Apunte EDO Version 2018 PDF

Derecho de autor.
Prohibida su reproducción
UNIVERSIDAD DE CHILE
FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS
DEPARTAMENTO DE INGENIERÍA MATEMÁTICA
ECUACIONES DIFERENCIALES
ORDINARIAS
Versión 2018
AXEL OSSES
Centro de Modelamiento Matemático
Departamento de Ingenierı́a Matemática
[email protected]
Derecho de autor. Prohibida su reproducción
Se concede permiso para imprimir o almacenar una única copia de este documento.
Salvo por las excepciones más abajo señaladas, este permiso no autoriza fotocopiar o re-
producir copias para otro uso que no sea el personal, o distribuir o dar acceso a copias
electrónicas de este documento sin permiso previo por escrito del Director del Departa-
mento de Ingenierı́a Matemática (DIM) de la Facultad de Ciencias Fı́sicas y Matemáticas
(FCFM) de la Universidad de Chile.
Las excepciones al permiso por escrito del párrafo anterior son: (1) Las copias electróni-
cas disponibles bajo el dominio uchile.cl, (2) Las copias distribuidas por el cuerpo docente
de la FCFM en el ejercicio de las funciones que le son propias.
Cualquier reproducción parcial de este documento debe hacer referencia a su fuente

de origen.
Este documento fue financiado a través de los recursos asignados por el DIM para la
realización de actividades docentes que le son propias.
El texto original fue elaborado por el autor en el periodo 2002-2010, fue revisado
por Juan Peypouquet el 2008 quien corrigió y agregó varias secciones y ejercicios
a lo largo del texto y luego en 2010 por el propio autor. Este texto y el material
docente de ejercicios que lo acompaña recibió aportes de los siguientes alumnos de
la Facultad de Ciencias Fı́sicas y Matemáticas de la Universidad de Chile en el
periodo 2002-2017: Francisco Ortega, Oscar Peredo, Andre De Laire, Jorge Lemus,
Nicolás Carreño, Felipe Serrano, Esteban Iglesias, Paulina Arena y Rolando Rogers.
Otras correcciones han sido enviadas por académicos y alumnos que han encontrado
útil este apunte y lo han usado en sus cursos en esta u otras universidades. A todos
ellos el autor les agradece enormemente.
Índice general
Capı́tulo 1. Nociones básicas y métodos elementales de resolución 1

1. Motivación: leyes fı́sicas y problemas geométricos 1
2. Definiciones básicas y noción de solución 5
3. Resolución de EDO elementales 7
4. Ecuaciones que se reducen a casos elementales 21
Capı́tulo 2. El problema de Cauchy: existencia, unicidad y métodos numéricos 31
1. Definiciones preliminares 31
2. El problema de Cauchy 33
3. Los teoremas de existencia y unicidad 34
4. Aproximación del problema de Cauchy mediante métodos numéricos 39
5. Ejemplo numérico: la Ley de Omori en sismologı́a 47
6. Ejemplo numérico: Lotka-Volterra y la pesca en el Mar Adriático 54
7. Ejemplo numérico: Van del Pol y el sonido del caos. 58
Capı́tulo 3. EDO lineales de orden superior 67

1. La EDO lineal de orden n 67
2. Polinomio caracterı́stico y Propiedades operador diferencial 69
3. Estudio completo de la EDO de orden dos 70
4. El problema de Cauchy. Teorema de Existencia y unicidad. 76
5. Estudio completo de la EDO lineal de orden n 76
6. Métodos de resolución de EDO de orden n a coeficientes constantes 81
7. Métodos de resolución de EDO de orden n a coeficientes variables 88
8. Resolución de problemas con condiciones de borde. 92
Capı́tulo 4. Transformada de Laplace 95
1. Definiciones y ejemplos 95
2. Propiedades básicas de la transformada de Laplace 99
3. Antitransformadas y aplicaciones 105
4. Funciones y derivadas generalizadas 110
Capı́tulo 5. Sistemas lineales de primer orden 113
1. Introducción 113
2. Sistemas lineales y ecuaciones de orden superior 115
3. Los teoremas de existencia y unicidad. Demostración. 117
4. Estructura geométrica de las soluciones 124
5. Resolución de sistemas lineales 128
Capı́tulo 6. Análisis cualitativo de sistemas no lineales 151
1. Sistemas no lineales y sistemas linealizados 153
2. Diagramas de fase y de flujo 158
5
6 Índice general
3. Clasificación de los puntos crı́ticos 160

4. Puntos crı́ticos de sistemas lineales 167
5. Energı́a, funciones de Liapunov y estabilidad 176
Capı́tulo 1
Nociones básicas y métodos elementales de

resolución
1. Motivación: leyes fı́sicas y problemas geométricos

Las ecuaciones diferenciales ordinarias son identidades que vinculan una función
con sus derivadas. Por ejemplo, si y(t) denota el número de bacterias en una colonia
en función del tiempo1, la ecuación diferencial
y ′ (t) = σy(t)
donde σ es una constante positiva, expresa que el aumento de la población bacte-
riana, representada por la derivada y ′ , es proporcional a la propia población y, esto
es, mientras más bacterias hay, más rápido ellas se multiplican.
La solución de una ecuación diferencial es una función y no un número, a
diferencia de las ecuaciones algebraicas. En el ejemplo anterior se trata de encontrar
la función y(t): número de bacterias en función del tiempo. Una posible solución es
la función:
y(t) = y0 eσt
donde y0 es el número inicial de bacterias en t = 0. Este tipo de soluciones expo-
nenciales aparecerán recurrentemente en la teorı́a y en la práctica.
De hecho, las ecuaciones diferenciales aparecen con frecuencia en muchas ramas
de la matemática, y sirven para plantear y resolver problemas provenientes de la
fı́sica, la ingenierı́a, la economı́a, la biologı́a y de las ciencias sociales, entre otras
disciplinas.2
Veremos a través de algunas leyes fı́sicas y de algunos problemas geométricos
que una ecuación diferencial es una forma simple de reproducir y en el mejor de los
casos explicar una situación real, esto es, al fin y al cabo una forma útil de modelar.
1.1. Modelamiento de un fenómeno en biologı́a: la osmosis. Analice-
mos el fenómeno de la osmosis, presente en muchos procesos fisiológicos. Conside-
remos un experimento en que disponemos dos medios de salmuera A y B separados
0 0
por una membrana impermeable en t = 0 con concentraciones iniciales CA y CB
0 0
con CA < CB . En un instante t > 0 la membrana que los separa se vuelve semi-
permeable y permite el paso de las moléculas de agua, pero no de las moléculas de
sal disueltas (ver Figura 1). El problema es modelar la evolución de las concentra-
ciones de sal CA (t) y CB (t) en función del tiempo. Se observa experimentalmente
que a medida que el tiempo transcurre, el agua se desplaza a través de la membrana
1A menudo llamaremos a una función y : R 7→ R por y(t) simplemente y su derivada por y ′

siempre que ésta exista.
2Las ecuaciones diferenciales se conocen también bajo otros nombres en ciencias e ingenierı́a
tales como: modelos diferenciales, ecuaciones de evolución, sistemas dinámicos, etc.
1
2 1. NOCIONES BÁSICAS Y MÉTODOS ELEMENTALES DE RESOLUCIÓN
CA0 CB0 CA(t) CB(t)
t=0 t>0
Figura 1. Osmosis por una membrana semipermeable.
desde la solución de baja concentración A hacia la de alta concentración B hasta

alcanzar asintóticamente un valor de equilibrio como se muestra en el gráfico de la
Figura 2.
Se constata, también experimentalmente, que este valor de equilibrio correspon-
de al promedio M de concentraciones, el cual es conservado a través del tiempo.
Esto tiene dos consecuencias: dicho promedio debe ser igual al promedio de las con-
centraciones iniciales y es por lo tanto conocido. Además, como CA (t)+CB (t) = 2M
es constante, podemos obtener en cada instante t la concentración en B conociendo
la de A y viceversa. Ası́ es que el problema se reduce a encontrar solamente la
función CA (t).
CB
CA
t
Figura 2. Evolución de las concentraciones durante la osmosis
que convergen asintóticamente al promedio M de las concentracio-
nes de ambos medios.
Si registramos en un gráfico el logaritmo natural de la diferencia M − CA (t)

en función del tiempo, observaremos que la curva experimental se ajusta bien a
una recta de pendiente negativa −σ. Una hipótesis razonable es entonces un ajuste
exponencial de CA (t) a la ası́ntota de ordenada M , en efecto,
ln(M − CA (t)) = −σt + C ⇒ CA (t) = M − K e−σt ,
1. MOTIVACIÓN: LEYES FÍSICAS Y PROBLEMAS GEOMÉTRICOS 3
donde K es una constante que se obtiene imponiendo la condición inicial CA (0) =

0 0
CA lo que nos da K = M − CA . Reemplazando la constante K en la expresión
anterior, esto nos provee de la fórmula siguiente para la concentración buscada:
(1) CA (t) = M − (M − CA (0))e−σt .
Esta función representa un buen modelo de la realidad, ya que se ajusta razo-
nablemente bien a las mediciones experimentales, sin embargo, nos resulta todavı́a
misterioso por qué deberı́amos aceptar este modelo de crecimiento exponencial como
un modelo razonable y no otro modelo diferente, por ejemplo, un ajuste polinomial
por pedazos.
Esto nos lleva a preguntarnos ¿hay alguna ley o principio que explique el
fenómeno de la osmosis? Una idea, que resulta ser fundamental, consiste en es-
tudiar si existe una relación simple entre la concentración CA (t) y su aumento
′
CA (t). Derivando (1) obtenemos:
′
CA (t) = σ Ke−σ t
= σ Ke−σ t + σ M − σ M
= σ(M − (M − Ke−σ t ))
esto es, la relación buscada es:
′
(2) CA (t) = σ(M − CA (t)).
Entonces la solución (1) satisface (2). Interpretando (2) encontramos una relación
diferencial simple y comprensible que podemos enunciar como la ley siguiente:
Ley de Osmosis
“El aumento de concentración es proporcional en cada ins-
tante a la diferencia de concentración entre el promedio
asintótico de concentraciones y la concentración actual. La
constante de proporcionalidad cuantifica la permeabilidad
de la membrana.”
La ley de osmosis representada por la ecuación diferencial (2) provee una inter-
pretación más intuitiva y profunda del proceso de osmosis. Más adelante veremos
que (2) tiene como solución (1). La otra ventaja esta ley es que, aparte de su sim-
plicidad, sirve para modelar por analogı́a otros problemas similares, como lo es la
ley de enfriamiento o algunos modelos de población, que veremos más adelante.
Ejercicio Propuesto 1.1. Si en el gráfico del experimento de la Figura 2, el
aumento de la concentración en A hubiese resultado con una forma sigmoide (esto es
estrictamente creciente hacia la ası́ntota pero con un punto de inflexión) ¿Qué mo-
delo diferencial propondrı́a usted para este fenómeno? Indicación: averiguar sobre
el modelo de crecimiento logı́stico.
1.2. Modelamiento de una ley fı́sica: ley de gravitación universal.
Muchos fenómenos de la naturaleza pueden modelarse a través de relaciones entre
cantidades y sus variaciones3, esta idea revolucionaria para la ciencia fue intro-
ducida en el siglo XVII entre otros por Fermat, Newton y Leibniz. En términos
3o fluxiones en la terminologı́a original de Newton, que da la idea de continuo temporal.
matemáticos, estamos hablando en todos los casos de identidades que relacionan

una función y sus derivadas o sea, de ecuaciones diferenciales.
La mayorı́a de las leyes fı́sicas pueden representarse por ecuaciones diferenciales
que involucran alguna función como incógnita, la que puede representar por ejemplo
el movimiento de un cuerpo o la concentración de una especie quı́mica. Dichas
ecuaciones diferenciales suelen ser simples, sin embargo el encontrar la función
incógnita puede llegar a ser una ardua o imposible tarea. Un ejemplo es la ley
de la gravitación universal, que modela el movimiento de los planetas alrededor del
sol:
Ley de gravitación universal

“La aceleración de un planeta es proporcional a la fuer-
za que sobre él ejerce el sol, cuya magnitud es inversa al
cuadrado de la distancia que los separa.”
Esta ley del siglo XVII lleva a dos ecuaciones con dos derivadas de la forma:
x y
x′′ = − , y ′′ = − 2
(x2 + y 2 )3/2 (x + y 2 )3/2
donde (x, y) es la posición del planeta en el plano de origen en el Sol. Estas ecuacio-
nes tienen como solución elipses en el caso de un solo planeta. En el caso de varios
planetas, en realidad también ejercen fuerza sobre un planeta los demás planetas y
no solamente el Sol, lo que lleva a órbitas muchı́simo más complicadas y al estudio
posterior de órbitas caóticas en el siglo XX por Poincaré entre otros.
El movimiento de los planetas hace parte de los esos fenómenos en los que
se conoce la ley y por lo tanto las ecuaciones diferenciales que representan dicho
fenómeno, pero no se logra comprender completamente la solución a dichas ecua-
ciones. La ley de movimiento en este caso resulta más simple que el movimiento en
si.4
Este ejemplo nos muestra a demás que las ecuaciones diferenciales se pueden
presentar en grupos de dos o más formando sistemas de ecuaciones diferenciales.5
Ejercicio Propuesto 1.2. Averigue quién recopiló los datos a partir de los
que Kepler postuló la idea de órbitas elı́pticas.
1.3. Modelamiento de algunos problemas geométricos. Las ecuacio-
nes diferenciales pueden ser también útiles para plantear y resolver problemas
geométricos. Puede servir por ejemplo para agrupar una familia de curvas. Vea-
mos el caso de las familias ortogonales.
Consideremos la familia F de todas las parábolas con vértice en el origen defi-
nidas por la ecuación y = ax2 , con a ∈ R. Derivando con respecto a x obtenemos
y ′ = 2ax. Si usamos la expresión anterior para eliminar el parámetro a obtenemos
La ecuación diferencial que representa la familia F :
y
y′ = 2 .
x
4Es el caso también de las ecuaciones de Navier-Stokes que modelan el movimiento de un
fluido tridimensional, y no se sabe si dan lugar o no a una única solución; o el de la ecuación de
Schrödinger, que modela la compleja dualidad onda-partı́cula de manera increı́blemente simple.
5Ver Capı́tulo 5.
2. DEFINICIONES BÁSICAS Y NOCIÓN DE SOLUCIÓN 5
Esta ecuación diferencial revela la siguiente propiedad geométrica de esta familia de

parábolas: la pendiente en cada punto es el doble de la pendiente de la recta que une
el punto con el origen. En general, algunas propiedades geométricas compartidas por
las curvas de una familia pueden conocerse al inspeccionar la ecuación diferencial
correspondiente.
Tratemos ahora de encontrar la familia G de todas las curvas que intersectan
de manera perpendicular a las parábolas de la familia F . Esto es, G es la familia
ortogonal a la familia F .
Si la función z ∈ G define una de estas curvas entonces z ′ (x)y ′ (x) = −1 para
toda y ∈ F y para todo x ∈ R siempre que z(x) = y(x), esto es, las curvas se
2y(x)
intersectan en el punto (x, y(x)). Dado que y ′ (x) = , la ecuación que define a
x
la familia G resulta ser:
−1 −x x
z ′ (x) = ′ = =− .
y (x) 2y(x) 2z(x)
Notar que reemplazamos y por z pues las curvas se intersectan.
Tratemos de resolver la ecuación diferencial anterior. Esto es, tratemos de en-
contrar la forma de la función z(x) o más precisamente, las curvas (x, z). Tenemos
que
2z(x)z ′ (x) = −x
d 2
z(x) = −x.
dx
Si integramos a ambos lados de la ecuación obtenemos
x2
z(x)2 = −
+ C,
2
donde C es una constante. Escrito de otro modo, esto es
z2 x2
+ = 1.
C 2C
La familia G está integrada por todas las elipses que están centradas en el origen.
Ejercicio Propuesto 1.3. En la discusión anterior, al reemplazar y por z,
x
dado que las curvas se intersectan, se obtiene la ecuación z ′ = − 2z . Por otro lado,
1
si hubiésemos reemplazado y por y = ax2 llegamos a la ecuación z ′ = − 2ax que
es completamente diferente. Convénzace de que no es correcto reemplazar y por
y = ax2 dado que a depende de x por lo que la segunda ecuación no es válida.
2. Definiciones básicas y noción de solución

