Sistemas Dinámicos

Introduccin a los sistemas dinmicos
Juan Diego Chang
jdiegochang@ecfm.usac.edu.gt, jdchang@uvg.edu.gt, jchang@umg.edu.gt
ndice general
1. Sistemas hamiltonianos e integrabilidad clsica
1.1.
Introduccin a la mecnica analtica
. . . . . . . . . . . . . . . . . . . . . . . . . . .
1.1.1.
Clculo de variaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.1.2.
Mecnica lagrangiana
1.1.3.
Mecnica hamiltoniana
1.1.4.
Leyes de conservacin
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
14
1.2.
Teorema de Liouville . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
14
1.3.
Brackets de Poisson
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
15
1.4.
Transformaciones cannicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
16
1.5.
Transformaciones cannicas innitesimales . . . . . . . . . . . . . . . . . . . . . . . .
18
1.6.
Teorema de Nther . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
19
1.7.
Funciones generadoras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
19
1.8.
Variables angle-action
1.9.
Sistemas integrables
1.9.1.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
20
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
21
Teorema de Liouville para sistemas integrables
1.10. Sistemas hamiltonianos
. . . . . . . . . . . . . . . . .
21
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
21
2. Ejemplos de sistemas dinmicos no integrables
24
2.0.1.
Modelo del pndulo
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
25
2.0.2.
El modelo logstico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
28
2.0.3.
Billar de Sina
2.0.4.
Dinmica espacio-temporal
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . .
3. Estudio de estabilidad en el caso continuo
33
34
37
3.1.
Sistemas autnomos en equilibrio . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
37
3.2.
Estabilidad para sistemas lineales con coecientes constantes
. . . . . . . . . . . . .
39
3.3.
Estabilidad para sistemas no lineales, funciones de Lyapunov
. . . . . . . . . . . . .
43
3.4.
Funciones de Lyapunov
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
45
4. Dinmica probabilista de Markov

4.1.
4.2.
Ejemplos introductorios
50
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
50
4.1.1.
Dinmica en un grafo
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
50
4.1.2.
Grafos y matrices estocsticas en gentica . . . . . . . . . . . . . . . . . . . .
53
Deniciones y propiedades generales

4.2.1.
. . . . . . . . . . . . . . . . . . . . . . . . . . .
Matrices positivas, irreductibles y primitivas
. . . . . . . . . . . . . . . . . .
54
54
NDICE GENERAL
4.3.
4.2.2.
Matrices estocsticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
56
4.2.3.
Matrices reversibles
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
58
Procesos de tiempo continuo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
59
5. Dinmica de campos y morfognesis

5.1.
5.2.
5.3.
63
Modelo de una dimensin y una componente
. . . . . . . . . . . . . . . . . . . . . .
64
5.1.1.
Modelo de Swift-Hohenberg . . . . . . . . . . . . . . . . . . . . . . . . . . . .
64
5.1.2.
Anlisis de la estabilidad de una solucin homognea estacionaria . . . . . . .
64
5.1.3.
Estabilidad de un patrn. Estudio no lineal
. . . . . . . . . . . . . . . . . . .
64
5.1.4.
Simulacin numrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
64
Modelo de reaccin y difusin de dos componentes
. . . . . . . . . . . . . . . . . . .
64
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
64
5.2.1.
Modelo
5.2.2.
Interpretacin de las ecuaciones del modelo de Gray Scott . . . . . . . . . . .
64
5.2.3.
Anlisis de estabilidad de una solucin homognea estacionaria . . . . . . . .
64
Patrones peridicos y cuasi-peridicos en dimensiones

5.3.1.
Ejemplos en dos dimensiones
5.3.2.
Patrn peridico y cuasi-peridico
. . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . .
5.4.
Patrones por segregacin o avalanchas
5.5.
Ondas solitarias o solitones
6.2.
64
. . . . . . . . . . . . . . . . . . . . . . . . . .
64
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
64
5.5.1.
Historia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
64
5.5.2.
Del modelo de osciladores no lineales a la ecuacin de Korteweg-de Vries . . .
64
5.5.3.
Solucin de la ecuacin de Korteweg-de Vries con perl constante . . . . . . .
64
65
Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
66
6.1.1.
Billar dispersivo de Sina e inestabilidad hiperblica
66
6.1.2.
Flujo geodsico en una supercie de curvatura negativa
Inestabilidad hiperblica de Asonov
. . . . . . . . . . . . . .
. . . . . . . . . . . .
66
. . . . . . . . . . . . . . . . . . . . . . . . . . .
66
6.2.1.
Espacio de fases y capas de energa . . . . . . . . . . . . . . . . . . . . . . . .
66
6.2.2.
Denicin de ujo hiperblico y sensibilidad a las condiciones iniciales . . . .
66
6.3.
Operador de transferencia de Perron-Frobenius y transporte de probabilidades
6.4.
Mezclas y ergodicidad
6.5.
. . .
66
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
66
6.4.1.
Un ujo geodsico hiperblico es mezclante
6.4.2.
Un modelo sencillo del cat map que es mezclante y ergdico
Teorema de lmite central y difusin
. . . . . . . . . . . . . . . . . . .
Modelo de dinmica expansiva

7.1.1.
66
. . . . . . . . . . . . . . . . . . . . . . . . . . .
66
67
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Estudio de un ejemplo sencillo
66
. . . . . . . .
7. Dinmica determinista expansiva

7.1.
64
. . . . . . . . . . . . . . . . . . . . . . . .
6. Dinmica determinista hiperblica

6.1.
64
67
. . . . . . . . . . . . . . . . . . . . . . . . . .
68
7.2.
Estabilidad estructural . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
69
7.3.
Dinmica simblica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
69
7.4.
Operador de transferencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
69
7.5.
Mezcla, ergodicidad, medida de equilibrio
69
. . . . . . . . . . . . . . . . . . . . . . . .
7.5.1.
Funcin de correlacin y mezcla exponencial . . . . . . . . . . . . . . . . . . .
69
7.5.2.
Ejemplos numricos de evolucin de densidad de medidas de equilibrio . . . .
69
7.5.3.
Ergodicidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
69
ndice de guras
1.1.1.Variaciones en la trayectoria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.1.2.Transformacin de Legendre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
12
2.0.1.Pndulo
25
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.0.2.Potencial del pndulo forzado. Aqu se tom
c=5
= m,
entonces se ve que en el
c. . . . . . . . . . .
0 = 0, 0 = 0.1. La amplitud aumenta y
eje horizontal del lado positivo, la grca intercepta al mismo en

2.0.3.Trayectoria que parte de la condicin inicial
27
la trayectoria converge a un ciclo lmite (en la gura de la izquierda). La trayectoria
0 = 0, 0 = 2 y converge al mismo ciclo lmite. Se

g = 1, l = 1, = 0.2, m = 1 y c = 1. . . . . . . . . . . .
2.0.4.Forma de la funcin logstica f (x) = x (1 x). Aqu se tom = 2.5.
. . . . . . .
2.0.5.Trayectoria para = 2.5 partiendo de x0 = 0.2. Se ve bien que el punto a es un
parte de la condicin inicial
tomaron como parmetros
punto atractivo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
27
29
30
, se ve en la primera gura el caso

en que = 2, en la segunda = 3.3, la tercera = 3.54 y la ltima con = 4 donde
2.0.6.Aqu se ven distintos casos para los valores de
s se tiene un comportamiento catico. . . . . . . . . . . . . . . . . . . . . . . . . . .

2.0.7.Conjunto atractor de
en funcin de
2.0.8.Conjunto de Mandelbrot
2.0.9.Billar rectangular.
. . . . . . . . . . . . . . . . . . . . . . . . .
31
32
para el modelo logstico. . . . . . . . . . . . . . . . . . .
32
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
33
2.0.10.
Ntese que las trayectorias en el inicio son casi paralelas y luego van en direcciones
completamente distintas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
34
3.1.1.Pndulo simple. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
38
3.1.2.Diagrama de fase del pndulo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
39
3.2.1.Aqu se ilustran los tres ejemplos donde la primera gura es un punto silla de montar,
inestable, la segunda es un punto vrtice estable y la tercera es un punto estrella
asintticamente estable.
4.1.1.a. Grafo
G1 .
b. Grafo
G2 .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
42
50
reproducido en Spyderr, del mtodo de Euler . . . . . . . . . . .
71
7.5.2.Resultado del cdigo de la gura 7.5.1. . . . . . . . . . . . . . . . . . . . . . . . . . .
72
7.5.3.Anlisis de error. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
72
7.5.1.Cdigo Python
r,
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Prlogo
Los sistemas dinmicos son sistemas que evolucionan en el tiempo. Estos describen entonces
una gran cantidad de fenmenos fsicos, biolgicos, econmicos o sociales. Es por este motivo que
su estudio se ha vuelto de mucha importancia en varias ramas del conocimiento. El objetivo es
estudiarlos como modelos matemticos.
Podemos decir que estos sistemas se dividen en dos. Estn por un los sistemas integrables que
son los sistemas que tienen solucin exacta y los sistemas complejos que usualmente requieren de
mtodos numricos para poder resolverlos.
En los sistemas integrables, hay de dos tipos, los clsicos y los cunticos. En este texto trataremos
los sistemas clsicos de dimensin nita que son sistemas que tienen un hamiltoniano y cumplen con
el teorema de Liouville de sistemas integrables. ste es el tema que se toca en el primer captulo.
En los sistemas complejos, hay de varios tipos. Los determinsticos y los aleatorios. En el segundo
captulo, se estudian ejemplos de los dos tipos. Es ms, se ve cmo de un sistema determinstico
surge el azar, especialmente en el billar de Sina.
En el tercer captulo nos adentramos en el estudio de sistemas que son continuos. Aqu, estudiamos la estabilidad de ecuaciones diferenciales ordinarias por medio de las funciones de Lyapunov.
Se expone este tema desde la perspectiva de Kreider, Kuller y Otsberg que lo presentan de una
manera magnca.
Luego, vemos ms a profundidad el estudio de los procesos estocsticos por medio del estudio de
los procesos markovianos. Aqu se estudian entonces los procesos estocsticos en el caso de tiempos
discretos y luego en el caso de tiempos continuos.
Por ltimo, ya entramos a los sistemas dinmicos espaciales y temporales con el estudio de
ecuaciones diferenciales parciales, considerando el estudio de la ergodicidad.
Sin duda, en este texto, se ve de manera supercial los distintos casos de sistemas dinmicos
ya que cada uno ameritara un curso completo o ms para poder estudiarlos a profundidad, pero
presenta cada uno de ellos y la idea principal de los mismos.
Este texto est diseado para darse en un semestre de pregrado en fsica o matemticas aplicadas.
Es altamente recomendable que el lector haga todos los ejercicios sugeridos y que adems trate de
replicar las guras, comprendiendo de qu se trata cada una de ellas.
Captulo 1
Sistemas hamiltonianos e
integrabilidad clsica
1.1.
Introduccin a la mecnica analtica
1.1.1. Clculo de variaciones

Estudiaremos aqu un problema de optimizacin. Queremos minimizar o maximizar funcionales que podemos considerar funciones de funciones que se mapean en un nmero real.
Aqu tomamos un tipo de funcional especco, un funcional integral
x2
f (y (x) , y 0 (x) ; x) dx
J=
x1
Queremos determinar
de integracin
x1
x2
y (x)
para que
sea un extremo. Tambin en este caso tomamos los lmites
como jos. Supongamos que queremos variar la trayectoria del extremo un
poco. Entonces parametrizamos las posibles trayectorias como

condicin que
(x1 ) = (x2 ) = 0.
y (, x) = y (0, x) + (x)con
la
(Ver Figura 1)
El objetivo se vuelve entonces resolver

J
=0
=0
Ecuacin de Euler
Vamos a ver cmo se resuelve el problema planteado anteriormente. Para esto, basta con resolver
la ecuacin de Euler. Calculamos
x2
f (y, y 0 ; x) dx
x1
CAPTULO 1.
SISTEMAS HAMILTONIANOS E INTEGRABILIDAD CLSICA
Figura 1.1.1: Variaciones en la trayectoria
La curva
y (x)representa
y (x) + (x)
la trayectoria extrema y la curva
representa la variacin
respecto a esta trayectoria extrema.
como los lmites de integracin estn jos, entonces podemos invertir el orden de la integral con la
derivada
J
=
x2
f y
f y 0
+ 0
y y

dx
x1
Ahora, notemos que de acuerdo con la denicin de
J
=
x2
tenemos que
y 0
d
=
dx
y
= (x)
Si sustituimos, obtenemos
y,
f
f
(x) + 0
y
y x

dx
x1
si tomamos el segundo trmino y lo integramos por partes, obtenemos
x2
x1
pero sabemos que
x2 x2

d
f
f
f

dx =
(x)
(x) dx
y 0 x
y 0
dx y 0
x1
x1
(x1 ) = (x2 ) = 0,
x2
entonces
f
dx =
y 0 x
J
=
d
dx
f
y 0
f
y 0

(x) dx
x1
x1
Si sustituimos,
x2
x2
x1
d
f
y
dx

(x) dx
CAPTULO 1.
Si queremos que
= 0,
dada la arbitrariedad de
d
f
y
dx
(x), necesitamos

f
=0
y 0
que
conocida como la ecuacin de Euler.
Notacin
Para deducir la ecuacin de Euler usamos clculo de variaciones, de manera que
J
d =
x2
f
d
y
dx
f
y 0

f
d
y
dx
f
y 0

y
ddx
x1
Esto puede ser expresado como
x2
J =
ydx
x1
donde
J
d = J
y
d = y
Para obtener la ecuacin de Euler, entonces necesitamos que
x2
f (y, y 0 ; x) dx = 0

x2
x2 f
d f
y
+
y
dx
=
f dx =
0
y
dx y
x1
x1

x2 f
d f
=
y dx y 0 ydx
x1
x1
que es equivalente a lo que encontramos.
Ejercicio 1.
He aqu dos problemas sugeridos para evaluar la comprensin de esta herramienta
matemtica.
1. Probar que en un plano, la trayectoria ms corta entre dos puntos jos es una recta.
2. Probar la ley de Snell usando el principio de Fermat.
1.1.2. Mecnica lagrangiana

Principio de Hamilton y ecuacin de Euler-Lagrange
En un sistema fsico el lagrangiano
se dene como
L = T (x)
V (x)
con
la posicin del sistema como funcin del tiempo
x =
t2
S=
L (x, x,
t) dt
t1
donde
t1 y t2
son dos tiempos jos.
dx
dt . La accin de un sistema
es
CAPTULO 1.
Principio de Hamilton:
(principio de mnima accin) De todas las trayectorias posibles que
puede tomar un sistema, tomar siempre la que minimiza la accin.
Corolario. Las ecuaciones de movimiento para un sistema de n grados de libertad estn dictadas
por
d
L
xi
dt
L
x i

=0
que es la ecuacin de Euler-Lagrange, con i = 1, ..., n.
Consistencia con la mecnica newtoniana

Vamos a tomar la ecuacin de Euler-Lagrange en coordenadas cartesianas que es el sistema de
coordenadas predilecto de la mecnica newtoniana
L
d
x
dt
ahora bien,
L = 12 mx 2 V (x)
L
x

=0
entonces
L
V
=
x
x

d L
d
(mx)
= m
x
=
dt x
dt
entonces obtenemos
m
x=
V
x
que es la segunda ley de Newton.
Coordenadas generalizadas
Vamos a empezar con el principio de Hamilton de nuevo.
Teorema 1. (principio de Hamilton revisitado) El movimiento de un sistema mecnico coincide

con los extremos del funcional
t2
S (y) =
Ldt
t1
donde L = T V que es la diferencia entre la energa cintica y la energa potencial.

