+t (x). El intervalo
si x = 0
R

1
D(x) =
, x si x > 0
1 , si x < 0
x
maximal es
Para encontrar una ecuacin diferencial que sea satisfecha por (t, x0 ) usamos la proposicin 1.1.4. Usando el flujo de este ejemplo, se tiene

f (u) = (t, u) = u 2 .
t t=0
Notemos que y(t) = (t, x0 ) cumple
y (t) =
x02
(t, x0 ) =
= (t, x0 )2 .
t
(1 t x0 )2
De este modo concluimos que, para cada x0 , la funcin y(t) = (t, x0 ) es una solucin del
problema
y = y 2 ,
y(0) = x0 .
1.2 Ejemplos de sistemas dinmicos

Ejemplo 1.2.1 Sea E = S 1 = x R2 : |x| = 1 el conjunto de estados. Sea = R E
y : E dada por

(t, x) =
cos t sin t
sin t
cos t

x
Entonces es un sistema dinmico completo.

Ejemplo 1.2.2 En este ejemplo, mostramos que el conjunto de estados puede ser algo ms
que subconjuntos de Rn . Sea E = C 2 (R) el conjunto de funciones de clase C 2 definidas
E JERCICIOS
R. Notemos que E es un espacio vectorial de dimensin infinita. Para cada f E y cada

t > 0, se define una funcin t ( f ) dada por

1
(x y)2
t
f (y)dy.
( f )(x) =
exp
2t
2 t
Se puede demostrar que se tiene el siguiente lmite
lim t ( f )(x) = f (x).
t0
Adems t ( s ( f )) = t+s ( f ), por lo que resulta que es un flujo definido en [0, ) E.

Ejemplo 1.2.3 Demos otro ejemplo de un sistema dinmico en tiempo real. Sea E = [0, 1)
y
(t, x) = (x + t) mod 1.
Entonces es un sistema dinmico completo.
E JERCICIOS
1.1 Demostrar que las siguientes funciones son flujos.

a) : R( 2 , 2 ) ( 2 , 2 ), (t, x) = arctan et tan x .

1/2

.
b) : R(0, ) (0, ), (t, x) = et 1/x 2 1 + 1

c) : R R2 R2 , (t, (x, y)) = et x, et y + 13 et e2t x 2 .
1.2 Demostrar la proposicin 1.1.4. (Sugerencia: usar las propiedades del flujo.)
1.3 Para cada una de las funciones del problema 1.1, encontrar las ecuacin diferencial
que es satisfecha y el mximo dominio .
1.4 Sea : R R R, la funcin dada por

(t, x) =
et x
.
(et 1)x + 1
E JERCICIOS
a) Demostrar que es flujo.
b) Para cada x R encontrar el intervalo maximal D(x).
c) Encontrar una ecuacin diferencial satisfecha por y(t) = (t, x).
d) Calcular limt (t, x) y limt (t, x).
1.5 (Cambio de variable) Sean E, F dos abiertos de Rn . Sea : R E E un flujo

completo de clase C 1 . Suponer que y(t) = (t, z) satisface la siguiente ecuacin diferencial
dy
= G(y), y(0) = z.
dt
a) Un difeomorfismo es una funcin biyectiva de clase C 1 tal que su inversa tambin es
de clase C 1 . Sea h : E F un difeomorfismo entre los abiertos E y F. Demostrar
x) = h((t, h 1 (x)) es un flujo completo en el conjunto de estados F.
que (t,
x) satisface la ecuacin
b) Dado que, y (t) = (t,
d y
y ), y (0) = x,
= G(
dt
encontrar G en trminos de G, h, h 1 y h .
c) Usualmente se utiliza la siguiente notacin para el nuevo campo vectorial G = h G.
Interpretar y demostrar la siguiente igualdad
( f h) G = f (h G).
d) Sea = R (0, ). Sea : (0, ) la funcin de clase C 1

et + 1 cos + et 1
) = arccos
(t,
.
(et 1) cos + (et + 1)
Demostrar que es un flujo completo y encontrar el problema de valores iniciales
que satisface. (Sugerencia: usar el ejercicio 1.5 con E = (1, 1), F = (0, ) y
h(u) = arccos(u). Encontrar un flujo en E.)
E JERCICIOS
1.6 Sea A una matriz tal que A2 = A. Demostrar que el siguiente es un flujo completo
en Rn .

(t, x) = et A + (I A) x.
Encontrar la ecuacin diferencial que es satisfecha.
CAPTULO 2
Sistemas Lineales
Un sistema lineal es una ecuacin de la forma

y = Ay,
y(0) = x0
donde A es una matriz de n n. En este captulo estableceremos una relacin entre los
sistemas lineales y la llamada exponencial de una matriz.
2.1 La norma de una matriz

Definicin 2.1.1 Llamaremos M p al espacio vectorial de matrices p p con entradas
reales.
El siguiente resultado se da sin demostracin.
2.1 L A
NORMA DE UNA MATRIZ
Proposicin 2.1.2 Sea A M p y

A = max Ax2 .
x2 =1
donde x2 es la norma euclideana usual. Entonces es una norma M p . Adems, A

es la raz cuadrada del mximo eigenvalor de A T A.
Ejemplo 2.1.3 Sea

A=
3 1

.
Calcular A .
Solucin
Usaremos la proposicin 2.1.2: primero calculamos

1
2
1
2
10
1
AT A =
=
.
3 1
3 1
1 5
Los eigenvalores satisfacen
2 15 + 49 = 0
y por tanto
1,2 =
15
El mximo es los eigenvalores es
15 29
225 196
=
.
2
2
15+ 29
.
2
De este modo concluimos que A =
15+ 29
.
2
Lema 2.1.4 Si S, T M p , entonces

a) x R p , T x T x ,
b) ST S T ,

c) T k T k .
A continuacin daremos un repaso de algunos conceptos del Anlisis Matemtico.
2.1 L A
10
NORMA DE UNA MATRIZ
Definicin 2.1.5 Se dice que una sucesin Ak M p converge a A si

Ak A 0.
El siguiente lema, nos permite calcular termina a trmino el lmite de una sucesin de
matrices. Dada una matriz A, usaremos la notacin (A)i j para indicar la entrada (i, j ) de A.
Lema 2.1.6 Sea Ak M p una sucesin que converge a A M p . Sean u y v dos vectores
de R p . Entonces
a) La sucesin de nmeros reales u Ak v converge a u Av. Esto es
lim u Ak v = u Av.
b) La sucesin de nmeros reales (Ak )i j converge a (A)i j . Esto es

lim (Ak )i j = (A)i j .
Demostracin
La demostracin de este hecho se basa en la desigualdad de Cauchy-Schwartz. Notemos
que esta desigualdad y el lema 2.1.4 implican
|u Ak v u Av| = |u (Ak A) v|
u2 (Ak A) v2
u2 Ak A2 v2
La segunda parte de la demostracin est basada en al primera, tomando en cuenta el hecho
de que la entrada (i, j ) de una matriz A se puede escribir como (A)i j = ei Ae j donde ei y
e j son el i simo y j simo vectores cannicos de R p .
Definicin 2.1.7 Se dice que una sucesin Ak M p es de Cauchy, si para cada > 0
existe N N tal que si m, n N entonces
Am An < .
2.2 L A
11
EXPONENCIAL DE UNA MATRIZ
Proposicin 2.1.8 Sea Ak M p una sucesin de Cauchy. Entonces existe A M p tal

que la sucesin converge a A.
La demostracin del Lema que da como ejercicio para el lector.
2.2 La exponencial de una matriz

Deseamos ahora darle sentido a la siguiente expresin

Ak
.
k!
k=0
Dicho objeto tendr el papel, dentro de las matrices, de una exponencial. Esta es de fundamental importancia en el anlisis de los sistemas lineales. Comencemos con una definicin.
Definicin 2.2.1 Dada una matriz A M p se define la nsima suma parcial de la matriz
exponencial como
n

Ak
.
Sn (A) =
k!
k=0
Lema 2.2.2 Si m > n entonces

Sm (A) Sn (A)
An+1 A
e .
(n + 1)!
Demostracin
Claramente se tiene, usando la desigualdad del tringulo y el lema 2.1.4 la siguiente
desigualdad
Sm (A) Sn (A)
m
mn1

Ak+n+1
Ak
=
.
k!
(k + n + 1)!
k=n+1
k=0
2.2 L A
12
Es bien sabido que (k + n + 1)! k!(n + 1)! y esto implica

Sm (A) Sn (A)
mn1

k=0
Ak An+1
k!(n + 1)!
mn1
An+1 Ak
=
(n + 1)!
k!
k=0
n+1
A
(n + 1)!
k=0
An+1 A
Ak
=
e .
k!
(n + 1)!
Esto termina la demostracin.

Proposicin 2.2.3 Dada una matriz A M p , la sucesin Sn (A) es de Cauchy y por lo
tanto existe una matriz E(A) tal que
lim Sn (A) E(A) = 0.
Demostracin
El resultado es consecuencia del lema 2.2.2 y del siguiente lmite
An
lim
= 0.
n n!
Definicin 2.2.4 Dada una matriz A cuadrada de p p, su exponencial e A es el lmite

de la sucesin Sn (A), esto es e A es la matriz E(A) encontrada en la proposicin 2.2.3.
Usualmente se escribir:

Ak
.
e =
k!
A
k=0
Proposicin 2.2.5 La matriz e A tiene las siguientes propiedades:

a) e0 = I,
b) Si A B = B A, entonces e A e B = e B e A = e A+B ,
2.2 L A
13
1
c) e A
= eA ,

d) Si P es invertible, entonces exp P A P 1 = P exp [A] P 1 .
Demostracin
a) Trivial pues Sn (0) = I para toda n 1.
b) Ver ejercicio 2.2.
c) Si hacemos B = A en el inciso anterior, es claro que B A = A B, y por ende
tenemos que e A+B = e A e B = e B e A ; es decir e0 = e A eA = eA e A = I . Por lo tanto
(e A )1 = eA .
d) Vamos a mostrar que Pe A P 1 e P A P = 0. Notemos que
1
Sn (P A P
n

1
)=
(P A P 1 )k .
k!
k=0
Adems (P A P 1 )k = P Ak P. Entonces
Sn (P A P
n

1
)=
P Ak p 1
k!
k=0
n

1 k 1
A P = P Sn (A)P 1
=P
k!
k=0
Por lo tanto
1
Pe A P 1 e P A P Pe A P 1 P Sn (A)P 1
1
+ P Sn (A)P 1 Sn (P A P 1 ) + Sn (P A P 1 ) e P A P
1
Pe A Sn (A)P 1 P 1 + Sn (P A P 1 ) e P A P 0
Como el lado derecho de la desigualdad converge a 0, entonces
1
Pe A P 1 e P A P = 0
y esto termina la demostracin.
2.2 L A
14
Ejemplo 2.2.6 Sea A la matriz

A=
a b

.
0 a
Calcular e A .
Solucin
Notemos que

A2 =

A3 =
a b

a b
=
0 a

2ab
a b
a 2 2ab
0 a
a2
0
a2
0 a
0

=
a2
a 3 3a 2 b
0
a3
Este proceso se puede continuar inductivamente y obtener

a k ka k1 b
k
.
A =
0
ak
Por lo tanto, para cada n, se tiene
n

Ak
Sn (A) =
k!
k=0
n

k=0
1
k!
a k ka k1 b
0
ak

n
=
1 k
k=0 k! a
n
k k1
k=1 k! a
n 1 k
k=0 k! a
Usando el lema 2.1.6, podemos calcular el lmite trmino a trmino y as obtener

a bea
e
eA =
.
0 ea
2.3 D ERIVADAS
15
MATRICIALES
Ejemplo 2.2.7 Sea B la matriz

B=

.
Calcular e B .
Solucin

Sea
J=
0 1
1

.
Notemos que J 2 = I, por lo que B 2 = 2 I, B 3 = 3 B, B 4 = 4 I, etc. Este proceso

se puede continuar inductivamente y obtener
n
Bk
Bk

Bk
=
+
Sn (B) =
k!
k!
k!
k=0

02kn,
0kn,
k par
(1)k k
k!
0kn,
k impar
I+

02k+1n,
(1)k k
J.
k!
En el lmite se obtienen las series de seno y coseno y por lo tanto

cos sin
B
.
e = (cos ) I + (sin ) J =
sin cos
Este resultado lo usaremos posteriormente.
2.3 Derivadas matriciales

Definicin 2.3.1 Supongamos que tenemos una funcin : (a, b) Mn , t (t). Se
dice que es diferenciable en t (a, b) si existe una matriz L en Mn tal que el siguiente

(t + h) (t)

L
lim
= 0.
h0
h
Si es diferenciable para toda t (a, b), entonces diremos que es diferenciable y escri-
lmite existe:
biremos L = (t).
2.3 D ERIVADAS
16
MATRICIALES
Tenemos el siguiente lema que nos ser til para obtener la derivada de la matriz et A .
Lema 2.3.2 Para cualquier matriz cuadrada A se cumple que
2

A
e I A A e A .
2
Solucin
Usar n = 1 en el lema 2.2.2 y as obtener

A
e I A = e A S1 (A)

e A Sm (A) + Sm (A) S1 (A)
A2 A

e .
e A Sm (A) +
2
Al tomar el lmite cuando m , se obtiene el resultado.
Teorema 2.3.3 Sea : R M p dada por (t) = et A . Entonces es diferenciable en R

y adems (t) = Aet A = et A A.
Demostracin
No es difcil ver que Aet A = et A A. Sea t R fija. Queremos demostrar que

(t+h)A
tA

e
e
t
A
= 0.
e
A
lim

h0
h
Por el lema 2.3.2 tenemos que:

tA hA
(t+h)A
tA
e e et A et A Ah
e
e
t
A

e A

=

h
h

tA hA
e (e I h A)

=

h

et A
eh A I ha
|h|
et A h A2 h A
e
|h|
2
et A
= A2
|h|e|h|A 0
2
cuando h 0. Esto termina la demostracin.
2.3 D ERIVADAS
17
MATRICIALES
Proposicin 2.3.4 Si (t) es diferenciable en t la derivada es nica.

La demostracin del siguiente resultado se hace de forma anloga a la del lema 2.1.6.
Proposicin 2.3.5 Sea (t) diferenciable en t y sea i j (t) la entrada (i, j ). Entonces la
entrada (i, j ) de la derivada es ( )i j (t) = ( i j ) (t).

0 1
Ejemplo 2.3.6 Sea A =
. Notemos que
1 0

0 t
tA =

.
Se vi en el ejemplo 2.2.7 que

et A =
La derivada de et A es
d tA
e =
dt
cos t sin t
sin t

.
cos t
sin t cos t
sin t
cos t

.
Por otra parte,

et A A =
cos t sin t
sin t

cos t
0 1
1

=
sin t cos t
sin t
cos t
De este modo verificamos la frmula de derivada.