Ahora que ya hemos visto que las ecuaciones diferenciales ordinarias apare-
cen como una herramienta útil para modelar fenómenos naturales, veamos algunas
definiciones.
Definición 1.1. Una ecuación diferencial ordinaria (abreviada EDO) es una
identidad de la forma
F (x, y(x), y ′ (x), y ′′ (x), . . . , y (n) (x)) = 0,
donde x representa la variable independiente e y una la función incógnita, llamada
también variable dependiente o solución de la EDO. La función F representa la
relación que liga las derivadas de y y la variable x. Se dice que la ecuación es

ordinaria pues se deriva con respecto a una sola variable independiente6.
En algunas situaciones, como en los problemas geométricos, resulta natural usar
x como variable independiente. En otras situaciones, como en los problemas donde
se deriva respecto del tiempo, es mucho más natural utilizar la letra t. En los pri-
meros capı́tulos hemos escogido arbitrariamente x como la variable independiente,
pero cuando sea apropiado cambiaremos a t.
Consideraremos aquı́ que F es una función a valores escalares, esto corresponde
a una sola ecuación diferencial. Se puede considerar también que F tome valores
vectoriales, pero en este caso se tratará de sistemas de ecuaciones diferenciales que
veremos más adelante en el Capı́tulo 5.
Definición 1.2. El orden de una ecuación diferencial es el grado de derivación
máximo que aparece en la ecuación que en este caso es el número natural n.
Definición 1.3. Una EDO lineal de orden n es de la forma
(3) an (x)y (n) + an−1 (x)y (n−1) + · · · + a1 (x)y ′ + a0 (x)y = Q(x),
donde las funciones ai (x) ∈ R, ∀i ∈ {1, . . . , n} son llamadas coeficientes de la EDO.
Definición 1.4. Si Q(x) (llamado comúnmente lado derecho de la EDO) es
idénticamente nulo, la EDO lineal se dice homogénea. Si Q(x) 6= 0, la EDO lineal
se dice no homogénea.
Definición 1.5. Si los coeficientes ai (x) no dependen de x, se dice que la EDO
lineal es a coeficientes constantes. De lo contrario se dice que ella es a coeficientes
variables.
En el caso que an (x) 6= 0 se puede dividir la EDO (3) por an (x). La EDO que
ası́ se obtiene con
ai (x) Q(x)
an (x) = 1, ai (x) = , i = 0, . . . , n − 1, Q(x) =
an (x) an (x)
se dice que está normalizada7 . Utilizaremos la barra sobre los coeficientes y el lado
derecho para indicar normalización.
Definición 1.6. Una EDO no lineal es simplemente una EDO que no es lineal.
Cabe notar que existe una diferencia fundamental entre una EDO lineal y una
no lineal. Por ejemplo, en una EDO lineal, si el lado derecho se duplica, la solución
también, en cambio esto no ocurre necesariamente en una EDO no lineal. Gran
parte de este texto concierne en el estudio de EDO lineales, que son las más simples,
pero también resolveremos algunas EDO no lineales en este capı́tulo y estudiaremos
algunos sistemas no lineales simples en el Capı́tulo 6 final.
Ejemplo 1.1. y(1 + (y ′ )2 ) = 4. EDO no lineal, de orden 1. Esta es la EDO de
la curva braquistócrona, que estudiaremos más a fondo en el Ejemplo 1.9.
6Si se deriva con respecto a varias variables, se habla de Ecuación Diferencial Parcial (EDP).
Notemos que existen también las inecuaciones diferenciales, donde la igualdad en la Definición 1.1
es reemplazada por una desigualdad.
7Si a (x) = 0 para valores discretos de x, se puede normalizar por intervalos.
n
3. RESOLUCIÓN DE EDO ELEMENTALES 7
Ejemplo 1.2. xy ′ + c sen(x)y = tan(x). EDO lineal de orden 1 a coeficientes

variables, no homogénea ni normalizada.
Ejemplo 1.3. y ′′ − 2y = 0. EDO lineal de orden 2 a coeficientes constantes,

homogénea y normalizada.
n orden de la EDO
Q(x) = 0 homogénea
Q(x) 6= 0 no homogénea
∀i, ai = cte coeficientes constantes
∃i, ai = ai (x) coeficientes variables
an = 1 normalizada
n
X
Cuadro 1. Clasificación de la EDO lineal ai (x)y (i) = Q(x).
i=0
3. Resolución de EDO elementales

En este capı́tulo estudiaremos algunas técnicas que nos permitirán determinar
las soluciones de una gran cantidad de EDO. Comenzaremos por analizar cuatro
tipos de ecuaciones de primer orden que llamaremos elementales:
integración directa: y ′ = f (x).
variables separables: y ′ = f (x)g(y).
lineal de primer orden homogénea: y ′ + a0 (x)y = 0.
lineal de primer orden no homogénea: y ′ + a0 (x)y = Q(x).
Posteriormente estudiaremos algunas otras ecuaciones de primer y segundo
orden que pueden reducirse a estos casos elementales.
Nos enfocaremos en la resolución de las ecuaciones y no siempre seremos dema-
siado rigurosos en los aspectos teóricos que justifican los cálculos. Estos aspectos
(existencia, unicidad, regularidad de la solución) serán tratados con más profundi-
dad en capı́tulos posteriores.
Para resolver los casos elementales, será útil el cálculo de primitivas y recordar
el conocido Teorema Fundamental del Cálculo.
Teorema 1.1 (TFC). Sea f integrable en [a, b], entonces, dado x0 ∈ [a, b] e
y0 ∈ R, la función y, definida por
Z x
y(x) = y0 + f (s)ds, para x ∈ [a, b],
x0
es continua en [a, b] y se tiene y(x0 ) = y0 . Si además f es continua en [a, b] entonces
la función y(x) es también derivable8 en [a, b] con derivada continua igual a f (x),
8Derivable en el cerrado [a, b] significa derivable en el abierto (a, b) y con derivadas laterales
en a+ y b− .
esto es, se tiene que

Z x
(4) y(x) = y(x0 ) + y ′ (s)ds, ∀x ∈ [a, b]
x0
Z x
d
(5) f (s)ds = f (x) ∀x ∈ [a, b].
dx x0
Las identidades anteriores serán especialmente útiles en este y los próximos
capı́tulos por lo que se sugiere al lector recordarlas siempre, teniendo especial cui-
dado en no confundir (4) y (5).
3.1. Integración directa. Consideramos una EDO del tipo
(6) y ′ = f (x).
Si la función f es integrable (por ejemplo si es continua o continua por pedazos9),
gracias al TFC las soluciones existen y están dadas por:
Z
(7) y = f (x)dx + C,
donde C ∈ R es una constante arbitraria.

Ejemplo 1.4. Las soluciones de la ecuación y ′ = sen(x) son de la forma
Z
y = sen(x)dx + C = − cos(x) + C, con C ∈ R.
Ejemplo 1.5. La ecuación y ′ = x tiene como soluciones a las funciones de la

forma Z
x2
y = xdx + C = + C, con C ∈ R.
2

Denotaremos por C genéricamente a una constante arbitraria sin importar las

eventuales transformaciones biyectivas que la mantienen arbitraria (ponderaciones
por un √escalar no nulo, cambios de signo, suma de otra constante). Por ejemplo C,
2C, C/ 2, −C, C + 4 pueden ser representadas por una misma constante genérica.
Si la transformación no es biyectiva, por ejemplo C 2 , entonces se pierde la arbi-
trariedad y es mejor escribir explı́citamente C 2 o precisar de algún modo que la
constante no puede ser negativa.
1
Ejemplo 1.6. Estudiemos la ecuación y ′ = para x 6= 0.
x
Z
dx
y= + C = ln(|x|) + C = ln(|x|) + ln(k) = ln(k|x|), k > 0.
x
En el cálculo anterior hemos reemplazado la constante arbitraria C por ln(k) (don-
de k = eC > 0) para escribir la solución de manera más compacta y sin perder
arbitrariedad. Observemos también que el módulo en el logaritmo nos da la primi-
tiva correcta de 1/x cuando x < 0. Como |x| no es derivable en x = 0, se considera
9Ver Capı́tulo 4, donde se da la definición de las funciones continuas por pedazos.
la resolución de la EDO separadamente en cada intervalo (−∞, 0) y (0, ∞).
Supongamos ahora que queremos encontrar la solución de (6) definida sobre un

intervalo I y que además pase por cierto punto (x0 , y0 ) dado. Esto es, queremos
resolver el siguiente problema10:
′
y (x) = f (x) para todo x ∈ I,
y(x0 ) = y0 .
Integrando la ecuación y ′ = f (x) entre x0 y x ∈ I obtenemos
Z x Z x
′
y (s)ds = f (s)ds
x0 x0
y del TFC (identidad (4)), se tiene que
Z x
(8) y(x) = y(x0 ) + f (s)ds.
x0
Rx
Detengámonos aquı́ para comparar (7) y (8). La función F (x) = x0 f (s)ds en (8)
es una primitiva bien particular de f : aquella que cumple F (x0 ) = 0. Entonces la
constante C en (7) deja de ser arbitraria y se tiene que C = y(x0 ).
En las ecuaciones de primer orden que estudiaremos en este curso, siempre po-
dremos determinar la constante arbitraria si conocemos el valor de la función en un
punto del intervalo11.
3.2. Variables separables. Una EDO en variables separables tiene la forma

siguiente:
(9) y ′ = f (x)g(y).
Lo primero que observamos es que si g(y0 ) = 0 entonces la función constante
y(x) ≡ y0 define una solución de la EDO (9). Para los valores de y donde g(y) 6= 0
y′
se tiene g(y) = f (x). Integrando y usando el Teorema del cambio de variables
obtenemos
Z Z Z
y ′ (x) dy
(10) dx = = f (x)dx + C,
g(y(x)) g(y)
1
donde C ∈ R es una constante. Si G es una primitiva de g y F es una primitiva de
f entonces
G(y) = F (x) + C.
Si queremos una fórmula explı́cita para las soluciones debemos despejar y en función
de x en la relación anterior12. Si no se puede despejar y, las soluciones quedan
expresadas de manera implı́cita o paramétrica (ver Ejemplo 1.9).
10Ver Capı́tulo 2 donde se estudia este problema conocido como problema de Cauchy.
11Para ecuaciones de orden n necesitaremos conocer los valores de la función y sus derivadas
hasta el orden n − 1 pues las integraciones sucesivas arrojarán más constantes.
12El Teorema de la Función Implı́cita, que se estudia en el curso de Cálculo en Varias Varia-
bles, da las condiciones para que esto sea posible.
Ejemplo 1.7. Analicemos la ecuación
y ′ = xy.
Aquı́ f (x) = x y g(y) = y. Observemos primero que la función nula y(x) ≡ 0 define
una solución de la EDO. Si y 6= 0 hacemos
Z Z
dy
= x dx + C.
y
Tenemos entonces que

x2
ln(|y|) = + C,
2
de donde

x2 x2
|y| = exp +C = ke 2 ,
2
donde k = eC > 0. Eliminando el módulo y considerando los posibles valores

positivos y negativos vemos que todas las soluciones son de la forma
x2
y = ke 2 ,
con k ∈ R (el valor k = 0 nos da la solución nula).
Ejemplo 1.8. Estudiemos ahora la EDO
y ′ = cos2 (y).
En este caso f (x) = 1 y g(y) = cos2 (y). Las soluciones constantes son de la forma
y(x) ≡ π2 + kπ con k ∈ Z. Para encontrar las demás soluciones,
Z Z
dy
= dx + C
cos2 (y)
Z
sec2 (y)dy = x+C
tan(y) = x + C,
donde C ∈ R. Para y ∈ (− π2 , π2 ) esto es
y = arctan(x + C).
Para los demás valores de y debemos tener en cuenta la periodicidad de la función

tangente. Tenemos entonces que todas las soluciones no constantes son de la forma
y = kπ + arctan(x + C),
con C ∈ R y k ∈ Z.
3π
2
π
2
− π2
− 3π
2
Ejercicio Propuesto 1.4. Para el problema de Cauchy, vea cómo funciona

el método con integrales definidas. Si se integra entre x0 ∈ I y x ∈ I a ambos lados
de (9), se tiene que
Z y(x) Z x
dy
= f (x)dx.
y(x0 ) g(y) x0
1
Como antes, si G es primitiva de g y F es primitiva de f , se tiene que
G(y(x)) = F (x) − F (x0 ) + G(y(x0 ))
= F (x) + C
con C = G(y(x0 )) − F (x0 ) constante. Compare (10) y (11) como se hizo antes entre
(7) y (8).
En el siguiente ejemplo la solución queda definida paramétricamente.

Ejemplo 1.9 (Braquistócrona). Se denomina ası́ a la forma que debe tener un
alambre para que una argolla que se desliza por él sin roce bajo la acción de la
gravedad de un punto a otro de menor altura y no en la misma vertical, lo haga en
el menor tiempo posible.
El problema de encontrar la curva de tiempo mı́nimo (braquistócrona en latin)
fue propuesto por el matemático suizo Jean Bernouilli en 1696 para desafiar a la
comunidad cientı́fica de su tiempo. Él mismo encontró una solución y otras cuatro
soluciones aparecieron debidas a Leibniz, a L’Hôpital, al hijo de Jean Bernouilli y
una solución anónima que se atribuyó luego a Newton. Todas ellas usan ecuaciones
diferenciales y cálculo diferencial.
Para explicar la solución que Jean de Bernouilli encontró, hay primero que
explicar la forma continua de la conocida Ley de Snell proveniente de la óptica.
Pensemos en un deportista que debe cruzar un rı́o nadando desde un punto A y
luego una playa de arena corriendo a un punto B, para llegar en el mı́nimo tiempo
posible de A a B. En el agua nada a velocidad (cosntante) v1 mientras que en la
arena corre a velocidad (también constante) v2 con v1 < v2 . La intuición nos dice
que debe nadar y correr en lı́nea recta, pero nadar menos en el agua y correr más
en la arena para minimizar su tiempo. De modo que su trayectoria debiera ser una
lı́nea quebrada de A a B con vértice en C situado en la interfaz agua-arena. Si a y b
son las distancias verticales de A y B a C y c y x son las distancias horizontales de
A a B y C respectivamente, entonces en tiempo total de la carrera está dado por:
√ p
x2 + a2 (c − x)2 + b2
T (x) = +
v1 v2
Haciendo T ′ (x) = 0 se obtiene la coordenada x (lo que determina el punto C) de
tiempo mı́nimo
x c−x
√ = p
v1 x2 + a2 v2 (c − x)2 + b2
de donde se obtiene a su vez, introduciendo los ángulos de incidencia respecto de
la normal a la interfaz α1 y α2 , la conocida Ley de Snell:
sin α1 sin α2
= .
v1 v2
Si se agrega ahora un tramo extra de cemento a la carrera de para ir de A
a B, primero nadando un tramo de agua desde A, luego atravesando la arena, y
finalmente corriendo en el cemento al punto final B, donde el deportista tiene una
velocidad v3 corriendo en el cemento con v1 < v2 < v3 , entonces de manera similar
es fácil verificar que la trayectoria óptima es una lı́nea con dos quiebres en C1 y C2
en ambas interfaces y se cumple que:
sin α1 sin α2 sin α3
= = = cte.
v1 v2 v3
De manera análoga, la argolla de masa m que cae bajo la gravedad g tiene una
velocidad v que va en aumento de acuerdo a la distancia vertical recorrida y. En
efecto, igualando energı́as cinética y potencial se obtiene:
1 p
mv 2 = mgy ⇒ v = 2gy.
2
Por esta razón, Jean de Bernoulli conjeturó la Ley de Snell generalizada siguiente:
sin α
= cte
v
donde α es el ángulo que instantáneamente forma la tangente a la curva en la posi-
ción de la argolla y la vertical. Usando la propiedad geométrica de que la tangente
de π/2 − α es la derivada de y se obtiene que:
1 1
sin α = cos(π/2 − α) = p 2
=p
1 + tan (π/2 − α) 1 + (y ′ )2
por lo que, usando la Ley de Snell generalizada, se obtiene
1 p
v= p = 2gy.
cte 1 + (y )′ 2
Simplificando la expresión anterior, se obtiene la EDO que describe la forma de la

curva como sigue:
y(1 + (y ′ )2 ) = k2 ,
donde k = 1/(2g cte2 ) es una constante positiva.
Utilizaremos el método de separación de variables para resolver la EDO de la

braquistócrona. Se tiene
2 1
′ k −y 2
y =
y
Z √ Z
y
p dy = dx + C.
k2 − y
Haciendo y = k 2 sen2 θ ⇒ dy = 2k 2 sen θ cos θdθ obtenemos
Z
k sen θ2k 2 sen θ cos θdθ
= x+C
k cos θ
Z
2k 2 sen2 θdθ = x + C
Z
2 1 − cos(2θ)
2k dθ = x + C
2

θ sen 2θ
2k 2 − = x+C
2 4

θ sen 2θ
x = 2k 2 − − C.
2 4
Por lo tanto, se tiene que x = x(θ) e y = y(θ) con
k2
(2θ − sen 2θ) − C
x =
2
k2
y = (1 − cos 2θ) .
2
Si ahora hacemos ω = 2θ, vemos que
k2
x = (ω − sen ω) − C
2
k2
y = (1 − cos ω),
2
con ω ∈ R. La solución es una familia de curvas llamadas cicloides. Ver Figura 3.
Digamos para terminar que el trabajo de toda la vida de Jean Bernoulli quedó mar-
Y 0
−0.2
−0.4
−0.6
−0.8
−1
0 0.5 1 1.5
X
Figura 3. Curva Braquistócrona con x ∈ [0, π2 ], y ∈ [−1, 0],

parámetro k = 1 y constante C = 0.
cado por el estudio de la curva cicloide, lo que quedó plasmado en sus obras com-
pletas de 1742 donde aparece su retrato sosteniendo un dibujo de la curva.
Ejemplo 1.10 (El problema de la gota de lluvia). Consideremos una gota de

masa inicial m0 y de densidad constante que cae del reposo y calculemos su masa
en función del tiempo usando el siguiente principio:
Gota de lluvia
“Una gota de lluvia que cae por efecto de su peso va au-
mentando su volumen a medida que captura gotas más pe-
queñas en su superficie inferior. Esto es, a una tasa que
es proporcional a su velocidad de caı́da y a su superficie
inferior.
Supondremos que i) la gota es esférica, ii) la gota alcanza una aceleración constante,
iii) esta aceleración lı́mite es menor que la de gravedad. Si el radio de la esfera es r(t)
entonces su volumen es proporcional a r3 y su superficie media a r2 . Si la densidad
es constante, entonces la masa es m(t) es proporcional a r3 de donde despejando r(t)
resulta proporcional a m1/3 . Con esto, suponiendo que y es la distancia recorrida
verticalmente hacia abajo por la gota, la EDO queda:
m′ (t) = Km2/3 y ′ , K > 0 constante.
Además, la segunda ley de Newton (atención que la masa es variable) es
(my ′ )′ = mg.
Al reemplazar en la primera EDO obtenemos
m′ y ′ + my ′′ = mg
2/3
Km (y ′ )2 + my ′′ = mg
−1/3 ′ 2 ′′
Km (y ) + y = g
K(y ′ )2
m1/3 = .
g − y ′′
Derivando esta expresión vemos que
′
1 −2/3 ′ K(y ′ )2
m m = ,
3 g − y ′′
de donde
′
′ (y ′ )2
y = 3
g − y ′′
2(g − y ′′ )y ′ y ′′ + y ′′′ (y ′ )2
y′ = 3
(g − y ′′ )2
y ′ (g − y ′′ )2 = 6(g − y ′′ )y ′ y ′′ + 3y ′′′ (y ′ )2
3y ′′′ y ′ = (g − y ′′ )(g − y ′′ − 6y ′′ ) = (g − y ′′ )(g − 7y ′′ ).
Suponiendo que y ′′ < g y que la aceleración es constante (y ′′′ = 0) se obtiene que
g
y ′′ = .
7
Ahora integrando entre 0 y t una vez (y suponiendo que la gota parte del reposo)
se obtiene la velocidad
gt
y′ = .
7
Reemplazando este valor en la EDO original de la masa se obtiene
gK
m′ = t m2/3 ,
7
que es una EDO a variables separables, que podemos resolver:
Z
gK t2
m−2/3 dm = +C
7 2
gK 2
3m1/3 = t + C.
14
1/3
Si la masa inicial era m0 , entonces C = 3m0 . Luego
3
gK 2 1/3
m(t) = t + m0 .
42

Ejercicio Propuesto 1.5. ¿Es razonable pensar en el ejercicio anterior que

la masa crece de manera no acotada con el tiempo? ¿Qué se podrı́a considerar adi-
cionalmente en el modelo para mejorarlo?
3.3. EDO lineal de primer orden: caso homogéneo. Se tiene la EDO:

(11) a1 (x)y ′ + a0 (x)y = 0.
a0 (x)
Normalizando los coeficientes, es decir, con a0 (x) = , a1 (x) 6= 0 se obtiene:
a1 (x)
y ′ = −a0 (x)y.
Presentaremos dos formas de resolución:
Variables separables: Claramente la función nula y(x) ≡ 0 define una solu-

ción para esta EDO. Para los valores donde y 6= 0, notamos que la EDO (3.3) es
de la forma y ′ = f (x)g(y) con f (x) = a0 (x) y g(y) = y. Ası́
Z
ln(|y|) = − a0 (x)dx + C
Z
|y| = k exp − a0 (x)dx , k > 0
Z
y = k exp − a0 (x)dx
con k ∈ R, incluyendo la solución nula.
Factor integrante: Definimos el factor

Z
µ(x) = exp a0 (x)dx
y observamos que µ′ (x) = a0 (x)µ(x). Si multiplicamos la ecuación por µ(x) obte-

nemos
µ(x)y ′ (x) + a0 (x)µ(x)y(x) = 0
µ(x)y ′ (x) + µ′ (x)y(x) = 0
′
(µ(x)y(x)) = 0,
con lo cual el producto µ(x)y(x) es constante y ası́
Z
k
y(x) = = k exp − a0 (x)dx
µ(x)
con k ∈ R, como antes. Este enfoque es la clave para resolver las ecuaciones lineales
no homogéneas.
Ejemplo 1.11. Encontremos las soluciones de la ecuación y ′ cos x + cos1 x y = 0,
x 6= π2 + kπ usando el método de separación de variables. Tenemos que
1
y′ + y = 0
cos2 x
y′ = −y sec2 x
Z Z
dy
= − sec2 xdx + C
y
ln(|y|) = − tan x + C
y = k exp(− tan x), con k ∈ R.