Demostracin.
Como
V (~r)
T =
P mi 2
ri tenemos
2 ~
i
equivalente con la segunda ley de Newton.
que
T
~
r
Corolario. Sean
= mi~ri
L
~
ri
V
= ~
ri
entonces es
(q1 , q2 , ..., q3n ) coordenadas en el espacio de conguraciones del sistema de n

partculas. Entonces la evolucin del sistema de ~q respecto al tiempo est sujeta a las ecuaciones de
Euler-Lagrange

L
d
~q
dt
1 Esto
L
~q
=0
es vlido en mecnica clsica. En mecnica cuntica ya no lo es.
CAPTULO 1.
Demostracin.
10
Por el principio de Hamilton, un movimiento es externo del funcional, entonces
en cualquier sistema de coordenadas, las ecuaciones de Euler-Lagrange escritas en ese sistema

coordenado deben ser satisfechas.
Denicin.
En mecnica usamos la terminologa siguiente
~q coordenadas
~q velocidades
p~ =
generalizadas
L
momentum
~q
L
fuerza
~q
Observacin.
generalizadas
generalizado
generalizada
Si tomamos una partcula con un movimiento circular uniforme, tenemos como cambio
de coordenadas
x = rcos
y = rsin
con
r = l = constante.
Esto implica que slo dependemos de
T =
1
1
m x 2 + y 2 = ml2 2
2
2
por lo que
L
= ml2 2

entonces
d
dt
= ml2
entonces
= 0
por lo que
(t) = (0) t + (0)
lo que hace que

x = lcos (0) t + (0)

y = lsin (0) t + (0)
aqu no tenemos potencial para obtener el movimiento circular. Esto hace que no necesitamos fuerzas
cticias como la centrpeta que era el caso de la Fsica de Newton.
Ejercicio 2.
Se sugiere resolver estos problemas para evaluar la comprensin de esta herramienta
1. Resolver el sistema masa resorte.

2. Resolver el pndulo simple.
1.1.3. Mecnica hamiltoniana

Si bien, desde el punto de vista calculatorio, esta perspectiva no nos ayuda mucho ms que
la mecnica lagrangiana (aunque a veces s), esta perspectiva nos sirve para entender mejor la
estructura subyacente de la mecnica clsica. El estudio de la mecnica hamiltoniana es en realidad
el estudio geomtrico del espacio de fases.
CAPTULO 1.
11
Ecuaciones de Hamilton
Recordemos que para una funcin lagrangiana
L (qi , qi , t) donde qi (i = 1, ..., n) es algn sistema
coordenado, las ecuaciones de movimiento estn dictadas por
d
L
qi
dt
Estas
ecuaciones diferenciales de orden
L
qi

=0
2n
requieren
condiciones iniciales
qi (t = 0), qi (t = 0).
Para un sistema de coordenadas generalizadas, el momentum conjugado se dene como
pi =
entonces
pi = pi (qj , qj , t).
L
qi
i = 1, ..., n
Se sugiere conrmar este hecho con coordenadas cartesianas. De esta
manera, la ecuacin de Euler-Lagrange se vuelve
L
d
(p)
=0
dt
qi
o equivalentemente
p =
L
qi
El objetivo es sacar completamente de la dinmica a
qi
Espacio de conguraciones y espacio de fases

nidos por las coordenadas
{qi },
en favor de
pi .
El conjunto de puntos
se le llama espacio de conguraciones
tiempo dene una trayectoria en
C.
n-dimensionales
de-
Aqu la evolucin en el
C.
Sin embargo, el estado de una partcula est denido por
{qi }y
por
{pi }, en el sentido que es

(qi , pi )dene un punto
esta informacin la que nos permite determinar un estado futuro. La pareja
2n-dimensional
en el espacio de fases.
Como un punto en el espacio de fases basta para determinar la evolucin de un sistema, las
curvas no se autointersectan.
Transformaciones de Legendre
nica la evolucin de
qi
y de
Queremos determinar una funcin que determine de manera
pi . Esto signica que tenemos una funcin de qi
pi
(y no de
qi ), pero
debe tener toda la informacin del lagrangiano. Para esto usamos las transformaciones de Legendre.
Para ver esto, consideramos una funcin arbitraria
df =
f (x, y),
f
f
dx +
dy
x
y
Ahora denimos
g (x, y, u) = ux f (x, y)
que depende de
x, y , u,
entonces
dg = d (ux)
f
f
dx
dy
x
y
diferenciable, entonces
CAPTULO 1.
Para este punto,
es independiente. Pero supongamos que elegimos
u (x, y) =
entonces
dg =
En otras palabras,
g (x, y),
tal que
u (x, y)denida
por
f
x
f
f
f
f
dx + xdu
dx
dy = xdu
x
x
y
y
u y y : g = g (u, y). Si queremos una expresin explcita
u (x, y) = f
x para obtener x = x (u, y) y luego insertarla
es una funcin de
debemos invertir la igualdad
la denicin de
12
de
en
g
g (u, y) = ux (u, y) f (x (u, y) , y)
sta es la transformacin de Legendre. Nos lleva de una funcin
u = f
x .
g (u, y)
f (x, y) a otra funcin g (u, y)donde

f (x, y) a partir de
La clave es que no se pierde informacin, siempre se puede recuperar

g
= x (u, y)
u y

g
= v (u, y)
y u
que asegura que la transformacin inversa es
f=

g
ug
u
El signicado geomtrico de dicha transformacin, se captura en un diagrama. Para

trazamos
f (x, y)y ux.
Para cada valor de
u,
el valor de
g (u)es
jo,
la distancia mxima entre las dos
curvas
Figura 1.1.2: Transformacin de Legendre
En efecto, extremizar la distancia es
d
(ux f (x)) = 0
dx
entonces
u=
Observacin.
f
x
La gura 2 nos dice que para encontrar mximos necesitamos funciones convexas.
CAPTULO 1.
13
Ecuaciones de Hamilton
El lagrangiano es una funcin de las coordenadas y de las velocidades
y posiblemente del tiempo. El hamiltoniano se dene como la transformacin de Legendre del

lagrangiano respecto de
qi
n
X
H (qi , pi , t) =
pi qi L (qi , qi , t)
i=1
donde
qi
se elimina en favor de
pi
usando
pi =
L
= pi (qj , qj , t)
qi
qi = qi (qj , pj , t). Ahora tenemos una variacin

L
L
L
dq
+
d
q
+
(dpi qi + pi dqi ) q
dt
i
i
qi
t
i
L
L
(dpi qi + pi dqi ) qi dqi pi dqi + t dt
dpi qi pi dqi
Ahora si invertimos para obtener
dH
dH
del hamiltoniano
L
t dt
pero tambin
dH =
H
H
H
dt
dqi +
dpi +
qi
pi
t
igualando trminos obtenemos
H
pi
H
pi =
qi
H
L
=
t
t
qi =
Estas son las ecuaciones de Hamilton. Reemplazamos una ecuacin diferencial de orden
ecuaciones de orden
por dos
1.
Partcula en un potencial
Una partcula que se mueve en un espacio tridimensional, cuya posicin est dada por
~r,
tiene
como lagrangiano
L=
1
m~r V (~r)
2
Si calculamos
p~ =
entonces
L
= m~r
~r
p~
1 2
p~2
H = p~~r L = p~
p~ + V (~r) =
+ V (~r)
m 2m
2m
que es la energa mecnica del sistema. Ahora si analizamos las ecuaciones de Hamilton obtenemos
1
~r = p~
m
H
p~ =
= V
~r
Tenemos consistencia con la mecnica newtoniana!
CAPTULO 1.
14
1.1.4. Leyes de conservacin

Conservacin de la energa
H
t
Si
= 0,
i.e. no depende explcitamente del tiempo, entonces
es una constante del movimiento.
Demostracin.
dH
dt
Vamos a calcular
dH
dt
dH
dt
entonces, en efecto,
H
+ p
pi + H
t
i
pi qi + qi pi + H
t
H
qi qi
=
=
=
=
H
t
es una constante del movimiento.
Conservacin del momentum
Si una coordenada
es ignorable, i.e. no aparece en el lagran-
giano, entonces, por construccin, no aparece en el hamiltoniano. El momentum conjugado de esta

coordenada se conserva.
Demostracin.
De igual manera, calculamos
p,
p =
1.2.
H
=0
q
Teorema de Liouville
Cuando hablamos de evolucin en un sistema, podemos hablar de ujo en el espacio de fases.

Este teorema habla de dichos ujos.
Teorema. Considere una regin del espacio de fases y hgalo evolucionar en el tiempo. La forma
cambiar, pero el teorema de Liouville nos dice que el volumen ser el mismo.
Demostracin.
Consideramos un volumen innitesimal movindose en un tiempo innitesimal en
una vecindad de un punto
(qi , pi )
del espacio de fase con volumen
V = dq1 ...dqn dp1 ...dpn

entonces en un tiempo
dt
qi
pi
qi + qi dt =
pi + pi dt =
qi +
pi
H
pi
H
qi
= qi
= pi
y el nuevo volumen sera
V = d
q1 ...d
qn d
p1 ...d
pn = det (J) V
donde
es la matriz jacobiana
J=
qi
qj
pi
qj
qi
pj
pi
pj
CAPTULO 1.
Entonces necesitamos que det (J)
= 1,
considerando,
2
det (J)
H
1 + pq
dt
2H
q2 dt
= det
15
n=1
2H
p2 dt
2H
qp
dt
!
= 1 + 0 dt2
lo que sugiere que
entonces el volumen sigue siendo el
det (J)
1.3.
= det
d (det (J))
=0
dt
mismo, para n coordenadas
2H
pi qi dt
2
H
q
dt
i qj
ij +
2H
pi pj dt
2
H
qi p
dt
j
!
= 1 + 0 dt2
Brackets de Poisson
Vamos a ver ahora la dinmica clsica desde una descripcin algebraica que hace que se vea casi
idntica a la mecnica cuntica.
Denicin. Sea f (q, p) y g (q, p) dos funciones del espacio de fases. Entonces se denen los brackets de Poisson como
{f, g} =
f g
f g
qi pi
pi qi
Proposicin. Los brackets de Poisson tienen las siguientes propiedades

Antisimetra: {f, g} = {g, f }
Linealidad: {f + g, h} = {f, h} + {g, h}para todo , reales.
Regla de Leibniz: {f g, h} = f {g, h} + {f, h} g
Identidad de Jacobi: {f, {g, h}} + {g, {h, f }} + {h, {f, g}} = 0
Las primeras dos propiedades y la ltima son las propiedades que debe cumplir un lgebra de
Lie. Se sugiere que se haga el ejercicio de probar estas identidades.
Proposicin. Adems tenemos que

{qi , qj } = {pi , pj } = 0
{qi , pj } = ij
Tambin se sugiere que se hagan las pruebas de las mismas.
Proposicin. La evolucin en el tiempo de una funcin est dada por

df
f
= {f, H} +
dt
t
CAPTULO 1.
Demostracin.
Tenemos
df
dt
df
dt
=
=
=
16
f
f
f
pi p i + qi qi + t
f H
f H
+ q
+ f
p
t
i qi
i pi
f
{f, H} + t
Corolario. Si I (p, q) es una funcin tal que

{I, H} = 0
entonces I es una constante del movimiento. Decimos que I y H conmutan en el sentido de Poisson.
Si qi es ignorable, i.e. no aparece explcitamente en H , entonces
{pi , H} = 0
de igual manera, si H no depende explcitamente del tiempo

{H, H} = 0
Observacin.
Si
son constantes del movimiento,
{I, J}
tambin lo es. Para probar esto se
usa la identidad de Jacobi. Esto quiere decir que las constantes de movimiento forman un lgebra
cerrada bajo brackets de Poisson.
Las ecuaciones de Hamilton se vuelven
p = {H, p} =
q = {H, q} =
1.4.
H
q
H
p
Transformaciones cannicas
Hay otra manera de escribir estas ecuaciones de una forma todava ms simtrica. Denimos el
vector
2n-dimensional ~x = (q1 , ..., qn , p1 , ..., pn ) y la matriz

0 1
I =
1 0
donde cada entrada es una matriz de
nn
de
2n 2n
como
en s. Las ecuaciones de Hamilton se escriben entonces
H
~x = I
~x
Qu transformacin deja entonces la fsica invariante, i.e. las ecuaciones de movimiento? Supongamos una transformacin
qi Qi (q, p)
pi Pi (q, p)
CAPTULO 1.
17
escribimos las coordenadas de
~x
transformadas como
xi yi (x)
entonces
y i
y i
donde
Jij =
=
=
=
yi
j
xj x
yi
H yl
xj I jk yl xk
JI J T H
~
y
yi
xj es la matriz jacobiana. Entonces, tenemos invarianza si
JI J T = I
Teorema. El bracket de Poisson es invariante bajo transformaciones cannicas. Cualquier transformacin que preserva el bracket de Poisson tal que
{Qi , Qj } = {Pi , Pj } = 0
{Qi , Pj } = ij
es cannica.
Demostracin.
Vamos a probar que el bracket de Poisson es invariante. Sean
f (xi )
g (xi )
funcio-
nes, entonces
{f, g} =
entonces, si
x y (x),
f g
f g
f
g
=
I ij
qi pi
pi qi
xi
xj
tenemos
f
f
=
Jki
xi
yk
Asumiendo que la transformacin es cannica
{f, g} =
g
f
g
f
Jki I ij Jlj
=
I kl
yk
yl
yk
yl
es lo mismo que calcular los brackets en cualquier sistema de coordenadas relacionados por transformaciones cannicas. La jacobiana es
Jij =
Ahora si calculamos
JI J

ij
Qi
qj
Pi
qj
Qi
pj
Pi
pj
{Qi , Qj }
{Pi , Qj }
{Qi , Pj }
{Pi , Pj }
entonces si los brackets son preservados, la transformacin es cannica.
CAPTULO 1.
1.5.
18
Transformaciones cannicas innitesimales
Consideramos la transformacin
qi Qi = qi Fi (q, p)
pi Pi = pi + Ei (q, p)
donde
1.
Qu funciones
Fi (q, p)
Ei (q, p)
Jij =
i
ij + F
qj
i
E
qj
son permitidas para tener una transformacin
cannica? Veamos la jacobiana

i
F
pj
i
ij + E
pj
para que
JI J T = I
necesitamos que
Ei
Fi
=
qj
pj
por lo tanto
G
pi
que G
Fi =
para alguna funcin
G (q, p).
Decimos
Ei =
G
qi
genera la transformacin.
Esto nos motiva a ver un poco distintas las transformaciones cannicas. Suponemos que una
familia de transformaciones de un solo parmetro
qi Qi (q, p, )
cannicas para todo
y son tales que
pi Pi (q, p, )
Qi (q, p; = 0) = qi
Pi (q, p; = 0) = pi . Hasta ahora,

(Qi , Pi ) y (qi , pi )
hemos hecho una interpretacin pasiva de las transformaciones cannicas, i.e.
representan el mismo punto del espacio de fases, slo que con distintas coordenadas o distinto marco
de referencia. Ahora podemos dar una interpretacin activa, i.e. que los puntos son distintos en
el mismo marco de referencia. Esto es gracias a que consideramos este nuevo parmetro
que si variamos el parmetro
es decir
trazamos lneas en el espacio de fases y los vectores tangentes a
estas lneas estn dados por
dqi
G
=
d
pi
G
dpi
=
d
qi
Notemos que estas ecuaciones se ven exactamente como las ecuaciones de Hamilton del movimiento:
si tomamos
como el hamiltoniano y el parmetro
como el tiempo. Esto nos dice que de hecho
una familia de transformaciones de un parmetro puede ser pensada como un ujo hamiltoniano
en el espacio de fases para un hamiltoniano apropiado
G.
De manera inversa, la evolucin en el
tiempo puede verse como una transformacin cannica de coordenadas
(qi (t0 ) , pi (t0 )) (qi (t) , pi (t))

generada por el hamiltoniano. Hacemos un enlace entre el tiempo y el hamiltoniano, una vez ms
(recordemos los brackets de Poisson).
G = pk . Entonces la transformacin cannica innitesimal correspi pi que es simplemente una traslacin. Las traslaciones de
momentum conjugado pk .
Otro ejemplo es considerar a

pondiente sera
qk son
qi qi + ik
generadas por el
CAPTULO 1.
1.6.
19
Teorema de Nther
Consideramos una transformacin innitesimal cannica generada por
H
H
G se
{G, H} = G .
H
H
qi qi + pi pi
H G
H G
qi pi p
i qi
=
=
=
+ 0 2
H = 0,
llama simetra del hamiltoniano, si
que
Ms an, si tenemos una simetra, entonces
G,
entonces
{H, G}
El generador
cantidad conservada
G,
entonces
{G, H} = 0.
Pero sabemos
es conservada. Si tenemos una
podemos usarla para generar una transformacin cannica que es una
simetra.
Esto es el teorema de Nther que es el teorema ms importante de la Fsica.
1.7.
Funciones generadoras
Hay un mtodo sencillo para construir transformaciones cannicas entre

sidrese una funcin
F (q, Q)de
los
qi
originales y los
Qi
(qi , pi ) y (Qi , Pi ). Con-
nales.
F
. Despus de invertir esta ecuacin puede ser considerada como la nueva coordenada
pi = q
i
Qi = Qi (q, p). Pero cul es el nuevo momentum cannico? De hecho el momentum conjugado es
Pi que est dado por
F
Pi =
Qi
Sea
La prueba viene de jugar con las derivadas. Veamos si funciona con un ejemplo de un grado de
libertad (se generaliza de forma trivial)
{Q, P } =
Ntese que
P = P (q, p),