Ejemplo 2.3.7 Notemos que
d
dt t=0
et A = Aet A . Si

et A = et
encontrar A.
1 t
0 1

=
et tet
0
et

,

.
2.3 D ERIVADAS
18
MATRICIALES
Solucin
En este caso

luego A =

t et tet
e
d
;
et A =
dt t=0
0
et
. Notemos que

Aet A =

=

et tet
0
et et tet
0
et
et

.

A continuacin vamos a relacionar a las matrices exponenciales con flujos en Rn y con
ecuaciones diferenciales.
Proposicin 2.3.8 Sea A Mn . Sea : R Rn Rn , con (t, x) = et A x. Entonces
es un flujo completo en Rn .
Solucin
Se deja como ejercicio al lector.
Proposicin 2.3.9 Para cada x, (t, x) = et A x es solucin de la siguiente ecuacin diferencial: y = Ay con y(0) = x.
Demostracin
Sea x Rn y y(t) = et A x. Como es un flujo, sabemos que y satisface y =

f (y), y(0) = x, donde f (u) = dtd t=0 (t, u). En este caso,

d
d tA
e u = Aet A u.
(t, u) =

dt t=0
dt

Por lo tanto, f (y) = Aet A y t=0 = Ay.
2.4 C LCULO
DE LA EXPONENCIAL DE UNA MATRIZ
19
2.4 Clculo de la exponencial de una matriz

Definicin 2.4.1 Sea A M p . Una funcin matricial : R M p es una matriz fundamental de soluciones de la matriz A si
a) (t) es invertible,
b) (t) = A (t).
Ejemplo 2.4.2 (t) = et A es una matriz fundamental de soluciones.
Lema 2.4.3 Sean w1 (t), w2 (t), . . . , wn (t) soluciones de y = Ay, que son soluciones linealmente independientes. Entonces
(t) = (w1 (t) wn (t))
es una matriz fundamental de soluciones.
Demostracin
La matriz (t) es invertible porque las columnas son linealmente independientes. Notemos que
(t) = (w1 (t) wn (t)) = (Aw1 (t) Awn (t))
= A (w1 (t) wn (t)) = A (t).
Concluimos que (t) es una matriz fundamental de soluciones.
Proposicin 2.4.4 Sean 1 (t) y 2 (t) dos funciones matriciales definidas en el mismo intervalo. Entonces
d
( 1 (t) 2 (t)) = 1 (t) 2 (t) + 1 (t) 2 (t).
dt
Demostracin
Sea
(t) = 1 (t) 2 (t), queremos estimar

(t + h)
(t)

[ 1 (t) 2 (t) + 1 (t) 2 (t)]
.

h
2.4 C LCULO
20
Fijamos t y definimos Z 1 (h) = 1 (t + h) 1 (t) h 1 (t) y Z 2 (h) = 2 (t + h) 2 (t)
h 2 (t). Se puede ver que

Z 1 (h)
=0y

lim
h0 h

Z 2 (h)
=0
lim
h0 h
Entonces tambin
lim Z 1 (h) = 0 y lim Z 2 (h) = 0.
h0
h0
Se puede ver que:

(t + h)
(t)

[
(t)
(t)
+

(t)
(t)]
1
2
2
1

h

Z 1 (h)

Z 2 (h)

+ |h| (t) (t) .
+ 1 (t) + h (t)

(t
+
h)
2
1
1
2
h

h
El lmite cuando h 0 del lado derecho es 0 y por lo tanto

(t + h)
(t)

[ 1 (t) 2 (t) + 1 (t) 2 (t)]
lim
= 0.
h0
h
Proposicin 2.4.5 Sea (t) Mn una matriz fundamental de A. Entonces
et A = (t) (0)1 .
Esto es, (t) = et A (0).
Demostracin
Sea
(t) = et A (t). Vamos a demostrar que
(t) = 0. Por la proposicin anterior,
(t) = et A ( A) (t) + et A (t)

= et A ( A) (t) + et A A (t) = 0
Por lo tanto,
(t) es una matriz constante,
(t) c. En particular, c =
(0) = I (0) =
(0). Concluimos que et A (t) = (0) y como (0) es invertible, et A = (t) (0)1 .
2.4 C LCULO
21
Corolario 2.4.6 Si (t) es una matriz fundamental de soluciones entonces

A = (0) (0)1 .
Demostracin
Sabemos que et A = (t) (0)1 . Esto implica al sacar derivadas que
Aet A = (t) (0)1 .
Finalmente, se sustituye t = 0 y se obtiene A = (0) (0)1 y esto termina la demostracin.

Ejemplo 2.4.7 Calcular et A si A =
3 1
4 3

.
Solucin
Queremos encontrar dos soluciones linealmente independientes del problema x = Ax.
Usaremos el mtodo de vectores propios. Primero calculamos el polinomio caracterstico.
PA () = 2 6 + 5 = ( 1)( 5).
Si 1 = 1 entonces v1 = (1, 2)T es vector propio. Si 2 = 5 entonces v2 = (1, 2)T es

vector propio. Entonces

x1 (t) = e1 t v1 =
2et

x2 (t) = e2 t v2 =
et
e5t
2e5t
son dos soluciones linealmente independientes. Por lo tanto,

e5t
et
(t) =
2et 2e5t
2.4 C LCULO
22
es una matriz fundamental de soluciones y tenemos:

e
tA
= (t) (0)

=

=
et
e5t
et

e5t
1
2et 2e5t
2 2

1/2 1/4
2et 2e5t
1/2
1/4
1/2(et + e5t ) 1/4(et + e5t )

et + e5t
1/2(et + e5t )

Ejemplo 2.4.8 Sea
3 0
A=
0
3 2
1 1
Calcular la matriz et A .
Solucin
Debemos encontrar w1 (t), w2 (t), w3 (t), tres soluciones linealmente independientes del
problema x = Ax. Usamos el mtodo de vectores propios. El polinomio caracterstico es
PA () = det(A I ) = (3 )(2 4 + 5)
Los valores propios son
1 = 3, 2 = 2 + i, 3 = 2 i
Los vectores propios v1 para 1 = 3 se calculan usando la ecuacin (A I )v1 = 0. Esto
es
0 0

0 6 2 v1 = 0 .

0 1 4
0
2.4 C LCULO
23
Concluimos que
v1 =
0
0
es vector propio. Con 2 = 2 + i hacemos algo similar
0
5 i
0
0
0
1i
2
v2 = 0
0
0
1
1 i
Concluimos
v2 =
1
+
i
1
es vector propio. Por lo tanto obtenemos para 1 la siguiente solucin
3t
e
w1 (t) = e v1 = 0
0
Para 2 y v2 separamos en parte real e imaginaria. Recordemos que si v2 es vector propio
con valor propio 2 y adems estos se pueden escribir como
2 = + i y
v2 = r + i s,
entonces las siguientes son dos soluciones del sistema lineal
w2 (t) = et [(cos t) r (sin t) s] ,
w3 (t) = et [(sin t) r + (cos t) s] .
En este caso = 2, = 1,

y s = 1 .
r =
1

1
0
2.4 C LCULO
24
Obtenemos
1 sin t
cos
t
w2 (t) = e2t
2t
w3 (t) = e sin t 1
+ cos t
1
De lo anterior construimos una matriz fundamental de soluciones.
e3t
0
0
2t
2t
(t) = 0 e (cos t sin t) e (sin t + cos t)

0
e2t cos t
e2t sin t
Por la propiedad anterior,

et A = (t) (0)1
1
1 0 0
= (t)
0
1
1
0 1 0
1 0 0
= (t)
0
0
1
0 1 1
e3t
0
0
2t
2t
= 0 e (sin t + cos t)
2e sin t
e2t (cos t sin t)
0
e2t sin t
2.5 E CUACIONES
DE ORDEN
Y MTODO DE
F ULMER
25
2.5 Ecuaciones de orden n y mtodo de Fulmer

Definicin 2.5.1 Una ecuacin lineal de orden n con coeficientes constantes es una ecuacin de la forma:
n y (n) + n1 y (n1) + + 1 y + 0 y = 0.
donde n = 0.
Vamos a establecer una relacin entre la exponencial de una matriz y una ecuacin de
orden n. Usaremos el siguiente resultado.
Teorema 2.5.2 (Cayley-Hamilton) Sea A Mn y PA () su polinomio caracterstico:
PA () = (1)n n + + 1 + 0 = 0. Entonces
PA (A) = (1)n An + + 1 A + 0 I = 0.

3 1
Ejemplo 2.5.3 Si A =
; su polinomio caracterstico es 2 6 + 5. Entonces
4 3

13
6
A2 =
. Por lo tanto
24 13
PA (A) = A2 6 A + 5I

13 6
18 6
5 0
=
+
= 0.
24 13
24 18
0 5
Proposicin 2.5.4 Sea A Mn y PA () = (1)n n +n1 n1 + +1+0 . Entonces
cada una de las entradas de et A satisface la ecuacin
(1)n y (n) + n1 y (n1) + + 1 y + 0 y = 0.
Demostracin
2.5 E CUACIONES
Sabemos que
DE ORDEN
d tA
dt e
Y MTODO DE
26
F ULMER
= Aet A Entonces:
d2 t A
e = A2 et A
dt 2
d3 t A
e = A3 et A
dt 3
..
.
dn t A
e = An et A
n
dt
Esto implica que

dn t A
d
e + + 1 e t A + 0 e t A
n
dt
dt
n n tA
= (1) A e + + 1 Aet A + 0 et A
(1)n
= ((1)n An + + 1 A + 0 I )et A = 0.
Sea y(t) la entrada (i, j ) de et A : y(t) = (et A )i j . Sabemos que
dk
y(t)
dt k
dk t A
e
dt k
ij
. Por
lo tanto
(1)n y (n) + n1 y (n1) + + 1 y + 0 y =
( n
)
(
)
t A
d tA
d tA
n
e
e
+
e ij =
(1)
1
0
dt n
dt
ij
ij
)
(
n
d tA
n d
tA
tA
= 0.
(1) n e + + 1 e + 0 e
dt
dt
ij

3 1
. Por la proposicin anterior, cada entrada de et A satis4 3

face y 6y + 5y = 0. La solucin general de esta ecuacin es y(t) = c1 et + c2 e5t . Esto
concuerda con el resultado del ejemplo 2.5.3, pues se obtuvo que

t + 2e5t
t + e5t
e
2e
1
.
et A =
4 4et + 4e5t 2et + 2e5t
Esto es, cada entrada es de la forma de la solucin general.
2.5 E CUACIONES
DE ORDEN
Y MTODO DE
27
F ULMER
Supongamos que podemos encontrar la solucin general de la ecuacin

(1)n y (n) + n1 y (n1) + + 1 y + 0 y = 0,
en la forma de
y(t) = c1 1 (t) + c2 2 (t) + + cn n (t).
Supongamos que yi j (t) es la entrada (i, j ) de et A . Entonces existirn constantes
ci1j , ci2j , . . . , cinj
tales que yi j (t) = ci1j 1 (t) + + cinj n . Llamaremos E k a la matriz de coeficientes que
acompaan a k . Concluimos que et A = 1 (t)E 1 + + n (t)E n . De este modo, conociendo el polinomio caracterstico de una matriz se puede escribir la forma de la exponencial. El problema de encontrar la exponencial se reduce, por tanto, a calcular las matrices
E1, . . . , En .

Ejemplo 2.5.6 Calcular la matriz exponencial de A =
1
0 1

.
Solucin
El polinomio caracterstico de A es
PA () = 2 2 + 1 = ( 1)2 .
Cada entrada de A satisface y 2y + y = 0. Como 1 = 1 es raz repetida la solucin
general de la ecuacin es y(t) = c1 et +c2 tet . Se utiliza en este caso 1 (t) = et y 2 (t) = tet .
Por lo tanto, la exponencial es de la forma
et A = et E 1 + tet E 2 ,
donde E 1 y E 2 son matrices por determinar. Notemos que al sustituir t = 0 se tiene que
I = e0 = E 1 . Adems,
d tA
e = Aet A = et E 1 + et E 2 + tet E 2 .
dt
2.5 E CUACIONES
DE ORDEN
Y MTODO DE
28
F ULMER
Si volvemos a sustituir t = 0 entonces A = E 1 + E 2 = I + E 2 y esto implica que E 2 = A I .

Por lo tanto
et A = et I + tet (A I )

1
0
0
= et
+ tet
0 1
0 0

et tet
=
0 et
Esto concuerda con lo encontrado en el ejemplo 2.2.6.

0 1
. Calcular et A por el mtodo descrito en esta seccin.
1 0
Solucin
En este caso PA () = 2 + 1, entonces las entradas de et A satisfacen y + y = 0; cuya
solucin general es y(t) = c1 cos t + c2 sin t. La exponencial es et A = (cos t)E 1 + (sin t)E 2 ,
entonces Aet A = ( sin t)E 1 + (cos t)E 2 . Si t = 0, entonces tenemos que I = E 1 y que
A = E 2 . Por lo tanto,
et A = (cos t)I + (sin t)A =

Este resultado concuerda con el del ejemplo 2.2.7.
cos t sin t
sin t
cos t
Dada una ecuacin n y (n) + + 1 y + 0 y = 0 y el polinomio caracterstico asociado:

n n + + 1 + 0 = 0; se puede obtener la solucin general con base en las races del
polinomio:
P() = n ( 1 )m 1 ( 2 )m 2 . . . ( r )m r .
Si i es real con multiplicidad m i , podemos asociarle m i soluciones:
{ei t , tei t , t 2 ei t , . . . , t m i 1 ei t }.
Si i es complejo, entonces i tambin lo es. A la pareja i , i le asociamos 2m i soluciones.
Supongamos que i = + i. Se tienen las soluciones
{et cos t, et sin t, tet cos t, tet sin t, . . . , t m i 1 et cos t, t m i 1 et sin t}.
29
E JERCICIOS
0 9
.
Ejemplo 2.5.8 Calcular la exponencial de A =
0
2
1
0 1 2
Solucin
9
3
det 0 2 1
= ()(2 ) = 0
0
1
2
Entonces 1 = 0, 2 = 2 + i y 3 = 2 i . De aqu que 1 (t) = e1 t = 1, 2 (t) = e2t cos t
y 3 (t) = e2t sin t. Entonces
et A = E 1 + e2t cos t E 2 + e2t sin t E 3 ,
Aet A = 2e2t cos t E 2 + e2t ( sin t)E 2 + 2e2t sin t E 3 + e2t cos t E 3 ,
A2 et A = (4e2t cos t 2e2t sin t)E 2 (2e2t sin t + e2t cos t)E 2
+ (4e2t sin t + 2e2t cos t + 2e2t cos t e2t sin t)E 3 .
Si evaluamos en t = 0 tenemos el siguiente sistema de ecuaciones
I = E1 + E2,
A = 2E 2 + E 3 ,
A2 = 3E 2 + 4E 3 .
Por lo tanto, E 1 = I E 2 , E 2 = 1/5(4 A A2 ) y E 3 = 1/5(2 A2 3 A).
E JERCICIOS
2.1 Usar el lema 2.2.2 para demostrar la siguiente desigualdad

n+1

A
e Sn (A) A
e A.
(n + 1)!
30
E JERCICIOS
2.2 Sean A y B dos matrices de n n. Sean = A y = B. Suponer que las

matrices conmutan, es decir, que A B = B A.
a) Demostrar que la siguiente serie converge.

r s
.
r ! s!
k=0 r +s=k
b) Demostrar
n

Ar B s
Sn (A + B) =
r ! s!
k=0 r +s=k
Sn (A)Sn (B) =
0r,sn
Ar B s
.
r ! s!
c) Demostrar la siguiente desigualdad.