Ejemplo 1.12. Resolvamos ahora el problema de Cauchy

′
y (x) = x1 y(x) para x 6= 0,
y(1) = 2,
usando el factor integrante. Escribiendo la EDO como y ′ − x1 y = 0 calculamos
Z
dx 1
µ(x) = exp = exp(− ln(x)) = .
x x
1
y′ − y = 0
x
1 ′ 1
y − 2y = 0
x x
y ′
= 0
x
y
= k, con k ∈ R.
x
Ası́, todas las soluciones son de la forma y(x) = kx con k ∈ R. De acuerdo con la
condición inicial, nos interesa que 2 = y(1) = k · 1, de donde k = 2. Concluimos que
la solución del problema de Cauchy es y(x) = 2x.
3.4. EDO lineal de primer orden: caso no homogéneo. Se tiene la

ecuación:
(12) a1 (x)y ′ + a0 (x)y = Q(x)
a0 (x) Q(x)
Si a1 (x) 6= 0 podemos normalizar a0 (x) = a1 (x) , Q(x) = a1 (x) y reescribir la
ecuación como
y ′ + a0 (x)y = Q(x).
R
Si multiplicamos ambos lados de la ecuación por el factor integrante µ(x) = exp a0 (x)dx
obtenemos
(µ(x)y(x))′ = µ(x)Q(x)
Z
µ(x)y(x) = µ(x)Q(x)dx + C
Z
C 1
(13) y(x) = + µ(x)Q(x)dx.
µ(x) µ(x)
Definición 1.7. El primer término del lado derecho de (13),

Z
C
yh (x) = = C exp − a0 (x)dx
µ(x)
se denomina solución homogénea. Aunque se habla de la solución homogénea, en

realidad se trata de una familia de soluciones, indexadas por la constante C.
Definición 1.8. El segundo término en el lado derecho de (13),

Z
1
yp (x) = µ(x)Q(x)dx
µ(x)
Z Z Z
= exp − a0 (x)dx exp a0 (x)dx Q(x)dx
se denomina solución particular (que se obtiene si C = 0). Se habla de la solución

particular, pero depende de la primitiva que se escoja.
Ejemplo 1.13 (Ley de osmosis). Retomamos el ejemplo de la introducción

donde estudiamos básicamente el movimiento de agua desde una solución con baja
concentración de soluto (solución A) a través de una membrana semipermeable
hacia una solución con alta concentración de soluto (solución B). Si CA (t) es la
0
concentración de soluto que hay en la solución A en función del tiempo, CA es la
0
concentración inicial de soluto en A y si CB es la concentración inicial de soluto en
B, una EDO que modela este fenómeno es:
0 0

′ CA + CB
CA (t) = σ − CA (t) , con σ > 0.
2
0 0
CA + CB
Introduciendo la concentración promedio = M , se tiene
2
′
CA + σCA = σM
Z Z Z
′
CA exp σdt + σCA exp σdt = σM exp σdt
′ σt
CA e + σCA eσt = σM eσt
′
CA eσt = σM eσt
Z
CA eσt = σM eσt dt + C
Z
CA = Ce−σt + σM e−σt eσt dt
Z
1 σt
y como eσt dt = e , se tiene que
σ
CA (t) = Ce−σt + M
con C ∈ R. El resultado es una familia de curvas (indexadas por el parámetro C).
Si evaluamos en el tiempo inicial t = 0, se puede encontrar el valor de la constante
C 0 − CB0
C, es decir, CA (0) = C + M y CA (0) = CA 0
. Luego C = CA 0
−M = A . Por
2
lo tanto, la solución es
0 0

CA − CB C 0 + CB 0
CA (t) = e−σt + A
2 2

Ejemplo 1.14 (Ley de enfriamiento de Newton). Los más valientes hemos

experimentado el hecho de que al bañarnos en el mar cuando se acerca la noche el
agua se siente tibia. Daremos una explicación a este hecho, basados en el siguiente
principio:
Ley de enfriamiento de Newton

“Cuando la diferencia de temperaturas entre un cuerpo y
el medio ambiente es pequeña, el calor transferido en una
unidad de tiempo entre el cuerpo y la atmósfera es propor-
cional a la diferencia de temperatura entre el cuerpo y el
medio ambiente.”
Sean T y TA las temperaturas del mar y del ambiente respectivamente, la EDO

que modela el fenómeno es entonces:
T ′ (t) = k(TA (t) − T (t)),
donde k > 0 es una constante llamada coeficiente de transferencia térmica, y de-

pende localmente de la superficie de contacto, calor especı́fico y masas involucradas.
Sea T (0) = T0 es la temperatura inicial del mar.
Supongamos primero que TA es constante. Tenemos entonces que

T ′ + kT = kTA
′ kt kt
T e + kT e = kTA ekt

kt ′
Te = kTA ekt
Z
T ekt = k TA ekt dt + C
T = Ce−kt + TA
de donde, evaluando en t = 0, se obtiene C = T0 − TA . Con esto,
T (t) = (T0 − TA )e−kt + TA .
La temperatura del mar tiende exponencialmente a la temperatura ambiente. Más
rápidamente a mayores valores de k. Ver Figura ??.
10
k=3
4
k =2
3
k =1
2
0
0 1 2 3 4 5 6 7 8 9 10
Figura 4. Comportamiento de la temperatura del mar T (t) frente

a una temperatura ambiente constante TA = 0 partiendo de una
temperatura inicial T (0) = 10 para distintos valores de la constante
k.
Supongamos ahora que TA varı́a en el tiempo de manera periódica. Más pre-

cisamente, supongamos que TA (t) = TA0 + A sen(ω t), de manera que oscila con
frecuencia ω. La solución es
Z
−kt 0 −kt
(14) T (t) = Ce + TA + ke A sen(ωt)ekt dt
Z
Desarrollando sen(ωt)ekt dt se obtiene
Z Z
−1 1
sen(ωt)ekt dt = ω cos(ωt)ekt dt + sen(ωt)ekt
k k
Z
−ω 2 ω 1
= 2
sen(ωt)ekt dt − 2 cos(ωt)ekt + sen(ωt)ekt .
k k k
Esto implica que

Z
ω2 ekt ω
1+ 2 sen(ωt)ekt dt = sen(ωt) − cos(ωt) .
k k k
Z
Ak ω
Luego, A sen(ωt)ekt dt = 2 e kt
sen(ωt) − cos(ωt) . Por lo tanto (14)
k + ω2 k
queda de la forma
Ak 2 ω
T (t) = Ce−kt + TA0 + 2 sen(ωt) − cos(ωt) .
k + ω2 k
21
20
19
18
17
16
0 2 4 6 8 10 12
Figura 5. Variación de la temperatura del mar T (t) inicialmen-

te con T (0) = 15 frente a una temperatura ambiente TA (t) =
20 + sen(2t) (lı́nea gruesa). Asintóticamente, T (t) tiene un desfase
positivo y una amplitud menor respecto de TA (t).
ω k
Si consideramos sen φ = √ y cos φ = √ podemos escribir
2
k +ω 2 k + ω2
2
Ak
T (t) = Ce−kt + TA0 + √ (sen(ωt) cos(φ) − cos(ωt) sen(φ)).
k + ω2 |
2 {z }
sen(ωt−φ)
Figura 6. Relación entre φ, k y ω.
−kt 0 Ak
| {z } + TA + √k 2 + ω 2 sen(ωt − φ). Las variaciones de la
Finalmente, T (t) = Ce
yh | {z }
yp
temperatura del mar se encuentran asintóticamente retrasadas o con desfase posi-
tivo con respecto a las del ambiente (ver Figura 5). Además, notar que la amplitud
4. ECUACIONES QUE SE REDUCEN A CASOS ELEMENTALES 21
asintótica de la temperatura del cuerpo

√ es menor que la amplitud de variación de
la temperatura ambiente ya que k/ k 2 + ω 2 < 1.

Ejercicio Propuesto 1.6. Explique cómo se puede estimar el coeficiente k

a partir del tiempo que separa dos máximos sucesivos de la temperatura ambiente
y de la temperatura del mar.
4. Ecuaciones que se reducen a casos elementales

Veremos ahora algunas ecuaciones diferenciales que se pueden reducir a casos
elementales mediante un cambio de variables.
4.1. Ecuaciones homogéneas. Sean f : R2 → R una función de dos va-

riables y k ∈ N. Se dice que f es homogénea de grado k si f (λx, λy) = ±λk f (x, y)
para cada λ, x, y ∈ R. Observemos que si f y g son homogéneas de grado k entonces
el cuociente fg(x,y)
(x,y)
puede escribirse como una función que depende únicamente del
cuociente entre x e y. En efecto,
f (x, y) f (x · 1, x · xy ) ±xk f (1, xy ) f (1, xy ) y
= = = ± = h .
g(x, y) g(x · 1, x · xy ) ±xk g(1, xy ) g(1, xy ) x
Una EDO es de tipo homogénea13 si se puede escribir como
y
y′ = h .
x
Para resolverlas hacemos el cambio de variable z = xy , que reescribimos como
y = xz de manera que y ′ = xz ′ + z. Tenemos entonces que xz ′ + z = h(z), de donde
h(z) − z
z′ = ,
x
que es una ecuación en variables separables.
Ejemplo 1.15. Encontrar las soluciones de la ecuación
x+y
y′ = .
x−y
Es fácil verificar que se trata de una ecuación homogénea. Hacemos el cambio
z = y/x, de donde y = zx e y ′ = z + xz ′ . La ecuación se convierte en
x + zx 1+z
z + xz ′ = = .
x − zx 1−z
Despejando z ′ obtenemos

1 1+z 1 1 + z2
z′ = −z = .
x 1−z x 1−z
13No confundir con una EDO lineal homogénea.

Para resolver esta ecuación en variables separables hacemos

1−z 1
z′ =
1 + z2 x
Z Z Z
dz zdz dx
− =
1 + z2 1 + z2 x
1
arctan(z) − ln(1 + z 2 ) = ln |x| + C.
2
Si ahora deshacemos el cambio de variables obtenemos la solución expresada de
manera implı́cita:
r
y y2
arctan − ln 1 + 2 = ln |x| + C.
x x

Ejemplo 1.16 (Curva de persecusión). Sobre un rı́o, en la posición P = (c, 0),

un bote trata de alcanzar la orilla situada en la posición O = (0, 0) como se muestra
en la Figura ??. Se quiere caracterizar la posición en el eje OY con respecto a la
posición en el eje OX. La rapidez de la corriente del rı́o es a en dirección (0, −1).
La rapidez del bote es b en dirección (− cos θ, sen θ) donde θ = θ(t) va variando en
el tiempo de manera que este vector apunta siempre hacia O. Si las coordenadas
del bote en un tiempo dado son B = (x, −y), la rapidez en cada eje esta dada por
dx dy
= −b cos θ, = b sen θ − a.
dt dt
dy dx dy
Aplicando regla de la cadena tenemos que = . Recordando que cos θ =
dx dt dt
Figura 7. Bote con rapidez b cruzando un rı́o cuya corriente tiene

rapidez a.
x −y
p y sen θ = p vemos que
2
y +x2 y 2 + x2

−a + b √ −y p
dy b sen θ − a y 2 +x2 −a x2 + y 2 − by
= = = .
dx −b cos θ −bx
−b √ 2x 2
y +x
y
Esta última ecuación es homogénea. Hacemos el cambio de variable z = x ⇒
xz + z = y ′ . Recordando que x e y son positivas tenemos que
′
ap
xz ′ + z = 1 + z2 + z
b
z′ a
√ =
1+z 2 bx
Z
dz a
√ = ln x + C.
1 + z2 b
Reescribimos la constante C como C = ab ln k con k > 0 y obtenemos
p a
ln(z + 1 + z 2 ) = ln(kx) b
p a
z + 1 + z 2 = (kx) b
2a a
1 + z2 = (kx) b − 2z(kx) b + z 2 .
Despejando z y deshaciendo el cambio de variables obtenemos
1 a a
z = (kx) b − (kx)− b
2
y 1 a a
= (kx) b − (kx)− b
x 2
x a a
y = (kx) b − (kx)− b .
2
1
De la condición de borde y(c) = 0 vemos que k = .
c
Ejercicio Propuesto 1.7. Si las ruedas delanteras de un auto se mueven

sobre una lı́nea recta que no es paralela a su eje, encuentre la curva que describen
las ruedas traseras, considerando que la distancia entre las ruedas delanteras y
las traseras permanece constante. Indicación: averigue sobre la curva tractriz. Por
ejemplo, si el auto está inicialmente con su eje delantero en el origen y el eje trasero
en el punto (0, a) y se desplaza hacia arriba en la dirección de eje y, debiera obtener
la curva √ !
a + a2 − x2 p
y = a ln − a2 − x2 .
x
Otra caracterı́stica importante de esta curva es que su superficie de revolución en
torno al eje y se conoce como la pseudoesfera y es el espacio de la geometrı́a de
Lobachevsky.
Ejercicio Propuesto 1.8. Si el coyote parte del punto (c, 0), c > 0 con
velocidad ω siempre en la dirección del correcaminos que parte del origen a una
velocidad v en la dirección positiva del eje y, encuentre la curva de persecución del
coyote y demuestre que si ω < v el coyote nunca alcanza al correcaminos en cambio

a
si ω > v lo alcanza en un tiempo t = vc 1−a 2 donde a = v/ω < 1.
4.2. Ecuación de Bernoulli. La ecuación de Bernoulli es de la forma

y ′ + p(x)y = q(x)y n con n 6= 0, n 6= 1.
1−n
Se realiza el cambio de variable z = y ⇒ z ′ = (1 − n)y −n y ′ . Multiplicando
−n
(1 − n)y a ambos lados de la ecuación, queda
(1 − n)y −n y ′ + p(x)(1 − n)y 1−n = (1 − n)q(x)
z ′ + p(x)(1 − n)z = (1 − n)q(x),
que resulta ser una ecuación lineal no homogénea de primer orden normalizada.
Ejemplo 1.17 (Modelo logı́stico de población). El modelo logı́stico se basa en
el siguiente principio:
Ley logı́stica
“El aumento de una población es proporcional al produc-
to entre la población misma y su diferencia respecto a un
valor máximo que es función de los recursos disponibles
limitados.”
Esto traducido a una EDO queda como

(15) P ′ = σP (M − P ),
donde σ > 0 es constante (por ejemplo la diferencia entre tasas de natalidad y
mortalidad) y M > 0 es la carga máxima alcanzable. Si P > M entonces P ′ es
negativo y la población decrece. En esta ecuación de Bernoulli hacemos el cambio
′
de variables z = P1 ⇒ z ′ = −P
P 2 y obtenemos
z ′ = −M σz + σ,
de donde
Z t Z t Z s
1 1
= exp − M σ(s)ds + exp M σ(s)ds σ(s)ds .
P 0 P0 0 0
Reordenando se obtiene
P0 M
(16) P = .
P0 + (M − P0 ) exp(−M σ t)
Notemos que P (0) = P0 y que P → M si t → ∞.
4.3. Ecuación de Riccati. La ecuación de Riccati es de la forma

(17) y ′ = p(x)y 2 + q(x)y + r(x).
1
Se realiza el cambio de variable y = y1 + , donde y1 es alguna solución conocida
z
(por ejemplo fácil de calcular) de (17). Derivando con respecto a x se tiene y ′ =
z′
y1′ − y reemplazando en (17),
z2
2
z′ 1 1
y1′ − 2 = p(x) y1 + + q(x) y1 + + r(x)
z z z
z′ y1 p(x) q(x)
y1′ − 2 = p(x)y12 + 2p(x) + 2 + q(x)y1 + + r(x)
z z z z
z′ y1 p(x) q(x)
y1′ − 2 = [p(x)y12 + q(x)y1 + r(x)] + 2p(x) + 2 +
z z z z
z ′ = −2p(x)y1 z − p(x) − q(x)z,
de donde
z ′ + (2p(x)y1 + q(x))z = −p(x),
que resulta ser una EDO lineal de primer orden no homogénea en la variable z.
Ejemplo 1.18. Analicemos la ecuación diferencial

y ′ = −2 − y + y 2 .
Como se trata de una ecuación de primer orden a coeficientes constantes, es posible
encontrar una solución constante resolviendo la ecuación algebraica
λ2 − λ − 2 = 0,
cuyas raı́ces son 2 y −1. Tomemos entonces y1 = 2 como una solución particular
de la ecuación. Siguiendo el procedimiento descrito arriba podemos encontrar la
solución general haciendo el cambio
1 1 z′
y = y1 + =2+ , y′ = − 2 .
z z z
Sustituyendo en la ecuación obtenemos
2
z′ 1 1
− 2 = −2 − 2 + + 2+
z z z
z′ 1 4 1
− 2 = −2 − 2 − + 4 + + 2
z z z z
−z ′ = 3z + 1.
Resolvemos la ecuación lineal Rde primero orden no homogénea multiplicando por el
factor integrante µ(x) = exp( 3dx) = e3x .
z ′ e3x + 3ze3x = −e3x
′
ze3x = −e3x
1
ze3x = − e3x + C,
3
con C ∈ R. Despejando encontramos z(x) = − 31 + Ce−3x . Esto nos dice finalmente
que la solución general de la ecuación es
1
y(x) = 2 + , con C ∈ R.
Ce −3x − 31
Notemos que tomando C = 0 recuperamos la otra solución constante y(x) ≡ −1.
Es importante observar también que si C > 0 la solución tiene una ası́ntota vertical
1 1
en x = 3 ln(3C), de modo que |y(x)| → ∞ si x → 3 ln(3C).
4.4. EDO de segundo orden sin variable dependiente. En la ecuación

G(x, y ′ , y ′′ ) = 0
no aparece la variable y explı́citamente. En estos casos se realiza el cambio de
variable p = y ′ , con lo cual la ecuación se transforma en
G(x, p, p′ ) = 0,
que es una EDO de primer orden.
Ejemplo 1.19. Para resolver la ecuación
x
y′ = y ′′ − 1
1+x
hacemos el cambio p = y ′ , p′ = y ′′ . Luego,
x ′
p+1 = p
1+x
1 p′
1+ =
x p+1
Z Z
1 dp
1+ dx =
x p+1
x + ln |x| + C = ln |p + 1|
y de allı́,
p = −1 + kxex con k ∈ R.
En términos de y esto es una ecuación con integración directa
y′ = −1 + kxex
y = −x + k(x − 1)ex + K con k, K ∈ R.