Q P
Q P
q p p q
p q q p
entonces por regla de la cadena

Q P
Q 2 F
Q p
{Q, P } =
=
=
=1
p q q p
p p qQ
p q Q q
como se pide. La funcin
F (q, Q)se
conoce como funcin generadora de primer tipo.
Hay tres tipos de funciones generadoras, relacionadas por transformaciones de Legendre. Cada
una es una funcin de las coordenadas originales y de las nuevas coordenadas. Se puede ver que
F2 (q, P ) : pi =
F3 (p, Q) : qi =
F2
qi
F3
pi
F4 (p, P ) : qi =
F4
pi
F2
Pi
pi =
Qi =
F3
Qi
F4
Pi
CAPTULO 1.
1.8.
20
Variables angle-action
Numricamente, hemos usado coordenadas que complican la solucin de los problemas. Si trabajamos con coordenadas cartesianas cuando el problema requiere realmente coordenadas cilndricas
o esfricas, con suciente dedicacin, llegamos a lo que queremos. La posibilidad de cambiar de
coordenadas simplica la vida drsticamente. Ahora sabemos que incluso podemos mezclar
pi
qi .
Para simplicar al mximo la resolucin de un problema, usamos estas variables llamadas angleaction. Vemos esto con un ejemplo: nuestro ejemplo predilecto el oscilador armnico simple. El
hamiltoniano es
H=
1
p2
+ m 2 q 2
2m 2
Las ecuaciones de Hamilton seran
p = m 2 q
p
q =
m
entonces
q = Acos ( (t t0 ))
p = mAsin ( (t t0 ))
donde
t0
son constantes de integracin. Los ujos del espacio de fases son elipses. Proponemos
un cambio de coordenadas. Ahora hagamos un cambio de coordenadas
(q, p) (, I)
Puede verse a
como una coordenada generalizada y puede verse a I

r
2I
q=
sin
m
p = 2Im cos
como el momentum conjugado.
La transformacin sera
Es una eleccin extraa pero con ventajas. Veriquemos si la transformacin es cannica
{q, p}(,I) =
Reescribimos
q p q p
=1
I
I
en estas coordenadas
H=
2I
1
1
2
(2mI) sin2 + m 2
cos = I
2m
2
m
entonces el hamiltoniano no depende de
Las ecuaciones de movimiento son
H
=
=
I
H
I =
=0
Por lo que logramos mapear el ujo en el espacio de fases en un cilindro parametrizado por
I.
CAPTULO 1.
1.9.
21
Sistemas integrables
Hemos visto ya que podemos simplicar de sobremanera las lneas de ujo del oscilador, de
manera que el movimiento se vuelve trivial. Podemos hacer esto en cualquier sistema? No, slo
para sistemas conocidos como sistemas integrables.
Supongamos un sistema con
grados de libertad. Queremos encontrar transformaciones can-
nicas tales que
(qi , pi ) (i , Ii )
con el hamiltoniano
H = H (I1 , ..., In ) que no depende de i . Si logramos

n cantidades conservadas Ii , mientras que
esto, entonces por las
ecuaciones de Hamilton tenemos
i =
donde
mente
H
= i
Ii
i es independiente de , pero en general depende de I , por lo que las soluciones son

i = i t. Cuando tal transformacin existe, decimos que el sistema es integrable.
simple-
1.9.1. Teorema de Liouville para sistemas integrables

Si encontramos
constantes del movimiento que conmutan en el sentido de Poisson
{Ii , Ij } = 0
I1 , ..., In
i, j = 1, ..., n
Entonces existen variables angle-action y el sistema es integrable.

La condicin de conmutacin en el sentido de Poisson
Ii
{Ii , Ij } = 0
nos dice que podemos ver los
como momenta cannicos. La prueba no se har.
Formulacin alternativa
conmutan con
1.10.
Necesitamos
variables que conmutan en el sentido de Poisson que
para que el sistema sea integrable.
Sistemas hamiltonianos
Denicin.
H (x, y)
Un sistema de ecuaciones diferenciales es hamiltoniano si existe una funcin real
tal que
H
dx
=
dt
y
dy
H
=
dt
x
para todo
y.
La funcin
Para un sistema
si
es el hamiltoniano del sistema. Note que
dx
= f (x, y)
dt
dy
= g (x, y)
dt
f
g
=
x
y
siempre se conserva.
CAPTULO 1.
22
2 entonces el sistema se dice hamiltoniano. Podemos vericar esto construyendo el hamiltoniano
f (x, y) =
integrando ambos lados
H (x, y) =
donde
es una funcin de
calculamos con
x.
f (x, y) dy + (x)
Para encontrar
g (x)
H
=
x
x
simplemente diferenciamos respecto de
y la
f (x, y) dy + 0 (x) = g (x)
entonces
0 (x) = g (x, y)
Ejercicio 3.
H
y
f (x, y) dy
El formalismo de los brackets de Poisson puede ser utilizado cuando no es tan obvio
asignar coordenadas y momenta. Para ilustrar esto vamos a considerar el movimiento de vrtices
en un plano. Para
vrtices con posiciones
~ri = (xi , yi ),
movimiento son descritas por
i x i =
j6=i
i y i = +
P
j6=i
donde no hay suma sobre
cada uno con fuerza
i ,
las ecuaciones del
y y
i j |~r i~r j|2

i
x x
i j |~r i~r j|2

i
en el lado izquierdo de estas ecuaciones. Note que son ecuaciones de
primer orden respecto de las posiciones, ms que posiciones y momenta. Para generar el espacio de
fases, se considera una posicin como momentum cannico .
1. Muestre que ste es un sistema hamiltoniano con
H=
i j log |~ri ~rj |
i<j
partiendo del hecho que el sistema de ecuaciones es equivalente al siguiente
H
x i = 1i y
i
1 H
y i = i xi
2. La estructura de Poisson cambia un poco para este sistema y est dada por
{f, g} =
Calcule
{xi , yj }.
3. Calcule{Px , H},
2 Si

n
X
1 f g
f g
xi yi
yi xi
i=1 i
{Py , H}
{Px , Py }, con
P
Px =
i yi y
no es el caso utilizar el mtodo de factor integrante.
Py =
i xi
CAPTULO 1.
23
que expresan el momentum total Qu cantidades son conservadas aqu?

4. El momentum angular total se expresa como
J =
Calcule

1X
i x2i + yi2
2 i=1
{J, H}, {Px , J}, {Py , J}.
5. Encuentre el nmero mximo de vrtices para que el sistema sea integrable en el sentido de
Liouville.
Observacin.
Una estructura de brackets de Poisson donde
{x, y} =
6 0
puede parecer extraa.
Sin embargo aparece en otro contexto tambin: una partcula cargada movindose en un campo
~ = B z.
B
eB
mc y . Para campos magnticos grandes, el segundo
eBy
trmino de la ecuacin domina, y tenemos que px
mc , por lo que {x, px } = 1 y por lo tanto
mc
{x, y} eB . Esto nos muestra una similaridad entre la estructura de vrtices y electrones. De
magntico
En este caso,
px = mx
hecho es un tema de moda en investigacin podemos hacer que los vrtices hagan cosas parecidas a
los electrones en un campo magntico? Vrtices en un condensado de Bose-Einstein pueden formar
un estado de efecto Hall fraccional?
Ejercicio 4.
Considere el siguiente sistema de ecuaciones
(~
r2 ~
r1 )
~r1 = |~
r2 ~
r1 |3
~r2 = (~r2 ~r1 )3
|~
r2 ~
r1 |
donde
xi
~ri = yi ,
zi
con
i = 1, 2.
(Ayuda: se recomienda trabajar el problema en otro sistema de
coordenadas)
1. Encuentre el hamiltoniano del sistema.
2. Encuentre tres cantidades del movimiento que conmutan entre ellas y con el hamiltoniano.
3. Es integrable?
4. Qu sistema conocido es?
Captulo 2
Ejemplos de sistemas dinmicos no

integrables
La pregunta fundamental de la teora de sistemas dinmicos es Conociendo las leyes de evolucin innitesimal, cul es el comportamiento efectivo despus de un tiempo largo?
Por ley de evolucin innitesimal, nos referimos a una regla que dicta el estado en el instante
t + t
sabiendo el estado en el instante
t.
Esta ley puede ser determinista (el estado futuro est
determinado de forma nica) o puede ser probabilstica (la distribucin de estados es conocida). La
fsica ha descubierto que las leyes innitesimales de la naturaleza son bastante simples .
Iniciaremos esta introduccin a los sistemas dinmicos con ejemplos que ilustran esta pregunta
fundamental, con cuatro ejemplos.
1. El pndulo amortiguado y sus variantes. Introducimos aqu las secciones de Poincar que es
un mapeo de dimensin 1 montono, i.e. regular.
2. El modelo logstico (que es un mapeo de dimensin 1 pero no montono que presenta un
comportamiento catico), y el conjunto fractal de Mandelbrot que es su diagrama de fases.
3. La reaccin de Belousov-Zhabotinsky que muestra una dinmica espacio-temporal con
morfognesis (la dinmica converge a un ciclo lmite pero aparenta tener un caos espacial).
Cada uno de estos modelos ser bien denido matemticamente y presentar el sistema fsico que
lo modela. Se realizarn simulaciones numricas y se observarn los fenmenos para comentarlas y
darle importancia a las preguntas importantes.
Sin embargo, la mayora de los fenmenos no sern explicados en esta introduccin. Se dar
slo una explicacin intuitiva. Es el objetivo de la teora de sistemas dinmicos: encontrar una
explicacin rigurosa a estos fenmenos y ciertas explicaciones se vern aqu.
1 Son las leyes mecnicas. En resumen, cada partcula interacta con sus vecinas de forma simple y precisa.
Decimos que las leyes son locales. En mecnica clsica, las leyes son deterministas. En mecnica cuntica, las leyes
son probabilsticas e involucran la amplitud de probabilidad.
24
CAPTULO 2.
25
EJEMPLOS DE SISTEMAS DINMICOS NO INTEGRABLES
2.0.1. Modelo del pndulo

Consideramos una masa puntual
(x, z).
plano vertical
est opuesta a la velocidad
~v
con
l en el
F~ = ~v que
que est sujeta a una varilla rgida de longitud ja
La masa est sometida al peso
P~ = m~g
y una fuerza de friccin
que es el coeciente de friccin. Esto se ve ilustrado en la
gura 2.0.1.
Figura 2.0.1: Pndulo
Ecuacin de movimiento
(t) el ngulo entre la varilla y la vertical en el instante t. La posicin curvilnea
l (t). La ley de Newton en coordenadas curvilneas se escribe
Denotamos por
del pndulo es
mg sin l = ml
Observacin.
(2.0.1)
La ecuacin 2.0.1 es una ecuacin no lineal de segundo orden.
Para las soluciones numricas y luego para el estudio propio de los sistemas dinmicos, es
preferible tener ecuaciones de orden uno. Entonces, vamos a decir que
(t) =
de manera que
y entonces, la ecuacin 2.0.1 se escribe
=
= gl sin
(2.0.2)
CAPTULO 2.
26
Hagamos
x (t) = ( (t) , (t)) R2

que es un punto en el plano
(, ),
llamado espacio de fases. La segunda ley de Newton se escribe
x = F (x)
con
F = (F1 , F2 )
(2.0.3)
teniendo como componentes
F2 (, ) = gl sin
F1 (, ) =
De esta manera, la ley de Newton se escribe de la forma 2.0.3 que es una ecuacin diferencial
ordinaria (EDO) en
R2 .
Veremos que tal formulacin estndar para una ley determinista. Consideramos aqu a
una funcin
Denicin.
el tiempo
como
x R2 F (x) R2 .
Para todo
tR
jo, el mapeo que hace que un punto evolucione por la dinmica en
t:
t : x (0) R2 x (t) R2
se llama el
(2.0.4)
ujo en el tiempo t.
Recordemos entonces la pregunta interesante: Conociendo las condiciones iniciales del pndulo
x (0) = ( (0) , (0)), cmo predecir x (t) en un instante cualquiera t R? Es decir que queremos
encontrar el ujo t a partir de la EDO.
Ejercicio 5.
Resuelva los siguientes ejercicios de forma clara y ordenada.
Escribir un programa que resuelva numricamente el pndulo. Comprelo con la solucin exacta.
Graque tambin el valor absoluto de la diferencia entre los dos en funcin del
inuye la eleccin del
y analice cmo
en la exactitud.
Escriba las ecuaciones de Hamilton del mismo problema.
Variante: el pndulo forzado

Es fcil imaginar leyes distintas a 2.0.1 y probarlas numricamente. Por ejemplo para evitar que
el pndulo se quede inmvil despus de cierto tiempo, sustituimos la fuerza de friccin por una fuerza
que le inyecta energa al sistema, de tal manera que el pndulo no tenga una energa divergente. Por
ejemplo, se puede sustituir el trmino de la friccin
y negativo si
>c
jando el valor de
F1 (, ) =
c.
3
c2
que es positivo si
F (x) se convierte

3
F2 (, ) = gl sin + m
c2
De esta manera, la funcin
0<<c
en
Veamos la grca de este nuevo trmino en la gura 2.0.2.
Ejercicio 6.
Escribir un programa que resuelva numricamente el pndulo forzado. Graque el espacio de

fases para obtener la gura 2.0.3.
Calcular la divergencia de
y estudiar su signo. Interpretar el resultado.
Se observa en la gura 2.0.3 que el pndulo converge hacia un movimiento peridico. Decimos
que hay un ciclo lmite atractivo o una rbita peridica atractiva. Veremos ms adelante lo que es
CAPTULO 2.
Figura 2.0.2: Potencial del pndulo forzado. Aqu se tom
c=5
Figura 2.0.3: Trayectoria que parte de la condicin inicial
= m,
c.
eje horizontal del lado positivo, la grca intercepta al mismo en
27
entonces se ve que en el
0 = 0, 0 = 0.1.
La amplitud aumenta
y la trayectoria converge a un ciclo lmite (en la gura de la izquierda). La trayectoria parte de la

condicin inicial 0 = 0, 0 = 2 y converge
g = 1, l = 1, = 0.2, m = 1 y c = 1.
al mismo ciclo lmite. Se tomaron como parmetros
un atractor para un sistema dinmico. La teora de ecuaciones diferenciales asegura la unicidad de

la solucin, lo que asegura la unicidad del ujo.
Seccin de Poincar
En el modelo anterior, observamos que toda trayectoria en el espacio de fase intersecta la semi
recta
{ = 0, 0}
en una sucesin de puntos
1 , 2 , 3 , ...
Dada la unicidad del ujo y un valor
n , consideramos el punto ( = 0, n )y la trayectoria que pasa

(0, n+1 )
por ese punto. La siguiente interseccin de esa trayectoria con la semi-recta es un punto
que dene el valor
Denicin.
n+1 .
La semi-recta
{ = 0, 0} se llama seccin de Poincar,

(
R + R+
P :
n n+1 = P (n )
y el mapeo
se llama mapeo de Poincar asociado a la dinmica del pndulo y relativa a la eleccin de la seccin
de Poincar.
CAPTULO 2.
Observacin.
28
En este caso, est claro que la funcin
P ()
existe y es
C an
cuando su expresin
no sea sencilla de obtener. Podemos adivinar cualitativamente su forma. Podemos tambin trazar
numricamente esta funcin utilizando un programa de integracin de Euler sobre un perodo.
El inters de estudiar los mapeos de Poincar es que son ms sencillos de calcular que los ujos.
Por ejemplo, el punto jo
c = P (c)es un punto atractivo. Esa propiedad es equivalente a la existencia
de un ciclo lmite atractivo para el ujo.