Sn (A)Sn (B) Sn (A + B)
r s
.
r ! s!
k=n+1 r +s=k
d) Concluir que e A e B = e A+B = e B e A .

e) Encontrar dos matrices cuyas exponenciales no satisfagan la ecuacin del inciso anterior.
2.3 Las siguientes son tres soluciones linealmente independientes de un problema lineal
de la forma x = Ax.
x1 (t) =
4 2 et
0
4 + 3 et
, x2 (t) =
7 et
et
7 et
y x3 (t) =
Encontrar la matriz A y calcular la matriz exponencial et A .
2.4 Encontrar la exponencial de las siguientes matrices.
2 2 et
0
2 + 3 et
31
E JERCICIOS
0 1 1
a)
1
1
b) 1
1
0 1
1 0
1 1
1 1
1 1
c)
10
4

d)
1
0
0
16
0 1
(Sugerencia: notar que = 2 es un valor propio para el inciso c.)
2.5 Cmo se podra resolver el siguiente problema de valores iniciales?

dy
= Ay + b(t),
dt
y(0) = x0 ,
en donde b : R Rn es una funcin continua y A es una matriz de n n. (Sugerencia:
usar la exponencial et A como factor integrante.)
2.6 Sea A Mn . Sea : R Rn Rn , con (t, x) = et A x. Demostrar que es un

flujo completo en Rn .
2.7 Sea A Mn y R. Sea : R Rn Rn , dada por (t, x) = et et A x.

Demostrar que es un flujo completo en Rn y encontrar la ecuacin diferencial que satisface.
2.8 Sea A una matriz de 2 2. Demostrar lo siguiente.

a) Si A tiene dos valores propios reales y distintos entonces 1 y 2 entonces
et A =

t
1
e 1 (A 2 I ) e2 t (A 1 I ) .
1 2
b) Si A tiene un dos valores propios complejos 1 = + i y 2 = i con = 0,

entonces
e
tA
)
(
1
=e
(cos t) I + (sin t) (A I ) .
32
E JERCICIOS
c) Si A tiene un valor propio repetido 1 entonces
et A = e1 t (I + t ( A 1 I )) .
2.9 Sea A Mn . Se dice que W Rn es un subespacio invariante de A si Av W

para todo v W. Demostrar que si W es un subespacio invariante para A, entonces tambin
lo es para et A .
2.10 Sea A una matriz de 2 2 con dos valores propios reales y distintos 1 y 2. Sean
W1 = ker (A 1 I ) y W2 = ker (A 2 I ) . Demostrar
a) R2 = W1 W2 .
b) W1 y W2 son subespacios invariantes de A.
c) Dado x R2 existen dos funciones y1 (t) y y2 (t) tales que x = y1 (0) + y2 (0), et A x =
y1 (t) + y2 (t) y yi (t) Wi . Encontrar y1 (t) y y2 (t) explcitamente.
(Sugerencia: Notar que (A 1 I ) (A 2 I ) = (A 2 I ) (A 1 I ) = 0 .)
2.11 Una matriz D de n n es diagonalizable si existe una matriz invertible P tal que
D = P diag(1 , . . . , n )P 1 . Demostrar que, si D es diagonalizable entonces
et D = P diag(e1 t , . . . , en t )P 1 .
2.12 Una matriz N de n n es nilpotente si N n 0. Un teorema de lgebra lineal nos

permite afirmar que, para cualquier matriz A de n n, existen matrices D y N tales que
a) D es diagonalizable,
b) N es nilpotente,
c) A = D + N y
d) N D = D N .

Demostrar que et A = et D I + t N +
1 2 2
2! t N

t n1
+ . . . (n1)!
N n1 .
E JERCICIOS
33
2.13 Sea A una matriz de n n tal que PA () = ( )n . Calcular et A . (Sugerencia:

demostrar primero que A I es nilpotente.)
2.14 Sea matriz A de n n. Suponer que v = r + i s un vector propio con valor propio
= + i, donde = 0. Demostrar que el espacio W = span {r, s} es un subespacio
invariante para et A . Es cierto que si x W entonces
)
(
1
tA
t
e x=e
(cos t) x + (sin t) ( Ax x) ?
CAPTULO 3
Estabilidad de Sistemas Lineales.
3.1 Matrices no degeneradas

En este captulo iniciaremos el estudio del comportamiento de las soluciones de un sistema
lineal.
Sabemos que la soluciones de este sistema estn ntimamente relacionadas con la matriz
exponencial de A; esto es, cualquier funcin de la forma et A x es solucin del problema
y = Ay,
(PL)
y(0) = x.
Nos preguntamos si todas las soluciones son de esta forma. Tenemos el siguiente resultado.
Proposicin 3.1.1 La funcin y(t) = et A x es la nica solucin del problema (PL).
Definicin 3.1.2 Una matriz A es no degenerada si
3.1 M ATRICES
35
NO DEGENERADAS
a) det(A) = 0,
b) A no tenga races repetidas,
c) Los valores propios de A tengan parte real distinta de cero.
Una matriz que viola alguna de las condiciones anteriores se dir que es degenerada.
Definicin 3.1.3 Sea A una matriz no degenerada.
a) Diremos que A es de tipo atractor si todos los valores propios de A tienen parte real
negativa.
b) Diremos que A es de tipo repulsor si todos los valores propios de A tienen parte real
positiva.
c) Diremos que A es de tipo silla si A tiene valores propios tanto con parte real positiva
como con parte real negativa.
Ejemplo 3.1.4 Demostrar que la siguiente matriz es no degenerada y clasificarla.
1 2 3
.
A=
0
0
1
0 6 5
Solucin
El polinomio caracterstico de A es (1)( + 1)( 3)( 2). Los valores propios de
A son 1 = 1, 2 = 2 y 3 = 2. Notemos que det(A) = 1 2 3 = 6 = 0. No hay races
repetidas ni valores propios con parte real cero, por lo tanto A es no degenerada. Tambin,
como hay valores propios con parte real positiva y negativa A es silla.
Ejemplo 3.1.5 Encontrar los casos degenerados de las matrices de 2 2 en trminos de la

traza y el determinante de A.
3.1 M ATRICES
36
NO DEGENERADAS
Solucin
Sea A una matriz de 2 2. El polinomio caracterstico de A es
PA () = 2 tr(A) + det(A).
Sea
(A) = tr(A)2 4 det(A).
La matriz A tiene races repetidas s y slo si el discriminate (A) = 0. Los valores propios
tr(A) (A)
1,2 =
2
1
Si (A) < 0 entonces la parte real de 1,2 es 2 tr(A). Es decir, si (A) < 0, entonces el
son
caso degenerado ocurre cuando tr(A) = 0. Tal caso sucede si det(A) > 0 y tr(A) = 0. Si
(A) > 0 entonces no hay caso degenerado si det(A) = 0. En resumen A es degenerada si
alguna de las siguientes ocurre.
a) det(A) = 0,
b) (A) = 0,
c) det(A) > 0 y tr (A) = 0.
Posteriormente haremos un examen ms detallado de los sistemas 2 2.
En un diagrama tenemos los siguientes puntos degenerados encontrados en el ejemplo

anterior. En el caso 2 2 los casos no degenerados se encuentran en cinco regiones. Las
propiedades de los valores propios correspondientes a las matrices en estas cinco regiones
se resumen en la siguiente tabla.
valores propios
Regin det(A)
tr(A) (A)
tipo
parte real
nombre
nodo atractor
reales
II
complejos +
espiral atractora
III
complejos
espiral repulsora
IV
reales
complejos +,
nodo repulsor
silla
3.2 M ATRICES
37
ATRACTORAS
det(A)
III
D(A) = 0
II
IV
I
0
tr(A)
3.2 Matrices atractoras

Teorema 3.2.1 Sea A una matriz cuadrada no degenerada. Las siguientes afirmaciones son
equivalentes:
a) A es de tipo atractor.
b) Existen constantes positivas C, tales que et A Cet para toda t 0.
c) Para toda x0 Rn , lim et A x0 = 0.
t
d) Existe una matriz simtrica positiva definida, M, tal que M A + A T M = I .

Demostracin
3.2 M ATRICES
38
ATRACTORAS
a)b) Sabemos que existen funciones 1 (t), . . . , n (t) y matrices E 1 , . . . , E n tales que
et A
= 1 (t)E 1 (t) + + n (t)E n ; en donde cada funcin es de la forma k (t) = ek t
k (t) = ek t cos k t k (t) = ek t sin k t, ya que A es no degenerada. Como A es de tipo

atractor, entonces k < 0 k < 0, segn el caso. Sea > 0 tal que
max{Re() : es valor propio de A} < < 0.
Notemos que et k (t) es de la forma
et k (t) = e(+k )t
et k (t) = e(+k )t cos k t
et k (t) = e(+k )t sin k t.

Por construccin + Re() < 0 y por lo tanto |et k (t)| 1 para toda t 0. Notemos que
et et A = et 1 (t)E 1 + + et n (t)E n
|et 1 |E 1 + + |et n (t)|E n
E 1 + . . . E n
para toda t 0.Sea C = E 1 + . . . E n , entonces si t 0 tenemos que et et A C y,
por lo tanto, et A Cet .
b)c) Sea x0 Rn . Entonces
lim et A x0 = x0
si y slo si

lim et A x0 2 = 0.
t0
Notemos que 0 et A x0 et A x0 Cet x0 0 para algunas constantes

C, > 0 y toda t 0. Por lo tanto,

lim et A x0 = 0.
t0
Luego
lim et A x0 = 0.
t0
3.2 M ATRICES
39
ATRACTORAS
c)d) Consideremos la siguiente funcin lineal: : Mn Mn , (B) = B A +

AT
B. Recordemos que dim(ker( )) + dim(Im( )) = dim(Mn ). Si demostramos que
ker( ) = (0), habremos demostrado que es inyectiva y suprayectiva. Sea N Mn tal

que (N ) = 0. Sea x0 Rn . Definimos
: R R como
(t) = N et A x0 , et A N x0 .
Entonces
d
d
d
(t) = N et A x0 , et A N x0 + et A N x0 , et A N x0
dt
dt
dt
tA
tA
= N e x0 , Ae N x0 + N Aet A N x0 , et A N x0
= A T N et A x0 , et A N x0 + N Aet A x0 , et A N x0
= (A T N + N A)et A x0 , et A N x0
= 0.
Por otro lado tenemos que, por hiptesis,
lim
(t) 0.
De este modo concluimos que

(t) 0 y en particular
(0) = 0 = N x0, N x0 . Es decir
N x0 = 0 y esto implica N x0 = 0. Como x0 es arbitrario, entonces N 0. Por lo tanto
es inyectiva y suprayectiva.
Sea M Mn tal que
(M) = M A + A T M = I . Notemos que
(M T ) =
(M)T =
(M). Como
es inyectiva entonces M = M T . Para ver que M tambin es positiva definida, tomemos x0 = 0 y demostremos que x0 , M x0 > 0. Sea K (t) = et A x0 , Met A x0 .
d
K (t) = Aet A x0 , Met A x0 + et A x0 , M Aet A x0
dt
= et A x0 , A T Met A x0 + et A x0 , M Aet A x0
= et A x0 , (A T M + M A)et A x0
= et A x0 , et A x0
= et A x0 2 < 0
Tambin, por hiptesis,
lim K (t) = 0.
3.3 M ATRICES
40
TIPO SILLA
Entonces K (0) > 0. Es decir que x0 , M x0 > 0. Por lo tanto M es positiva definida.
d)a) Sea v un vector propio de A con valor propio . Entonces Av = v y Av = v.

El nmero v T Mv es un nmero real puesto que
v T Mv = v T Mv = v T M T v = v T Mv.
Entonces
v T (M A + A T M)v = v T M Av + v T A T Mv
= (v T Mv) + (v T Mv)
= ( + )T (v T Mv)
Pero v T (M A + A T M)v = v T v < 0. Concluimos que
2Re() = + =
v T v
< 0.
v T Mv
Por lo tanto, todos los valores propios tienen parte real negativa y entonces A es de tipo
atractor.
3.3 Matrices tipo silla

Sea A una matriz no degenerada. Nos preguntamos acerca de las condiciones iniciales x
tales que
lim et A x = 0.
Por el teorema 3.2.1 anterior, si A es atractor, este lmite se cumple para toda x Rn .
Adems se cumple el siguiente resultado.
Proposicin 3.3.1 Sea A de tipo atractor, entonces para toda x = 0 se tiene que

lim et A x2 = +.
Notemos que, si A es de tipo repulsor, entonces A es atractor. Esto implica el siguiente.
3.3 M ATRICES
41
TIPO SILLA
Corolario 3.3.2 Si A es de tipo repulsor, entonces

lim et A x = 0
para todo x y

lim et A x2 = +,
para x = 0.
En una matriz de tipo silla algunas condiciones iniciales cumplen lim et A x = 0, otras
t
lim et A x = 0 y otras ninguna de las dos. Para estudiar las distintas condiciones iniciales
tenemos el siguiente.
Teorema 3.3.3 (Subespacios invariantes) Sea A una matriz de tipo silla. Sean
Es = {x Rn : lim et A x = 0}
t
y
Eu = {x Rn : lim et A x = 0}.
t
Entonces
a) Es , Eu son subespacios vectoriales de Rn .
b) R = Es Eu .
c) Cualquier solucin x(t) del sistema lineal x = Ax se puede escribir como x(t) =
qs (t) + qu (t), donde qs (t) Es , qu (t) Eu , lim qs (t) = 0 y lim qu (t) = 0.
t
d) Cada subespacio Eu , Es es invariante.