4.5. EDO de segundo orden sin variable independiente. En la ecua-

ción
H(y, y ′ , y ′′ ) = 0
la variable independiente x no aparece explı́citamente. Se realiza el cambio de va-
riable
dy d2 y dp dp dy dp
p = y′ = y = = = p,
dx dx2 dx dy dx dy
con lo cual la ecuación se transforma en

dp
H y, p, p = 0
dy
que es una EDO de primer orden en la variable p con variable independiente y.
Ejemplo 1.20 (Ley de Hooke). Se tiene el sistema indicado en la Figura ??,
siendo k > 0 constante de elasticidad del resorte y m la masa del cuerpo. La Ley
de Hooke establece que:
Ley de Hooke
“Para pequeños desplazamientos en torno a la posición de
equilibrio, la fuerza de restitución del resorte es proporcio-
nal al desplazamiento”.
r
′′ ′′ 2 k
Esto es my = −ky. Es decir, y + w y = 0, con w = . Si z = y ′ entonces
m
dz ′
z′ = y y la ecuación se reescribe como
dy
dz
z + w2 y = 0
dy
dz
z = −w2 y.
dy
Integrando con respecto a la variable y vemos que

Z Z
zdz = −w2 ydy + C
z2 y2
= −w2 +C
2 2
(y ′ )2 = −w2 y 2 + 2C
p
′
y = 2C − w2 y 2 .
Finalmente usando separación de variables obtenemos

Z Z
dy
p = dt + φ
2C − w2 y 2
Z Z √
dy
q = 2Cdt + φ
w2 2
1 − 2C y

wy √
arc sen √ = 2Ct + φ
2C
wy √
√ = sen( 2Ct + φ)
2C
√
2C √
y = sen( 2Ct + φ) con C, φ ∈ R.
w

Ejemplo 1.21 (Cadena cayendo). Para el sistema de la segunda figura, el largo

de la cadena es L y su densidad es ρ [masa / largo], por lo tanto la EDO que lo
describe es
ρLy ′′ = ρgy
g
y ′′ − y = 0.
L
m
y
Figura 8. Sistema mecánico de un resorte y una masa.
r
g
Definiendo σ = se tiene la EDO y ′′ − σ 2 y = 0. El mismo cambio de variable
L
nos da
dz
z − σ2 y = 0
dy
dz
z = σ2 y
dy
z2 y2
= σ2 + C
2 p 2
z = σ 2 y 2 + 2C
p 2C
y′ = σ y 2 + a2 con a= .
σ2
Esto es Z Z
dy
p = σ dt = σt + φ.
y 2 + a2
Haciendo el cambio de variable y = a senh θ en el lado izquierdo,
Z
a cosh θ
dθ = σt + φ
a cosh θ
θ = σt + φ.
Por lo tanto, y = a senh(σt + φ), con φ ∈ R constante.
4.6. Otros casos. En ocasiones es posible reducir una ecuación complicada

a otra más simple mediante un cambio de variables. No hay una regla general para
determinar el cambio correcto, de modo que la experiencia es clave.
Ejemplo 1.22. La ecuación
y ′ = (x + y)2
es de Riccati. Sin embargo, para aplicar el método descrito más arriba es necesario
conocer una solución particular, lo que puede no ser evidente. Otra opción es usar
el cambio w = x + y. Esto nos da w′ = 1 + y ′ y la ecuación se transforma en
w′ = w2 + 1,
Figura 9. Sistema mecánico de una cadena bajo el efecto de g

con un extremo cayendo.
que es una ecuación en variables separables. Para hallar la solución general hacemos
Z Z
dw
= dx,
w2 + 1
de donde arctan(w) = x + C. Esto es
y = −x + tan(x + C), con C ∈ R.

Ejemplo 1.23. En la ecuación

cos(x + y + 1)
y′ =
1 − cos(x + y + 1)
podemos hacer el cambio z = x + y + 1. Con esto, z ′ = y ′ + 1 y la ecuación se
convierte en
1
z′ =
1 − cos(z)
Z Z
(1 − cos(z))dz = dx
z − sen(z) = x+C con C ∈ R.

La solución queda definida implı́citamente como
y − sen(x + y + 1) = C.

Otro procedimiento útil es integrar la variable independiente en términos de

la variable dependiente y luego despejar. La justificación, a grandes rasgos y sin
entrar en detalles, es la siguiente: en los intervalos donde y ′ existe y no se anula, la
expresión y = y(x) define implı́citamente a x en función de y. Es decir, podemos
escribir x = x(y). Observando que x(y(x)) = x y usando la regla de la cadena
vemos que
x′ (y(x))y ′ (x) = 1
1
x′ (y) = .
y ′ (x)
Ejemplo 1.24. La ecuación

y ′ (ey − x) = y
puede escribirse como
ey − x 1
= ′ = x′ .
y y
Esta es una ecuación lineal de primer orden en x si se toma y como variable:
1 1
x′ + x = ey .
y y
Multiplicando por el factor integrante µ(y) = y esto nos da
(xy)′ = ey
xy = ey + C
y la solución queda definida de manera implı́cita.
Otra manera de resolver la ecuación es

y′x + y = ey y ′
′
(xy)′ = (ey )
xy = ey + C.

Capı́tulo 2
El problema de Cauchy: existencia, unicidad y

métodos numéricos
1. Definiciones preliminares
Para establecer los teoremas generales de existencia y unicidad de EDO, ası́ co-
mo métodos prácticos de resolución por computador, requerimos primero precisar
la noción de solución de una EDO.
Definición 2.1. Dado un intervalo real I (no reducido a un punto), denota-
remos por C n (I) el conjunto de las funciones y : I → R cuyas derivadas hasta el
orden n existen y son continuas en I y las llamaremos funciones de clase C n .
Es fácil ver que C n (I) es un espacio vectorial con las operaciones usuales de
suma y ponderación por escalar.
Consideremos ahora una función F : I × Rn+1 → R. La noción1 de solución
que estudiaremos es la siguiente:
Definición 2.2. Diremos que una función y : I → R es solución de la ecuación
diferencial
F (x, y, y ′ , y ′′ , . . . , y (n) ) = 0
en el intervalo I si y ∈ C n (I) y
F (x, y(x), y ′ (x), y ′′ (x), . . . , y (n) (x)) = 0
para todo x ∈ I. Por otra parte, la solución general de una ecuación diferencial
es una expresión que agrupa, de manera compacta y explı́cita, la familia de to-
das las soluciones. Una solución cualquiera se denomina también a veces solución
particular.
Ejemplo 2.1. Consideremos la ecuación diferencial y ′ (x) = 0 en un intervalo
I. Recordemos que la derivada de una función en un intervalo es cero si, y sólo si,
la función es constante. Por lo tanto, la solución general de la ecuación es
y(x) = C con C ∈ R.
En muchas ocasiones las ecuaciones diferenciales revelan información cualitativa
acerca de solución, como vemos en el siguiente ejemplo:
Ejemplo 2.2. Consideremos la ecuación diferencial y ′ = 1 − |y| en R. En el
capı́tulo precedente estudiamos las técnicas que nos permiten resolver esta ecua-
ción. Sin embargo, sin necesidad de resolver, solamente al examinar la ecuación
diferencial podemos tener una idea de cómo son las soluciones. En efecto, vemos
1Más adelante, en el capı́tulo de Transformada de Laplace, veremos un caso más general de
soluciones continuas y con derivada continua por pedazos.
31
32 2. EL PROBLEMA DE CAUCHY: EXISTENCIA, UNICIDAD Y MÉTODOS NUMÉRICOS
que las funciones constantes y(x) ≡ 1 y y(x) ≡ −1 son de clase C 1 y satisfacen

y ′ = 1 − |y| en R, por lo que definen soluciones de la EDO.
Supongamos ahora que y : R → R es una solución de la EDO. En los puntos
donde y toma valores entre −1 y 1, su derivada es positiva; luego y es creciente.
En otro caso, y es decreciente. Además mientras más cerca esté y(x) de los valores
1 y −1, más cercana a 0 será su derivada. Si al contrario, |y(x)| es muy grande, la
pendiente será muy pronunciada.
Otro dato que obtenemos directamente de la ecuación es que si y : R → R define

una solución, entonces la función yc : R → R definida por yc (x) = y(x + c) también
define una solución (basta sustituir en la ecuación). Esto nos dice que al trasladar
una solución hacia la derecha o hacia la izquierda obtenemos más soluciones.2 Con
toda esta información deducimos que, de existir, las soluciones de la EDO deben
tener un aspecto bastante similar a las que se muestran a en la gráfica siguiente:
2Esto es una particularidad de las EDO autónomas, que no dependen explı́citamente de la

variable independiente.
2. EL PROBLEMA DE CAUCHY 33
2. El problema de Cauchy
En el ejemplo anterior, si bien la ecuación diferencial tiene más de una solución,
el gráfico sugiere que por cada punto (x0 , y0 ) de R2 pasa una y sólo una de estas
curvas. Determinar una (o la) solución de una EDO que pasa por cierto punto dado
es lo que se conoce como resolver el problema de Cauchy.
Definición 2.3. El problema de Cauchy asociado a una ecuación de primer
orden consiste en encontrar y ∈ C 1 (I) tal que
′
y (x) = f (x, y(x)) para todo x ∈ I,
(P C)
y(x0 ) = y0 ,
donde I es un intervalo, x0 ∈ I e y0 ∈ R. La igualdad y(x0 ) = y0 se llama con-
dición inicial o de borde según la variable x se interprete como tiempo o espacio
respectivamente.
Las soluciones del problema de Cauchy se ajustan a las condiciones iniciales o
de borde. Es importante no confundirlas con la familia de soluciones de la ecuación
diferencial sin condiciones iniciales o de borde (solución general).
Dependiendo de f , x0 e y0 , el problema de Cauchy puede o no tener solución
y, en caso de tener, ésta puede o no ser única. Los Teoremas 2.1 y 2.3 más adelante
garantizarán la existencia y unicidad de solución del problema de Cauchy bajo
ciertas condiciones.
Veamos bajo qué hipótesis es razonable esperar que el problema de Cauchy
asociado a una EDO tenga una única solución.
En primer lugar, para que y ′ (x) sea continua es necesario que y(x) y f (x, y)
(como función de dos variables) lo sean. Sin más información sobre la función y
es poco probable que la composición f (x, y(x)) sea continua si f no lo es3. Es de
esperar que necesitemos imponer que la función f sea continua para garantizar
que el problema tenga solución. Sin embargo, esto no es suficiente para obtener la
unicidad, como muestra el siguiente ejemplo:
Ejemplo 2.3. Consideremos el problema de Cauchy:
p
y ′ (x) = y(x) para todo x ∈ R,
y(0) = 0.
La función constante y(x) ≡ 0 es solución, al igual que la función

0 si x < 0,
y(x) = x2
4 si x ≥ 0.

√
Observemos que la derivada de la función g(y) = y diverge cerca del valor
y = 0. Más precisamente,
√ √
y− 0
lı́my→0 y−0 = ∞.
3A menudo se utiliza el abuso de notación de llamar f a la función x → f (x, y(x)) y a la

función (x, y) → f (x, y).
Entonces, para probar la unicidad de solución para el problema de Cauchy

necesitaremos una segunda condición. Esta será que el cuociente en el lı́mite anterior
se mantenga acotado cerca del punto, y a esto lo llamaremos una condición de tipo
Lipschitz.
3. Los teoremas de existencia y unicidad

Definición 2.4. Sean f : I × R → R una función y L > 0. Decimos que f es
globalmente Lipschitz con respecto a la segunda variable, con constante de Lipschitz
L, si para cada y, z ∈ R y para cada x ∈ I se tiene
(18) |f (x, y) − f (x, z)| ≤ L|y − z|.
Esta definición se puede generalizar para espacios normados, por lo cual defi-
niremos lo que es una norma.
Definición 2.5. Una norma es una aplicación k · k : Rn → R que cumple las
siguientes propiedades:
1. kxk ≥ 0 ∀x ∈ Rn
2. kxk = 0 ⇔ x = 0
3. kαxk = |α|kxk ∀α ∈ R, ∀x ∈ Rn
4. kx + yk ≤ kxk + kyk ∀x, y ∈ Rn (Desigualdad triangular)
Algunos ejemplos de normas son:
Ejemplo 2.4. Sea x ∈ Rn tal que x = (x1 , . . . , xn )t
P
1. kxk1 = ni=1 |xi |
Pn 1
2 2
2. kxk2 = i=1 |xi |
3. kxk∞ = supi=1,...,n |xi |
Enunciaremos y demostraremos ahora el Teorema de Existencia y Unicidad
Global4.
Teorema 2.1. Sea I un intervalo. Supongamos que f : I × R → R es una
función continua con respecto a su primera variable y globalmente Lipschitz con
respecto a su segunda variable. Entonces para cada x0 ∈ I e y0 ∈ R existe una
única solución global y ∈ C 1 (I) del problema de Cauchy (P C).
Para realizar la demostración sera necesario precisar el teorema de punto fijo
de Banach:
Teorema 2.2. Sea un operador φ : E → E contractante (Con constante de
Lipschitz L < 1) con respecto a una norma tiene un único punto fijo (x ∈ E : x =
φ(x)), siempre que E sea completo para su norma, es decir que todas las sucesiones
de Cauchy convergen.
Un punto fijo puede ser visto gráficamente como:
Ejemplo 2.5. Algunos espacios de Banach que usaremos son:
E = C 0 (I) con k · k∞

E = y ∈ C 0 (I)|ψ1 (x) ≤ y ≤ ψ2 (x) (ψ1 , ψ2 continuas en I)
4Cuya versión más general será el Teorema 5.2 que se demostrará más adelante en este texto.
3. LOS TEOREMAS DE EXISTENCIA Y UNICIDAD 35
Ahora procederemos a demostrar el Teorema de existencia y unicidad global.