El mapeo de Poincar es aqu un mapeo sobre
en
, el mapeo de Poincar sera un mapeo en
R+
d1
(espacio de dimensin uno). Si la EDO est
En el ejemplo anterior, la funcin de Poincar es creciente. Slo hay puntos atractivos y repulsivos. Sin embargo, con el mapeo logstico que veremos a continuacin,
no es creciente y puede
ser catica.
Ejercicios sugeridos
1. Si
P () =
con
R,
calcular
n = P P P (n )
en funcin de
0 y n.
2. Un modelo simple de dinmica de poblaciones se llama la ecuacin de Lotka-Volterra. Consideramos una poblacin de presas (por ejemplo conejos) y denotamos esta cantidad por
t.
y (t).
x (t)
en el momento
Estos comparten un espacio con predadores (por ejemplo zorros) que se
denotan por
La ecuacin de evolucin es
x = x xy
, > 1, > 0, > 0, > 0
y = xy y
a. Interpretar en trminos ecolgicos los parmetros

particular en que
y = 0.
= 0, = 0.
, , , . Resolver la ecuacin en el caso

x = 0 y
b. Encontrar el punto jo de esta dinmica, es decir,
c. Con un programa trazar las trayectorias de fase. d. Sugerir una seccin de Poincar
para ese problema y trazar el aspecto del mapeo de Poincar. Encontrar los ciclos lmites y
comentar la evolucin de estas poblaciones.
Sistemas fsicos relacionados al modelo del pndulo

El modelo del pndulo en esta seccin es un sistema mecnico. El ujo est aqu en un espacio
de dimensin 2 y por eso, la dinmica es regular.
Como en otros movimientos mecnicos de dimensin efectiva 2 en la naturaleza, podemos citar
La rotacin de planetas alrededor del sol
Una pelota que rebota
El pndulo doble
2.0.2. El modelo logstico

Denicin.
Sea
>0
un parmetro jo. El
modelo logstico es
(
R R
f:
x x (1 x)
CAPTULO 2.
29
El sistema dinmico asociado es: partiendo de una condicin inicial
x 0 R,
decimos
x1 = f (x0 ) , x2 = f (x1 ) , . . . , xn+1 = f (xn ) , . . .
Observacin.
Decimos que es un sistema dinmico de dimensin 1 porque
x R,
y de tiempo
discreto porque los puntos evolucionan paso a paso (y no de forma continua como en una EDO).
La ley de movimiento es sencilla
instante
y la ley
f (x)
xn+1 = f (xn ). Es una ley determinista porque el

xn+1 en el instante siguiente n + 1.
La pregunta es la misma: Cmo predecir la trayectoria
Inters del modelo
Los modelos dinmicos de la forma
(xn )n
para
xn+1 = f (xn )
primer grado) es simple de resolver, es decir que es fcil expresar
f (x) = ax2 + bx + c
al
de dimensin 1 son los
xn
f (x) = ax + b (de
x0 y n. El caso
a partir de
de segundo orden es el caso a considerar en varios casos.
En la biologa de poblaciones, si
xn 0
designa la cantidad de individuos (en millones de
xn+1 = xn individuos con > 1 entonces la

0 < 1, entonces la poblacin decrece. Para ser
ms realistas, suponemos que el factor de reproduccin depende de la cantidad de individuos y
decrece con x. Por ejemplo (x) = (1 x). Si es positivo, claramente (x) decrece. Tenemos
individuos) el da
n,
xn
n ?
ms sencillos que podemos imaginar. Su estudio es entonces importante. El caso

siguiente
valor de
determinan el valor de
suponemos que el da siguiente
poblacin crece, de manera que
xn = n x0 .
Si
entonces un factor de reproduccin. La ley obtenida es la aplicacin logstica.
xn+1 = (xn ) xn = xn (1 xn ) = f (xn )
Ejercicio 7.
Para
a, b R
jos, consideramos la funcin
f (x) = ax + b
y el sistema dinmico
xn+1 = f (xn ).
1. Dado un valor inicial
2. Expresar
xn
x0 R
en funcin de
x0
n,
trazar el aspecto de la trayectoria
y de
(xn )n .
n.
Observaciones
Vamos a realizar unas cuantas observaciones sobre el modelo logstico. Para esto vamos a inspeccionar la forma de la grca, las trayectorias y el conjunto de Mandelbrot.
Forma de la funcin
Veamos en la gura 2.0.4. Ntese que se se tiene un punto jo, que
Figura 2.0.4: Forma de la funcin logstica
f (x) = x (1 x).
Aqu se tom
= 2.5.
CAPTULO 2.
llamaremos
a.
30
Veamos cul es:
a = f (a)
de manera que hay que resolver
a = a (1 a)
por lo que se tiene
a=0
Ahora bien, la derivada es
o bien
a=1

f 0 (x) = (1 2x) de manera que f 0 (a) = (1 2a) = 1 2 + 2 =
2 .
1 < < 3, se tiene que |f 0 (a)| < 1entonces el punto
f (0) = , por lo que el punto x = 0 es repulsivo para f .
De esta manera podemos constatar que si

jo es atractivo para la dinmica de
Trayectorias y conjunto atractor de

parten de todo punto
0 < x0 < 1
Observamos que para
convergen hacia el punto
atractor. Veamos la trayectoria para
Figura 2.0.5: Trayectoria para
=2
x = a.
1 < < 3,
las trayectorias que
Decimos que
x=a
es un punto
en la gura 2.0.4.
= 2.5 partiendo de x0 = 0.2. Se ve bien que el punto a es un punto
atractivo.
Para
= 3.5
se tiene una trayectoria mucho ms complicada como se muestra en la gura .
= 3. Para mostrar que para

3 < < 3.4 las trayectorias son atradas por una rbita peridica de perodo 2, basta con considerar
2
la aplicacin f = f f y mostrar que tiene un punto jo atractivo (el procedimiento es anlogo
En la gura 2.0.7, se puede ver que hay una bifurcacin en
para rbitas ms elevadas).
Proposicin 1. El punto x = es siempre atractivo para la dinmica de f (si 6= 0).

Demostracin.
En efecto, si
|xn |es
sucientemente grande, de manera que
|| |xn 1| > 2
entonces
|f (xn )| = |xn | || |1 xn | 2 |xn |

y por recurrencia
Observacin.
|f (xn )|
As, para
cuando
n .
[0, 4], el conjunto atractivo de f sobre R es {} B donde B R,

> 4, vemos que el conjunto atractivo de f no es ms que {}.
vaco. Sin embargo, para
no
CAPTULO 2.
Figura 2.0.6: Aqu se ven distintos casos para los valores de

que
= 2,
en la segunda
= 3.3,
la tercera
= 3.54
31
se ve en la primera gura el caso en
y la ltima con
=4
donde s se tiene un
comportamiento catico.
Conjunto de Mandelbrot
Dado que
f (x) = x (1 x)
es un polinomio, puede extenderse el
modelo a valores complejos
C
Vimos que el conjunto atractor de
Denicin.
El
es
{} B
conjunto de Mandelbrot M
xC
donde
B C,
eventualmente vaco.
es el conjunto de parmetros
para los cuales el
conjunto atractorB es no vaco.
Segn la observacin anterior,
contiene al intervalo
[0, 4]. En trminos fsicos, el conjunto

del modelo
de Mandelbrot es un diagrama de fases que muestra que para algunos parmetros

tenemos un conjunto atractor lmite
B.
El conjunto de Mandelbrot puede verse en la gura 2.0.8.
Proposicin 2.
/ M si y slo si f n
1
2
cuando n .
1
Dicho de otra manera, el punto x =
2 es atrado por el conjunto B a menos que ste sea vaco
1
1
0
y entonces x =
es atrado por . Ntese que x =
2
2 es el nico punto que verica f (x) = 0.
Observacin.
La proposicin 2 permite dibujar numericamente el conjunto de Mandelbrot. como se
ve en la gura 2.0.8.
Ejercicio 8.
Es habitual trazar el conjunto de Mandelbrot, no para el modelo logstico, sino para
el mapeo cuadrtico
Q (z) = z 2 + c
Mostrar que la aplicacin logstica y cuadrtica son equivalentes por el cambio de variables
1
1
x= z+ ,
c=
2

1
1
2
CAPTULO 2.
Figura 2.0.7: Conjunto atractor de
Figura 2.0.8: Conjunto de Mandelbrot
Observacin.
en funcin de
32
para el modelo logstico.
f , es natural interesarse tambin en el conjunto repulsivo.

f 1 ). Este conjunto se llama el conjunto de Julia J . En general, el
conjunto de Julia es un fractal: es un conjunto de Cantor si
/ M y es una curva de Hlder continua
1
que contiene el conjunto B si M . Hay que tener cuidado que el mapeo f
es bivaluado.
Para estudiar la dinmica de
(Es decir el conjunto atractor de
Sistemas fsicos relacionados con el modelo logstico

El modelo dinmico que se present genera estructuras fractales. Tales estructuras son observadas en la naturaleza.
CAPTULO 2.
33
2.0.3. Billar de Sina

El billar rectangular
Un punto de posicin
q0 R2
y velocidad inicial
v0 R 2
evoluciona en una mesa de billar
rectangular. Segn las leyes de la mecnica clsica, el movimiento es una lnea recta constante
y rebota perfectamente en las paredes (es decir que el ngulo de reexin es igual al ngulo de
incidencia). Observamos que la trayectoria dibuja una grca muy regular como se ve en la gura
2.0.9.
Figura 2.0.9: Billar rectangular.
Pregunta:
q (t)
Dados la posicin inicial
v (t)
y a velocidad
Respuesta:
al tiempo
t>0
q0 R2
y velocidad inicial
v 0 R2 ,
predecir la posicin
cualquiera.
Por el mtodo de imgenes (utilizado en electrosttica) que es especco de esta
geometra rectangular, el problema es simple y tiene solucin.
Billar dispersivo de Sina

El billar de Sina es un cuadrado con condiciones peridicas en la frontera (es entonces un
toro
T2 )
que contiene discos. Una pelota evoluciona en lnea recta a velocidad constante y rebota
perfectamente en el borde de los discos. Se comportan determinsticamente. Sin embargo, se observa

un comportamiento impredecible, catico. Por qu?
La explicacin heurstica es que los bordes del billar son convexos, lo que implica una dispersin
de las trayectorias despus de cada rebote (caracterizaremos esto por la sensibilidad a las condiciones
iniciales o a la hiperbolicidad). Esto puede verse en la gura 2.0.10.
Despus de algunos rebotes, dos trayectorias inicialmente muy cercanas estn muy cercanas
y pueden tener evoluciones muy distintas. De esta manera, surge la pregunta es posible realizar
predicciones de la evolucin del billar de Sina a pesar de este azar? es posible comprender las
leyes de este azar?
Enfoque probabilista
Para resolver este problema, es mejor realizar un enfoque probabilista. Observemos
pelotas independientes con condiciones iniciales muy cercanas
y = 10
N = 104
. La distribucin de las
pelotas puede interpretarse como una distribucin de probabilidad de una pelota inicial. Esta distribucin converge hacia el equilibrio y se dispersa en el plano. Para esta distribucin, observamos un
comportamiento predecible pero irreversible. Hay entonces una evolucin efectiva predecible para la
CAPTULO 2.
34
Figura 2.0.10: Ntese que las trayectorias en el inicio son casi paralelas y luego van en direcciones
completamente distintas.
distribucin de probabilidades. Introduciremos la nocin de entropa para caracterizar esta prdida

de informacin sobre la posicin de la partcula en el transcurso del tiempo.
Observacin.
La dinmica en lnea recta del billar con bordes convexos puede considerarse como
trayectorias geodsicas en supercies de curvatura negativa. Al nal del siglo XIX, Hadamard inici
la teora del caos con el estudio de geodsicas en tales supercies de curvatura constante (supercies
hiperblicas).
Sistemas fsicos relacionados con el billar de Sina

El ujo geodsico en supercies de curvatura negativa.
Tambin, a manera de conjetura, el azar en la distribucin de nmeros primos.
2.0.4. Dinmica espacio-temporal

En los modelos anteriores, la variable que evoluciona en el tiempo era un punto en un espacio
x (t) = ( (t) , (t)) R2

(q (t) , v (t)) R R2 para el billar.
de dimensin nita:
para el pndulo,
xn R
para la aplicacin logstica,
Hay muchos problemas fsicos donde la variable que evoluciona es una funcin del espacio (una
onda o un campo), que puede representar en qumica la concentracin de un compuesto, en mecnica
de uidos puede ser el campo de velocidades, etc.
Una funcin es un objeto matemtico que pertenece a un espacio de dimensin innita y la
dinmica de las funciones es considerablemente ms complicada que para los puntos en
Rd
con
pequeo.
En general, hablamos de dinmica espacio-temporal para designar estos estudios. Se estudian en
general por medio de ecuaciones en derivadas parciales (generalmente no lineales) o en dinmicas
sobre retculos acopladas.
CAPTULO 2.
35
El modelo de Belousov-Zhabotinsky
Presentamos aqu una versin discreta de este modelo que se presta bien a las simulaciones numricas. Al principio, esto modelaba la evolucin de compuestos qumicos. El espacio bidimensional
discreto es peridico.
n Z (tiempo discreto) = (1 , 2 , 3 ) es una funcin de tres componentes en

N N peridico.
ms preciso, sea N N que es la cantidad de puntos segn x y y . Consideramos el
En un instante
el retculo de
Para ser
retculo
L := (Z/ (N Z))
En un instante
en
nZ
(el tiempo es discreto) consideramos una funcin en el retculo
R3 :
con valor
: L R3

3 L
R
.
(n+1) (al instante n+1) a partir de (n) = consideramos dos operaciones sucesivas:
3
espacialmente y estudiar la dinmica puntual en R .
que puede escribirse tambin como

Para denir
promediar
Promediar espacialmente
Es realizar la operacin
(
P:
denido por: si
R3
L
1
5
yx signica que la suma se da sobre el punto

En cada punto
(y)
(2.0.5)
yL,yx
Dinmica puntual sobre R3

R3 est
L
x L,
(P) (x) :=
donde
R3
P
y sus cuatro vecinos prximos.
x L del retculo, la funcin (x) = (1 , 2 , 3 )
modicada por la aplicacin
2
R
R3

01 = 1 (1 + 2 3 )
1
f:
2 02 = 2 (1 + 3 1 )
3
03 = 3 (1 + 1 2 )
2 cada valor de
y luego se restringe
0j
al intervalo
(2.0.6)
[0, 1].
Interpretacin del modelo qumico

Aqu cada componente,
1 , 2 , 3 [0, 1]
representan las concentraciones de tres compuestos.
Suponemos que hay tres reacciones qumicas
(1)
(2)
(3)
2 Si 0 < 0
j
1 + 2 21
2 + 3 22
3 + 1 23
entonces 0j = 0 y si 0j > 1 entonces 0j = 1.
CAPTULO 2.
En la reaccin
36
(1) decimos que 2 es catalizador para la reaccin del compuesto 1 , etc. Esto implica
que en cada etapa, la variacin de concentracin est dada por
1 = 1 2 1 3 = 1 (2 3 )
2 = 3 2 1 2 = 2 (3 1 )
3 = 1 3 2 3 = 3 (1 2 )
dando la ley de transformacin 2.0.6. Hay tambin una difusin espacial de los reactivos modelados
por la frmula de promediacin espacial 2.0.5.
Sistemas fsicos relacionados al modelo de Belousov-Zhabotinsky

Los sistemas relacionados con este fenmeno son por ejemplo la morfognesis o las ecuaciones
de difusin o problemas de dinmica de uidos.
Captulo 3
Estudio de estabilidad en el caso

continuo
De la
teora de ecuaciones diferenciales ordinarias, sabemos que siempre que una funcin vectorial
~
f x, Y se comporta sucientemente bien en una regin de Rn+1 , el problema de valores iniciales

~ = f t, X
~
X
~ (t0 ) = X
~0
X
tiene una solucin nica en
que depende continuamente de
(3.0.1)
y de las condiciones iniciales. La
idea es entonces estudiar cmo es que perturbar poco las condiciones iniciales inuye en la solucin
de la ecuacin. A esto se le llama teora de estabilidad.
3.1.
Sistemas autnomos en equilibrio
Un sistema del tipo de 3.0.1 dene un campo vectorial que depende del tiempo en una regin
del espacio. Una solucin de dicho sistema describe el camino o trayectoria de una partcula que se
mueve en el espacio bajo la inuencia de este sistema cuando la partcula est en
t = t0 .
Los sistemas interesantes, por el momento son aquellos que son estacionarios o autnomos. Esto
quiere decir que no dependen del tiempo explcitamente

~
~ = F~ X
X
Observacin.
~
X
Los puntos del espacio
n-dimensional
F se anula
~ , se dice
cambiar X
en los que
se anula) son de mucha importancia porque al no
(porque la derivada de
que el sistema est en
equilibrio. Es decir que si el sistema empieza en tales puntos, el sistema permanecer sin cambios
en ese punto. Con esto dicho, podemos ver la siguiente denicin.
Denicin.