e) dim Es = #{valores propios con parte real negativa} y dim Eu = #{valores propios
con parte real positiva}.
A Es se le llama espacio estable y a Es el espacio inestable de la matriz A.
3.3 M ATRICES
42
TIPO SILLA
Demostracin
Sean
+ (A) = {valores propios con parte real positiva}
y
(A) = {valores propios con parte real negativa}.
Tenemos que
+
+
+
+
+
+ (A) = {+
1 , . . . , m 1 , 1 , . . . , m 2 , 1 , . . . , m 2 },
donde i+ son reales y +j son complejos. Notar que #( + (A)) = m 1 + 2m 2 . Adems
(A) = {
1 , . . . , m 3 , 1 , . . . , m 4 , 1 , . . . , m 4 },
y #( (A)) = m 3 + 2m 4 .
+
Para cada real i+ existe un vector propio vi+ y para cada complejo +j = +
j + i j existe
un valor propio r+j + i s+j . Para i+ tenemos la solucin

+
ei t vi+ = fi+ (t)

y para cada +j tenemos dos soluciones,
+
+
+
+
i t
(cos( +
g+
j (g) = e
j t)r j sin( j t)s j )
y
+
+
+
+
h +j (g) = ei t (sin( +
j t)r j + cos( j t)s j ).
Cualquier solucin x(t) es una combinacin lineal.

x(t) =
+
m1

i=1
m3

i=1
Ci+ fi+
m2

+
+ +
+
(D +
j g j + Fj h j )
Ci fi +
j =1
m
4

(D
j g j + Fj h j )
j =1
3.3 M ATRICES
43
TIPO SILLA
Si x(t) = et A x, entonces
x = x(0) =
m1

Ci+ vi+
Ci vi +
qs (t) =
m4

(D
j r j + Fj s j )
j =1
i=1
Sean
m3

Ci fi
m1

m4

(D
j g j + F j h j ),
j =1
i=1
qu (t) =
+
+ +
(D +
j r j + Fj s j )
j =1
i=1
m3

m2

Ci+ f i+ +
m2

+
+ +
(D +
j g j + F j h j ).
j =1
i=1
Entonces x(t) = qs (t) + qu (y).

lim qs (t) = 0 y lim qu (t) = 0.
Adems una condicin necesaria y suficiente para que

lim x(t) = 0
es que qu (t) 0; del mismo modo

lim x(t) = 0
+

si y slo si qs (t) 0. Como las soluciones fi+ , g +
j , h j , f i , g j , h j son linealmente inde-
pendientes, entonces
lim x(t) = 0
si y slo si x span{vi , rj , sj }. Concluimos que

Es = span{vi , rj , sj },
Eu = span{vi+ , r+j , s+j }.
Como vi+ , r+j , s+j , vi , rj , sj son linealmente independientes, entonces dim(Es ) = m 1 +
2m 2 y dim(Eu ) = m 3 + 2m 4 , y por lo tanto, Rn = Es Es .
3.3 M ATRICES
44
TIPO SILLA
3 3
. Encontrar Es y Eu .
0
0
1
0 2 2
Solucin
La matriz A tiene 3valores propios +

1 = 3, 1 = 1 + i y 1 = 1 i . Tenemos los
siguientes vectores propios:
v1+ =
0
0
y
1
0

1
= 1 +i 0 .
1 + i
1
1

1 0
y Es = span 1 , 0 .
Por lo visto en el teorema 3.3.3, Eu = span
0

0
1
1
Podemos resolver este problema directamente de la definicin. Tenemos tres soluciones
r1
+ i s1
linealmente independientes:
e3t
+
,
f 1+ (t) = e1 v1+ =
0
cos t
g1 (t) = et
cos t
cos t sin t
y
t
(t)
=
e
h
1
sin t
sin t
cos t sin t
3.3 M ATRICES
45
TIPO SILLA
Sea
e3t
(t) =
0
0
et cos t
et sin t
et cos t
et sin t
et (cos t + sin t) et (cos t sin t)
Sabemos que (t) es una matriz fundamental de soluciones y por lo tanto

et A = (t) (0)1 .
Esto es
et cos t
e3t
et sin t
t cos t
t sin t
0 1
et A =
e
0
e
0 et (cos t + sin t) et (cos t sin t)

0 1
1 1
et cos t
et sin t
e3t
0 1
=
et cos t
et sin t
0
t
t
0 1
0 e (cos t + sin t) e (cos t sin t)
3t
3t
t
t
e
e + e (cos t + sin t)
e sin t
.
= 0
et sin t
e (cos t + sin t)
t
t
0
2e sin t
e (cos t sin t)
Supongamos que x = (u, v, w) Es . Queremos que
lim et A x = 0.
Notemos que
e x=
tA
ue3t
ve3t
+ vet (cos t
vet (cos t
+ sin t) + wet
+ sin t) + wet
sin t
sin t
2vet sin t + wet (cos t sin t)
Entonces x = (u, v, w) Es si slo si u v = 0. Concluimos que

.
s
3
E = (u, v, w) R : u = v .
46
E JERCICIOS
Ya habamos visto que
0
1
s

E = span
1 , 0 .
1
1
Ambos resultados coinciden.
E JERCICIOS
3.1 La funcin y(t) = et A x es la nica solucin del problema y = Ay, y(0) = x.

3.2 Sea A una matriz no degenerada. Demostrar

a) A es de tipo atractor si y slo si lim et A x 2 = +, para todo x = 0.
t

b) A es de tipo repulsor si y slo si lim et A x 2 = +, para todo x = 0.
t
3.3 Clasificar las siguientes matrices.

a)
2 6

b)
c)
d)

.
1 2

.
1 0
1
g)
0
2
.

.
2 1
1 1

f)

2 100

2 11

e)
1 0 0
h)
2
2
7 1
.
1 7
1 1 1
i) 1 1 1
.
1 1 1
(Sugerencia: Para clasificar, no es necesario resolver el sistema lineal.)
47
E JERCICIOS
3.4 Consideremos el siguiente problema con valores iniciales:

X =
X,
2 1

u
X (0) =
,
v
donde u y v son constantes reales.
a) Resolver el problema.
b) Cunto debe valer u y v si deseamos que lim X (t) = 0?

t
3.5 Calcular los espacios estable e inestable de la siguiente matriz.
1 0
A=
1
1 1
1 1
3.6 Suponer que la siguiente matriz est en la regin I I o I I I ; es decir, es de tipo

espiral.

A=
a b
c d
a) Demostrar que bc < 0.

b) Suponer que x(t) = (x1 (t), x2 (t)) es solucin del sistema x = Ax. Escribir el sistema
en coordenadas polares
x1 = r cos ,
x2 = r sin .
Esto es, encontrar ecuaciones para y r , en trminos de y r.
E JERCICIOS
48
c) Mostrar que la espiral se mueve en la direccin contraria a las manecillas del reloj si
c > 0 y en la direccin opuesta si c < 0. (Sugerencia: mostrar que > 0 si c > 0 y
< 0 si b > 0.)
d) Demostrar que r > 0 si A est en la regin I I y r < 0 si A est en la regin I I I. Por
qu se denomina a estas matrices espirales?
CAPTULO 4
Teora no Lineal.
4.1 Teora de Ecuaciones Diferenciales.

Existen dos tipos de ecuaciones
autnomas
no autnomas
En las autnomas, el campo vectorial f no depende explcitamente de t; esto es son de la

forma
x = f (x).
En las no autnomas, f depende explcitamente del tiempo t y son de la forma
x = f (x, t).
4.1 T EORA
DE
50
E CUACIONES D IFERENCIALES .
Una
no autnoma puede ser transformada en una autnoma pues, si hacemos y =
ecuacin

x
, entonces
t

x
f (x, t)
y =
=
1
1

Si
y=

y F(y) =
f (y)
entonces y = F(y) es autnoma.Un punto de equilibrio, o solucin de punto fijo, de una

ecuacin diferencial
dy
= F(y)
dt
es un punto p tal que F( p ) = 0.

Para un sistema lineal 0 es siempre punto de equilibrio. Sin embargo, pueden existir
otros puntos de equilibrio. Si el det(A) = 0, entonces 0 es el nico punto de equilibrio. Si
det(A) = 0, existe una infinidad de puntos de equilibrio.
En este captulo estudiaremos ecuaciones de la forma x = f (x), donde
f : E Rn Rn
es una funcin de continuamente diferenciable o de clase C 1 definida en un abierto E de Rn .
Recordemos la definicin de la clase C 1 .
Definicin 4.1.1 Sea E un abierto de Rn . Se dice que f : E Rn es diferenciable en x 0 si
existe una matriz de n n, A (x0 ) , tal que
f (x0 + h) f (x0 ) A (x0 ) h2
= 0.
h0
h2
lim
A la matriz A (x0 ) es llamada matriz jacobiana y se escribe

A (x0 ) = f (x0 ).
Si la funcin es diferenciable en todos los puntos de su dominio se dir simplemente que es
diferenciable.
4.1 T EORA
DE
51
Notemos que si f : E Rn Rn es diferenciable en E, entonces tenemos una funcin

f : E Mn Rnn
entre espacios mtricos y por lo tanto podemos hablar de continuidad. Diremos que f es de
clase C 1 en E si f es continua en E.
Teorema 4.1.2 Sea f : E Rn Rm con
f1
.
.
f =
. .
fm
Entonces f C 1 (E) s y slo si todas las derivadas parciales son continuas en E, es decir,
fi
es continua para todo i = 1, . . . , m y j = 1, . . . , n. Adems
si
xj
f1
f1
f1
xn
.x1 .x2 .
..
..
..
..
f (x0 ) =
.
fm fm
fm
x1
x2 xn
x=x0
Ejemplo 4.1.3 Por qu necesitamos funciones de clase C 1 ? Consideremos la ecuacin

x = 3x 2/3 .
Si queremos resolver con x(0) = 0, existen dos soluciones
x1 (t) = 0,

x2 (t) =
t 3 si t > 0,
0 si t 0.
Queremos tener condiciones bajo las cuales esto no ocurra.

A continuacin enunciaremos y probaremos el famoso teorema de existencia y unicidad.
De este teorema existen, en realidad, un sinnmero de versiones dependiendo de las hiptesis
que se impongan sobre el campo vectorial en cuestin. Daremos una versin dbil de este
teorema. Para demostrarlo necesitamos primero demostrar un lema.
4.1 T EORA
DE
52
Lema 4.1.4 Sea : [a, b] Rn una funcin continua. Entonces

b
b

(s)2 ds.
(s)ds

a
Demostracin
Notemos que

b
a
2 ( b
) ( b
)

(s)ds
(s)ds
(t)dt
=
a
a
2
b b
=
( (s) (t)) dsdt
a
a
b b
(s)2 (t)2 dsdt
(
=
) (
(s)2 ds
b
a
)
(t)2 dt
(
=
a
)2
(s)2 ds

La tcnica que se usar para demostrar el teorema de existencia y unicidad es el de
iteraciones de Picard. Estas consisten en una sucesin de funciones que convergen en el
espacio de norma uniforme a la nica solucin del problema que queremos resolver.
Definicin 4.1.5 (Iteraciones de Picard) Sea f : E Rn un campo vectorial. La sucesin de Picard, o iteraciones de Picard, del problema de valores iniciales
x = f (x),
x(0) = x0
es la sucesin dada recursivamente por
U0 (t) x0 ,
Uk+1 (t) = x0 +
0
f (Uk (s)) ds.
(4.1)
4.1 T EORA
DE
53
Notemos el siguiente hecho, si las iteraciones de Picard convergen a una sola funcin x,
esta debera satisfacer la siguiente igualdad
x(t) = x0 +
f (x(s))ds.
(4.2)
Resulta que encontrar una funcin que satisfaga (4.2) es equivalente al problema original
(4.1) de valores iniciales. La demostracin del teorema de existencia y unicidad es, en
esencia, la demostracin de que las iteraciones de Picard convergen en C ([a, a] , Rn ) ,
donde a es un nmero positivo por definir. Recordemos que la norma del supremo o norma
del mximo en C ([a, a] , Rn ) es la siguiente
v = max {v(t)2 : t [a, a]} .
Es bien conocido que C ([a, a] , Rn ) con la norma es un espacio de Banach. Con la
herramientas anteriores, podemos demostrar lo siguiente.
Teorema 4.1.6 (Existencia y Unicidad. Versin dbil) Sean E un abierto de Rn , x0 E
y f de clase C 1 . Entonces existe un intervalo (a, a) tal que el problema
x = f (x)
x(0) = x0
tiene una solucin nica en (a, a) .
Demostracin
Primero demostremos la existencia. Sea > 0 tal que B (x0 ) E. Claramente el
conjunto B/2 (x0 ) es un compacto contenido en E. Sea
.
-

K = max f (x) : x B/2(x0 ) ,

donde es la norma de matrices. Por ser f una funcin continua y B/2 (x0 ) un conjunto
compacto, se cumple que 0 K < .
Sean x, y B/2 (x0 ). En base a x y y, definimos la funcin G : [0, 1] Rn dada por
G(s) = f (x + s(y x)). Notemos que
G (s) = f (x + s(y x))(y x)
4.1 T EORA
DE
54
y, por otro lado,

G(1) G(0) =
G (s)ds.
Esto implica
f (y) f (x) =
f (x + s(y x))(y x)ds
Rn
obtenemos
1

f (y) f (x)2 =
f
(x
+
s(y
x))(y
x)ds

Sacando la norma euclideana en
0
1

f (x + s(y x))(y x) ds
2
Notemos que. si x, y B/2(x0 ) y si s [0, 1] entonces x + s(y x) B/2 (x0 ). Sabemos

que

f (x + s(y x))(y x) f (x + s(y x)) y x2
2
K y x2
Concluimos
f (y) f (x)2
K y x2 ds = K y x2
(4.3)
0
.
Sean b = /4 y M = max f (x)2 : x Bb (x0 ) . Claramente M < . Supongamos, sin
prdida de generalidad, que M > 0. Sea a un nmero que satisfaga
0
/
1 b
,
.
0 < a < min
K M
Estos nmeros (a, b, K , M) nos servirn para hacer estimaciones acerca de las iteraciones
de Picard. Sean
U0 (t) x0
Uk+1 (t) = x0 +
f (Uk (s)) ds
Veremos que Uk es una sucesin de Cauchy en el espacio C [a, a] . Definamos

A(b) = v C [a, a] , Rn : v U0 < b .
4.1 T EORA
DE
55
Demostraremos que si Uk A(b) entonces Uk+1 A(b). Esto lo hacemos por induccin.
Supongamos, como hiptesis de induccin, que Uk U0 < b. Sea t [a, a], entonces
t

Uk+1 (t) x0 2 =
f
(s))
ds
(U
k

0
Uk U0 < b implica que para todo t [a, a] se cumple

Uk (t) x0 2 < b.
Es decir, para todo t [a, a] se tiene que Uk (t) Bb (x0 ). Por lo tanto
f (Uk (t))2 M
para todo t [a, a] . Entonces si t [a, a] entonces

Uk+1 (t) x0 2
|t|
0

f (Uk (s))2 ds
|t|
Mds Ma < b.
El mximo satisface
Uk+1 U0 = max Uk+1 (t) x0 2 Ma < b.
t[a,a]
Demostraremos ahora que la sucesin es de Cauchy. Estimaremos primero U2 U1 .