Demostración. Sea el siguiente problema de Cauchy: y ∈ C 1 (I) tal que
′
y (x) = f (x, y(x)) para todo x ∈ I,
(P C)
y(x0 ) = y0
Con I cerrado y acotado, f continua con respecto a x y f Lipschitz global con
respecto a y.
Para efecto de esta demostración encontraremos una solución a (P C), tomando la
ecuación del (P C):
y′ = f (x, y)
Z x Z x
⇔ y′ = f (x, y)dx
x0 x0
Z x
⇔ y(x) = y0 + f (x, y)dx (∗)
x0
Podemos ver que (∗) soluciona el problema de Cauchy, en efecto:

Z x ′
′
(1) y = y0 + f (x, y)dx = f (x, y)
x0
Esto haciendo uso del Teorema fundamental del calculo pues f ∈ C 0 (f continua
con respecto a x y como es Lipschitz con respecto a y, luego es continua).
Z x0
(2) y(0) = y0 + f (x, y)dx = y0
x0
Teniendo esto definimos el siguiente operador integral:
φ : C 0 (I) → C 0 (I)
Z x
y 7→ φ(y) = y0 + f (x, y)dx
x0
Podemos ver que φ esta bien definida pues φ(y) ∈ C 0 (I) (Por composición de
funciones).
La solución de (∗) y equivalentemente del (P C) serı́a un punto fijo de φ tal que

y = φ(y), Luego si demostramos que φ es contractante, usando el Teorema de punto
fijo de Banach 2.2, mostrarı́amos la existencia y unicidad de el punto fijo de φ y
por consecuencia la existencia y unicidad de la solución del (P C).
Para mostrar que φ es contractante definiremos la siguiente norma en el espacio:
C 0 (I)
kf k∞,L := supx∈I [|f (x)|e−2L(x−x0 ) ]
Con L siendo la constante de Lipschitz de y, esta norma nos sera útil para mostrar
que φ es contractante:
Z x
kφ(y) − φ(z)k ≤ |f (x, y) − f (x, z)|dx
x
Z x0
= |f (x, y) − f (x, z)|e−2L(x−x0 e2L(x−x0 ) dx
x0
Z x
≤ L |y − z|e−2L(x−x0 e2L(x−x0 ) dx (f Lipschitz)
x0
Z x
−2L(x−x0
≤ L sup[|y(x) − y(z)|e ] e2L(x−x0 ) dx
x∈I x0
1 x

= Lky − zk∞,L e2L(x−x0 )
2L x0
1
= ky − zk∞,L e2L(x−x0 )
2
1
⇔ kφ(y) − φ(z)ke−2L(x−x0) ≤ ky − zk∞,L
2
Luego tomando supremo en la izquierda sobre x ∈ I concluimos que
1
kφ(y) − φ(z)k∞,L ≤ ky − zk∞,L
2
⇒ φ es contractante ⇒ ∃! punto fijo para φ ⇒ ∃! solución para el (P C)
El teorema garantiza que la solución existe en todo el intervalo de definición
(para la primera variable) de f . Por eso la solución es global. En particular, si
f : R × R → R entonces la solución queda definida en todo R.
Ejemplo 2.6. En el Ejemplo 2.2 esbozamos las soluciones de la ecuación y ′ =
1−|y|. En este caso tenemos que la f : R×R → R está definida por f (x, y) = 1−|y|.
Claramente esta función es continua con respecto a su primera variable, pues no
depende explı́citamente de ella. Veamos que es globalmente Lipschitz con respecto
a la segunda (verifique gráficamente considerando la pendiente de la recta secante
a la función f (y) = 1 − |y| entre dos puntos cualesquiera y y z):

|f (x, y) − f (x, z)| = 1 − |y| − (1 − |z|) = |y| − |z| ≤ |y − z|.
El Teorema 2.1 nos dice que por cada punto (x, y) del plano pasa una única solu-
ción, como se aprecia en la figura del Ejemplo 2.2.
El que f verifique (18) para todo x ∈ I y para todos y, z ∈ R es una hipótesis

bastante restrictiva. Para garantizar existencia y unicidad locales, en realidad basta
que la función f sea Lipschitz con respecto a su segunda variable en un entorno
3. LOS TEOREMAS DE EXISTENCIA Y UNICIDAD 37
de la condición inicial. Presentamos a continuación un Teorema de Existencia y

Unicidad Local5.
Teorema 2.3. Sea I un intervalo. Tomemos x0 ∈ I e y0 ∈ R. Supongamos que
f : I × R → R es una función continua (con respecto a su primera variable) en x0 .
Supongamos también que existen r, δ, L > 0 tales que |f (x, y) − f (x, z)| ≤ L|y − z|
siempre que y, z ∈ [y0 − r, y0 + r] y x ∈ I ∩ [x0 − δ, x0 + δ]. Denotemos
M = máx{|f (x, y)| | x ∈ I, |x − x0 | ≤ δ, |y − y0 | ≤ r},
n r o
δ0 = mı́n δ, , y J = I ∩ (x0 − δ0 , x0 + δ0 ).
M
Entonces existe una única solución local y ∈ C 1 (J) del problema de Cauchy (P C).
Notemos que la solución puede no quedar definida en todo I sino que en un
subconjunto J. Por eso se le llama solución local. De hecho, la solución puede estar
definida en un intervalo tanto más pequeño cuanto más grande sea M . Una función
con la propiedad descrita en el teorema decimos que es localmente Lipschitz con
respecto a su segunda variable en un entorno de (x0 , y0 ).
Demostración. Tomamos el mismo (P C) de la demostración de la existencia

y unicidad global, pero ahora f es localmente Lipschitz con resepecto a y. Luego se
tiene que:
|f (x, y) − f (x, z)| < L|y − z|, L > 0∀x ∈ [x0 − δ, x0 + δ], ∀y, z ∈ [y0 − r, y0 + r]

Además sea R := (x, y) ∈ R2 : x ∈ [x0 − δ, x0 + δ], y ∈ [y0 − r, y0 + r .
r
Luego tomando δ0 = mı́n(δ, M ) con M := máx(x,y)∈R |f (x, y)|
Luego ocupando esto definimos: J0 = [x0 −δ0 , x0 −δ0 ] Este conjunto nos servirá para
definir el siguiente espacio:

E := Y ∈ C 0 (J0 )|min {y0 ± M (x − x0 )} ≤ Y (x) ≤ max {y0 ± M (x − x0 )}
5Cuya versión más general será el Teorema 5.4 que se demostrará más adelante también.
Ahora ocupamos el Rmismo operador integral usado en la demostración de TEU

x
global φ(y) = y0 + x0 f (x, y)dx, podemos ver claramente que φ ∈ E, pues:
Z x
f (x, y)dx ≤ M (x − x0 )
x0
(Muy parecido a la noción de integral de Riemann), Ahora como vimos en el ejemplo

2.5 el espacio de funciones acotados por funciones continuas es Banach, es decir E
es un espacio de Banach, se puede evidenciar que φ es contractante en este espacio
⇒ ∃! punto fijo para φ ⇒ ∃! solución para el (P C) en torno a x0 .

Ejemplo 2.7. Consideremos la ecuación y ′ = −y 2 , con condición inicial y(0) =

y0 > 0. Por el momento sabemos que existe una única solución que está definida
cerca de x0 = 0. Primero veamos que la función f (x, y) = −y 2 es localmente
Lipschitz con respeto a su segunda variable en un entorno de y0 .
En efecto, para δ > 0 cualesquiera y 0 < r ≤ y0 se tiene que
|f (x, y) − f (x, z)| = |y 2 − z 2 | = |y + z||y − z| ≤ 2(y0 + r)|y − z|
siempre que y, z ∈ [y0 − r, y0 + r] (no hay restricción del tipo |x − x0 | ≤ δ) y una
constante de Lipschitz es L = 2(y0 + r).
Calculemos los valores de M y δ0 que da el Teorema 2.3 para saber dónde
tenemos garantizada la existencia de una única solución.
M = máx{y 2 | |y − y0 | ≤ r} = (y0 + r)2 .
Por otra parte, δ0 = r(y0 +r)−2 . Pero como todo lo anterior es válido para cualquier
r > 0 podemos tomar
r 1
δ0 = máx 2
= .
r>0 (y0 + r) 4y0
Todo lo anterior nos dice que existe una única solución y está definida, al menos,
en el intervalo (− 4y10 , 4y10 ).
Por otra parte, observemos que y(x) = x+1 1 es la solución de la ecuación (en
y0
el capı́tulo anterior vimos cómo deducir esto). En realidad ella está definida en el
intervalo (− y10 , ∞), que es más grande de lo que predice el Teorema 2.3. Observe-
mos, sin embargo, que el punto donde y deja de existir está más cerca de x0 = 0
cuando más grande sea y0 .
√
Ejemplo 2.8. Retomando el Ejemplo 2.3, notemos que la función f (x, y) = y
no es localmente Lipschitz con respecto a y en un entorno de y0 = 0, de modo que el
Teorema 2.3 no permite esperar que exista una única solución. Sin embargo, se pue-
de probar fácilmente que la función sı́ es localmente Lipschitz si tomamos y0 > 0.
Se deja al lector verificar esto y encontrar el intervalo de existencia y unicidad.
La condición de Lipschitz no es siempre fácil de verificar directamente. Un

criterio práctico que funciona a menudo es el siguiente. Supongamos que f : I ×R →
R es continua con respecto a su primera variable y de clase C 1 con respecto a su
segunda variable. Con la ayuda del Teorema del Valor Medio se puede demostrar
4. MÉTODOS NUMÉRICOS 39
que f satisface las condiciones del Teorema 2.3. En efecto si C = [x0 − δ, x0 + δ] ×

[y0 − r, y0 + r] entonces |f (x, y) − f (x, z)| ≤ L|y − z|, donde6

∂f
L = máx (x, y) .

(x,y)∈C ∂y
4. Aproximación del problema de Cauchy mediante métodos

numéricos
En esta sección presentaremos algunos métodos numéricos básicos que se pue-
den utilizar para aproximar la solución y(x) de un problema de Cauchy del tipo
′
y (x) = f (x, y(x)) para todo x ∈ [x0 , x0 + L],
y(x0 ) = y0 ,
donde L > 0 es el largo total del intervalo.
En primer lugar dividimos [x0 , x0 + L] en N pequeños subintervalos In =
L
[xn , xn+1 ], n = 0, . . . , N − 1 de la misma longitud: para ello, escribimos h = N
y para n = 1, . . . , N definimos xn = x0 + nh, de manera que xN = x0 + L y
[x0 , x0 + L] = [x0 , x1 ] ∪ [x1 , x2 ] ∪ · · · ∪ [xN −1 , xN ].
La idea es encontrar puntos {y1 , . . . , yN } tales que el error en = yn − y(xn ) sea
pequeño para cada n = 1, . . . , N , pero en particular en el punto final xN = x0 + L.
×
×
×
× ×
x0 x1 x2 x3 ··· x0 + L
Solución exacta y su aproximación en el intervalo [x0 , x0 + L].
Integrando la ecuación diferencial en cada intervalo In = [xn , xn+1 ] obtenemos

Z xn+1
(19) y(xn+1 ) − y(xn ) = f (s, y(s))ds.
xn
La manera de aproximar la integral que aparece del lado derecho nos dará diversos
métodos para encontrar los puntos {yn }N
n=1 .
4.1. Orden del algoritmo. Error local y global. En las siguientes seccio-
nes veremos varios algoritmos de discretización usando la identidad integral (19).
Como ya mencionamos, al discretizar nos interesará que los errores de discretización
globales
en = yn − y(xn )
6No confundir y ′ = dy con ∂f .

dx ∂y
sean pequeños, esto es, que la solución discretizada se mantenga cerca de la solu-
ción exacta. Sin embargo, el error se va acumulando al pasar de un intervalo Ii al
siguiente y eso quiere decir que los errores en I0 , I1 , . . . , In van a incidir en el error
en al final del intervalo en xn+1 . Por eso llamamos a en error global.
Para saber cuál es el error de discretización local en cada intervalo In , hay que
considerar el problema de Cauchy local
z′ = f (x, z), t ∈ In
z(xn ) = yn
es decir, considerar la solución exacta si ésta coincidiera con la numérica en x = xn .
En general z(xn+1 ) difiere de yn+1 lo que lleva a definir el error de discretización
local:
dn = yn+1 − z(xn+1 ),
que también difiere del error global en .
Definición 2.6. El máximo p tal que
|dn | ≤ Chp+1
para una constante C independiente de h se define como el orden del método.
Que el orden sea p y no p + 1 se explica pues el error de discretización global
eN luego de N = h/L iteraciones será comparable con la suma de los N errores
locales dn , n = 0, . . . , N − 1:
N
X −1
C p
|eN | ≤ dn ≤ CN hp+1 = h
n=0
L
por lo que se pierde un order al sumar y el error acumulado al final del cálculo
medido en el último intervalo se comporta solamente como hp .
No analizaremos el orden de cada uno de los métodos que veremos en detalle,
aunque sı́ lo indicaremos. Es fácil convencerse de que el orden del método depende
principalmente del error de la cuadratura que se escoge para aproximar el término
integral de la derecha en (19). Entonces, cuadraturas por rectángulos, trapecios y
el método de Simpson generarán métodos de cada vez mayor orden.
4.2. Métodos de primer orden. La manera más obvia de aproximar la
integral en (19) es usar un rectángulo. Esto nos da los métodos de Euler de primer
orden, de acuerdo con el extremo del intervalo que usemos para definir la altura del
rectángulo.
Método de Euler progresivo. Empezamos haciendo y(x0 ) = y0 . Aproximamos

la integral Z x1
f (s, y(s))ds
x0
por el área del rectángulo con base en el segmento [x0 , x1 ] y cuya altura esta dada
por el valor del integrando en el extremo izquierdo del intervalo [x0 , x1 ]. Tenemos
que Z x1
y(x1 ) − y(x0 ) = f (s, y(s))ds ∼ (x1 − x0 )f (x0 , y(x0 )),
x0
de donde
y(x1 ) ∼ y(x0 ) + hf (x0 , y(x0 )) = y0 + hf (x0 , y(x0 )).
Esto sugiere definir
y1 = y0 + hf (x0 , y0 )).
Inductivamente, para n = 1, . . . , N − 1 definimos
(20) yn+1 = yn + hf (xn , yn ).
Observemos que esto es equivalente a
yn+1 − yn
= f (xn , yn ) =: dn .
h
El cuociente del lado izquierdo es una aproximación de la derivada de la función

y. Se dice que éste es un método explı́cito pues la expresión (20) nos da una fórmula
para yn+1 en términos del valor conocido yn .
dn
xn xn+1
R xn+1
Método de Euler progresivo: xn
f (s, y(s))ds ∼ dn (xn+1 − xn ).
Método de Euler retrógrado. Esta vez aproximamos la integral utilizando el va-

lor del integrando en el extremo derecho de cada subintervalo. Para n = 0, . . . , N −1
definimos
(21) yn+1 = yn + hf (xn+1 , yn+1 ),
lo que equivale a
yn+1 − yn
= f (xn+1 , yn+1 ).
h
Se dice que este es un método implı́cito pues es necesario resolver la ecuación (21),
que generalmente es no lineal, para determinar yn+1 . Este proceso puede ser difı́cil,
lo cual representa una desventaja de este método. Sin embargo, el método de Euler
retrógrado (y los métodos implı́citos en general) goza de mejores propiedades de
estabilidad, concepto que presentaremos más adelante.
dn+1
xn xn+1
R xn+1
Método de Euler retrógrado: xn
f (s, y(s))ds ∼ dn+1 (xn+1 − xn ).
4.3. Métodos de segundo orden. Los métodos de segundo orden utilizan

dos aproximaciones sucesivas para calcular la integral, basadas en el valor del inte-
grando en dos puntos distintos del subintervalo. Los que presentamos a continuación
son casos especiales de los llamados esquemas de Runge-Kutta.
Método de Euler modificado. También se basa en una aproximación de la

integral por un rectángulo, pero esta vez se toma el valor del integrando en el
punto medio del subintervalo xbn+1 = xn + h2 . Dicho valor es f (b
xn+1 , y(b
xn+1 )). Es
necesario estimar el valor de y(b
xn+1 ), para lo cual se utiliza el método de Euler
progresivo (en lugar de resolver una ecuación no lineal). Ası́, cada iteración del
algoritmo tiene dos etapas. Primero calculamos
h
ybn+1 = yn + f (xn , yn ),
2
que aproxima el valor de y(b
xn+1 ). Luego hacemos
yn+1 = yn + hf (b
xn+1 , ybn+1 ).
cn+1
xn x
bn+1 xn+1
R xn+1
Método de Euler modificado: xn
f (s, y(s))ds ∼ cn+1 (xn+1 − xn ).
Método de Heun. En esta ocasión utilizamos la regla de los trapecios para apro-
ximar la integral:
Z xn+1
hh i
f (s, y(s))ds ∼ f (xn , yn ) + f (xn+1 , y(xn+1 )) .
xn 2
Al igual que en el método de Euler modificado, estimaremos el valor de y(xn+1 )

usando el método de Euler progresivo. Ası́, definimos
ybn+1 = yn + hf (xn , yn )
y luego calculamos
hh i
yn+1 = yn + f (xn , yn ) + f (xn+1 , ybn+1 ) .
2
dn+1
dn
xn xn+1
R xn+1 1
Método de Heun: xn
f (s, y(s))ds ∼ 2
(dn+1 + dn )(xn+1 − xn ).
Ejemplo 2.9. Estudiemos el problema

′
y (x) = y(x) + ex para x ∈ (0, 1),
y(0) = 1,
Se trata de una ecuación lineal de primer orden no homogénea que sabemos resolver.
y′ − y = ex
−x ′
e y − e−x y = 1
′
e−x y = 1
−x
e y = x + C, C ∈ R.
Tomando en cuenta la condición inicial, vemos que la solución es
(22) y(x) = ex (x + 1).
Veamos ahora cómo funcionan los métodos descritos arriba. Para ello dividimos el
intervalo [0, 1] en 20 subintervalos de longitud 0, 05. La siguiente tabla muestra los
valores que da la ecuación diferencial (ED) mediante la fórmula (22), los métodos
de Euler progresivo (EP), de Euler retrógrado (ER), de Euler modificado (EM) y
de Heun (H), junto con los errores cometidos al aplicar cada método.

4.4. Estabilidad. A grandes rasgos, un método es estable en la medida en

que los valores que entrega se mantienen cerca de la solución que se pretende apro-
ximar. Es decir, si el error en = yn − y(xn ) se mantiene acotado o pequeño. Hay
diferentes criterios de estabilidad, pero nosotros nos centraremos en la llamada
estabilidad asintótica, que tiene que ver con el comportamiento a largo plazo.
X ED EP Error ER Error EM Error H Error
0 1 1 0 1 0 1 0 1 0
0.05 1.104 1.100 0.004 1.108 0.004 1.104 0.000 1.104 0.000
0.10 1.216 1.208 0.008 1.224 0.009 1.216 0.000 1.216 0.000
0.15 1.336 1.323 0.013 1.350 0.014 1.336 0.000 1.336 0.000
0.20 1.466 1.447 0.018 1.485 0.020 1.465 0.000 1.465 0.000
0.25 1.605 1.581 0.024 1.631 0.026 1.605 0.000 1.605 0.000
0.30 1.755 1.724 0.031 1.788 0.033 1.754 0.001 1.754 0.000
0.35 1.916 1.878 0.038 1.957 0.041 1.915 0.001 1.915 0.001
0.40 2.089 2.043 0.046 2.138 0.050 2.088 0.001 2.088 0.001
0.45 2.274 2.219 0.055 2.333 0.059 2.273 0.001 2.273 0.001
0.50 2.473 2.409 0.064 2.543 0.070 2.472 0.001 2.472 0.001
0.55 2.687 2.612 0.075 2.768 0.082 2.685 0.001 2.685 0.001
0.60 2.915 2.829 0.086 3.010 0.094 2.914 0.002 2.914 0.001
0.65 3.161 3.061 0.099 3.269 0.108 3.159 0.002 3.159 0.001
0.70 3.423 3.310 0.113 3.547 0.124 3.421 0.002 3.422 0.002
0.75 3.705 3.577 0.128 3.845 0.140 3.702 0.002 3.703 0.002
0.80 4.006 3.861 0.145 4.165 0.159 4.003 0.003 4.004 0.002
0.85 4.328 4.166 0.163 4.507 0.178 4.325 0.003 4.326 0.002
0.90 4.673 4.491 0.182 4.873 0.200 4.670 0.003 4.671 0.003
0.95 5.042 4.838 0.204 5.266 0.224 5.038 0.004 5.039 0.003
1 5.437 5.210 0.227 5.686 0.250 5.432 0.004 5.433 0.003
Cuadro 1. Desempeño de los métodos estudiados
Supongamos que se quiere aproximar la solución de un problema de Cauchy