~ = F~ X
~
X
n
~
X0 en R
~ 0 = 0.
F~ X
Un vector
si
se llama
punto crtico o punto de equilibrio para el sistema
37
CAPTULO 3.
38
ESTUDIO DE ESTABILIDAD EN EL CASO CONTINUO
El inters entonces de la teora de estabilidad es saber bajo qu condiciones las soluciones del
sistema que estn cercanos a los puntos de equilibrio permanecern cercanos (punto de equilibrio
estable) o se aleja (punto de equilibrio inestable). Ilustramos esto con el siguiente ejemplo.
Ejemplo.
Un ejemplo que involucra los dos tipos de equilibrio es el pndulo simple de masa
que se balancea sin friccin al extremo de una varilla ideal de longitud l. Se ilustra esto en la gura
3.1.1.La ecuacin de movimiento del pndulo es
Figura 3.1.1: Pndulo simple.
mg sin = ml
o bien
=
por simplicidad denimos
que es un sistema de
k2 =
22
g
l y
d2
dt2
g
sin
l
(3.1.1)
= , de manera que
(
=
= k 2 sin
la ecuacin 3.1.1 se vuelve
(3.1.2)
autnomo plano.
Para empezar a analizar este sistema vamos a aprovecharnos del conocimiento fsico que tenemos
del sistema. El pndulo est en equilibrio en las posiciones en que
Estas posiciones son estables o inestables dependiendo si
= n ,
con
n = 0, 1, 2, . . .
es par o impar, respectivamente. Estas
posiciones corresponden a cuando el pndulo est en una posicin vertical: arriba es inestable, abajo
es estable.
Analicemos estas observaciones fsicas matemticamente.
d d
d
d
=
=
dt
d dt
d
de manera que la segunda ecuacin de 3.1.2 puede escribirse como
d
= k 2 sin
d
CAPTULO 3.
39
Si resolvemos,
2 = 2k 2 cos + c
c
donde
es una constante. Las curvas de estas trayectorias se pueden ver en la gura 3.1.2. Puede
verse entonces que alrededor de cada punto de equilibrio
(2n, 0)
hay trayectorias que no alejarse
indenidamente de este punto.
Figura 3.1.2: Diagrama de fase del pndulo.
Ahora que ya realizamos estas observaciones, podemos establecer la siguiente denicin.
Denicin.
Sea
~0
X
un punto de equilibrio para una ecuacin

~ = F~ X
~ .
X
~ 0 es
X
si, dado cualquier
> 0,
si existe un > 0 tal

1. estable
~
~
~0 X
~ 0
~ 0
t, Y
< 0, entonces X
< para todo t 0.
Y0 X
2.
asintticamente estable
~0 est
Y
en
que siempre que
si, adems de ser estable, existe un
con
Entonces se dice que
> 0
~0
Y
est en
tal que siempre que

~
~ 0
Y0 X
<
entonces
limt

~
~0 X
~ 0
X t, Y
=0
En resumen esto puede resumirse en que si diverge es inestable, si no diverge es estable y si

converge es asintticamente estable.
3.2.
Estabilidad para sistemas lineales con coecientes constantes
Vamos a empezar nuestro estudio de estabilidad por medio de los sistemas de ecuaciones lineales
con coecientes constantes. Esto quiere decir que el sistema puede escribirse de la forma
x 1 (t)
x 2 (t)
= a11 x1 (t) + a12 x2 (t) + + a1n xn (t)

= a21 x1 (t) + a22 x2 (t) + + a2n xn (t)
.
.
x n (t)
.
.
.
= an1 x1 (t) + an2 x2 (t) + + ann xn (t)
(3.2.1)
CAPTULO 3.
donde
aij
40
son constantes para todo
i, j = 1, 2, . . . , n.
El sistema de ecuaciones 3.2.1puede escribirse
de forma condensada como
x i = aij xj
o bien
~ = AX
~
X
con
a11
a21
A= .
..
an1
que es una matriz real de
n n.
a12
a22
.
.
.
..
an2
a1n
a2n
.
.
.
ann
Es una matriz no singular por lo que ningn valor propio de esta
matriz es cero. Todos los valores propios de esta matriz son de la forma
lo sumo
2m
+ i
y el sistema tiene a
soluciones fundamentales que son linealmente independientes de la forma
~ et tk cos (t)
G
~ et tk sin (t)
H
donde
ahora
~ y H
~ son vectores jos de Rn . Supongamos
k es un entero que toma valores de 0 a m 1 y G
t 0. Entonces

~ t k
~ t k
~ t k
e
t
|
cos
(t)|

G e t
G e t cos (t) = G
dado que

~
G es
una constante positiva, entonces
limt

~ t k

G e t cos (t) = 0
si
<0
pero

~ t k

G e t cos (t)
no est acotada si
> 0.
El mismo anlisis puede hacerse para la otra solucin.
De este modo, toda trayectoria de 3.2.1 que se origina de un par de valores propios complejos
conjugados para
va a converger al origen de
Rn
cuando
si la parte real de los valores
propios es negativa, y se apartar indenidamente del origen si la parte real de los valores propios
es negativa. Es ms, la estabilidad del primer caso es asinttica. Ahora analizamos las otras partes
de los valores propios.
De hecho, ahora es necesario contemplar el caso en que se tienen imaginarios puros del tipo
i.
Si los valores propios son de multiplicidad uno, las soluciones fundamentales estn acotadas,
pero no tienden a cero, por lo que hay estabilidad pero no es asinttica. Si la multiplicidad de estos
valores propios imaginarios puros es mayor que uno, entonces, se tienen soluciones no acotadas ya
que
k 1,
1m
lo que hace que la el origen sea inestable.
es la multiplicidad de los valores propios.
CAPTULO 3.
41
Teorema. Si
~ = AX
~ es un sistema lineal autnomo n n cuya matriz de coecientes es no
X
singular, entonces el origen en Rn es
1. asintticamente estable si las partes reales de todos los valores propios de A son negativas
2. estable pero no asintticamente, si A tiene al menos un par de valores propios imaginarios
puros de multiplicidad uno o bien ningn par de valores propios imaginarios de multiplicidad mayor
que uno y ningn valor propio con partes reales positivas
3. inestable en cualquier otro caso.
Observacin.
Ejemplo.
Toda la discusin previa al teorema, es la deduccin del mismo.
Vamos a considerar tres sistemas autnomos planos.
(
x = y
1.
y = x
(
x = y
2.
y = x
(
x = x
3.
y = y
1. El primer sistema puede escribirse como
x = 0x + 1y
y = 1x + 0y
de manera que la matriz de coecientes es
y sus valores propios son entonces

sistema es
inestable.
= 1
0
1
1
0
de los cuales, uno tiene parte real positiva, por lo que el
2. El segundo sistema puede ser escrito como
(
x = 0x + 1y
y = 1x + 0y
de manera que la matriz de coecientes es
por lo que los valores propios son
0
1
1
0
= i y entonces el origen es estable pero no asintticamente.
3. El ltimo sistema se escribe como
x = 1x + 0y
y = 0x + (1) y
por lo que la matriz de coecientes es
1
0
y sus valores propios son de multiplicidad dos:
estables.
0
1
= 1
de manera que son
asintticamente
CAPTULO 3.
Observacin.
42
Las trayectorias de cualquier sistema plano
2 autnomo de ecuaciones lineales con
coecientes constantes puede estudiarse eliminando el parmetro (en este caso, el tiempo
t)
del
sistema y la resolucin de la ecuacin de primer orden de la mismo. En general, un sistema de este

tipo es de la forma
con
a , b, c
x = ax + by
y = cx + dy
constantes. Tomando en cuenta que
y
x
dy
dt
dx
dt
dy
dx , esto es equivalente a
dy
cx + dy
=
dx
ax + by
en todos los puntos donde
ax + by 6= 0.
Analicemos las ecuaciones del ejemplo anterior. En el primer caso, se tiene que
dy
x
=
dx
y
de manera que
x2 y 2 = c
que es la ecuacin de una hiprbola, y el origen es entonces una
silla de montar.
En el segundo, se forman circunferencias que tienen como ecuacin
x2 + y 2 = c2
el origen es entonces un
punto vrtice que es estable.
En el tercero, se forman rectas de la forma
y = cx
el origen es entonces aqu un
punto estrella que es asintticamente estable.
Los tres casos estn ilustrados en la gura 3.2.1 .
Figura 3.2.1: Aqu se ilustran los tres ejemplos donde la primera gura es un punto silla de montar,
inestable, la segunda es un punto vrtice estable y la tercera es un punto estrella asintticamente
estable.
2 en
dos dimensiones.
CAPTULO 3.
Ejercicio 9.
plano
43
1. a. Estudiar la estabilidad de los puntos de equilibrio para el sistema autnomo
~ = AX
~
X
A es la matriz cero de 2 2.
2 2 ms general cuando cero
cuando
b. Estudiar el caso
es el nico valor propio.
2. Estudiar la estabilidad y gracar los diagramas de fase de los siguientes sistemas
x
a.
y
(
x
d.
y
3.3.
x = x 3y
b.
y = 4x 6y
x = x + y + z
e. y = 2y
z = 3z
=x+y
= x 3y
=x+y
=xy
x
c.
y
x
f. y
= 4x 6y
= 6x 9y
=x+y+z
= 2y
= 3z
Estabilidad para sistemas no lineales, funciones de Lyapunov
Una vez que entendimos los sistemas lineales, podemos volver a una visin ms general de
sistema autnomo y estudiar un sistema del tipo

~
~ = F~ X
X
que est denido en una regin
de
Rn
(3.3.1)
con un punto de equilibrio
~0
X
en
Las funciones de
Lyapunov se llaman de esta manera en honor al matemtico ruso A.A. Lyapunov que fue quien
dise este mtodo para el estudio de estabilidad. Lyapunov utiliz una idea que viene de la fsica:
en un sistema fsico los puntos de equilibrio corresponden a los puntos donde la derivada respecto
a las coordenadas se anula:
los mnimos locales corresponden a puntos de equilibrio estables
los puntos silla y los mximos locales corresponden a puntos de equilibrio inestables
Para simplicar la notacin, vamos a asumir que el punto de equilibrio es el origen de
Rn .
Los
resultados que presentaremos son totalmente equivalentes al caso general ya que si se realiza el
cambio de variables

~
E X
~ = X
~ X
~ 0,
X
se traslada el origen a
con primera derivada continua en
~ 0.
X
Entonces queremos una funcin real
que cumple con las condiciones

~ 0
E X

~ =0
E X
si y slo si
~ =0
X

~ = c, con c constante positiva,
E X

~ =X
~ t, X
~ 0 es la solucin de
X
De esta manera, las supercies

equilibrio) de
Rn .
Adems, si

~ = F~ X
~
X
~ (0) = X
~0
X
rodean al origen (punto de
CAPTULO 3.
con
~0
X
en
44
La taza de cambio de la energa
dE
dt a lo largo de la trayectoria, est dada por
dE
E dxi
=
dt
xi dt
lo que puede escribirse como
dE
~ = E F~ = E Fi
= E X
dt
xi
de manera que si esta expresin es negativa en

~ = c,
E X
una partcula que se encuentra en la supercie
nunca podr reunir suciente energa para escapar, por lo que deber permanecer en
la regin, de manera que el origen ser estable, incluso asintticamente.
Denicin.
Sea
una regin de
Rn
real con primera derivada continua en

1.
2.

~ 0
E X

~ =0
E X
para todo
si y slo si
~
X
en
que contiene el origen, y sea
Entonces
E se
dice
E
F 0
E F~ = x
i i
~
~ X
~ .
sistema X = F
funcin de valor
~ =0
X
Si adems de esto
3.
E = E (X)una
positivamente denida si
en todos los puntos de
entonces es la
funcin de Lyapunov para el
Con esta denicin presentada, es posible enunciar el primer teorema de estabilidad
Teorema 2. El origen es un punto de equilibrio estable para

~ = F~ X
~ ,
X

~ =0
F X
si existe una funcin de Lyapunov E para el sistema.

Este teorema parece ser bastante intuitivo con la analoga con la energa que se hizo en la
discusin previa. Es por esta razn que se obviar la demostracin que es ms tcnica. Para ver
una demostracin tcnica, hgase referencia a [7].
Ya contamos con un teorema para ver la estabilidad del origen (o en su defecto cualquier punto de
equilibrio por medio de la traslacin), ahora quisiremos ver en qu caso, la estabilidad es asinttica.
Para esto, enunciamos el siguiente teorema.
Teorema 3. Si

~ = F~ X
~ con la propiedad E F~ est
E es una funcin de Lyapunov para X
positivamente denida en , entonces el origen es asintticamente estable.
De nuevo, este teorema parece intuitivo y se reere a [7] para ver una demostracin ms tcnica.
Entonces ya tenemos cmo determinar si un sistema es estable asintticamente o no, ahora, vemos
cmo determinar la inestabilidad del sistema.
Teorema 4. Sea E una funcin de valor real, de primera derivada continua en y suponemos que
1. E (0) = 0
2. E F~ es positiva denida en
3. E toma valores positivas en toda vecindad del origen (punto
de equilibrio)

~ = F~ X
~ , F~ (0) = 0.
Entonces el origen es inestable para el sistema X
CAPTULO 3.
45
Ya que hemos enunciado estos teoremas, basta con encontrar la funcin de Lyapunov del sistema
para determinar su estabilidad. Esta tarea no siempre es fcil. Para ilustrar un poco la discusin
que se acaba de tener, consideramos el siguiente ejemplo
Ejemplo.
La funcin
E (x, y) = x2 + y 2
es una funcin de Lyapunov para el sistema
x = x + x2 y
y = y + xy 2
en efecto,
(3.3.2)
es positiva denida y de primeras derivadas continuas en
R2 . Entonces vamos a calcular
E
E
e1 +
e2 = 2x
e1 + 2y
e2
x
y
E =
y adems

F~ (x, y) = x + x2 y e1 + y + xy 2 e2
por lo que tenemos que
E F~
De donde
E F~

= 2 x2 + y 2 + 2x3 y + 2xy 3
=
2 x2 + y 2 (xy 1)
est denida positivamente en la regin
xy < 1
satisface todos los requeri-
mientos del teorema 2 en esta regin. Luego el origen es un punto asintticamente estable para el
sistema 3.3.2.
3.4.
Funciones de Lyapunov
Como dijimos anteriormente, construir la funcin de Lyapunov resulta una tarea bastante complicada. Es por esta razn que empezamos por el caso ms sencillo: el caso lineal
~ = AX
~
X
cuando todos los valores propios de
tienen partes reales negativas. La idea es entonces extender
despus esto a sistemas no lineales. La construccin de la funcin de Lyapunov se hace de la manera

siguiente.
Denotamos por
e1 , e2 , . . . , en a
los vectores de la base estndar en
1
0
0
1

e1 = . , e2 = .
..
..
0
0
entonces denotamos
Rn ,

, . . . , en = ..
.
1
xi1 (t)
xi2 (t)
~ i (t) = X
~ i (t, ei ) =
X
.
.
.
xin (t)
es decir
CAPTULO 3.
a la solucin del sistema lineal con la condicin inicial
+ yn en
46
~ i (0) = ei ,
X
de manera que si
~ = y1 e1 +
Y
es cualquier vector de
R , la funcin

~ t, Y
~ = y1 X
~ 1 (t) + y2 X
~ 2 (t) + + yn X
~ n (t)
X

~ (0) = Y
~.
X
y es la solucin que satisface la condicin inicial

~ =
E Y
Si decimos entonces que

2
~
~
dt
X t, Y
0
Si esta integral converge, entonces
1.
2.