Si t [a, a] , entonces

t
t

U2 (t) U1 (t)2 =
f (U1 (s)) ds x0
f (U0 (s)) ds
x0 +

0
0
2
t
f (U1 (s)) f (U0 (s))2 ds.
Sabemos que para todo t [a, a] se tiene que
U1 (t) U0 (t)2 < b < .

2
Por lo tanto, si |s| |t| < a entonces
f (U1 (s)) f (U0 (s))2 K U1 (t) U0 (t)2 < K b.
4.1 T EORA
DE
56
Concluimos

U2 (t) U1 (t)2 <
|t|
(K b) ds < K ab.
Por induccin se puede ver que

U j +1 U j (K a) j b.
Si m > n N , entonces
Um Un
(K a) N b
,
1 Ka
pues 0 < K a < 1. Dado que

lim (K a) N = 0
concluimos que {Um } es de Cauchy en la norma y por lo tanto converge a un elemento

x C ([a, a] , Rn ) que adems cumple

x(t) = x0 +
f (x(s))ds,
para todo t [a, a]. Esto termina la demostracin.

Ejemplo 4.1.7 Usar el mtodo de Picard para resolver el siguiente problema lineal.
x = Ax,
x(0) = x0 ,
Demostracin
Definimos
U0 (t) = x0 ,
Uk+1 (t) = x0 +
AUk (s)ds.
Obtenemos
U1 (t) = x0 +
0
(Ax0 ) ds = x0 + t Ax0 ,
4.1 T EORA
DE
57

U2 (t) = x0 +
(
x0 + t Ax0 ds =
)
t2 2
I + t A + A x0 ,
2
t(
)
t2 2
I + t A + A x0 ds
U3 (t) = x0 +
2
0
)
(
2
3
t 2 t 3
= I + t A + A + A x0 .
2
3!
Por induccin podemos ver que
Un (t) =
n
tk
k=0

Ak x 0 .
k!
Claramente esta sucesin converge, en la norma del supremo a x(t) = et A x0 que, como ya
hemos estudiado, es solucin de la ecuacin.
En resumen, si consideremos el problema (4.1) donde f es una funcin de clase C 1 en
un abierto E de Rn , entonces sabemos que existe un intervalo [a, a] en donde existe una
nica solucin de este problema.
Ejemplo 4.1.8 Si f no es C 1 en todo el plano no podemos garantizar la unicidad. Consideremos el siguiente problema
2
x = 3x 3 ,
x(0) = x0 .
2
Se puede ver que f (x) = 3x 3 es de clase C 1 en = R\ {0} y, por tanto, dicha solucin es
nica si x0 = 0. Si x0 = 0, puede verificarse directamente que x(t) = 0 y x(t) = t 3 son
dos soluciones posibles. esto no viola el resultado del teorema 4.1.6 pues la funcin f no es
diferenciable en 0, por lo que no puede garantizarse unicidad.
Ejemplo 4.1.9 El problema de valores iniciales

y = tan e y arctan y
y(t0 ) = y0
4.1 T EORA
DE
58
tiene una solucin nica para todo t0 y todo y0 pues la funcin f que define a la ecuacin
es de clase C 1 en un abierto de Rn . Esto se sabe a pesar de que, en general, la solucin no
puede calcularse explcitamente.
Nos preguntamos ahora acerca de hasta dnde podemos extender la solucin. Tenemos
el siguiente teorema que damos sin demostracin.
Teorema 4.1.10 Sean E un abierto de Rn , f una funcin de clase C 1 . Entonces, para cada
punto x0 E, existe un intervalo D(x0 ) (llamado intervalo maximal) tal que
a) D(x0 ) = (, ) , y contiene a t = 0,
b) El problema
y = f (y)
y(0) = x0
tiene una solucin y(t) definida en D(x0 ),
c) La solucin y(t) es nica en el siguiente sentido. Si el problema tuviera otra solucin
z(t), definida en un intervalo I, entonces I D(x0 ), y z(t) = y(t) en I.
Ejemplo 4.1.11 Considerar
x =
1
.
2x
en E = (0, ). Calcular D(1).

Solucin
Resolveremos
1
2x
x(0) = 1
x =
y veremos hasta dnde podemos extender la solucin. Resulta que la solucin es

x(t) =
1t
4.1 T EORA
DE
59
En este caso, x(t) est definido para todo t (, 1] . Sin embargo, en t = 1, x(t) sale del
conjunto E. Por lo tanto, D(1) = (, 1) .
Ejemplo 4.1.12 Consideremos

x =
1
x
definida en E = (0, ) . Encontrar D(x0 ).

Solucin
Para cada x0 la solucin x(t) que satisface x(0) = x0 es

x(t) = 2t + x02

El dominio de x(t) es t R | 2t + x02 0 = x20 , . El intervalo maximal es por
tanto D(x0 ) = (x0 /2, ) .
En base al teorema anterior, podemos demostrar que las soluciones de una ecuacin
autnoma x = f (x) son en realidad un flujo sobre el dominio del campo vectorial.
Teorema 4.1.13 Sean E un abierto de Rn , f una funcin de clase C 1 . Sea (t, x0 ) la
solucin del problema
y = f (y)
y(0) = x0
definida en el intervalo D(x0 ). Si t D(x0 ), s D ( (t, x0)) , entonces
a) s + t D(x0 ),
b) (s + t, x0 ) = (s, (t, x0 )) .
Demostracin
Suponer t > 0 y D(x0 ) = (, ) . Definimos la funcin x : (, s + t] E dada por

(r, x)
r t
x(r ) =
(r t, (t, x0)) t r s + t
4.1 T EORA
DE
60
Claramente x(r ) es diferenciable en todos los puntos del dominio con la posible excepcin
de r = t. Adems x(r ) es continua en r = t. Queremos demostrar que el siguiente limite
existe
x(t + h) x(t)
h0
h
lim
Sabemos
lim
h0+
x(t + h) x(t)
(r, (t, x0 )) (t, x0 )
= lim
+
h
h
h0

(r, (t, x0)) = f ((t, x0 )).
=
r r =0
Por otro lado

lim
h0
x(t + h) x(t)
(t + h, x0 ) (t, x0 )
= lim
h
h
h0

=
(r, x0 ) = f ((t, x0 )).
r
r =t
Concluimos que

d
x(r ) = f ((t, x0 )) = f (x(t))
dr r =t
Se puede ver que para cualquier otro valor de r, se tiene que
d
x(r ) = f (x(r )).
dr
Adems x(0) = x0 . Por el Teorema 4.1.10, (, s + t] D(x0 ), y adems

x(r ) = (r, x0 )
para todo r (, s + t] . En particular, s + t D(x0 ), y
x(s + t) = (s + t, x0 ) = (s, (t, x0 )) .
Definimos de este modo un flujo asociado a una ecuacin diferencial. Sea E un abierto
de Rn y f C 1 (E) . Sea D(x) el intervalo maximal correspondiente a x. Definimos
= {(t, x) R E : t D(x)}
4.1 T EORA
DE
61
Por ser D(x) un intervalo, se puede ver que es un abierto de R Rn . En definimos el

flujo asociado a f como la funcin : E tal que
(0, x) = x,
(t, x) = f ( (t, x)) .

t
Adems, esta funcin es nica.
Ejemplo 4.1.14 Encontrar el flujo asociado a la ecuacin
x = sec x

donde E = 2 , 2 .
Solucin
Resolveremos el siguiente problema de valores iniciales.
x = sec x,
x(0) = x0 ,
donde x0 E. Usando el mtodo de separacin obtenemos
cos xd x =
dt y por lo tanto
sin x = t + C. Para determinar el valor de la constante C echamos mano de la condicin

inicial. Esto es,
sin x0 = C.
Sustituyendo y simplificando obtenemos
sin x(t) = t + sin(x0 ),
x(t) = arcsin(t + sin(x0 )).
Por lo tanto, la forma de el flujo para este sistema dinmico es
t (x0 ) = arcsin(t + sin(x0 )).
4.1 T EORA
DE
62
Para x0 queremos 1 t + sin(x0 ) 1 y adems

arcsin(t + sin(x0 )) E = ,
2 2
Necesitamos, por lo tanto la siguiente condicin
1 < t + sin(x0 ) < 1;
es decir,
1 sin x0 < t < 1 sin x0
Este es un abierto que contiene a 0. Concluimos entonces
D(x0 ) = (1 sin x0 , 1 sin x0 ) .
El dominio del flujo se define como
.

: t (1 sin x, 1 sin x)
= (t, x) R ,
2 2
Aqu concluimos el ejemplo.
La unicidad de las soluciones es, a veces, ms importante de lo que a simple vista podra
parecer. En el plano, tenemos la propiedad de que las curvas separan a ste en regiones.
Una manera geomtrica de entender la unicidad es pensar que una curva que es solucin no
puede ser cruzada por otra solucin. Si tal fuera el caso, se tendran dos soluciones distintas
que iniciaran en el mismo punto: el punto de interseccin. Esto se demostrara del siguiente
modo. Sean z 1 (t) y z 2 (t) dos soluciones de la ecuacin x = f (x) donde f es una funcin
de clase C 1 definida en un abierto de Rn . Supongamos que existen un par de tiempos t1 y t2
tales que z 1 (t1 ) = z 2 (t2 ). Definamos x0 = z 1 (t1 ) = z 2 (t2 ) y
y1 (t) = z 1 (t + t1 ),
y2 (t) = z 2 (t + t2 ).
dos funciones que estn definidas en intervalos I1 e I2 . Claramente, ambas funciones tambin
son soluciones de la ecuacin x = f (x) y adems y1 (0) = y2 (0) = x0 . Por el teorema de
63
E JERCICIOS
a)
b)
Figura 4.1: El teorema de existencia y unicidad no permite que las soluciones se crucen. En
la figura a) se representa la situacin tpica en la que se ven las soluciones de una ecuacin
diferencial en el plano. En la figura b) se da una situacin imposible si se tiene unicidad:
una solucin no puede cruzar otras.
existencia y unicidad, y1 (t) = y2 (t) para todo t I1 I2 . Por lo tanto z 1 (t) y z 2 (t) no se
pueden cruzar, a menos que sus imgenes coincidan.
Estas consideraciones se ilustran en la figura 4.1. En el plano R2 , la unicidad trae consecuencias importantes pues en ocasiones una curva solucin divide al plano en dos regiones
y as las dems soluciones no pueden cruzar de una de estas regiones a otra.
E JERCICIOS
4.1 Escribir las soluciones de las siguientes ecuaciones diferenciales en el abierto E

usando la notacin de flujos. En cada caso, encontrar el intervalo maximal correspondiente
a cada punto de E.
a) x = x(1 x), definida en E = (0, 1).
b) x = tan x, definida en E = (0, /2).
c) x = x 2 , y = 1/x, definida en E = (0, ) R.
64
E JERCICIOS
4.2 Encontrar las tres primeras iteraciones de Picard del siguiente problema de valores
iniciales: x = x 2 , x(0) = 1.
4.3 Sea
y = f (y)
una ecuacin diferencial donde f : E Rn es de clase C 1 . Utilizar el mtodo de las
iteraciones de Picard para demostrar lo siguiente.
a) Sea = 0 y H = {x Rn : x = c} un hiperplano. Suponer que para todo
h E H se tiene que f (h) = 0. Si y0 E H entonces t (y0 ) E H para
todo t D(y0 ).
b) Sea V un subespacio vectorial de Rn tal que para todo h E V se tiene que f (h)
V. Si y0 E V entonces t (y0 ) E V para todo t D(y0 ).
c) Cmo se generalizaran los anteriores resultados para un espacio afn en general? Un
espacio afn en un espacio vectorial trasladado, que abarca los dos ejemplos anteriores.
4.4 Sea R2++ = {(u, v) : u > 0, v > 0}. Consideremos el siguiente problema
d
dt
u
v
u 2 + v sin u
1 + uv + cos v
u(0) = u 0 , v(0) = v0 .
Demostrar que cualquier curva solucin que inicie en el primer cuadrante permanecer ah
para todo tiempo en el intervalo maximal. Es decir, demostrar que si (u 0 , v0 ) R2++ entonces (t, (u 0 , v0 )) R2++ , para todo t D(u 0 , v0 ). (Sugerencia: utilizar el teorema de
existencia y unicidad, y el ejercicio 4.3.)
4.5 Sea t (x, y) el flujo generado por el sistema

x = 2e x x y,

y = e x 3x 2 1 + y 2 .
Encontrar el intervalo maximal del origen y una expresin explcita para la funcin t (0, 0).
65
E JERCICIOS
4.6 Sea A una matriz de 3 3 cualquiera.
Sean {e1 , e2 , e3 } los vectores de la base
cannica. Considerar el siguiente sistema en R3

xi = xi eiT Ax xT Ax ,
donde i = 1, 2, 3 y x = (x1 , x2, x3 ). Se define el simplejo de R3 como el conjunto
.
3
S3 = (x1 , x2 , x3 ) R : x1 , x2 , x3 0, x1 + x2 + x3 = 1 .
Demostrar que S3 es invariante bajo el flujo generado por las ecuaciones diferenciales. Es
decir, si es el flujo y x S3 entonces t (x)S3 para todo t D(x).
4.7 Sea
f : Rn Rn un campo vectorial de clase C 1 . Sea (t) una solucin de la
ecuacin diferencial dada por

X = f (X ).
Suponer que (t) est definida para todo t R, y que existe un nmero T > 0 tal que
(0) = (T ). Demostrar que para todo t se cumple
(t) = (t + T ).
CAPTULO 5
Estabilidad no lineal
5.1 Conjugacin topolgica

Queremos dar una definicin que haga a equivalentes dos sistemas dinmicos. Informalmente, podemos decir que dos sistemas dinmicos son equivalentes si existe un cambio de
variable que transforma uno en otro. En general, el cambio de variable puede ser de distintos
tipos y se considera el ms sencillo uno que slo sea continuo. En el ejercicio 1.5 se consider el caso de la transformacin de un campo vectorial en otro, en base a un cambio de
variable diferenciable. La siguiente definicin es un caso ms general, pues slo considera
continuidad.
Definicin 5.1.1 Sean U, V dos abiertos de Rn . Una funcin h : U V es llamada
homeomorfismo si
a) h es una biyeccin,
b) h es continua,
5.1 C ONJUGACIN
67
TOPOLGICA
c) h 1 es continua.
Definicin 5.1.2 Dos sistemas dinmicos (X, 1 ) y (Y, 2 ) son topolgicamente conjugados
si existe un homeomorfismo h : X Y tal que
1 (t, h(x)) = h (2 (t, x)) ,
(5.1)
para todo x X. En tal caso escribiremos 1 2 y tambin diremos que los flujos son
equivalentes.
Ejemplo 5.1.3 Consideremos dos matrices:

1 3
2 0
A=
yB=
.
3 1
0 4
Sean 1 (t, x) = et A x, y 2 (t, y) = et B y los flujos generados por las matrices A y B.
Observemos que
B = R 1 A R
donde
1
R=
2
y
R 1
1
=
2
1 1

1 1
1

.
Se puede demostrar que

et B = R 1 et A R,
y por lo tanto et A R = Ret B . Esto sugiere que los dos flujos son equivalentes a travs del
cambio de variable dado por la matriz R. Esto es, si hacemos h(x) = Rx entonces
1 (t, h(x)) = et A Rx
= Ret B x = h (2 (t, x)) .
5.1 C ONJUGACIN
68
TOPOLGICA
En ambos casos, el origen es un punto silla. En el primer caso tenemos dos vectores propios:

1
1
,
.
1
1
En el segundo caso tenemos dos vectores propios:

1
0
,
.
0
1
Ntese que el cambio de variable h mapea los vectores propios de una matriz en los vectores
propios de la otra. El cambio de variable y = h(x) es, de hecho, una rotacin de 45o .
Ejemplo 5.1.4 La funcin que hace a dos flujos equivalentes puede ser bastante complicada.
Consideremos los siguientes flujos en R2 .
1t (x) = et x
y

2t (x) = et
cos(t) sin(t)
sin(t)
cos(t)

x
dos flujos en Rn . Resulta que 1 2 , pero la funcin que los hace equivalentes es bastante
complicada. Consideremos a h : R2 R2 una conjugacin topolgica. Los campos
vectoriales correspondientes a 1 y 2 son lineales.