del tipo
′
y (x) = f (x, y(x)) para todo x ∈ [x0 , ∞),
y(x0 ) = y0 ,
Tomamos h > 0 y definimos xn = x0 + nh, de manera que
[x0 , ∞) = [x0 , x1 ] ∪ [x1 , x2 ] ∪ · · ·
Calculamos los valores de yn que nos entrega el algoritmo y los comparamos con
los valores de la solución exacta del problema de Cauchy. Diremos que un método
de aproximación es
1. Incondicionalmente estable si lı́mn→∞ |yn − y(xn )| = 0 para cualquier valor
de h > 0.
2. Condicionalmente estable si lı́mn→∞ |yn − y(xn )| = 0 para algunos valores
de h > 0.
3. Inestable si |yn − y(xn )| no converge a cero para algún valor de h > 0.
Para entender mejor este concepto analizaremos la estabilidad de los métodos
de primer orden descritos arriba al momento de aproximar ciertas ecuaciones.
Ejemplo 2.10. Estudiaremos el problema

y ′ (x) = −ay(x) para x ∈ (0, ∞),
y(0) = y0 ,
con a > 0 e y0 > 0. Se trata de una ecuación lineal de primer orden cuya solución
es y(x) = y0 e−ax . Observemos que lı́mx→∞ y(x) = 0 para todos los valores de a e
y0 . Por lo tanto, lı́mn→∞ y(xn ) = 0.
y0
Solución de la ecuación diferencial.
Al aplicar el método de Euler progresivo tenemos

yn+1 = yn + hf (xn , yn ) = yn + h(−ayn ) = (1 − ah)yn = (1 − ah)n+1 y0 .
Tenemos dos casos:
1. Si h < 2/a, lı́mn→∞ yn = 0 y por ende lı́mn→∞ |yn − y(xn )| = 0.
2. Si h ≥ 2/a, la sucesión diverge y no existe lı́mn→∞ |yn − y(xn )|.
Por lo tanto el método es condicionalmente estable (e inestable si h ≥ 2/a). Note-
mos que la inestabilidad se manifiesta por oscilaciones no acotadas de la solución
numérica. Este hecho resulta ser mucho más general y se aplica incluso como defi-
nición de inestabilidad en métodos numéricos para ecuaciones diferenciales.
× ×
×
× × × × × × × × ×
1 1
h< a h= a
×
1 2
a <h< a ×
× ×
2
×
h≥ a
×
× ×
×
×
×
Método de Euler progresivo con distintos valores de h.
Ejemplo 2.11. Si aplicamos el método de Euler retrógrado para el problema

de Ejemplo 2.10 obtenemos
yn+1 = yn + hf (xn+1 , yn+1 ) = yn + h(−ayn+1 ).
Despejando vemos que
1 1
yn+1 = yn = y0 .
1 + ah (1 + ah)n+1
Como 1 + ah > 1 para todo h > 0 tenemos que lı́mn→∞ yn = 0 y por lo tanto
lı́mn→∞ |yn − y(xn )| = 0 sin importar el valor de h. Esto nos dice que el método es
incondicionalmente estable.
y0 ×
×
×
×
× × ×
Método de Euler retrógrado.
La estabilidad condicional es frecuente entre los métodos explı́citos y la incon-

dicional, entre los implı́citos. Como resumen del análisis precedente, digamos que
el error de los métodos de Euler progresivo y retrógrado es similar cuando h es pe-
queño y ambos métodos son estables, pero si h crece, el método de Euler progresivo
se vuelve inestable.
Ejemplo 2.12. Estudiemos ahora la ecuación

y ′ (x) = ay(x) para x ∈ (0, ∞),
y(0) = y0 ,
con a > 0 e y0 > 0. Se trata de una ecuación lineal de primer orden cuya solución
es y(x) = y0 eax . Esta vez no es cierto que lı́mx→∞ y(x) = 0 para ningún valor de a.
El método de Euler progresivo nos da yn = (1 + h)n y0 , mientras que el método

de Euler retrógrado nos da yn = (1 − h)−n y0 . En ningún caso existe lı́mn→∞ |yn −
y(xn )|. Esto se ve fácilmente pues ambos lı́mites son de la forma lı́mn→∞ |bn − cn |
con b 6= c. Por lo tanto, ambos métodos son inestables.
4.5. Métodos de Runge Kutta de orden 4. Al hacer una cuadratura del

tipo Simpson para la integral:
Z xn+1
h
f (s, y(s)) ds ≈ (f (y(xn ), xn ) + 2f (y(xn+ 12 ), xn+ 12 ) + f (y(xn+1 ), xn+1 ))
xn 6
donde xn+ 21 = xn + h/2 se inspira el siguiente algoritmo que hace parte de los
métodos de Runge-Kutta de orden 4 explı́citos. Este algoritmo es uno de los más
utilizados para resolver ecuaciones diferenciales ordinarias:
5. EJEMPLO NUMÉRICO: LA LEY DE OMORI EN SISMOLOGÍA 47
y0 = y(0)
g1 = f (xn , yn )

h
g2 = f xn+ 12 , yn + g1
2
h
g3 = f (xn+ 12 , yn + g2 )
2
g4 = f (xn+1 , yn + h g3 )
h
yn+1 = yn + (g1 + 2g2 + 2g3 + g4 )
6
No daremos aquı́ mayores detalles de la deducción del método, para lo cual puede
consultar un libro especializado en métodos numéricos. Sin embrago, para acercarse
a su comprensión haga el siguiente ejercicio.
Ejercicio Propuesto 2.1. Verifique que si f no depende de x se tiene que
g2 = g3 y se recupera en este caso la idea de la cuadratura de Simpson.
5. Ejemplo numérico: la Ley de Omori en sismologı́a

En esta sección veremos como se aplica una variante de la ley de Omori prove-
niente de la sismologı́a, que, usando ecuaciones diferenciales ordinarias, se usa para
la predicción de réplicas de sismos. Trabajaremos con los datos del terremoto del
27 de Febrero del 2010 en Chile. Primero resolvemos la EDO analı́ticamente para
compararla con soluciones aproximadas usando los métodos numéricos de Euler, de
Euler modificado y de Heun, para valores de parámetros apropiados.
Sea yM en número acumulado de réplicas de magnitud mayor o igual que M
en función del tiempo, donde t = 0 corresponde al tiempo de ocurrencia del sismo
principal. La ley de Omori modificada7 dice lo siguiente:
′ p
(23) yM (t) = kM pt ,
e −1
donde p y kM son constantes positivas. Esto es, el número de réplicas de una
magnitud mayor o igual que M decrecen con t, donde t es el tiempo que lleva
transcurrido desde el sismo principal.
5.1. Solución analı́tica comparada con las aproximaciones numéri-
cas. La solución analı́tica se obtiene fácilmente por integración directa:
yM (t) = ln(ept − 1) − pt + c, c ∈ R, t ∈ [0, T ]
Para la discretización, consideramos un paso de discretización h > 0, tn = t0 + nh,
yn aproxima yM (tn ), tn+ 21 = tn + h2 . Se define:
p
f (t) = kM pt .
e −1
Notar que f no depende de y.
a)Método de Euler:
y0 = yM (t0 )
yn+1 = yn + hf (tn )
7B.-F. Apostol, Eulers transform and a generalized Omoris law, Physics Letters A 351 (2006)
175-176.
b)Método de Euler modificado:

y0 = yM (t0 )
h
yn+ 12 = yn + f (tn )
2
yn+1 = yn + hf (tn+ 21 ).
Notar que el paso 2 de este método resulta innecesario pues f no depende de y.
c)Método de Heun:
y0 = yM (t0 )
ŷn+1 =
yn + hf (tn )
h
yn+1 = yn + (f (tn ) + f (tn+1 )).
2
Notar que el paso 2 de este método resulta innecesario pues f no depende de y.
Ahora comparamos la solución analı́tica con las aproximaciones numéricas. No-
tar que en t = 0 la función yM está indefinida, por ello hay que escoger como con-
dición inicial algún t0 > 0 cercano a cero y partir del valor de la solución analı́tica
en ese tiempo. Por ejemplo si elegimos c = 1200, kM = 200, p = 0,01,T = 200,
t0 = h = 4, la comparación de métodos da como resultado la Figura siguiente.
Comparacion de soluciones h=4.00

1300
1200
1100
1000
900
800
700
Euler
600 Euler Modificado
Heun
Sol Analitica
500
0 20 40 60 80 100 120 140 160 180 200
El código de matlab para producir el gráfico es:
1 %Ley de Omori modificada

2 % Valor de parametros elegidos
3 % constantes
4 p=0.01; kM=200; c=1200;
5 % solucion analitica
6 yM=@(t) kM*(log(exp(p*t)−1)−p*t)+c;
7 % intervalo de tiempo:
8 T=200; h=8; t0=h; t=t0:h:T; N=(T−t0)/h;
9 % lado derecho de la EDO
10 f=@(t) kM*p/(exp(p*t)−1);
11 % soluciones numericas
12 % 1.− Metodo de Euler progresivo
13 y Euler(1)=yM(t0);
14 for i=1:N
15 ti=t0+(i−1)*h;
16 y Euler(i+1) = y Euler(i) + h*f(ti);
17 end
18 % 2.− Metodo de Euler modificado
19 y Euler Mod(1)=yM(t0);
20 for i=1:N
21 tim=t0+(i−1)*h+h/2;
22 y Euler Mod(i+1) = y Euler Mod(i) + h*f(tim);
23 end
24 % 3.− Metodo de Heun
25 y Heun(1)=yM(t0);
26 for i=1:N
27 ti=t0+(i−1)*h;
28 tf=t0+i*h;
29 y Heun(i+1) = y Heun(i) + h/2*(f(ti)+f(tf));
30 end
31 figure(2)
32 hold on
33 plot(t,y Euler,'x');
34 plot(t,y Euler Mod,'+');
35 plot(t,y Heun,'o');
36 plot(t,yM(t),'k');
37 legend('Euler','Euler Modificado','Heun','Sol ...
Analitica','Location','SouthEast')
38 title(sprintf('Comparacion de soluciones h= %3.2f',h))
39 hold off
Los gráficos muestran que para valores decrecientes de h el desempeño del

método de Euler es siempre muy deficiente (del orden de 10 % al final del intervalo)
en cambio los métodos de Euler modificado y de Heun muestran menor error (del
orden de 1 % al final del intervalo). En todo caso Heun aproxima por exceso y Euler
modificado por defecto.
5.2. Lectura y análisis de datos de réplicas. Los datos de réplicas se

pueden obtener de la base de datos del servicio geológico de EEUU (USGS) de la
página: usando los parámetros siguientes:
Output File Type: Spreadsheet Format (comma delimited)
Database: USGS/NEIC (PDE) 1973 - Present
Latitude of Rectangular Area: top -32, bottom -40
Longitude of Rectangular Area: left -75, right: -70
Date: 2010/02/27 - 2010/04/15
Magnitude, Depth, Intensity: nada
Deberı́a obtener una lista como la siguiente la que debe almacenar en el archivo
ascii datos.txt:
Year,Month,Day,Time(hhmmss.mm)UTC,Latitude,Longitude,Magnitude,Depth
2010,02,27,063412.62,-36.03, -72.85,8.8, 26
2010,02,27,065234.01,-34.87, -72.61,6.2, 35
2010,02,27,065626.19,-34.35, -72.20,5.6, 34
2010,02,27,065931.92,-33.97, -72.12,5.3, 21
2010,02,27,070204.26,-38.10, -73.71,5.1, 35
...
Aparecen en primer lugar los datos del terremoto del 27 de Febrero a las 06:34
UTC (tiempo universal coordinado correspondiente al horario de Greenwich), que

corresponde restando 3 horas a las 3:34 de la madrugada hora local de Chile con-
tinental, y tuvo una magnitud de 8.8. Luego aparecen otros sismos en la misma
región rectangular que supondremos son réplicas del sismo inicial.
El siguiente programa de matlab leer datos.m le facilitara la lectura de los

datos:
1 % Lectura de datos separados por coma, 1 significa una linea de ...

comentarios
2 A=importdata('datos.txt',',',1);
3 % Lectura de magnitudes. A.data son los datos numericos
4 magnitudes=A.data(:,7);
5 mmin=nanmin(magnitudes);
6 mmax=nanmax(magnitudes);
7 mstep=0.2;
8 % Graficos de numero de replicas >= magnitud min
9 % y(t) es la funcion interpolada de los datos
10 hold on
11 i=0; y=[];
12 for M=mmin+0.6:mstep:mmax−2.8
13 seleccion=find(magnitudes>=M);
14 B=A.data(seleccion,:);
15 agno=B(:,1); mes=B(:,2); dia=B(:,3); UTC=B(:,4);
16 aux=UTC/10ˆ4; hora=fix(aux); min=fix((aux−hora)*100);
17 seg=fix(((aux−hora)*100−min)*100);
18 fecha=datenum(agno,mes,dia,hora,min,seg);
19 ndatos=length(fecha);
20 numero replicas=1:ndatos;
21 % interpolacion de datos a malla de tiempo uniforme
22 % y almacenados en el cell array y{i}
23 t=nanmin(fecha):0.25:nanmax(fecha);
24 i=i+1;
25 y{i}.data=interp1(fecha,numero replicas,t);
26 y{i}.magnitud min=M;
27 y{i}.fechas=t;
28 % graficos
29 plot(fecha,numero replicas,'r.');
30 plot(t,y{i}.data);
31 title('Num acumulado de replicas en funcion del tiempo')
32 xlabel('tiempo'); ylabel('numero de replicas');
33 label=sprintf('Magn>= %3.1f (y %d)',M,i);
34 text(fecha(ndatos),ndatos,label);
35 datetick('x','dd/mm'); grid on
36 end
37 hold off
Los datos de las réplicas quedan almacenados como y{1}.data, y{2}.data, y{3}.data,
etc. Las magnitudes mı́nimas respectivas son M(i)=y{i}.magnitud min. Una uni-
dad de tiempo corresponde a 6 horas, y{i}.data(1) es 1 y corresponde al sismo
inicial y y{i}.data(5) es el número de réplicas de magnitud mayor o igual que
M(i) luego de trascurridas (5 − 1) ∗ 6 = 24 horas del terremoto. Si desea ver las
curvas tiene que hacer simplemente:
plot(y{i}.data) o bien
plot(y{i}.fechas,yi.data); datetick(’x’,’dd/mm’)
para verlo con fechas. Si graficamos los datos reales de las réplicas y{1}, y{2},
y{3}, etc. para el sismo del 27 de Febrero del 2010 en función de una nueva variable
τ = ln(ept − 1) − pt para distintos valores de p. Se obtiene aproximadamente un
haz de rectas que se intersectan en un punto, esto es y − y0 = kM (τ − τ0 ) donde
y0 ,τ0 se pueden estimar.
Num acumulado de replicas en funcion del tiempo Grafico de los datos en funcion de tau para p=0.02
1200 1200
Magn>=4.0 (y1)
Magn>=4.2 (y2)
1000 1000
Magn>=4.4 (y3)
800 800
numero de replicas
Magn>=4.6 (y4)
600 600
Magn>=4.8 (y5)
400 400
Magn>=5.0 (y6)
200 200
Magn>=5.2 (y7)
Magn>=5.4 (y8)
Magn>=5.6
Magn>=5.8 (y9)
(y10)
Magn>=6.0 (y11)
0 0
21/02 28/02 07/03 14/03 21/03 28/03 04/04 11/04 18/04 −4 −3.5 −3 −2.5 −2 −1.5 −1 −0.5 0
tiempo
Se observa que el valor p = 0,02 da rectas aproximadas que se intersectan en

un punto. Usando las pendientes de estas rectas, podemos aproximar kM para cada
valor de M . Esto se resume en la siguiente tabla de valores.
y{i} M kM y0
1 4.0 290 396
2 4.2 258 367
3 4.4 211 322
4 4.6 150 254
5 4.8 93 190
6 5.0 51 139
7 5.2 19 89
8 5.4 9 45
9 5.6 6 25
10 5.8 4 15
Se toma t ∈ [ti .tf ] con ti = 5, tf = 45, τ0 = τ (ti ). Las pendientes

y {i} (tf ) − y {i} (ti )
kM =
τ (tf ) − τ (ti )
proveen los kM respectivos y las posiciones están dadas por
y0 = y {i} (ti ).
5.3. Comparación entre datos reales y modelo. La solución analı́tica
está dada por:
yM (t) = y0 + kM (τ − τ0 ), τ (t) = log(ept − 1) − pt
al reemplazar los valores obtenidos en la parte anterior se obtiene el siguiente gráfi-
co, donde en azul se grafica la solución analı́tica y en rojo los datos reales: La
comparación con las curvas numéricas de Euler modificado o Heun es similar, dado
que ya vimos que las curvas teórica y numérica se ajustaban bien en estos casos. Se
Datos v/s ajuste teorico

1200
1000
800
600
400
200
−200
0 20 40 60 80 100 120 140 160 180 200
observa un buen ajuste al comienzo de las curvas hasta t = 50 aproximadamente

que corresponde al 10 de marzo del 2010. Los valores de kM y de y0 dependen de M
, pero no al parecer los valores de τ0 ni p que son los mismos para todas las curvas.
5.4. Modificación del modelo. Observe del gráfico anterior que el dı́a 11
de marzo se produce una discontinuidad en la derivada de las curvas y M . Podemos
mejorar el modelo aproximando el haz de rectas por una función lineal por pedazos,
esto es kM es una constante diferente antes y después del 11 de marzo. Al hacer esto,
se obtienen ajustes como el de la figura, donde en azul se grafica la solución numérica
usando el método de Euler modificado y en rojo los datos reales: Notemos que
Ajuste mejorado
1200
1000
800
600
400
200
−200
0 20 40 60 80 100 120 140 160 180 200
aunque todavı́a es posible obtener una solución analı́tica en este caso, si kM = kM (t)
fuera una función complicada del tiempo, de modo tal que kM (t) eptp−1 no tenga
una primitiva analı́tica, entonces no podrı́a obtenerse una solución anal´?tica y el
único recurso serı́an los métodos numéricos. Esto suele suceder en la práctica en
la ingenierı́a y las ciencias, en que los modelos simples con que se introducen y se
estudian los fenómenos tienen solución analı́tica, pero para aplicarlos en la práctica
es necesario introducir modelos más complejos que suelen no tener dichas soluciones
y es necesario recurrir a las aproximaciones numéricas.
5.5. Capacidad predictiva. ¿Serı́a posible estimar con nuestro mejor mo-
delo el número de réplicas con magnitud mayor o igual a 5 que se producirı́an del
16 de abril al 16 de mayo del 2010? El modelo puede dar una predicción. Tomando
M = 5 y calculando yM (16/05/2010) − yM (16/04/2010) con el modelo de sección
anterior se obtienen 2 réplicas de magnitud mayor o igual a 5.
El código matlab para estos últimos pasos se pueden consultar a continuación,

la programación de la parte predictiva se deja como ejercicio al lector interesado.
1 %% %Ley de Omori modificada, parte 2