~ 0
E Y

~ =0
E Y
Ejercicio 10.
si y slo si
~ =0
Y
Explicar la razn de 2.
Ahora podemos elaborar un poco ms sobre

~
E Y
=
=
kyi Xi (t)k dt
2
k(yi xi1 (t) , . . . , yi xin (t))k dt
tomando slo el integrando
k(yi xi1 (t) , . . . , yi xin (t))k
(yi xi1 (t)) + . . . + (yi xin (t))

n
P
2
=
(yi xin (t))
k=1
n
P
(yi xin (t)) (yj xjn (t))
k=1
= yi yj xik (t) xjk (t)

por lo que

~ = yi yj
=E Y
xik (t) xjk (t) dt
0
por lo que basta con probar que para cada combinacin de
i, j, k
la integral
converge. Pero esto es consecuencia inmediata de que los valores propios de
xik (t) xjk (t) dt
tienen partes reales
et
con
negativo y la convergencia est
~ es una funcin de Lyapunov para el
dictada por este factor. Entonces hay que mostrar que E Y

~ t, X
~0
~ t, X
~ 0 es solucin de X
~ = AX
~
sistema lineal. Entonces hay que calcular E X
donde X

~ 0, X
~0 = X
~ 0:
que satisface las condiciones iniciales X
negativas, ya que cada una de las
xij (t)tiene

~ t, X
~0
E X
un factor

2

~
~ t, X
~0
X s, X
ds
0

2

~

~ 0 ds
= 0 X s + t, X

2

~
~0
= 0 X
u, X
du
=
CAPTULO 3.
47
de manera que

2
~ ~
~
~0
E X t, X0
= X
t, X

t
de aqu se sabe entonces que el origen es un punto de estabilidad asinttica.
Ejercicio 11.
Encuentre la funcin de Lyapunov del sistema
x = x
y = 2y
Ahora pasamos al caso no lineal. Para esto hay que construir lo que se llama una aproximacin
lineal a la funcin vectorial
continuas en
decir que
F~
de
Rn
F~ .
Es decir que siempre que
F~
sea una funcin con primeras derivadas
que contengan el origen, funcin que toma valores en
Rn ,
entonces podemos
es de la forma

~ +G
~ X
~
JX
donde
es una matriz de
nn
~
G
es pequea comparada con
~
JX
cuando

~
X
es pequea.
Denimos entonces una aproximacin lineal.
Denicin.
Sea
F~
una funcin vectorial con primeras derivadas continuas y
Entonces se dice que

~
L=L X
es una
aproximacin lineal a
F~
en
~0
X
si
~0
X
.
Rn y
un punto en
es lineal sobre

~0
~0 L X
~ L X
~ F~ X
F~ X

=0
limk~
x~
x0 k0
~
~ 0
X X

Ahora bien,
es lineal, por lo que podemos decir que

~ F~ X
~0 L X
~ X
~0
F~ X

=0
limk~
x~
x0 k0
~
~ 0

X X
en particular, cuando
~0 = 0
X
F~ (0) = 0
entonces

~ L X
~
F~ X

limk~
=0
xk0
~
X
esto nos permite enunciar el siguiente lema
Lema 1. Si L1 y L2 son aproximaciones lineales a F~ en X~ 0 , entonces L1 = L2 .

Demostracin.
Si trasladamos el origen de las coordenadas a
~ 0,
X
tenemos que
~ 0 = 0,
X
que tenemos

~ L1 X
~
F~ X

limk~
=0
xk0
~
X

~ L2 X
~
F~ X

limk~
=0
xk0
~
X
de manera
CAPTULO 3.
48
Pero por la desigualdad del tringulo

~ L2 X
~
~ F~ X
~
~ L2 X
~

+ F~ X
L1 X
L1 X
lo que es lo mismo que

~ F~ X
~
~ L2 X
~
~
+ F~ X

L1 X
(L1 L2 ) X
de manera que

~
(L1 L2 ) X

limk~
=0
xk0
~
X
Observacin.
Esto muestra que las aproximaciones lineales son nicas. De manera que se puede
hablar de
aproximacin lineal cuando sta exista. El siguiente teorema asegura entonces la
la
F~ tenga primeras derivadas continuas.

Teorema 5. Sea F~ X~ = F1 X~ , . . . , Fn X~ una funcin vectorial de primeras derivadas
~0
continuas en en una regin de Rn . Entonces F~ tiene una aproximacin lineal en todo punto X
de y la matriz3 de esta aproximacin con respecto a la base estndar en Rn es
F1
F1
x
x1
n
..
..
J = ...
.
.
Fn
Fn
xn
~ X
~
x1
X=
existencia de estas aproximaciones siempre que
Observacin.
Esto es equivalente, vectorialmente, como realizar una aproximacin por medio de
una serie de Taylor truncada en el trmino lineal. Como se ve en el siguiente ejercicio.
Ejercicio 12.
a. Cul es el sistema lineal que aproxima
cuando
P 1 y P2
x = P1 (x, y)
y = P2 (x, y)
son polinomios?
b. Cul es el sistema lineal que aproxima
cuando
F1
F2 tienen
desarrollos en serie de Taylor convergentes
en una vecindad de
x = F1 (x, y)
y = F2 (x, y)
(0, 0)
F1 (x, y) = aij xi y j
F2 (x, y) = bij xi y j
que se anulan en el origen?
3 Esta matriz es la matriz jacobiana de F

~ en X
~ 0 y la aproximacin lineal a F
~ en X
~ 0 se llama la diferencial de F
~
~ 0.
en X
CAPTULO 3.
49
Para aplicar esto al estudio de la estabilidad, en el caso de una funcin vectorial

derivadas continuas en una regin
1.
F~ (0) = 0
de
F~
con primeras
que contiene el origen, y suponiendo
2. las partes reales de los eigenvalores de la jacobiana de
F~ ,
evaluada en el origen son negativas.
Notamos que en realidad entonces que bajo estas condiciones la funcin de Lyapunov
el sistema de coecientes lineales
de Lyapunov para el sistema no

~ para
E=E X
~ = J X
~ que construimos anteriormente es tambin una funcin
X

~
~ X
~ . De esta armacin podemos ver el siguiente
lineal X = F
teorema.
Teorema 6. Sea F~
al
~
X

~ de primeras derivadas continuas en una regin de Rn que contiene
= F~ X
~
origen,
y suponer que F (0) = 0. Entonces el origen es asintticamente estable para el sistema
~ siempre que todos los eigenvalores de la jacobiana de F~ evaluados en el origen tengan
= F~ X
partes reales negativas.
Ejercicio 13.
Estudiar la estabilidad de los siguientes sistemas alrededor de
x = sin (x) + ey 1
y = xy
a.
(
x = (sinh (x)) (cosh (y))
c.
y = 2yex (1 + y)
(
b.
x = tan (x) + y 2
y = ln (1 + x) + cosh (y) 1
Ahora construir la funcin de Lyapunov para
(
x = x
d.
y = 4x 3y
= x + y + z
f. y = 2y
z = 3z
(
x = 2x y
e.
y = 2x 5y
Por ltimo, estudie la estabilidad de la ecuacin de van der Pol

y 00 + y 2 1 y 0 + y = 0
con
constante.
(0, 0)
Captulo 4
Dinmica probabilista de Markov

Introducimos aqu conceptos de dinmica probabilista en grafos.
4.1.
Ejemplos introductorios
4.1.1. Dinmica en un grafo

Supongamos que tenemos tres estados etiquetados por
i = 1, 2, 3
y suponemos que un sistema
transita en cada paso temporal en estos tres estados con probabilidades iguales en las posibilidades
11o2
23
31
Esto se ve representado por el grafo
G1 de
la gura 4.1.1.
a.
b.
Figura 4.1.1: a. Grafo
Como variante, podemos considerar el grafo
G1 .
b. Grafo
G2 .
G2 donde se suprime la transicin 1 1 en la gura
4.1.1.
50
CAPTULO 4.
51
DINMICA PROBABILISTA DE MARKOV
Pregunta:
1. Si se parte del estado
sistema est en
i=1
en el instante
i = 1
n = 5?
2. Partiendo del estado
j=2
en el instante
n=0
cul es la probabilidad
n = 0
cuntos caminos distintos
en el instante
p1j (n)
para que el
n = 5?
en el instante
3. Despus de mucho tiempo en qu estado
Nij (n)
llevan a
se encuentra el sistema? con qu probabilidad?
depende esto del estado inicial? hay una frmula para estimar la precisin?
Respuesta a la pregunta 1
matriz cuyos elementos son
Pij
G1 ,
Para el grafo
consideramos la
matriz estocstica (es decir la
es la probabilidad de transicin de
P =
1
2
1
2
i j ):
0 1
0 0
1 0
(4.1.1)
y el vector inicial (probabilidad 1 en el estado 1),
1
v (0) = 0
0
y calculamos
P5
5
8
1
8
1
4
13
32
9
32
5
16
P5 =
9
16
5
16
1
8
y entonces
p12 (5) = P 5

2,1
9
' 0.28
32
o de forma ms general,
pij (n) = (P n )j,i
Para el grafo
G1 ,
consideramos la matriz de adyacencia denida de
la forma siguiente
Denicin.
La
matriz de adyacencia P
P = 1
si la transicin
del grafo tiene los elementos de matriz
ij
es permitida y
Pj,i = 0
si no lo es.
Aqu entonces
1
P = 1
0
0
0
1
1
0
0
1 1 1
2
P 2 = 1 0 1 , P 3 = 1
1
1 0 0
4 2 3
P 5 = 3 1 2
2 1 1
1
1
0
1
3
1 , P 4 = 2
1
1
Entonces calculamos
1
1
1
2
1 ,
1
CAPTULO 4.
52
La respuesta viene entonces del teorema siguiente
Proposicin 3. En un grafo cuya matriz de adyacencia es

Nij (n)que llevan de i a j al tiempo n est dada por

Nij (n) = P n
Demostracin.
P , la cantidad de caminos distintos
j,i
En efecto, de acuerdo con la frmula del producto de matrices, se tiene que
P n

j,i
= Pj,kn1 Pkn1 ,kn2 Pk1 ,i
(recuerde que los ndices repetidos estn sumados). Nstese que cualquier trmino de esta suma es
igual a uno si y slo si el camino
i k1 kn1 j
es posible en el grafo y es cero si no es
posible.
En particular entonces

N11 (5) = P 5
Para el grafo
diagonalizable. Es decir que existe
=3
2,1
G1 ,
caminos
la matriz estocstica
una matriz de
33
de la ecuacin 4.1.1 es
tal que
P = ADA1
con
1
D= 0
0
0
2
0
0
0
3
con los valores propios
1 = 1, 2,3
1
7
= i
, |2,3 | ' 0.707 < 1
4
4
y los vectores propios son las columnas de
A:
~ 1, U
~ 2, U
~3 , U
~1 =
A= U
1
2
1
4
1
4
1
son tambin impork (Uj )k = 1. Los vectores lnea de A
tantes (llamados vectores propios a la izquierda de la matriz P ) y notados por
que est normalizada de manera que
A1
V1
= V2
V3
con
V1 = (1, 1, 1)
normalizados de manera que
Vj (Uk ) = j,k
CAPTULO 4.
53
El proyector espectral
sobre el valor propio
es entonces
j = |Uj i hVj |
por lo que se tiene entonces que
P n = |U1 i hV1 | + O (|2 | )

Si al principio el sistema est en el estado
i = 1,
V1 = (1, 1, 1)
describimos la distribucin de probabilidad
1
u (0) = 0 .
0
Entonces la distribucin de probabilidad en el tiempo
es
= P n u (0)
n
= |U1 i hV1 | u (0)i + O (|2 | )
n
u (n) = U1 + O (|2 | )
u (n)
La respuesta es entonces que despus de mucho tiempo el sistema est descrito por la distribucin de probabilidad
U1
llamada
estado de equilibrio. El error decrece en O (|2 |n ) ' 0.7n , i.e.
exponencialmente. Esta convergencia que va al equilibrio es independiente del estado inicial.
Ejercicio 14.
Responder a todas estas preguntas para el grafo
G2 .
4.1.2. Grafos y matrices estocsticas en gentica

Vamos a estudiar algunas aplicaciones de estas matrices estocsticas en el rea de la gentica.
Vamos a considerar los modelos de Jukes-Cantor y el de Kimura.
2 constituida por cuatro letras
Una molcula de ADN puede ser representada por una palabra
A, T, C y G. Las mutaciones inducen cambios en estas letras. Las mutaciones se dan cuando una
letra es sustituida por alguna de esas tres, cuando se agrega una letra o cuando se suprime alguna.
El modelo de Jukes-Cantor
Este modelo es el ms sencillo para sustituir letras. Este modelo asume que todas las letras
ocurren con la misma probabilidad en la secuencia inicial:
p0 =
1
4
1
4
1
4
1
4
Luego, en el modelo de Jukes-Cantor, las probabilidades condicionales que describen la sustitucin
3 la probabilidad condicional de la
sustitucin de una letra de cualquier tipo, entonces la matriz estocstica fuera de la diagonal tendr
de una base en otra son la misma. Si denotamos entonces por
1 Es una proyeccin ortogonal

2 Un arreglo de letras.
sobre la eigenbase.
CAPTULO 4.
54
3 y dado que la suma en cualquier columna debe sumar

completa de la siguiente manera para el modelo de Jukes-Cantor
1,
como entradas
P =
El valor de
entonces la matriz se
(4.1.2)
depende del tiempo que se considera, por supuesto. De hecho, 1 es la probabilidad
que no ocurran sustituciones.
Ejercicio 15.
Vamos a ver varios ejemplos de cmo estudiar este modelo.
1. En qu proporcin aparece cada base despus de cada paso?

2. Cul es la probabilidad de que una letra
se convierta en una letra
al cabo de
100
pasos
en el tiempo?
El modelo de Kimura
El modelo de Jukes-Cantor es un modelo de un parmetro de mutacin, dado que depende de un
solo parmetro
para especicar la tasa de mutacin. Otros modelos utilizan distintos parmetros
para especicar tasas de mutacin para distintos tipos de mutacin.