1 0
x,
f 1 (x) =
0 1

1 1
x.
f 2 (x) =
1 1

Si la funcin h fuese lineal, las matrices
1 0
1 1
y
seran equivalentes (ver
0 1
1 1
ejercicio 5.1). Pero esto no sucede, por lo que h no puede ser simplemente una funcin
5.1 C ONJUGACIN
69
TOPOLGICA
lineal. Proponemos

cos(log
x)
sin(log
x)
x, x = 0,
h(x) =
sin(log x) cos(log x)
0,
x = 0.
para x = 0 y h(0) = 0. Queremos demostrar que h 1t = 2t h. Si x R2 , x = 0 tenemos
que
h 1t (x) = h(et x)

cos(log x + t) sin(log x + t)
=
(et x)
sin(log x + t) cos(log x + t)

cos
t
sin
t
cos(log
x)
sin(log
x)
x
= et
sin t cos t
= 2t (h(x)) = 2t h(x).
Notemos que h(x) = x. De este hecho, es fcil ver que la inversa de h es

cos(log
x)
sin(log
x)
x, x = 0,
h 1 (x) =
0,
x = 0.
Claramente tanto h como h 1 son funciones continuas para todo punto x = 0. Notemos
adems que
lim h(x) = 0,
x0
lim h 1 (x) = 0.
x0
Dado que definimos h(0) = 0, y h 1 (0) = 0, ambas funciones tambin resultan ser continuas en x = 0.
5.2 L INEALIZACIN
70
DE PUNTOS FIJOS
E JERCICIOS
5.1 Dos matrices A y B de n n son equivalentes si existe una matriz invertible R tal
que B = R 1 A R. Demostrar que si A y B son equivalentes entonces los flujos 1 (t, x) =
et A x, y 2 (t, y) = et B y definidos en Rn son topolgicamente conjugados.
5.2 Sean A y B dos matrices de n n.
Suponer que los flujos 1 (t, x) = et A x, y
2 (t, y) = et B y, definidos en Rn , son topolgicamente conjugados a travs de una funcin

h : Rn Rn . Demostrar que si h(0) = 0, h es diferenciable en 0 y h (0) es invertible
entonces A y B son equivalentes. (Sugerencia: usar la ecuacin (5.1) y derivar en x = 0. )
5.3 Demostrar que la conjugacin topolgica entre sistemas dinmicos es una relacin
de equivalencia.
5.4 Sea f : R R el campo vectorial dado por f (x) = ax 2 + bx + c donde a = 0.

a) Demostrar que el flujo generado por f es topolgicamente equivalente a un flujo generado por alguno de los siguientes campos: y = (y 2 +1), y = (y 2 1) o y = y 2
para alguna > 0. Es decir, el campo vectorial dado por f (x) = ax 2 + bx + c puede
ser reducido, bajo un cambio de variable, a uno de los tres casos anteriores.
b) Resolver y = (y 2 + 1), y = (y 2 1) y y = y 2 .
c) Clasificar la dinmica de f de acuerdo al signo del discriminante b2 4ac.
5.2 Linealizacin de puntos fijos

Supongamos f es un campo vectorial definido en un abierto E Rn y f ( p ) = 0. Un
punto p que satisface f ( p ) = 0 es llamado punto de equilibrio o punto fijo. Recordemos
que cerca de p se tiene
f ( p + h) = f ( p ) + f ( p )h + o(h),
5.2 L INEALIZACIN
DE PUNTOS FIJOS
71
donde o(h) es una funcin tal que

o(h)
= 0.
h0 h
lim
En particular, si h es pequeo o(h) 0. Podemos aproximar, por lo tanto

f ( p + h) f ( p )h.
Esperaramos que la dinmica de ambos sistemas fuese parecida. Si x(t) es una solucin de
x = f (x), definimos
(t) = x(t) p
y entonces
x(t) = (t) + p .
Adems, tendramos
(t)
= x(t)
= f (x(t)) = f ( p + (t)).
Si (t) es pequeo, entonces
(t)
= f ( p + (t)) f ( p )(t)
Esperaramos que la dinmica de sea similar a la dinmica del sistema lineal
= f ( p ).
Esto motiva la siguiente definicin.
Definicin 5.2.1 Sean f y p como antes. Al sistema lineal
= f ( p )
se le denomina el sistema lineal asociado al punto fijo p . Se dir, adems, que la estabilidad del punto p es la misma que la del sistema lineal asociado.
El anlisis hecho anteriormente puede generalizarse a sistemas de varias variables.
5.2 L INEALIZACIN
72
DE PUNTOS FIJOS
Ejemplo 5.2.2 Considerar el sistema

x = y,
y = 1 + x 2
Encontrar los puntos fijos y calcular el sistema lineal asociado en cada caso.
Solucin
Los puntos de equilibrio son (1, 0) y (1, 0). El campo vectorial del sistema es

x
y
f
=
y
x2 1
y el jacobiano correspondiente es

=
2x 0
El sistema lineal asociado a (1, 0) es

= f
1
0

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

= f
El punto (1, 0) es degenerado.
1
0

=
0 1
2 0

.
El siguiente teorema nos permite hacer formal la idea de que el sistema lineal asociado
a cada punto fijo es, de hecho, una buena aproximacin del sistema no lineal. La condicin
que se debe cumplir es que la matriz jacobiana correspondiente sea no degenerada. En otras
palabras, cerca de un punto fijo si el sistema lineal asociado es no degenerado existe, al
menos tericamente, un cambio de variable que hace al flujo del sistema lineal equivalente
con el flujo del sistema lineal asociado.
5.2 L INEALIZACIN
73
DE PUNTOS FIJOS
Teorema 5.2.3 (Hartman-Grobman) Sea E un abierto de Rn . Sea f es un campo vectorial

definido en un abierto E Rn y p E un punto tal que f ( p ) = 0. Sea t el flujo
generado por la ecuacin x = f (x). Asumir que la matriz A = f ( p ) es no degenerada.
Entonces existen abiertos U y V de Rn y un homeomorfismo h : U V tal que
a) p U,
b) 0 V,
c) si (t, x0 ) U entonces
h ( (t, x0)) = et A h(x0 ).

Es decir, (t, x0 ) = h 1 et A h(x0 ) .
Posteriormente daremos ejemplos en los que una matriz jacobiana degenerada implica
que la dinmica podra ser de distintos tipos y el teorema de Hartman-Grobman anterior no
se puede aplicar.
Ejemplo 5.2.4 Consideremos el flujo t generado por el campo vectorial f : R2 R2
dado por

f
x
y

=
y + x 2
Sea h : R2 R2 la funcin dada por

x
x
.
h
=
y
y 13 x 2
Podemos demostrar que h es la conjugacin topolgica del Teorema de Hartman-Grobman
de t con el flujo lineal cerca de (0, 0). Es decir,

h t (x, y) = et A h(x, y).
donde A = f (0, 0) . Para encontrar t (x0 , y0 ) se resuelve
x = x,
y = y + x 2 ,
5.2 L INEALIZACIN
74
DE PUNTOS FIJOS
con condiciones iniciales x(0) = x0 y y(0) = y0 . Claramente se tiene que x(t) = x0 et y por
tanto concluimos
y = y + x02 e2t
Usando el mtodo del factor de integracin encontramos que
(
)
1 2 t
1 2 2t
y(t) = x0 e + y0 x0 e
3
3
El flujo es, por tanto

t
x0
y0

=
x(t)

=
y(t)
Por otra parte,

A=
Es fcil ver que

e
Luego entonces

h t
x0
y0

=h

=
et

.
0 1

tA
x 0 et

1 2 t
1 2 2t
x
e
+
y
x
0
3 0
3 0 e
0 et
x 0 et

1 2 t
1 2 2t
3 x 0 e + y0 3 x 0 e
x 0 et

2
+ y0 13 x02 et 13 x0 et

et 0
x
x0
0
=
= et A h
.
1 2
t
y0 3 x0
y0
0 e
1 2 2t
3 x0 e
Ejemplo 5.2.5 Se desea linealizar el sistema

x = x + y 2 1,
y = x y + x 2
5.2 L INEALIZACIN
DE PUNTOS FIJOS
75
y clasificar su puntos de equilibrio. Sea (x , y ) algn punto de equilibrio. La matriz jacobiana asociada al sistema linealizado alrededor de (x , y ) es

1
2y
.
J (x , y ) =
y + 2x x
Los puntos de equilibrio se obtienen resolviendo el sistema
x + y 2 1 = 0,
x y + x 2 = 0.
Obtenemos as los cuatro puntos (0, 1), (0, 1), (1.62, 1.62) y (0.62, 0.62). De esta
forma, para los primeros dos puntos de equilibrio tenemos

1 2
J (0, 1) =
,
1 0

1 2
J (0, 1) =
,
1
0
ambas matrices con valores propios 1 = 1 y 2 = 2. La matriz

1
3.24
J (1.62, 1.62) =
1.62 1.62
tiene valores propios 1 = 0.31 + 1.88i y 2 = 0.31 1.88i, y finalmente

1 1.24
J (0.62, 0.62) =
0.62
0.62
posee valores propios 1 = 0.81 + 0.856i y 2 = 0.81 .856i.
Vemos entonces que (0, 1) y (0, 1) son puntos silla (1.62, 1.62) es un punto espiral
atractora y (0.62, 0.62) un punto espiral repulsora. La figura 5.1 ilustra estos resultados.
Ejemplo 5.2.6 Ahora vamos a encontrar y clasificar los puntos fijos del siguiente sistema:
y1 = y12 + y22 2,
y2 = y12 y22 .
5.2 L INEALIZACIN
76
DE PUNTOS FIJOS
-1
-2
-3
-2
-1
Figura 5.1: Diagrama de fase correspondiente al ejemplo 5.2.5.
Los puntos fijos satisfacen

y12 + y22 2 = 0,
y12 y22 = 0.
Por lo tanto stos son (1, 1), (1, 1), (1, 1) y (1, 1).
La matriz jacobiana asociada al sistema lineal, alrededor de (y1 , y2), est dada por

2y1
2y2
J (y1, y2 ) =
.
2y1 2y2
Entonces,

J (1, 1) =
2 2

.
Como el determinante de la matriz es negativo, se tiene que (1, 1) es punto silla. Por otra
parte,

J (1, 1) =
2 2
2

.
5.2 L INEALIZACIN
77
DE PUNTOS FIJOS
En este caso tr (J (1, 1) = 4, det(J (1, 1)) = 8 y (J (1, 1)) = 16, por lo que se
trata de una espiral repulsora. Para el punto (1, 1), la matriz jacobiana es

2
2
J (1, 1) =
,
2 2
ahora se tiene que tr (J (1, 1)) = 4, det(J (1, 1)) = 8 y (J (1, 1)) = 16 por lo
que se trata de una espiral atractora. Finalmente, para (1, 1)

2 2
J (1, 1) =
.
2
2
Basta notar que el determinante es negativo, por lo tanto se trata de un punto silla. En la
figura 5.2 se puede apreciar el comportamiento global de las soluciones y claramente se ve
la existencia de dos puntos silla, una espiral atractora y una espiral repulsora.
2
-1
-2
-2
-1
Figura 5.2: Diagrama de fase para el ejemplo 5.2.6.
5.2 L INEALIZACIN
78
DE PUNTOS FIJOS
Ejemplo 5.2.7 Consideremos el sistema

x = y + ax(x 2 + y 2 ),
y = x + ay(x 2 + y 2 ).
Encontrar una expresin explcita para el flujo generado y analizar la dinmica cerca del
punto fijo (0, 0).
Solucin
El jacobiano del campo vectorial es

2+y
1
+
2ax
y
x
a
3x
f
=
.