2 % Datos reales de replicas
3 leer datos
4 %Grafico
5 p=0.02;
6 ti=5;
7 tf=45;
8 figure(3)
9 hold on
10 for i=1:10
11 t=1:length(y{i}.data);
12 tau=log(exp(p*t)−1)−p*t;
13 plot(tau,y{i}.data,'r.',tau,y{i}.data,'−');
14 kM(i)=(y{i}.data(tf)−y{i}.data(ti))/(tau(tf)−tau(ti));
15 y0(i)=y{i}.data(ti);
16 end
17 hold off
18 title(sprintf('Grafico de los datos en funcion de tau para ...
p= %3.2f',p));
19 tau0=tau(ti);
20
21 figure(4)
22 M=4:0.2:5.8;
23 plot(M,kM,'+',M, kM,'−');
24 title('KM eb funcion de M')
25
26 %% % Datos y ajuste teorico
27 figure(5)
28 hold on
29 for i=1:10
32 y analitica=y0(i)+kM(i)*(tau−tau0);
33 plot(t,y{i}.data,'r.',t,y analitica,'−');
34 end
35 title('Datos v/s ajuste teorico');
36 hold off
37
38 % Ajuste lineal por pedazos
39 % Ajuste en el segundo tramo de las curvas
40 p2=0.02;
41 ti2=51;
42 tf2=100;
43 for i=1:10
45 tau2=log(exp(p2*t)−1)−p2*t;
46 kM2(i)=(y{i}.data(tf2)−y{i}.data(ti2))/(tau2(tf2)−tau2(ti2));
47 y02(i)=y{i}.data(ti2);
48 end
49 tau02=tau(ti2);
50 % Grafico
51 figure(6)
52 hold on
53 for i=1:10
56 tau2=log(exp(p2*t)−1)−p2*t;
57 y analitica=y0(i)+kM(i)*(tau−tau0);
58 y analitica2=y02(i)+kM2(i)*(tau−tau02);
59 y analitica3=y analitica. *(t<ti2)+y analitica2.*(t>=ti2);
60 plot(t,y{i}.data,'r.',t,y analitica3,'−');
61 end
62 title('Ajuste mejorado')
63 hold off
6. Ejemplo numérico: Lotka-Volterra y la pesca en el Mar Adriático

Notar que en este capı́tulo solo se explicó cómo resolver ecuaciones de primer
orden:
y ′ = f (x, y(x))
pero los métodos numéricos presentados pueden aplicarse tanto si f es una función
a valores escalares, o sea, una sola EDO, o si f es a valores vectoriales, es decir, un
sistema de varias EDO8.
Aunque veremos sistemas de EDO hasta más adelante, en este punto resulta
relativamente fácil generalizar los métodos anteriores a sistemas, lo cual será útil
en la práctica. Esto será útil también para resolver de EDO de orden superior, que
serán revisadas en los próximos capı́tulos, pues veremos que es posible reducirlas a
un sistema de EDO.
En efecto, en el caso de sistemas, la función incógnita y es un vector de varias
componentes. Por ejemplo, en el caso de dos componentes, f = (f1 , f2 ) e y = (y1 , y2 )
y esto serı́a:
y1′ = f1 (x, y1 (x), y2 (x))
y2′ = f2 (x, y1 (x), y2 (x)),
por lo que los métodos para discretizar (19) se extienden simplemente usando inte-
gración y operaciones por componentes.
Ilustremos esto con un ejemplo donde aprovechamos además de aplicacar el
método de Runge-Kutta. Se trata de un ejemplo histórico: la pesca en el Mar
Adriático.
Después de la primera guerra, los pescadores del Mar Adriático estaban sorpren-
didos pues la cantidad de presa para pescar habı́a disminuido en vez de aumentar,
a pesar de que durante los años de la guerra se habı́a dejado de pescar. Se propuso
8Esta sección puede leerse también junto con el Capı́tulo 5, aunque no se requiere.
6. EJEMPLO NUMÉRICO: LOTKA-VOLTERRA Y LA PESCA EN EL MAR ADRIÁTICO 55
y(t)
III II
IV I
x(t)
Figura 1. Orbita del sistema de Lotka-Volterra en el plano de

fases en torno al punto de equilibrio. En el cuadrante I, las presas
(x(t)) y predadores (y(t)) aumentan. En el cuadrante II, las presas
comienzan a disminuir, pero los predadores siguen en aumento. En
III, tanto presas como predadores disminuyen. En el cuadrante IV,
las presas comienzan de nuevo a aumentar, mientras los predado-
res siguen disminuyendo. Esta dinámica poblacional se repite cada
ciclo pasando nuevamente por I, II, III y IV y ası́ sucesivamente.
el siguiente modelo para explicar la situación, que es un sistema de dos EDO de

primer orden no-lineales:
x′
= a − by
x
y′
= −c + dx
y
Si x e y representan las poblaciones de presa y predador respectivamente, la presa
crece relativamente (a > 0) si no hay predador y el predador decrece relativamente
(−c < 0) si no hay presa. Por otro lado, los encuentros entre presa y predador
favorecen a los predadores (d > 0) y merman las presas (−b < 0). Es fácil ver que
si x′ = y ′ = 0 entonces hay un punto de equilibrio dado por
c a
x= , y=
d b
Estas ecuaciones son un clásico modelo del tipo predador-presa, y son llama-
das ecuaciones de Lotka-Volterra en honor a Vito Volterra (1860-1940) fı́sico y
matemático italiano y su contemporáneo Alfred J. Lotka (1880-1949) quı́mico ame-
ricano.
Resulta cómodo representar la solución x(t), y(t) del sistema de Lotka-Volterra
como pares ordenados (x(t), y(t)), los que se dibujan com puntos en un plano,
llamado plano de fases. La curva descrita por la solución, partiendo del punto
inicial (x0 , y0 ), al variar t se donomina trayectoria. Asimismo, el punto de equilibrio
del sistema también puede representarse por un punto del plano:
c a
(x, y) = , .
d b
Es posible mostrar que las poblaciones de predador y presa, si no están en

equilibrio, describen curvas cerradas que al cabo de un cierto tiempo vuelven a
pasar por el punto inicial y giran (o se dice que oscilan) en torno al punto de
equilibrio. A estas trayectorias cerradas se les llama órbitas periódicas (ver Figura
1).
Si ahora se provoca un cambio en los parámetros de la forma
a → a + ∆a
c → c − ∆a
esto equivale a pasar de una situación con pesca a una nueva situación sin pesca.
Este cambio hace que el punto de equilibrio se mueva de la posición en el plano de
la siguiente forma:
c a c − ∆c a + ∆a
, → ,
d b d b
esto es, en una disminución de las presas y un aumento de los predadores en una
situación sin pesca, lo que se traduce en un desplazamiento de las órbitas del plano
hacia arriba y hacia la izquierda, La Figura 2 muestra una sı́ntesis del análisis
anterior.
Figura 2. Modelo de explicación de la disminución de presas des-

pués de la Primera Guerra Mundial en el Mar Adriático.
El resultado que explicaba el aparentemente extraño fenómeno fue muy cele-

brado en la época y hasta hoy este modelo es utilizado en modelos más complejos
de planificación de pesca y de otros recursos renovables.
Para la resolución numérica de este modelo utilizaremos un método de Runge-
Kutta de orden 4. Notar que en este caso la función f es una función de R2 en
R2 :
x(a − by)
f (x, y) =
y(−c + dx)
6. EJEMPLO NUMÉRICO: LOTKA-VOLTERRA Y LA PESCA EN EL MAR ADRIÁTICO 57
que no depende explı́citamente del tiempo (pues supusimos a, b, c y d constantes)

y el par (x, y) se maneja como vector. Con todo, el método numérico queda:
(x0 , y0 )
= (x(0), y(0))
g1= f (xn , yn )

h
g2 = f (xn , yn ) + g1
2

h
g3 = f (xn , yn ) + g2
2
g4 = f ((xn , yn ) + h g3 )
h
(xn+1 , yn+1 ) = (xn , yn ) + (g1 + 2g2 + 2g3 + g4 )
6
De hecho, es posible verificar que un método de tipo Euler de orden 1 o de
Runge-Kutta de orden 2 no provee suficiente precisión para que las órbitas sean
cerradas, y es por esto que es necesario utilizar un método de orden 4.
Los resultados numéricos obtenidos con el método de Runge-Kutta de orden
4 descrito más arriba se muestran en la Figura 3, donde se hizo la simulación del
paso de una situación con pesca (lı́neas oscuras) a una situación sin pesca (lı́neas
claras)9. Observe que el punto de equilibrio que está en el centro de las órbitas se
desplaza arriba y hacia la izquierda como predice la teorı́a.
Figura 3. Resultado de la aproximación utilizando el método de

Runge-Kutta de orden 4 para estudiar los equilibrios con (orbitas
centradas a la derecha y abajo) y sin pesca (órbitas centradas a la
izquierda y arriba). Se observa una disminución de las presas (eje
x) de 1 a 0.5 a pesar de la prohibición de pesca. Esto se explica por
el aumento de predadores (eje y) de 1 a1.5. Hay un desplazamiento
del punto de equilibrio de (1,1) a (0.5, 1.5).
9Ver http://www.dim.uchile.cl/ %7Eaxosses/Home/ODE.html donde se pueden ver ésta y

otras simulaciones relacionadas con este texto.
7. Ejemplo numérico: Van del Pol y el sonido del caos.

La idea es aproximar y estudiar numéricamente algunas propiedades del lla-
mado oscilador de Van der Pol, además de reproducir el histórico sonido del caos
asociado a esta ecuación. Considere el oscilador de Van der Pol:
x′′ − µ(1 − x2 )x′ + x = f (t), t > 0,
con condiciones iniciales
x(0) = x0 , x′ (0) = y0 .
Esta EDO no lineal de orden 2 fue usada en los años 20 por los holandeses Balthasar
van der Pol y J. van der Mark para modelar los latidos del corazón10.
Ellos mismos construyeron un circuito eléctrico en que el voltaje se comportaba
como este oscilador y notaron un curioso hecho: cuando el sistema estaba forzado
por una función periódica f de cada vez mayor frecuencia, se podı́a registrar con un
micrófono conectado al circuito una escala de sonidos puros, que correspondı́an a la
respuesta por bloqueo de frecuencia que buscaban, pero intercalados de un extraño
y misterioso sonido. En ese momento se lo atribuyeron al sistema de audio, pero
más tarde se sabrı́a que era debido a la alternancia de orden y caos del oscilador:
era el sonido del caos registrado por primera vez en 1927. El circuito original ya no
existe, pero hay al menos una copia moderna que funciona con semiconductores11 y
que pertenece al célebre escritor y divulgador de la Teorı́a del Caos, James Gleick.
7.1. Simulación numérica cado no forzado: Consideramos la variable

auxiliar y = x′ y escribimos la EDO original de la forma X ′ = F (t, X) donde
X = (x, y) es de dimensión 2, esto es:
x′ = y
′
y = µ(1 − x2 )y − x.
10B. van der Pol and J. van der Mark, The heartbeat considered as a relaxation oscillation,
and an electrical model of the heart. The London, Edinburgh, and Dublin Philosophical Magazine
and Journal of Science Ser.7, 6, 763-775, 1928
11There?s No Quiet Without Noise, by David Colman, New York Times, July 8, 2011.
7. EJEMPLO NUMÉRICO: VAN DEL POL Y EL SONIDO DEL CAOS. 59
Programamos un método de Runge Kutta de orden 4 para resolver este último

sistema usando los métodos de las secciones precedentes, teniendo cuidado con el
cambio de notación. Para ello, definimos las variables en un solo vector X y una
función con que calculamos el lado derecho de X ′ = F (t, X):
1 % Funcion que implementa el sistema de EDO de Van der Pol Caso No ...
Forzado.
2 % dX = F(t,X,mu) entrega el vector de dimension 2 correspondiente ...
a la
3 % derivada de X dada por la EDO de Van der Pol con el parametro ...
mu, caso
4 % no forzado, ie, f = 0.
5
6 function dX = F(t,X,mu)
7 x=X(1);
8 y=X(2);
9 dX=[y;mu*(1−xˆ2)*y−x];
10 end
Utilizamos N intervalos de tiempo y hacemos que la rutina Runge-Kutta retorne

(x y) y el arreglo con los puntos de discretización del tiempo tintervalo:function
[tintervalo x y]=RK(I,X0,mu,N).
El método Runge Kutta de orden 4, con xn+ h = xn + h2 y corresponde al
2
siguiente algoritmo:
y0 = y(0)
g1 = f (xn , yn )
h
g2 = f (xn+ 21 , yn + g1 )
2
h
g3 = f (xn+ 21 , yn + g2 )
2
g4 = f (xn+1 , yn + hg3 )
h
yn+1 = yn + (g1 + 2g2 + 2g3 + g4 )
6
En este caso:
x ← t
y ← X = (x, y)de la EDO
f ← dX = F (t, X, µ)
I(2) − I(1)
h ←
N
A continuación se presenta el código del archivo RK.m en matlab:
1 % Funcion que implementa Runge−Kutta de orden 4.

2 % [tintervalo x y]=RK(I,X0,mu,N) entrega las soluciones x,y del ...
metodo
3 % Runge−Kutta de orden cuatro para el problema del oscilador de ...

Van der
4 % Pol con condiciones iniciales 'X0' (en R2) y parametro 'mu'(en R),
5 % sobre el intervalo 'I'(=[a,b], a,b en R). Ademas, entrega un ...
arreglo
6 % 'tintervalo' de tamano (N+1) que corresponde a la ...
discretizacion del
7 % intervalo 'I' en N intervalos iguales.
8
9 function [tintervalo x y]=RK(I,X0,mu,N)
10 h = (I(2)−I(1))/N; % tamano de cada intervalo.
11 tintervalo = I(1):h:I(2); % se genera la discretizacion del tiempo.
12 x(1) = X0(1); y(1) = X0(2); % guardo las condiciones iniciales.
13 for i = 1:N
14 % Ejecucion de Runge Kutta de orden 4.
15 X = [x(i); y(i)]; % actualizo X.
16 t = tintervalo(i);
17 g1 = F( t , X ,mu);
18 g2 = F(t+h/2, X+h/2*g1,mu);
19 g3 = F(t+h/2, X+h/2*g2,mu);
20 g4 = F( t+h , X+h*g3 ,mu);
21 X = X+(h/6)*(g1 +2*g2 +2*g3 +g4);
22 x(i+1) = X(1); y(i+1) = X(2); % guardo el resultado.
23 end
24 end
Ahora consideramos f ≡ 0, t ∈ [0, 60], N =100, 500 y 1000 intervalos de tiempo,

y resolvemos la ecuación para µ ∈ {0,1, 1, 5} graficanto (t, x(t)) y (x(t), y(t)) para
condiciones iniciales (x0 , y0 ) = (3, 1) y (x0 , y0 ) = (0,5, 0). Para realizar las gráficas,
se creó la función vanderpol RK.m siguiente:
1 % Oscilador de Van der Pol

2
3 function vanderpol RK()
4 I = [0 60];
5 %iteracion sobre las condiciones iniciales.
6 for i = 1:2
7 if i==1; X0 = [3;1];
8 else X0 = [0.5;0];
9 end
10 %iteracion sobre mu.
11 for mu = [0.01 1 5]
12 figure % se abre una ventana para cada mu
13 p = 1; % indica posicion en el subplot
14 %iteracion sobre N.
15 for N = [100 500 1000]
16 % se resuelve el sistema con RK orden 4.
17 [t x y]=RK(I,X0,mu,N);
18 % Graficas
19 subplot(3,2,p)
20 plot(t, x); % grafica (t,x)
21 xlabel('t'); ylabel('solucion')
22 title(['van der Pol, mu = ',num2str(mu),', N = ...
',num2str(N)]);
23 subplot(3,2,p+1)
24 plot(x, y); % grafica (x,y) con y = x'
25 title(['van der Pol, mu = ',num2str(mu),', N = ...

',num2str(N)]);
26 xlabel('x'); ylabel('y = dx')
27 p = p+2; % se pasa a la siguiente fila del subplot
28 end
29 end
30 end
31 end
Algunos de los gráficos obtenidos se muestran en las páginas a continuación. Se

observa un ciclo lı́mite, esto es, una órbita periódica del sistema tal que otras
trayectorias no cerradas tienden en espiral hacia ella, desde el interior o desde el
exterior, cuando el tiempo tiende a infinito.
Se observa que a mayor µ, más fina tiene que ser la discretización para garan-
tizar la convergencia del método. Esto se deduce al comparar las figuras 4, 5 y 6
(caso (x0 , y0 = (3, 1)).
Otra observación es que para el caso µ = 0,1 la órbita es circular, luego se estira
y se asemeja a un rectángulo de esquinas curvas (µ = 1), para luego adoptar una
forma con mayor curvatura (caso µ = 5)
Figura 4. Solución Van der Pol para µ = 0,1, (x0 , y0 ) = (3, 1).
Figura 5. Solución Van der Pol para µ = 1, (x0 , y0 ) = (3, 1).
Figura 6. Solución Van der Pol para µ = 5, (x0 , y0 ) = (3, 1).