Un buen ejemplo para esto es el modelo de Kimura de dos parmetros que permite tasas distintas
de transicin. Imaginemos entonces que tenemos mutaciones con tasas
para transiciones
para
cada posible transversin. Asumimos entonces que estas tasas son independientes para la base
inicial, entonces decimos que la matriz de transicin es

P =

Ejercicio 16.
1. Encontrar las entradas diagonales.
2. Responder a las mismas preguntas que para el ejercicio anterior.
4.2.
Deniciones y propiedades generales
4.2.1. Matrices positivas, irreductibles y primitivas

Denicin.
Una matriz
de talla
mm
es
positiva si cada elemento
Pji 0
para todo
j.
Denotamos esta propiedad por
Podemos representar la matriz
ij
con el peso
Observacin.
0.
por un grafo con
P >0
para el caso estrictamente positivo.
vrtices y si
Pji > 0
se pone una arista
Pji .
En matemticas (teora espectral) hay otra denicin para decir que la matriz
positiva: si Re (hu|
Re (z)
P 0
P ui) 0
para todo
u.
Esto implica que el espectro de
Las dos deniciones no tienen nada que ver la una con la otra.
es
est en el dominio
CAPTULO 4.
Denicin.
55
Una matriz
positiva es irreductible o ergdica si para todo
i, j , existe n 1, tal que
(P n )ji > 0
Esto signica que en el grafo hay un camino que va de
Ejemplo.
en el tiempo
n.
1. La matriz de adyacencia del grafo b. de la gura 4.1.1 es
0
0
1
1
0
0
0
0
1
0
0
0
0
P = 1
0
Es irreductible, contrario a la matriz
0
P2 = 1
0
que no es irreductible y corresponde al grafo
123
Denicin.
Una matriz
positiva es primitiva o mezclante si existe
n1
para todo
i, j
tal que
(P n )ji > 0
Esto signica que existe un tiempo
un camino de longitud
Observacin.
1.
2.
P
P
para el cual toda pareja de puntos
i, j
est relacionada por
n.
Tenemos las siguientes propiedades inmediatas
P irreductible
P n > 0 implica P n+m > 0
primitiva implica
primitiva con
para todo
m 0.
Teorema 7.
Teorema de Perron-Frobenius. Si P es una matriz positiva y es irreductible,

entonces P tiene un valor propio dominante real positivo 1 > 0, simple (i.e. no degenerado) en el
sentido en que los otros valores propios j cumplen con |j | , para todo j 2. El vector propio
u asociado a sus componentes estrictamente positivas, para todo i
P u = 1 u
u = u (ui )i
ui > 0
Si adems P es primitiva entonces 1 es estrictamente dominante, es decir que |j | < 1 para

j 2. Entonces
n
P n = 1 n1 + O (|1 | )
Demostracin.
Se omitir la prueba de este teorema.
Aplicacin del teorema de Perron Frobenius

Ejercicio 17. Entropa topolgica de un grafo.
Si
3 Es
3 con
es un grafo dirigido
vrtices y
es su matriz de adyacencia,
un grafo en el cual las aristas tienen un sentido denido.
CAPTULO 4.
56
1. Mostrar que la cantidad de caminos que relacionan
con
en el tiempo
n0
est dada por
Nij (n) = (P n )ji

2. Suponer que
es irreductible (es decir que P
es irreductible). Denimos la entropa topolgica
por
htop () = limn
1
log (Nij (n))
n
es decir, la tasa de crecimiento exponencial de la complejidad de caminos. Ntese que se puede

escribir
Nmero de caminos
= enhtop +o(n)
Mostrar que
htop () = log1
donde
es el valor propio dominante de la matriz de adyacencia. Calcular
en los dos ejemplos
dados.
4.2.2. Matrices estocsticas

Presentamos una clase particular de matrices positivas que son tiles para describir la evolucin
de distribuciones de probabilidad.
Denicin.
Una matriz
i, j )
todo i
es
estocstica o matriz de Markov
si
es positiva (i.e.
Pji 0
para todo
Para
se tiene
Pji = 1
la suma de cada columna es
1.
Esta denicin toma mayor sentido con la siguiente proposicin.
Proposicin 4.
P es una matrizPestocstica si y slo si preserva las medidas de probabilidad,

es
P
decir que si u = (u1 , . . . , um ), con j uj = 1, uj 0, entonces u0 = P u verica tambin j u0j = 1,
u0j 0. Llamamos Pji probabilidad de transicin de i j .
Observacin.
En trminos matemticos, esto signica que la matriz
norma :
kPu k = kuk
con
kuk =
|uj |.
Veamos aqu otra caracterizacin til. Denotamos por
~1 =
.
.
.
Proposicin 5. Una matriz P es estocstica si y slo si

P T ~1 = ~1 y P 0
Demostracin.
Esta demostracin le queda como ejercicio al lector.
es positiba y preserma la
CAPTULO 4.
57
Proposicin 6. Si
es 1 = 1 tiene
P es una matriz estocstica e irreductible entonces el valor propio dominante
Pu = u
P
con las componentes uj > 0 de manera que j uj = 1. Llamamos u el estado de equilibrio.
El proyector espectral asociado es
D

1 = |ui ~1
Si adems la matriz es primitiva entonces

n
P n = 1 + O (|2 | )
Observacin.
En trminos de dinmica,
el sistema sobre el estado
Ejercicio 18.
|2 | < 1
(4.2.1)
uj > 0 se interpreta como la fraccin de tiempo pasado por
j.
Internet Google rank.
G en el que los vrtices i son las N pginas web que existen en internet,
i = 1 N , y con una arista i j si la pgina i tiene un vnculo html hacia la pgina j . Denotamos
por L (i) 0 la cantidad de vnculos de la pgina i hacia otras pginas.
en el cual agregamos un vrtice notado {0} y sus aristas 0 i, i 0 para todo
El grafo G
1, . . . , N .
Sea 0 < p < 1 un parmetro llamado amortiguamiento. Denimos P = (Pij )
i,j=0N por
Consideramos un grafo
Pi0
1
=
N
P0i =
(
Pji =
1. Mostrar que la matriz
1
1p
si
si
L (i) = 0
L (i) 1
1
L(i) p
si
en cualquier otro caso
ij
es estocstica y primitiva.
2. Cuando un internauta realiza una bsqueda en google search con palabras claves, la clasiacin enviada por google de las pginas web (Rankpage) est dado por el orden decreciente
de las componentes
(ui )i
del estado de equilibrio de la matriz
(y despus de la aplicacin de un
ltro relativo a las palabres claves pedidas). Por qu este orden es pertinente?
3. Encontrar una cota superiro de
|2 |(el
segundo valor propio de
4. Google calcula las componentes del estado de equilibrio
ui
P,
sabiendo que
1 = 1).
regularmente (cada cierta cantidad
de das). Qu algoritmo ecaz propone para hacer este clculo?

Ahora veamos el siguiente problema.
Ejercicio 19.
Dinmica de Bernouilli.
Se trata de un caso simple de matrices estocsticas. Consideramos

probabilidad de transicin
Pm
pij = pj
aristas
i = 1, . . . , m. La
i. (Tenemos
que se supone independiente del estado inicial
j=1 pj = 1).
Escribir la matriz estocstica asociada y mostrar que el estado de equilibrio es
u (p1 , . . . , pm )
CAPTULO 4.
58
Proposicin 7. Sea
P 0 una matriz positiva irreductible. Denotamos > 0 el valor propio

dominante y u el estado de equilibrio con componentes uj > 0 para todo j
P u = u
Sea Diag (u) la matriz diagonal con las componentes uj sobre la diagonal. Sea
1
1
P = Diag (u) P Diag (u)
entonces P T es una matriz estocstica.

Ntese que
es semejante a
y esto puede ser til para estudiar
1
P n = n Diag (u) P n Diag (u)
4.2.3. Matrices reversibles

En general, no es trivial encontrar el estado de equilibrio de una matriz estocstica. El ms
simple es dejar la dinmica evolucionar hacia este estado de acuerdo con la ecuacin 4.2.1. Pero
hay un caso particular de matrices estocsticas que aparecen seguido en la fsica estadstica para el
cual el estado de equilibrio es conocido a priori, si se conoce la matriz.
Denicin. Sea u = (uj )j un vector de componentes uj > 0, una matriz estocstica P

sible para u (o que verica el principio de la balanza detallada) si para todo i, j
es
rever-
Pij uj = Pji ui
entonces
Pu = u.
Observacin. P
Ejemplo.
Es decir que
es el estado de equilibrio.
reversible no es por fuerza irreductible.
En fsica estadstica en equilibrio, la distribucin de Boltzmann est dada por
uj =
donde
E (j)
1
exp (E (j))
Z
j , = kB1T con T
j uj = 1 entonces
es una funcin de energa del estado
un factor de normalizacin de manera que
Z=
la temperatura (ja) y
Z>0
exp (E
(j))
Ejercicio 20.
Algoritmo de Monte Carlo para el modelo de Ising.
N N peridico cuyos sitios son notados X = (x, y) y cuyas

fX = 1 y modelan spines (arriba y abajo). Si dos sitios X y Y son vecinos, denotamos
X Y . Una conguraciones de spines es un campo dado por f = (fX )X . Su energa ferromagntica
es
X X
E (f ) =
(fX fY )
Consideramos un retculo de
variables son
X Y,XY
CAPTULO 4.
59
1. Cuntos sitios hay? Qu conguracin de energas da la energa mnima? Cul da la

mxima?
2. El algoritmo de evolucin siguiente se llama algoritmo de Monte Carlo.
jo que es inverso a la temperatura
a. Al instante
n = 0,
b. Elegimos un sitio
1
kB T
partimos de una conguracin
al azar, y denotamos
donde el spin es opuesto:
0
fX
= fX
0 es un parmetro
f0
elegida al azar.
la conguracin idntica a
excepto en el sitio
(spin opuesto).
n+1
si E (f 0 ) < E (f ) elegimos la conguracin f 0
si E (f 0 ) E (f ) elegimos la conguracin f 0 con la probabilidad Pf f 0 = exp ( (E (f 0 ) E (f )))
nos quedamos en f con la probabilidad complementaria.
c. En el instante
d. Volvemos a b. para seguir con la evolucin del campo de spines.

Mostrar que este algoritmo corresponde a una matriz estocstica reversible para la medida de
Boltzmann
u (f ) =
1
exp (E (f ))
Z
3. En esta descripcin, en trminos de grafos, cules son los vrtices del grafo? cuntos vrtices
hay? cules son las aristas?
La propiedad siguiente muestra que las matrices estocsticas son muy particulares.
Proposicin 8. Si P es una matriz reversible para el estado u, entonces su espectro4 es real

Spec (P ) [1, 1]
ms precisamente, la matriz
1
1
B = Diag u 2 P Diag u 2
es simtrica: B T = B y es tal que B~1 = ~1.

4.3.
Procesos de tiempo continuo
En los ejemplos anteriores, la evolucin de un vector inicial
u (0) = u
est dada por
u (n) = P n u (0)
para
n N. Decimos
n es P n .
que es una evolucin con tiempo discreto. El operador de evolucin en el
tiempo
Denicin.
Una evolucin con
tiempo continuo est denida por una matriz m m, A se llama
generador y dene la evolucin del vector
u (t) Cm para t R
por
du
= Au (t)
dt
para todo
t,
se llama
ecuacin de evolucin. De manera equivalente

u (t) = etA u (0)
4 El
espectro es el conjunto de los valores propios.
CAPTULO 4.
El
60
operador de evolucin en el tiempo t es

P (t) = etA
La propiedad siguiente muestra la condicin para que el generador sea positivo.
Proposicin 9. El operador P (t) es positivo para todo t R si y slo si los elementos fuera de la
diagonal de A son positivos.
Demostracin.
Se omite la prueba.
Proposicin 10. La matriz de evolucin
P (t) = etA es estocstica si y slo si las columnas del

generador A son de suma nula, es decir que para todo i
X
Aji = 0
j
Ejercicio 21.
Movimiento aleatorio con tiempo continuo en un retculo. Ecuacin de calor.
En este ejercicio, estudiamos el movimiento aleatorio de una partcula (o conjunto de partculas

independientes) en un retculo discreto de
sitios peridicos
Z/ (N Z).
Gracias a la invarianza
traslacional, el problema puede resolverse por la transformada de Fourier y da la ecuacin de calor

en el lmite continuo. Mostramos que una distribucin de probabilidad converge exponencialmente
hacia el equilibrio. Con una computadora, podramos simular la evolucin para una geometra
cualquiera.
N 1
A = (Aji )i,j=0N 1 la matriz del generador de una dinmica

Z/ (N Z).
1. Para i 6= j elejimos que Aji = 1 si j = i 1 mod N y Aji = 0 en cualquier otro caso. Deducir
Aii y escribir la matriz A. Escribir la ecuacin de evolucin du
dt = Au para cada componente de un
vector u = (ui )i que es una distribucin de probabilidad.
N
2. Este inciso establece resultados tiles para lo que sigue. Si (u0 , . . . , uN 1 ) C
es un vector
5
de N componentes, decimos que su transformada de Fourier discreta obtenido por
Sea
un entero. Denotamos
estocstica en el retculo
N 1
1 X i2jk
vk = (Fu)k =
e N uj
N j=0
Mostrar la frmula de inversin de Fourier
uj = F 1 v

j
N 1
1 X i2jk
e N vk
=
N k=0
y la relacin de Parseval
N
1
X
vk vk =
N
1
X
uj uj
j=0
k=0
Ayuda: Notar que
N 1
1 X i2jk
e N =
N
k=0
5 La
0
1
si
j 6= 0
mod
en cualquier otro caso
transformada rpida de Fourier es un algoritmo que permite calcular las componentes vk si N = 2p en un

tiempo O (N logN ).
CAPTULO 4.
3. Notamos por
matriz de
a
D D
61
el operador derivada discreta denido por
y mostrar que
A = D D.
Deducir que el espectro de
(Du)j = uj+1 uj . Escribir la

A es real y negativo. Llamamos
el laplaciano discreto.
4. Mostrar que

ik
(FDu)k = e N 1 (Fu)k
FD = M d F
de otra manera,
dk = e
ik
N
1.
donde
Md
es el operador multiplicacin por la funcin
d = (dk )k ,
Deducir
FA = M d F

M d es el operador multiplicacin por la funcin a = (ak )k , ak = 4sin2 k
N . Trazar la
funcin a. Notar que ak son los valores propios de A.
tA
5. Sea u (t) = e u la evolucin de una distribucin de probabilidad u en el tiempo t. Mostrar
que u (t) converge exponencialmente hacia el equilibrio uniforme
t
(u (t))j = hui + O e
donde
con
hui =
6. Si
1
N
ul )
la media espacial de
de
1
|a1 |
N2
4 2 para
xj = Nj para j {0, . . . , N 1}
u (t, xj ) = (u (t))j
es grande, suponer
ecuacin de calor para
grande.
y mostrar que
du
dt
= Au
se vuelve la
u
= (u) (t, x)
t0
con
el laplaciano continuo, esto cambiando la escala de tiempo por
t0 =
t
N2 .
Ahora, veamos el siguiente problema.
Ejercicio 22.
Para
Marcha aleatoria con tiempo discreto.
0 < < 1,
consideramos la matriz
P =
.
.
.
..
..
.
..
2
.
.
.
es una matriz estocstica, reversible para la distribucin u = (1, . . . , 1)y

P como una dinmica aleatoria de tiempo discreto en un retculo peridico.
2. Mostrar que FP = M p F donde M p es el operador multiplicacin por la funcin p = (pk )k ,
pk = 1 2sin2 nk
N . Trazar p. Ayuda: mostrar que P = Id + 2 A.
n
3. Sea u (n) = P u la evolucin de una distribucin de probabilidad u en el tiempo n 1.
Mostrar que u (n)converge exponencialmente hacia el equilibrio uniforme
1. Mostrar que
primitiva. Interpretar
(u (n))j = hui + O (rn )
CAPTULO 4.
con
hui =
1
N
grande con
62
P
( l ul )
N2
=
2.
la media espacial de
4. En el lmite en que
r = max (p1 , |1 2|) < 1.
Tenemos
P n ' etA
t=
para
es pequeo, mostrar que en el tiempo discreto, se parece al tiempo
continuo
con
pn1 e T
2 . El error de esta aproximacin es despreciable en qu intervalo de tiempo?
63
CAPTULO 5.
DINMICA DE CAMPOS Y MORFOGNESIS
64
Captulo 5
Dinmica de campos y morfognesis