1 + 2ax y a x 2 + 3y 2
y
En el punto fijo (0, 0) tenemos

f
0
0

=
0 1
1
Notemos que la traza de f (0, 0) es 0 y el determinante es 1, por lo que (0, 0) es un punto

degenerado. En este caso el teorema de Hartman-Grobman no se puede aplicar. Vamos a
demostrar que la dinmica cerca de (0, 0) depende del signo del parmetro a. Dado que
la matriz jacobiana f (0, 0) es independiente de a, este ejemplo muestra que si la matriz
jacobiana en el punto fijo es degenerada, entonces no se puede decir nada de la dinmica
cerca del punto fijo.
Usaremos coordenadas polares
x(t) = r (t) cos (t),
y(t) = r (t) sin (t).
para encontrar una expresin explcita del flujo. Sean (r0 , 0 ) nmeros tales que
x0 = r0 cos 0 ,
y0 = r0 sin 0 .
(5.2)
5.2 L INEALIZACIN
79
DE PUNTOS FIJOS
donde r0 0. Tenemos las ecuaciones:

x + ay(x 2 + y 2 ) x y + ax(x 2 + y 2 ) y
y x x y
=
=
=1
r2
r2
y

x y + ax(x 2 + y 2 ) + y x + ay(x 2 + y 2 )
x x + y y
=
= ar 3 .
r =
r
r
Al resolver el sistema anterior con condiciones r (0) = r0 y (0) = 0 obtenemos
(t) = 0 + t,
y
r (t) =
r0
1 2r02 at
Si usamos las ecuaciones (5.2), obtenemos las ecuaciones del flujo generado. Esto es,

x
x(t)
r
(t)
cos
(t)
0
=
=
t
y(t)
r (t) sin (t)
y0

cos(0 + t)
r0
=
sin(0 + t)
1 2r02 at

cos t sin t
r0 cos(0 )
1
=
sin t cos t
r0 sin(0 )
1 2r02 at

cos t sin t
x0
1
.
=
2
2
y
sin
t
cos
t
0
1 2(x0 + y0 )at
Tenemos tres casos: a = 0, a < 0 y a > 0.
Si a = 0 entonces r (t) r0 y el intervalo maximal es D(x0 , y0 ) = R. Adems, el flujo

satisface
t
x0
y0

=
cos t sin t
sin t
cos t

x0
y0

,
que corresponde geomtricamente a crculos en el plano. El radio de las trayectorias no

crece ni decrece.
5.2 L INEALIZACIN
80
DE PUNTOS FIJOS
Si a < 0, el radio
es una
(
) funcin decreciente. Adems, el dominio maximal est dado
por D(x0 , y0 ) =
1
,
2r02 a
y las trayectorias geomtricamente son espirales. Es tal caso el
flujo cumple que
x0
lim t

=
y0

.
Finalmente, si(a > 0, el)radio es una funcin creciente. Adems el dominio maximal es
D(x0 , y0 ) = , 2r12 a y las trayectorias geomtricamente son espirales. Es tal caso el
0
flujo cumple que

lim t
x0
y0

=
En conclusin, si la matriz jacobiana en un punto de equilibrio es degenerada, el sistema

lineal asociado no contiene suficiente informacin para predecir el comportamiento cerca de
tal punto fijo.
E JERCICIOS
5.5 Sea t el flujo generado por el campo vectorial f : R2 R2 dado por

x
y
y 4x 3 + 1
Sea h : R2 R2 la funcin dada por

x
x
.
h
=
y
y x3 + 1
a) Demostrar que (0, 1) es un punto fijo y encontrar el sistema lineal asociado.
b) Demostrar la matriz A = f (0, 1) es no degenerada
c) Calcular explcitamente el flujo t .
d) Demostrar que la funcin h es una conjugacin que hace equivalentes a t y al flujo
generado por la matriz A.
5.3 A NLISIS
81
DE PUNTOS SILLA
5.6 Linealizar cada uno de los siguientes sistemas alrededor de sus puntos de equilibrio
y obtener los diagramas de fase correspondientes. En qu casos se puede aplicar el teorema
de Hartman-Grobman?
a) x = x y, y = (y 1)(x 2 1).
b) x = 4x 3x y, y = 3y x y.
c) x = 3y 2 + x, y = (3x 2 + y).
d) x = y, y = sin x.
5.3 Anlisis de puntos silla

Sea f C 1 definido en un abierto E Rn . Sea p un punto de equilibrio de tipo silla de f.
Nos interesa estudiar la dinmica cerca de p . Por el teorema 5.2.3 de Hartman-Grobman,
la dinmica se parecer a la de
= f ( p ).
Nos interesa en particular si p es punto silla. p es punto silla si f ( p ) tiene valores
propios con parte real negativa y otros con parte real positiva.
Definicin 5.3.1 Sean f un campo vectorial como antes y p un punto silla. Sea A =
f ( p ). Se definen los espacios estable e inestable asociados al punto silla p como los
subespacios de Rn siguientes
E ( p ) = x R : lim e x = 0 y
t
/
0
u
n
tA
E ( p ) = x R : lim e x = 0 .
s
tA
Tal como lo hicimos para el caso lineal (vase teorema 3.3.3) podemos demostrar que
los espacios lineales asociados a un punto silla p satisfacen lo siguiente:
a) Es ( p ) es un subespacio de dimensin igual al nmero de valores propios con parte
real negativa de f ( p ).
5.3 A NLISIS
82
DE PUNTOS SILLA
b) Eu ( p ) es un subespacio de dimensin igual al nmero de valores propios con parte

real positiva de f ( p ).
c) Rn = Es ( p ) Eu ( p ).
Ejemplo 5.3.2 Sea A de 2 2 de tipo punto silla y b R2 . Sea f : R2 R2 el campo
vectorial dado por f (x) = Ax + b. Demostrar que f tiene un punto silla p e identificar los
espacios Es ( p ) y Eu ( p ).
Solucin
La matriz A tiene dos valores propios 1 < 0 < 2 . Esto implica que A es invertible
y por lo tanto se puede resolver el problema de encontrar un punto fijo p que satisfaga
f ( p ) = 0. Es decir, se tiene que
p = A1 b.
Claramente se cumple que f ( p ) = A y por ende p es silla. Por otra parte, en el ejercicio
2.8 concluimos que
et A =

t
1
e 1 (A 2 I ) e2 t (A 1 I ) .
1 2
Por lo tanto
Es ( p ) = ker (A 1 I ) ,
Eu ( p ) = ker (A 2 I ) .

Tal como lo tenamos es los sistemas dinmicos lineales, vamos a definir dos conjuntos
asociados a cada punto silla. Estos constituyen el conjunto de condiciones iniciales que
hacen que un flujo t converja al punto silla cuando t y t .
Definicin 5.3.3 Sea (E, ) un sistema dinmico. Definimos
.
W s ( p , ) = y Rn : lim (t, y) = p y
t
/
0
u
n
W ( p , ) = y R : lim (t, y) = p .
t
5.3 A NLISIS
83
DE PUNTOS SILLA
Estas se llaman las variedades estable e inestable de p . Si no hay posibilidad de confusin,

escribiremos simplemente W s ( p ) y W u ( p ).
La definicin anterior tiene sentido en una situacin general, aunque p no fuese de
tipo silla o no fuese diferenciable. En el caso particular de dos dimensiones tenemos lo
siguiente.
Teorema 5.3.4 (Variedad estable) Sea f de clase C 1 en E, un abierto de R2 . Sea p un
punto silla. Entonces
a) W s ( p ) es una curva diferenciable que pasa por p .
b) W u ( p ) es una curva diferenciable que pasa por p .
c) El conjunto p + Es ( p ) es una recta tangente a W s ( p ) en p .
d) El conjunto p + Eu ( p ) es una recta tangente a W u ( p ) en p .

x
x
Ejemplo 5.3.5 Sea f
=
. Demostrar que p = (0, 0) es punto silla
y
y + x 2
y obtener expresiones explcitas para W s ( p ) y W u ( p ). En cada caso, verificar que p +
Es ( p ) y p + Eu ( p ) son rectas tangentes a W s ( p ) y W u ( p ) en p .
Solucin
Claramente se cumple que f (0, 0) = (0, 0). Para demostrar que (0, 0) es punto silla
calculamos la matriz jacobiana y obtenemos

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

f ( p ) = f
0
0

=
0 1

.
5.3 A NLISIS
84
DE PUNTOS SILLA
Como el determinante de f ( p ) es negativo, entonces p = (0, 0) es punto silla. En el

ejemplo 5.2.4 obtuvimos que el flujo generado est dado por

x0
x 0 et
t
= 1 2 2t
.

1 2 t
y0
3 x 0 e + y0 3 x 0 e
Por tanto concluimos que

x
0
W s p =
R2 : lim
t
y0
x 0 et

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

=
2
y por ende (x0 , y0 ) W s ( p ) si y slo si x0 = 0. Esto es,

2

x
0
R2 : x 0 = 0 .
W s p =
y0
Del mismo modo, se puede argumentar que.

2

x
1
0
W u p =
R2 : y0 = x02 ,
3
y0
que es una parbola.
Notemos que

f
0
0

=
0 1

,
lo cual implica que
.
p + Es ( p ) = (x, y) R2 : x = 0 ,
.
p + Eu ( p ) = (x, y) R2 : y = 0 .
Claramente p +Es ( p ) es una recta tangente a W s ( p ) en p y lo mismo para p +Eu ( p ).
Ejemplo 5.3.6 El sistema

y1 = y1 + y22 1
y2 = y1 y2 + y12
5.3 A NLISIS
85
DE PUNTOS SILLA
tiene un punto silla en (0, 1) . Usar el teorema 5.3.4 para dar una aproximacin de las variedades estable e inestable W s (0, 1) y W u (0, 1) .
Solucin
El jacobiano es

f
y1

=
y2
2y2
y2 + 2y1
y1

.
En los puntos de equilibrio

f

f
0
1
0

=

=
1 2
1 0
1
Para (0, 1) , encontramos dos direcciones, estable e inestable. Obtenemos que

1
v1 =
1
es un vector propio del valor propio 1 = 1, y

2
v2 =
1
es un vector propio del valor propio 2 = 2. Por lo tanto, los espacios estable e inestable
para (0, 1) son
Es (0, 1) = (1, 1) ,
Eu (0, 1) = (2, 1) .
Adems, la curva estable W s (0, 1) es tangente a (0, 1) + Es (0, 1) = (0, 1) + (1, 1).
Localmente, cerca de (0, 1) la curva W s (0, 1) se parece a la recta (0, 1) + Eu (0, 1). Dado
que
.
(0, 1) + Es (0, 1) = (x, y) R2 : y = x + 1 ,
5.3 A NLISIS
86
DE PUNTOS SILLA
podemos usar esa recta como una buena aproximacin de la variedad estable cerca del punto
silla (0, 1). esto es decir y = x + 1. Del mismo modo, (0, 1) + Eu (0, 1) es tangente a
W u (0, 1) y se hace un anlisis parecido.
Ejemplo 5.3.7 Analicemos el punto silla del siguiente sistema:

x = y + 1 e x ,
y = ye x .
Observemos que p = (0, 0) es el nico punto de equilibrio. La matriz jacobiana que
aproxima linealmente al sistema est dada por

D f (x, y) =
que evaluada en p = (0, 0) queda como
D f (0, 0) =
e x
ye x
ex
1 1
0 1

,

.
El polinomio caracterstico
es 2 1, con races 1 = 1 y 2 = 1. Para 1 = 1, el vector

1
propio es v1 =
, que corresponde a la direccin estable. Para 2 = 1, el vector propio
0

1
es v2 =
, correspondiente a la direccin inestable. Los espacios estable e inestable
2
son espacios de una dimensin generados por los vectores anteriores, es decir,
Es (0, 0) = {t (1, 0) R2 | t R},
Eu (0, 0) = {t (1, 2) R2 | t R}.
En este caso, es posible describir explcitamente las variedades estable e inestable. Vamos a
comprobar que
W s (0, 0) = {(x, y) R2 | y = 0},
W u (0, 0) = {(x, y) R2 | y = 2(e x 1)}.
5.3 A NLISIS
87
DE PUNTOS SILLA
Para este efecto, consideremos un punto inicial (x0 , 0) en W s (0, 0). Puede comprobarse que
la curva solucin con esta condicin inicial es de la forma Vase el ejercicio 5.11 para los
detalles.
x(t) = x0 ln(e x0 + (1 e x0 )et ),
y(t) = 0.
Esta curva est definida, por lo menos, para tiempos t 0, y adems cumple

x(t)
0
lim
=
.
t
y(t)
0
Del mismo modo, si (x0 , y0 ) es un punto inicial en W u (0, 0), ste satisface y0 = 2(e x0 1)
y la curva solucin est dada por
x(t) = x0 ln(e x0 + (1 e x0 )et ),
y(t) = 2(e x(t) 1).
Esta curva est definida al menos para tiempos t 0 y cumple

x(t)
0
lim
=
.
t
y(t)
0
El teorema 5.3.4 nos dice que los espacios Es (0, 0) y Eu (0, 0) son tangentes a W s (0, 0) y a
W u (0, 0), respectivamente, en el punto p = (0, 0). La figura 5.3 muestra las consideraciones anteriores.
Ejemplo 5.3.8 Encontrar los puntos silla del sistema
x = 2x y,
y = 1 3x 2 y 2
y describir las curvas estable e inestable en cada caso.
(5.3)
5.3 A NLISIS
88
DE PUNTOS SILLA
y
Wu
Eu
= (1,2)
x
Ws = E s
v 1 = (1,0)
Figura 5.3: Variedades estable e inestable W s y W u , y espacios estable e inestable E s y E u

para el ejemplo 5.3.7.
Solucin
Tenemos los siguientes puntos de equilibrio

1
1
0
0
3
3
,
,
,
1
1
0
0
El jacobiano del sistema es

f
x
y

=
2y
2x
6x 2y

,
5.3 A NLISIS
89
DE PUNTOS SILLA
y en los puntos de equilibrio se tiene

f

f

f
0
1
1
3

=

1
3

=
0

0 2
2 0
0
2
3
6
3
Concluimos que (0, 1) y (0, 1) son puntos silla y los dems son degenerados. Cerca de los
puntos podemos aproximar las variedades estable e inestable usando la aproximacin lineal.
Para (0, 1)
3
Es (0, 1) =
3
Eu (0, 1) =
0
1
1
4
,
4
Por lo tanto, cerca de W s (0, 1), la curva se puede aproximar por la tangente
(0, 1) + Es (0, 1).
Del mismo modo, se calculan las dems aproximaciones lineales.
Vamos ahora a encontrar una expresin explcita para las variedades. Para ello escribimos la ecuacin, usando la regla de la cadena, del siguiente modo:
y
1 3x 2 y 2
dy
= =
.
dx
x
2x y
Es decir
dy
=
dx
1 3x 2
2x
y 1
1
y.
2x
5.3 A NLISIS
90
DE PUNTOS SILLA
La idea es resolver la anterior considerando a x como variable independiente. Como la

anterior es una ecuacin de Bernoulli, se usa la sustitucin w = y 2 y se obtiene
(
(
)
)
1 3x 2
1 3x 2
dy
dw
1 2
1
= 2y
=
y =
w
dx
dx
x
x
x
x
Reescribiendo
(
)
1 3x 2
dw 1
+ w=
dx
x
x
1 1
Se multiplica por el factor integrante = exp x d x = x para encontrar que
d
[xw] = 1 3x 2 ,
dx
y por tanto
xw = x x 3 + c
donde c es una constate. Finalmente, sustituimos de nuevo w = y 2 y obtenemos
x y 2 = x x 3 + c,
es decir,
x x + y 1 = c.
2
La anterior ecuacin tiene la siguiente interpretacin. Si (x(t), y(t)) es una solucin de

la ecuacin diferencial, entonces para todo tiempo en el dominio de sta se tiene que
5
6
x(t) x(t)2 + y(t)2 1 = c.
(5.4)

Esto es, las curvas de nivel de x x 2 + y 2 1 son las curvas solucin de la ecuacin. Esto
se podra verificar directamente derivando con respecto a t, pues si (x(t), y(t)) satisface
(5.3), entonces
5
6
d
x(t) x(t)2 + y(t)2 1
dt
6
5

2
2
+ 2y(t) y (t)
= x(t)
x(t) + y(t) 1 + x(t) 2x(t)x(t)