5.1.
Modelo de una dimensin y una componente
5.1.1. Modelo de Swift-Hohenberg

5.1.2. Anlisis de la estabilidad de una solucin homognea estacionaria
Bsqueda de una solucin homognea estacionaria
Linealizacin de un sistema cerca de la solucin homognea estacionaria
Solucin del sistema linealizado
Diagrama de estabilidad y crecimiento de un patrn
5.1.3. Estabilidad de un patrn. Estudio no lineal

5.1.4. Simulacin numrica
5.2.
Modelo de reaccin y difusin de dos componentes
5.2.1. Modelo
5.2.2. Interpretacin de las ecuaciones del modelo de Gray Scott
5.2.3. Anlisis de estabilidad de una solucin homognea estacionaria
Bsqueda de una solucin homognea estacionaria
Linealizacin de un sistema cerca de la solucin homognea estacionaria
Solucin del sistema linealizado
Diagrama de estabilidad
5.3.
Patrones peridicos y cuasi-peridicos en dimensiones
5.3.1. Ejemplos en dos dimensiones

5.3.2. Patrn peridico y cuasi-peridico
Cambio de base en el retculo peridico
5.4.
Patrones por segregacin o avalanchas
5.5.
Ondas solitarias o solitones
5.5.1. Historia
65
CAPTULO 6.
DINMICA DETERMINISTA HIPERBLICA
66
Captulo 6
Dinmica determinista hiperblica

6.1.
Introduccin
6.1.1. Billar dispersivo de Sina e inestabilidad hiperblica

Enfoque probabilstico
6.1.2. Flujo geodsico en una supercie de curvatura negativa

Geodsicas
Flujo geodsico y caos
6.2.
Inestabilidad hiperblica de Asonov
6.2.1. Espacio de fases y capas de energa

Caso del ujo geodsico en una supercie lisa
Caso del billar dispersivo
6.2.2. Denicin de ujo hiperblico y sensibilidad a las condiciones iniciales

Mecanismo de la inestabilidad de Anosov para un billar dispersivo
Principio de incertibumbre cuntica e inestabilidades
6.3.
Operador de transferencia de Perron-Frobenius y transporte de probabilidades
6.4.
Mezclas y ergodicidad
6.4.1. Un ujo geodsico hiperblico es mezclante

6.4.2. Un modelo sencillo del cat map que es mezclante y ergdico
6.5.
Teorema de lmite central y difusin
Captulo 7
Dinmica determinista expansiva

En este captulo estudiaremos un modelo o un tipo de modelos de dinmica determinista que
presenta sensibilidad a condiciones iniciales y maniesta comportamientos caticos. Este modelo
es ideal para ejemplicar los conceptos fundamentales y poner en prctica las tcnicas generales.
Estudiaremos cmo obtener modelos probabilsticos que nos acercarn a los modelos de Markov
estudiados en otro captulo.
Una de las particularidades de este modelo es que es de tiempo discreto y que la dinmica
es monovaluada en el futuro, pero es multivaluada en el pasado (es decir que un estado puede
tener varios antecedentes). Esto se parece entonces a una dinmica de grafos y entonces forman
modelos intermedios entre modelos de dinmica probabilista sobre grafos y modelos deterministas
univaluados como se ve en otro captulo.
7.1.
Modelo de dinmica expansiva
En esta primera parte denimos el modelo. El espacio considerado es unidimensional formado

por los nmeros reales mdulo 1,
el crculo llamado
S1.
x [0, 1[
con
x=1
identicado con
x = 0.
Esto cierra entonces
Precisamente, este espacio est denido como
S 1 = R/Z
La dinmica en este espacio est denida a partir de la funcin
f : S1 S1
es decir una funcin
f (x + k) = f (x)
f : R R que suponemos que tiene todas sus derivadas continuas que verica
1, para todo x R y para todo k Z. Partiendo de x0 S 1 , la trayectoria
mod
es
x1 = f (x0 ) , x2 = f (x1 ) , . . . , xn = f (xn1 ) = f n (x0 )

Supondemos que
es
estrictamente expansiva, es decir que para todo x R,

f 0 (x) > 1
67
CAPTULO 7.
Observacin.
68
DINMICA DETERMINISTA EXPANSIVA
Esta condicin traduce la sensibilidad a las condiciones iniciales, ya que si
son dos puntos vecinos, un pequeo cambio
x00 = x0 +x
en la iteracin siguiente dar
x01 = f (x00 ) = f (x0 + x) ' f (x0 ) + xf 0 (x0 ) + O x2
de manera que
|x01 x1 | = f 0 (x0 ) |x00 x0 | + O x2
lo que muestra que la separacin entre ambos est amplicada.
Ejemplo.
Consideramos este ejemplo muy sencillo para
f (x) = 2x +
que cumple con
f (x + k) = f (x) + 2k = f (x)
y decimos que
sin (2x)
2
mod
entonces dene una aplicacin
f : S1 S1.
Calculamos la derivada
f (x) = 2 + cos (2x)

entonces si
1 < < 1,
tenemos
f (x) > 1,
la aplicacin es expansiva.
FALTA GRFICA
Observacin.
Este modelo aparece frecuentemente en en sistemas fsicos y de otras disciplinas,
siendo una seccin de Poincar. Por ejemplo en el modelo de laser, de turbulencias o de dinmica
de galaxias (modelo de Hnon).
7.1.1. Estudio de un ejemplo sencillo

Consideramos el caso de la aplicacin expansiva lineal
(
S1 S1
f:
x
2x
por ejemplo, en base 10, una trayectoria es
mod
x0 = 0.24 x1 = f (x0 ) = 0.48 x2 = 0.96 x3 =
1.92 . . .
1
De hecho para este modelo la expresin de una trayectoria es ms sencilla de escribir en base
2 .
1 Se recuerda que en base 2, los nmeros disponibles son 0 y 1 y se tienen las reglas de suma: 0 + 1 = 10,
10 + 1 = 11, 11 + 1 = 100... La multiplicacin por dos es simplemente un corrimiento a la izquierda y agregar un
zero: 1 10 100 Es posible tamin considerar nmeros decimales como 0.011001...
CAPTULO 7.
7.2.
Estabilidad estructural
7.3.
Dinmica simblica
7.4.
Operador de transferencia
7.5.
Mezcla, ergodicidad, medida de equilibrio
69
7.5.1. Funcin de correlacin y mezcla exponencial

7.5.2. Ejemplos numricos de evolucin de densidad de medidas de equilibrio
7.5.3. Ergodicidad
Apndice 1: Mtodos numricos para

resolucin de EDO
El mtodo de Euler
Conceptos generales
El mtodo es llamado as por el matemtico suizo Leonhard Euler. El mtodo requiere
dx
= f (x)
dt
con
x (t = 0) = x0
el mtodo se basa en aproximar la derivada por
x (t + t) x (t)
dx
dt
t
que es la denicin de la derivada si se toma el lmite cuando
se tiene
t 0. De manera que si se sustituye,
x (t + t) x (t)
= f (x)
t
entonces despejando, se obtiene
x (t + t) = x (t) + f (x) t
(7.5.1)
que es un mtodo iterativo para ir generando puntos de la funcin de manera aproximada, partiendo
de las condiciones iniciales:
x (t) = x (0) + f (x (0)) t

y ahora ya se conoce
x (t),
de manera que
x (2t) = x (t) + f (x (t)) t

y as sucesivamente.
Ejemplo
Suponer que se tiene la ecuacin diferencial
dx
= a bx
dt
con
70
x (t = 0) = c
CAPTULO 7.
Figura 7.5.1: Cdigo Python
asumiendo
71
a = 20, b = 2
c=5
r,
reproducido en Spyderr, del mtodo de Euler
entonces en Pythonr, se puede escribir el cdigo que se ve en la
gura 7.5.1.
Qu hace este cdigo? Entonces, se ve la gura 7.5.2. Si se analiza con detenimiento la grca,
t = 0, se tiene que x (0) = 5 que son las condiciones iniciales, para t = t,

dx
=
20
5 = 10 de manera que el valor de x (t) = 5.5 y as sucesivamente.

dt
Ahora sera bueno saber qu tan vlido es este mtodo. Esta ecuacin tiene solucin exacta, es
se puede observar que en

se tiene que
de la forma
x (t) =

a a
c ebt
b
b
(7.5.2)
Es necesario hacer ver que normalmente no se puede ver esto bien ya que no se tiene una solucin
exacta. Esto se analiza en la gura 7.5.3. Se ve que para valores de
pequeos, se tiene una muy
buena aproximacin, pero mientras va aumentando, la aproximacin empeora como en el caso de

los puntos en magenta.
Resulta sencillo generalizar este mtodo a ms de una dimensin (a sistemas de varias ecuaciones
diferenciales). Este mtodo presenta una solucin nica: en trminos fsicos, decimos que la ecuacin
diferencial modela una ley de evolucin determinista.
Existe una mejora a este mtodo llamado el mtodo de Runge Kutta de orden 4. Se recomienda
que el lector investigue al respecto.
CAPTULO 7.
Figura 7.5.2: Resultado del cdigo de la gura 7.5.1.
Figura 7.5.3: Anlisis de error.
72
Apndice 2: Mtodos numricos para

la resolucin de EDP
73
Apndice 3: Conceptos de lgebra

lineal
74
Bibliografa
[1] F. Faure,
Notes de cours, Systmes dynamiques, chaos et applications, Notas de clase, Universit
Joseph Fourier, Grenoble, 2013.

[2] E. Sobie,
Biology Systems, Notas de clase, 2015.
[3] D. Tong,
Classical Dynamics, Notas de clase, University of Cambidge, 2005.
[4] Thornton,
S.T.,
Marion,
J.B.
Classical Dynamics of Particles and Systems,
Thomson
Books/Cole, 5ta edicin, 2004.

[5] Viallet, C.,
Systmes Hamiltoniens, 2013, Universit de Cergy-Pontoise.
[6] Blanchard, P., Devaney, R., Hall, G.,
Dierential Equations, Brooks/Cole, 2012, 4ta edicin.
[7] D.L. Kreider, R. G. Kuller, D.R. Otsberg,
Ecuaciones diferenciales, Fondo educativo interame-
ricano S.A., 1ra edicin, 1973.

[8] E.S. Allman, J.A. Rhodes, Mathematical Models in Biology An Introduction, Cambridge University Press, 2004, 1era edicin.
75

Sistemas Dinámicos

Cargado por

Información del documento

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 Dinámicos

Cargado por

Copyright:

Formatos disponibles

Introduccin a los sistemas dinmicos

Juan Diego Chang

jdiegochang@ecfm.usac.edu.gt, jdchang@uvg.edu.gt, jchang@umg.edu.gt

Introduccin a la mecnica analtica

Transformaciones cannicas innitesimales . . . . . . . . . . . . . . . . . . . . . . . .

Teorema de Liouville para sistemas integrables

1.10. Sistemas hamiltonianos

2. Ejemplos de sistemas dinmicos no integrables

Modelo del pndulo

3. Estudio de estabilidad en el caso continuo

Sistemas autnomos en equilibrio . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Estabilidad para sistemas lineales con coecientes constantes

Estabilidad para sistemas no lineales, funciones de Lyapunov

4. Dinmica probabilista de Markov

Grafos y matrices estocsticas en gentica . . . . . . . . . . . . . . . . . . . .

Deniciones y propiedades generales

Matrices positivas, irreductibles y primitivas

Procesos de tiempo continuo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

5. Dinmica de campos y morfognesis

Modelo de una dimensin y una componente

Anlisis de la estabilidad de una solucin homognea estacionaria . . . . . . .

Estabilidad de un patrn. Estudio no lineal

Modelo de reaccin y difusin de dos componentes

Interpretacin de las ecuaciones del modelo de Gray Scott . . . . . . . . . . .

Anlisis de estabilidad de una solucin homognea estacionaria . . . . . . . .

Patrones peridicos y cuasi-peridicos en dimensiones

Ejemplos en dos dimensiones

Patrn peridico y cuasi-peridico

Patrones por segregacin o avalanchas

Ondas solitarias o solitones

Del modelo de osciladores no lineales a la ecuacin de Korteweg-de Vries . . .

Solucin de la ecuacin de Korteweg-de Vries con perl constante . . . . . . .

Billar dispersivo de Sina e inestabilidad hiperblica

Flujo geodsico en una supercie de curvatura negativa

Inestabilidad hiperblica de Asonov

Espacio de fases y capas de energa . . . . . . . . . . . . . . . . . . . . . . . .

Denicin de ujo hiperblico y sensibilidad a las condiciones iniciales . . . .

Operador de transferencia de Perron-Frobenius y transporte de probabilidades

Un ujo geodsico hiperblico es mezclante

Un modelo sencillo del cat map que es mezclante y ergdico

Teorema de lmite central y difusin

Modelo de dinmica expansiva

Estudio de un ejemplo sencillo

7. Dinmica determinista expansiva

6. Dinmica determinista hiperblica

Mezcla, ergodicidad, medida de equilibrio

Funcin de correlacin y mezcla exponencial . . . . . . . . . . . . . . . . . . .

Ejemplos numricos de evolucin de densidad de medidas de equilibrio . . . .

2.0.2.Potencial del pndulo forzado. Aqu se tom

eje horizontal del lado positivo, la grca intercepta al mismo en

la trayectoria converge a un ciclo lmite (en la gura de la izquierda). La trayectoria

0 = 0, 0 = 2 y converge al mismo ciclo lmite. Se

tomaron como parmetros

, se ve en la primera gura el caso

2.0.6.Aqu se ven distintos casos para los valores de

s se tiene un comportamiento catico. . . . . . . . . . . . . . . . . . . . . . . . . . .

para el modelo logstico. . . . . . . . . . . . . . . . . . .

3.1.2.Diagrama de fase del pndulo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

reproducido en Spyderr, del mtodo de Euler . . . . . . . . . . .

7.5.2.Resultado del cdigo de la gura 7.5.1. . . . . . . . . . . . . . . . . . . . . . . . . . .

Introduccin a la mecnica analtica

1.1.1. Clculo de variaciones

sea un extremo. Tambin en este caso tomamos los lmites

como jos. Supongamos que queremos variar la trayectoria del extremo un

Transformaciones cannicas innitesimales . . . . . . . . . . . . . . . . . . . . . . . .

Estabilidad para sistemas lineales con coecientes constantes

Deniciones y propiedades generales

Solucin de la ecuacin de Korteweg-de Vries con perl constante . . . . . . .

Flujo geodsico en una supercie de curvatura negativa

Denicin de ujo hiperblico y sensibilidad a las condiciones iniciales . . . .

Un ujo geodsico hiperblico es mezclante

Un modelo sencillo del cat map que es mezclante y ergdico

eje horizontal del lado positivo, la grca intercepta al mismo en

la trayectoria converge a un ciclo lmite (en la gura de la izquierda). La trayectoria

, se ve en la primera gura el caso

7.5.2.Resultado del cdigo de la gura 7.5.1. . . . . . . . . . . . . . . . . . . . . . . . . . .

como jos. Supongamos que queremos variar la trayectoria del extremo un

son dos tiempos jos.

(q1 , q2 , ..., q3n ) coordenadas en el espacio de conguraciones del sistema de n

Para un sistema de coordenadas generalizadas, el momentum conjugado se dene como

Se sugiere conrmar este hecho con coordenadas cartesianas. De esta

Espacio de conguraciones y espacio de fases

se le llama espacio de conguraciones

tiempo dene una trayectoria en

Sin embargo, el estado de una partcula est denido por

pi . Esto signica que tenemos una funcin de qi

El signicado geomtrico de dicha transformacin, se captura en un diagrama. Para

y posiblemente del tiempo. El hamiltoniano se dene como la transformacin de Legendre del