6
5
6
5
= 2x(t)y(t) x(t)2 + y(t)2 1 + x(t) 4x(t)2 y(t) + 2y(t)(1 3x(t)2 y(t)2 )
= 0.
5.3 A NLISIS
91
DE PUNTOS SILLA
Supongamos que (x0 , y0) W s (0, 1). Sea

x(t)
x0
t
=
y(t)
y0
una curva solucin que inicia en (x0 , y0 ). Por definicin

x(t)
0
lim
=
.
t
y(t)
1
Por otra parte, la ecuacin (5.4) implica que

6

5
2
2
2
2
x(t) x(t) + y(t) 1 = x0 x0 + y0 1
y al calcular el lmite t se encuentra que

5
6
x0 x02 + y02 1 = lim x(t) x(t)2 + y(t)2 1 = 0.
t
W s (0, 1)
Concluimos de este modo que

es un subconjunto de la curva de nivel dada por

.
(x0 , y0 ) R2 : x0 x02 + y02 1 = 0 .
(5.5)
Es fcil ver que dicho conjunto est constituido de la unin de un crculo y el eje de las y.
En la figura 5.4 se ilustra cmo se ven algunas de las curvas solucin. Ntese que las
variedades estable e inestable estn contenidas en la curva de nivel dada por (5.5). Las
aproximaciones estable e inestable cerca de los puntos silla nos pueden ayudar a identificar
cules son las curvas estable e inestable en cada caso.
E JERCICIOS
5.7 Considerar el sistema

x =
2 1

x+
4
2

.
Demostrar que este sistema tiene un nico punto silla p , encontrarlo y demostrar que
.
W s p = (x, y) R2 | y = 2x 10
.
W u p = (x, y) R2 | y = x 1 .
5.3 A NLISIS
92
DE PUNTOS SILLA
1.5
0.5
-0.5
-1
-1.5
-1.5
-1
-0.5
0
x
0.5
1.5
Figura 5.4: Algunas curvas solucin del sistema dinmico del ejemplo 5.3.8. Se ilustran los
puntos silla (0, 1) y (0, 1) con sus correspondientes variedades estable e inestable.
5.3 A NLISIS
93
DE PUNTOS SILLA
5.8 Sea A una matriz de n n de tipo silla y b Rn . Considerar el sistema de Rn dado

por
x = Ax + b.
a) Demostrar que p = A1 b es el nico punto silla del sistema.
b) W s ( p ) = p + Es ( p ).
c) W u ( p ) = p + Eu ( p ).
5.9 Considerar el siguiente sistema

x = 2x y,
y = 5x 4 6x 2 + 1 y 2 .
a) Encontrar los puntos fijos del sistema y clasificarlos.
b) Para cada punto silla p, encontrar los espacios Es (p) y Eu (p) de la aproximacin
lineal.
c) Encontrar una primera integral para las curvas solucin del sistema. Esto es, encontrar
una funcin H (x, y) tal que
H ( t (x0 , y0 )) = H (x0 , y0),
para todo t D(x0 , y0 ).
d) Para cada punto silla p, encontrar explcitamente las curvas estable W s (p) e inestable
W u (p) y verificar que p + Es (p) y p + Eu (p) son rectas tangentes a ellas.
e) Usando algn graficador de espacios fase, dar una descripcin geomtrica del sistema.
5.10 El siguiente sistema es un modelo de dos especies, en donde N es un depredador

y P es una presa,
P = P(1 P) P N ,
N = N + P N ,
donde es un parmetro positivo.
5.3 A NLISIS
94
DE PUNTOS SILLA
a) Encontrar las direcciones estable e inestable del punto silla

(P , N ) = (1, 0).
b) Interpretar el parmetro .
5.11 Este ejercicio se refiere al ejemplo dado en 5.3.7.

a) Comprobar que
x(t) = x0 ln(e x0 + (1 e x0 )et ),
y(t) = 0,
es una solucin del sistema para toda x0, y est definida para todo t 0.
b) Comprobar que
x(t) = x0 ln(e x0 + (1 e x0 )et ),
y(t) = 2(e x(t) 1),
es una solucin del sistema para todo (x0 , y0 ) tal que y0 = 2(e x0 1), y est definida
para todo t 0.
5.12 Considrese el siguiente sistema no lineal: x = x 1, y = xex y.

a) Encontrar los puntos fijos del sistema y clasificarlos.
b) Para cada punto silla p, encontrar los espacios E s (p) y E u (p) de la aproximacin
lineal.
c) Usando la regla de la cadena, sabemos que, si (x(t), y(t)) es una solucin del sistema,
entonces la pendiente de la curva debe satisfacer
y
xe x y
dy
= =
.
dx
x
x 1
Resolver la ecuacin anterior, considerando x como la variable independiente.
5.4 E STABILIDAD
ASINTTICA
95
d) Encontrar, para cada punto silla p, expresiones analticas para las curvas estable W s (p)
e inestable W u (p).
e) En cada caso, graficar W s (p) y W u (p).
5.13 Considerar un sistema dinmico con un punto silla cada punto silla p. Considerar
las variedades estable W s (p) e inestable W u (p). Demostrar que tanto W s (p) como W u (p)
son invariantes bajo el flujo. Es decir, si es el flujo y x W s (p) entonces t (x)W s (p)
para todo t D(x) y lo mismo para W u (p).
5.14 Sean dos sistemas dinmicos completos (E, 1) y (E, 2). Suponer que 1 2
a travs de un homeomorfismo h : E F. Demostrar que si p es un punto fijo de 1
entonces h( p ) es punto fijo de 2 y adems se cumple

W s (h( p ), 2 ) = h W s ( p , 1 ) ,

W u (h( p ), 2 ) = h W u( p , 1 ) .
5.4 Estabilidad asinttica

Definicin 5.4.1 Sea p un punto de equilibrio de un sistema dinmico. Diremos que p es
asintticamente estable si existe una vecindad U de p tal que:
a) p U .
b) Para todo x0 U, el intervalo maximal satisface D(x0 ) [0, ). Esto es, el flujo
est definido para todo tiempo futuro.
c) limt t (x0 ) = p para todo x0 U .
Definicin 5.4.2 Al conjunto abierto ms grande que satisface estas condiciones se le llama
cuenca de atraccin.
Teorema 5.4.3 Sea p un punto de equilibrio de un campo vectorial f C 1 definido en un
abierto de Rn . Si p es de tipo atractor entonces es asintticamente estable.
5.4 E STABILIDAD
ASINTTICA
96
Definicin 5.4.4 Sea p un punto fijo de un sistema dinmico. Una funcin de Liapunov
de p es una funcin continua V : U [0, ) definida en una vecindad U de p tal que
satisface:
a) V (p ) = 0.
b) Si p = p entonces V (p) > 0.
c) La funcin t V ( t (p)) es estrictamente decreciente si p = p .
Teorema 5.4.5 Si un punto p tiene una funcin de Liapunov entonces es asintticamente
estable.
Si V es diferenciable entonces podemos calcular

d
d
V ( t (p)) = V ( t (p)) t (p)
dt
dt
t
= V ( (p)) f ( t (p))
En vez de la condicin de que V ( t (p)) sea estrictamente decreciente, podemos usar V (z)
f (z) < 0 para todo z U . Geomtricamente, las curvas de nivel de V son tales que el campo
vectorial apunta hacia adentro.
Ejemplo 5.4.6 Sea t (x) = et A x donde A es de tipo atractor. Sabemos que existe una
matriz M positiva definida tal que M A + A T M = I . Entonces V (x) = xT Mx es una
funcin de Liapunov para p = 0.
Solucin
Vamos a verificar las condiciones de la definicin de funcin de Liapunov.
a) V (p ) = V (0) = 0.
b) Si p = p entonces p = 0 y pT Mp > 0 pues la matriz M es positiva definida.
5.4 E STABILIDAD
97
ASINTTICA
c) Si p = p entonces
T
V ( t (p)) = pT (et A )T Met A p = pT et A Met A p.

y adems
d
T
T
V ( t (p)) = pT et A A T Met A p + pT et A M Aet A p
dt
T
= (pT et A et A p) = et A p22 < 0.
Esto implica que la funcin t V ( t (p)) es estrictamente decreciente si p = p .
Finalizamos la seccin con una generalizacin del resultado anterior. La demostracin

se deja como ejercicio al lector.
Teorema 5.4.7 Consideremos
x = f (x)
donde f es de clase C 1 en un abierto E Rn . Sea p un punto atractor de f, es decir
a) f (p ) = 0,
b) La matriz A = f (p ) es de tipo atractor.
Sea M existe una matriz positiva definida tal que M A + A T M = I . Entonces V (x) =
(x p )T M(x p ) es una funcin de Liapunov para p . En particular, p es un punto
asintticamente estable.
E JERCICIOS
5.15 Sea E un subconjunto abierto de Rn . Sea W : E R una funcin de clase C 2.

Considerar el sistema
x = W (x).
A un sistema de este tipo se le llama sistema gradiente. Sea p un mnimo local de W tal que
existe una vecindad U de p tal que si p = p y p U entonces W ( p) = 0. Demostrar
que V : U R dada por V ( p) = W ( p) W ( p ) es una funcin de Liapunov para p y
por lo tanto es asintticamente estable.
5.4 E STABILIDAD
98
ASINTTICA
5.16 Sea A una matriz invertible de n n y b Rn . Demostrar que si E
= Rn y
W : E R es la funcin dada por

1
Ax b2 ,
2
entonces W satisface las hiptesis del ejercicio anterior con U = Rn y p = A1 b. ConW (x) =
cluir que para cualquier condicin inicial el flujo generado por el sistema dinmico
x = A T (b Ax)
converge a p .
5.17 Usar la funcin de Liapunov V (x, y) = x 2 + y 2 para demostrar que el origen es

un punto asintticamente estable para el siguiente sistema.

x
y x 3 x y 2
.
=
x y 3 yx 2
y
Qu dice la teora lineal?
5.18 Sean
f y g dos funciones diferenciables. Suponer que g(0) = 0. Considerar el
siguiente sistema de segundo orden.

x + f (x)x + g(x) = 0.
a) Demostrar que el sistema puede ser escrito como

1x
x
y 0 f (s)ds
=
.
y
g(x)

b) Suponer que existe un nmero tal que si 0 < |x| < entonces
g(s)ds > 0
0
x
f (s)ds > 0. Encontrar una funcin de Liapunov para demostrar que el
y g(x)
0
origen es un punto asintticamente estable.

c) Aplicar el resultado anterior a la ecuacin de van der Pol
x + (1 x 2 )x + x = 0
donde > 0. Qu se puede decir acerca de la cuenca de atraccin?

Sistemas Dinamicos

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Sistemas Dinamicos

Cargado por

Copyright:

Formatos disponibles

Sistemas Dinmicos

1 Introduccin a los Sistemas Dinmicos.

Definicin de un sistema dinmico . . . . . . . . . . . . . . . . . . . . . .

Ejemplos de sistemas dinmicos . . . . . . . . . . . . . . . . . . . . . . .

La norma de una matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . .

La exponencial de una matriz . . . . . . . . . . . . . . . . . . . . . . . . .

Clculo de la exponencial de una matriz . . . . . . . . . . . . . . . . . . .

Ecuaciones de orden n y mtodo de Fulmer . . . . . . . . . . . . . . . . .

3 Estabilidad de Sistemas Lineales.

Matrices tipo silla . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Teora de Ecuaciones Diferenciales. . . . . . . . . . . . . . . . . . . . . .

Linealizacin de puntos fijos . . . . . . . . . . . . . . . . . . . . . . . . .

Anlisis de puntos silla . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Introduccin a los Sistemas Dinmicos.

1.1 Definicin de un sistema dinmico

Ecuaciones diferenciales ordinarias

Definicin 1.1.1 Sea E un conjunto. Sea un subconjunto de R E tal que {0} E

En un sistema dinmicos en tiempo discreto, generalmente se utiliza = (N {0}) E

Esta composicin se puede escribir como f t = f f f .

Ejemplo 1.1.5 Sea : R R R el flujo dado por

= s+t (x). El intervalo

1.2 Ejemplos de sistemas dinmicos

Entonces es un sistema dinmico completo.

R. Notemos que E es un espacio vectorial de dimensin infinita. Para cada f E y cada

Adems t ( s ( f )) = t+s ( f ), por lo que resulta que es un flujo definido en [0, ) E.

1.1 Demostrar que las siguientes funciones son flujos.

1.4 Sea : R R R, la funcin dada por

1.5 (Cambio de variable) Sean E, F dos abiertos de Rn . Sea : R E E un flujo

Encontrar la ecuacin diferencial que es satisfecha.

Un sistema lineal es una ecuacin de la forma

2.1 La norma de una matriz

NORMA DE UNA MATRIZ

Proposicin 2.1.2 Sea A M p y

donde x 2 es la norma euclideana usual. Entonces es una norma M p . Adems, A

El mximo es los eigenvalores es

De este modo concluimos que A =

Lema 2.1.4 Si S, T M p , entonces

NORMA DE UNA MATRIZ

Definicin 2.1.5 Se dice que una sucesin Ak M p converge a A si

b) La sucesin de nmeros reales (Ak )i j converge a (A)i j . Esto es

EXPONENCIAL DE UNA MATRIZ

Proposicin 2.1.8 Sea Ak M p una sucesin de Cauchy. Entonces existe A M p tal

2.2 La exponencial de una matriz

Lema 2.2.2 Si m > n entonces

EXPONENCIAL DE UNA MATRIZ

Es bien sabido que (k + n + 1)! k!(n + 1)! y esto implica

Esto termina la demostracin.

Definicin 2.2.4 Dada una matriz A cuadrada de p p, su exponencial e A es el lmite

Proposicin 2.2.5 La matriz e A tiene las siguientes propiedades:

EXPONENCIAL DE UNA MATRIZ

EXPONENCIAL DE UNA MATRIZ

Ejemplo 2.2.6 Sea A la matriz

Este proceso se puede continuar inductivamente y obtener

Usando el lema 2.1.6, podemos calcular el lmite trmino a trmino y as obtener

Ejemplo 2.2.7 Sea B la matriz

Notemos que J 2 = I, por lo que B 2 = 2 I, B 3 = 3 B, B 4 = 4 I, etc. Este proceso

En el lmite se obtienen las series de seno y coseno y por lo tanto

2.3 Derivadas matriciales

Teorema 2.3.3 Sea : R M p dada por (t) = et A . Entonces es diferenciable en R

Proposicin 2.3.4 Si (t) es diferenciable en t la derivada es nica.

Se vi en el ejemplo 2.2.7 que

Por otra parte,

De este modo verificamos la frmula de derivada.

donde x2 es la norma euclideana usual. Entonces es una norma M p . Adems, A

2.2 Sean A y B dos matrices de n n. Sean = A y = B. Suponer que las

b) Si A tiene un dos valores propios complejos 1 = + i y 2 = i con = 0,