También se podrı́a hacer la implementación utilizando el comando ode45 de

matlab obteniéndose resultados muy similares al método previamente programado.
Al programar se utiliza la misma función F que definimos antes:
edo = @(t,X) F(t,X,mu)
[t,X]=ode45(edo,I,X0);
7.2. Simulación numérica caso forzado. Consideremos ahora f (t) = Asin(ωt),

con A = 1,2, ω = 2π/10, t ∈ [0, 1000]. Escibimos esta vez la ecuación como:
x′ = y
y′ = µ(1 − x2 )y − x + Acos(z)
z′ = ω
y definiendo una función F(t,X,mu,A,omega). Calculamos la solución (usando es-

ta vez ode45) y graficando (t, x(t)) y (x(t), y(t)) para µ ∈ {6, 8,53, 12} y para
condiciones iniciales (x0 , y0 , z0 ) = (2, 0, 0). Los siguientes programas muestran la
implementación de este sitema de EDO en matlab y su resolución usando ode45.
1 % Funcion que implementa el sistema de EDO de Van der Pol Caso Forzado.
2 % dX = F2(t,X,mu,A,omega) entrega el vector de dimension 3 que
3 % corresponde a la derivada de X del sistema de EDO de Vander Pol ...
con el
4 % parametro mu y una funcion f(t) = A*sin(omega*t).
5
6 function dX = F2(t,X,mu,A,omega)
7 x=X(1);
8 y=X(2);
9 z=X(3);
10 dX=[y;mu*(1−xˆ2)*y−x+A*cos(z);omega];
11 end
1 % Oscilador de Van der Pol

2 %Caso forzado f(t) = Asin(wt)
3
4 function vanderpol2()
5
6 A = 1.2;
7 omega = 2*pi/10;
8 I = [0 1000];
9 X0 = [2;0;0];
10
11 figure % se abre una ventana
12 p = 1; % indica posicion en el subplot
13
14 %iteracion sobre mu.
15 for mu = [6 8.53 12]
16
17 edo = @(t,X) F2(t,X,mu,A,omega);
18 [t,X] = ode45(edo,I,X0); % se resuelve el sistema %
19 x = X(:,1); y = X(:,2);
20
21 % Graficas
22 subplot(3,2,p)
23 plot(t, x); % grafica (t,x)
24 xlabel('t'); ylabel('solucion')
25 title(['van der Pol, mu = ',num2str(mu)]);
26 subplot(3,2,p+1)
27 plot(x, y); % grafica (x,y)
28 title(['van der Pol, mu = ',num2str(mu)]);
29 xlabel('x'); ylabel('y = dx')
30
31 p = p+2; % se pasa a la siguiente fila del subplot
32 soundsc(x) % con esto se 'escucha' la solucion.
33
34 end
35
36 end
Figura 7. Soluciónes Van der Pol en el intervalo [0, 1000] para

(x0 , y0 ) = (2, 0) y ω = 0
Notar que al final del código utilizamos el comando de matlab:

x=X(:,1); soundsc(x)
para “escuchar” la solución. Estos son los sonidos que escuchó van del Pol y su
colega en 1927. Para µ = 6 se escucha un sonido de frecuencia constante, para
µ = 12 se escucha un sonido más variable, pero no tanto como para µ = 8,53, con
el que se escucha un sonido más irregular, como un ruido. Para µ = 6, cuya solución
se escucha como un sonido regular, el ciclo lı́mite se observa con gran nitidez, al
contrario del caso µ = 8,53, cuya solución se escucha como un ruido irregular, donde
se tiene que la gráfica de (x,y) está delimitada, pero es difı́cil determinar a partir
de la gráfica si existe un ciclo lı́mite o no. De lo anterior se deduce que el orden
(solución periódica) corresponde al caso µ = 6 y el caos, al caso µ = 8,53.
Ejercicio Propuesto 2.2. El siguiente es un modelo epidemiológico intro-
ducido por Kermack & McKendrick, ambos británicos, en 192712. Modela la com-
posición de una población constante N = x + y + z ante una enfermedad, donde
x(t) representa el número de personas suceptibles de contagiarse, y(t) el número de
infectados y z(t) el número de inmunes a la enfermedad para cada t ≥ 0:
x′ = −β xy
y′ = β xy − γ y
z′ = γy
x(0) = x0 > 0, y(0) = y0 > 0, z(0) = 0, x0 + y0 = N,
donde β > 0 es un parámetro de infección y γ > 0 la tasa de inmunización. Todo esto
suponiendo que las soluciones x, y, z existen, son únicas, no negativas, continuas y
con derivada continua para t ≥ 0. Pruebe los siguientes hechos a partir del modelo:
La epidemia crece inicialmente en el número de infectados si el número
inicial de suceptibles supera el umbral ρ = βγ , esto es x0 > ρ ⇒ y ′ (0) > 0.
Suponiendo que existe el lı́mite
lı́m (x, y, z) = (x∞ , y∞ , z∞ )
t→∞
se puede demostrar que y∞ = 0, x∞ = N − z∞ y z∞ es raı́z de la función:

−z
F (z) = N − z − x0 exp .
ρ
Esto puede obtenerse de dividir la primera y última de las EDO.
Se puede usar el Teorema del Valor intermedio para probar que la raı́z
anterior existe y es única.
Discretice estas ecuaciones para valores de los parámetros que elija, tal como se
hizo en el ejemplo anterior (notar que la variable dependiente es t no x como
antes, además hay tres componentes y no dos como antes). Tomando un número
de individuos suceptibles inferior y superior al umbral teórico ρ y simule.
12Kermack, W. O. y McKendrick, A. G. A contribution to the theory of epidemics, Proc.

Roy. Soc. (A) 115 (1927), 700–721, 139 (1932), 55–83.
Capı́tulo 3
EDO lineales de orden superior
En este capı́tulo estudiaremos las ecuaciones diferenciales lineales de orden n,

con n ∈ N. Comenzaremos por dar las definiciones necesarias para formular el pro-
blema de Cauchy y enunciar el Teorema de Existencia y Unicidad, que será demos-
trado más adelante. Con el fin de presentar de una manera más clara la estrategia
de resolución de estas ecuaciones comenzaremos por hacer un estudio detallado
del caso de orden 2. Esto nos permitirá mostrar las técnicas en un contexto más
abordable. En seguida veremos cómo resolver la ecuación de orden arbitrario a coe-
ficientes constantes y daremos ideas de lo que puede hacerse cuando los coeficientes
son variables, caso mucho más complejo.
1. La EDO lineal de orden n

Primero daremos una breve introducción a los operadores diferenciales lineales,
lo que nos ayudará a plantear y resolver en algunos casos las diferentes EDO lineales
que nos interesa estudiar.
1.1. Definiciones generales.
Definición 3.1. Una EDO lineal de orden n tiene la forma general:
y (n) + An−1 (x)y (n−1) + · · · + a1 (x)y ′ + a(x)y = Q
Donde ak son los coeficientes (con an = 1) y Q el lado derecho1.
Ası́ como una función transforma números en números: f (x) = y, un opera-
dor transforma funciones en funciones: P (f ) = g. Por ejemplo, la derivada o la
integral son operadores que transforman una función en su derivada o primitiva,
respectivamente.
Los operadores que involucran solamente derivadas de una función se denomi-
nan operadores diferenciales (en oposición a los operadores integrales, que involu-
cran primitivas).
Aplicaremos los operadores a funciones de clase C n , recordemos que C n denota
el subespacio de funciones f : I → R tales que f, f ′ , f ′′ , . . . , f (n) existen y son
continuas en el intervalo I.
Definición 3.2. Denotaremos por
dk
Dk = |D ◦ ·{z
· · ◦ D} = k
dx
k veces
el operador derivada de orden k, entendiendo que la derivada de orden 0 es el
operador identidad I (que a menudo se omite).
1Asumimos la ecuación normalizada, eso explica por qué ponemos barras sobre los coeficientes
y el lado derecho.
67
68 3. EDO LINEALES DE ORDEN SUPERIOR
Definición 3.3. Un operador diferencial lineal de orden n a coeficientes va-

riables tiene la forma general:
n
X
P (x, D) = ak (x)Dk
k=0
= an (x)Dn + an−1 (x)Dn−1 + . . . + a1 (x) D + a0 (x),
donde ak (x) son funciones definidas en I. Si an = 1 el operador se dice normalizado.
Más precisamente, si f ∈ C n (I), entonces P (x, D)f es la función (continua si

los ak lo son) cuyo valor en el punto x ∈ I es
P (x, D)f (x) = an (x)f (n) (x) + · · · + a1 (x)f ′ (x) + a0 (x)f (x).
Si los coeficientes ak son todos constantes se dice que el operador diferencial lineal
es a coeficientes constantes
Definición 3.4. Un operador diferencial lineal de orden n a coeficientes cons-

tantes tiene la forma:
n
X
P (D) = ak Dk = an Dn + an−1 Dn−1 + · · · + a1 D + a0 .
k=0
El operador diferencial nos servira para definir las EDOs lineales de orden n de
mejor forma.
Definición 3.5. Una EDO lineal de orden n a coeficientes variables es una

identidad de la forma general
P (x, D)y = Q(x),

Pn
donde P (x, D) = k=0 ak (x)Dk es un operador diferencial de orden n
Definición 3.6. Una EDO lineal de orden n a coeficientes constantes es una

identidad de la forma
P (D)y = Q(x),
Pn
donde P (x) = k=0 ak Dk , ak ∈ R, an = 1
Definición 3.7. Una EDO lineal a coeficientes variables o constantes se dice

homogénea si Q ≡ 0.
Usando la notación anterior, podemos organizar el estudio de las EDO lineales

separando en cuatro grupos como resume la tabla siguiente. En ella se indican
además en itálica algunos conceptos y temas que se tratarán en este capı́tulo, por
lo que la tabla sirve de guı́a de estudio.
2. POLINOMIO CARACTERÍSTICO Y PROPIEDADES OPERADOR DIFERENCIAL 69
EDO homogénea no homogénea

lineal subespacio H de hiperplano S de
orden n soluciones homogéneas soluciones particulares
coefi- P (D)y = 0 P (D)y = Q

cientes polinomio caracterı́stico coeficientes indeterminados
constantes valores caracterı́sticos variación de parámetros
coefi- P (x, D)y = 0 P (x, D)y = Q

cientes fórmula de Abel representación de Green
variables fórmula de Liouville variación de parámetros
Figura 1. Tabla resumen del estudio de EDO lineales de este capı́tulo.
2. Polinomio caracterı́stico y Propiedades operador diferencial

Definición 3.8. El polinomio caracterı́stico asociado a la EDO de la Definición
3.6 es
Xn
p(λ) = ak λk
k=0
y sus raı́ces se llaman valores caracterı́sticos de la EDO.

Esto lo usaremos más adelante, primero para ecuaciones de orden 2 y luego
de orden arbitrario, primero necesitaremos la relación entre este polinomio y los
operadores diferenciales de orden n que definen la EDO para poder usarlo.
Para esto nos resultara útil mostrar algunas propiedades de este operador.
La suma y ponderación por escalar de operadores se define de la misma ma-

nera que para funciones. Con estas operaciones los operadores forman un espacio
vectorial:
(P1 + P2 )(f ) = P1 (f ) + P2 (f ), (αP1 )(f ) = α P1 (f ).
El producto de operadores diferenciales corresponde a su composición:
P1 P2 = P1 ◦ P2 .
Con este producto y suma, los operadores lineales forman de hecho una estruc-
tura algebraica de anillo donde la unidad es el operador identidad I. En particular,
se tiene la distributividad por la derecha y por la izquierda, que es una propiedad
heredada de la composición de funciones:
(P1 + P2 )Q = P1 Q + P2 Q, Q(P1 + P2 ) = Q P1 + Q P2 .
Aunque el producto (o composición) de operadores no es en general conmutativo,
en el caso de operadores lineales a coeficientes constantes sı́ lo es:
P1 (D)P2 (D) = P2 (D)P1 (D) si P1 , P2 son operadores lineales,
por lo que el anillo resulta conmutativo.
Además los operadores diferenciales tienen la propiedad de factorización:
Pn
Propiedades 3.1. (Factorización) Sea P (D) = k=0 ak Dk operador diferen-
cial de orden n, luego puede ser escrito como:
l
Y
P (D)y = (D − λj )mj y
j=1
Con mj multiplicidad algebraica y l la cantidad de valores caracterı́sticos diferentes.

Demostraremos esta propiedad para n = 1
Demostración. Sea P (D) = D2 + a1 D + a0 a1 , a0 ∈ R, luego P (D)y =
′
y + a1 y + a0 . Tomamos el polinomı́o caracterı́stico asociado a la EDO p(λ) =
λ2 + a1 λ + a0 , λ ∈ C si λ1 y λ2 son raices del polinomio luego deben cumplir:
p
−a1 ± a21 − 4a0
λ1,2 =
2
λ1 + λ2 = −a1
λ1 λ2 = a0
Luego:
(D − λ1 )(D − λ2 )y = (D − λ1 )(y ′ − λ2 y)
= y ′′ − λ2 y ′ − λ1 y ′ + λ1 λ2 y
= y ′′ − y ′ (λ1 + λ2 ) + λ1 λ2 y
= y ′′ + a1 y + a0 y = P (D)y

La generalización para n > 1 es análoga.
En la demostración anterior podemos evidenciar la relación entre el el polinomio
caracterı́stico y P (D), en efecto vimos que los operadores diferenciales lineales a
coeficientes constantes forman un anillo conmutativo, por lo que resulta natural
hacer un paralelo2 entre los operadores diferenciales lineales de orden n a coeficientes
constantes y los polinomios de grado n que también tienen propiedades de anillo
conmutativo.
Ejercicio Propuesto 3.1. La verificación de las propiedades distributivas y
conmutativa en el caso de operadores lineales se deja como ejercicio al lector.
Ejercicio Propuesto 3.2. Verifique que si P1 es de orden n1 y P2 es de orden
n2 entonces P1 P2 es de orden n1 + n2 .
3. Estudio completo de la EDO de orden dos

Aunque se puede comenzar el estudio de las ecuaciones lineales de orden n
inmediatamente, por razones pedagógicas es preferible comenzar con el estudio de
las ecuaciones de orden 2. Además nos permitirá introducir otros temas importantes
en las aplicaciones como son la resonancia, el amortiguamiento, los problemas con
condiciones de borde, los problemas espectrales, etc3.
2Matemáticamente hablando, se trata de un homeomorfismo.

3Agreguemos que los problemas de segundo orden aparecen de manera natural debido a las
aplicaciones en todos los ámbitos de la segunda ley de Newton.
3. ESTUDIO COMPLETO DE LA EDO DE ORDEN DOS 71
Consideremos una EDO lineal de segundo orden normalizada a coeficientes

constantes
(24) y ′′ + a1 y ′ + a0 y = Q
con a0 , a1 en R. En notación de operadores esto es
P (D)y = D2 y + a1 Dy + a0 y = (D − λ1 )(D − λ2 )y = Q,
donde λ1 y λ2 son las raı́ces del polinomio caracterı́stico
p(λ) = λ2 + a1 λ + a0 .
Introduciendo la variable auxiliar z = (D − λ2 )y se obtiene el siguiente sistema de
dos EDO lineales de primer orden que sabemos resolver:

(D − λ1 )z = Q
(D − λ2 )y = z.
De la primera ecuación encontramos z, que sustituimos en la segunda ecuación
para obtener y. Más precisamente, los resultados de la Sección 3 nos dan
Z
z = C1 eλ1 x + eλ1 x e−λ1 x Q(x)dx
Z
λ2 x λ2 x
y = C2 e +e e−λ2 x z(x)dx,
de donde
Z
y(x) = C2 eλ2 x + C1 eλ2 x e(λ1 −λ2 )x dx
| {z }
Solución Homogénea yh (x)
Z Z
+ eλ2 x e(λ1 −λ2 )x e−λ1 t Q(t)dt dx .
| {z }
Solución Particular yp (x)
3.1. Solución homogénea. Se tienen tres casos para los valores caracterı́sti-
cos:
1. Si λ1 y λ2 son reales y distintos vemos inmediatamente que la solución queda de

la forma yh (x) = Aeλ1 x + Beλ2 x .
2. Si λ1 = λ2 = λ ∈ R entonces yh (x) = Aeλx + Bxeλx .
3. Finalmente, si λ1 y λ2 son complejos conjugados

de la forma σ ± iw con w 6= 0
tendremos que yh (x) = eσx Aeiwx + Be−iwx . Estas soluciones nos dan valores
complejos, lo cual es un inconveniente. Para resolver este problema recordemos que
eiwx = cos(wx) + i sen(wx), de donde
eiwx + e−iwx eiwx − e−iwx
= cos(wx) y = sen(wx).
2 2i
Ası́ podemos escribir yh (x) = eσx (C cos(wx) + D sen(wx)), con C = (A + B)/i y
D = (A − B).
Resumimos lo anterior en el siguiente resultado:
Teorema 3.1. La solución homogénea yh de la EDO (24) a coeficientes cons-

tantes con valores caracterı́sticos λ1 , λ2 está dada por:
1. yh = C1 eλ1 x + C2 eλ2 x si λ1 , λ2 ∈ R, λ1 6= λ2 .
2. yh = C1 eλx + C2 xeλx si λ1 = λ2 = λ ∈ R.
3. yh = C1 eσx sen wx + C2 eσx cos wx si λ1,2 = σ ± iw, con w 6= 0.
Ejemplo 3.1 (Analogı́a electromecánica). En la figura 2, observamos a la iz-
quierda un sistema mecánico en el cual m es la masa del objeto, k es la constante
de elasticidad del resorte y b es la constante de amortiguamiento. La fuerza total
del sistema, en función del tiempo se representa por F (t). El sistema de la derecha
representa un circuito eléctrico RCL, donde L es la inductancia de la bobina, C
es la capacidad del condensador y R es la resistencia. E(t) representa el voltaje
aplicado en función del tiempo. La corriente que circula se representa por dqdt .
k +
F(t) q
E(t) -
C
m
b y R
Figura 2. Analogı́a electromecánica.
Las ecuaciones que describen estos sistemas son

b k F (t) R 1 E(t)
y ′′ + y ′ + y = y q ′′ + q ′ + q= ,
m m m L CL L
respectivamente. En ambos casos se trata de una EDO lineal de orden 2 a coeficien-
tes constantes. Si identificamos m ∼ L, b ∼ R y k ∼ C1 (todas constantes positivas),
b k
entonces son análogos. El polinomio caracterı́stico es λ2 + m λ+ m y sus raı́ces son
−b √
b2 k
λ = ± ∆, donde ∆ = 4m2 − m . Escribamos por comodidad B = b/2m y
2m
supongamos que al sistema no se le aplica fuerza o voltaje; es decir, F (t) = 0 o
E(t) = 0, según el caso. Hay 3 situaciones posibles:
√
1. Si ∆ > 0 entonces b > 2 km (la constante de amortiguamiento b es grande),
por lo que decimos que el sistema está en régimen sobreamortiguado. Las raı́ces son
reales, negativas y distintas. La solución es
√ √
y = C e−(B− ∆)t + C e−(B+ ∆)t .
h 1 2
2. Si ∆ = 0 las raı́ces
√ son reales e iguales. Decimos que el sistema está crı́ticamente
amortiguado (b = 2 km. En este caso la solución es
yh = C1 e−Bt + C2 te−Bt .
3. Finalmente, si ∆ < 0 las √raı́ces son complejos conjugados. Decimos que el sistema
está subamortiguado (b < 2 km) y la solución es
√ √
yh = C1 e−Bt sen −∆ t + C2 e−Bt cos −∆ t .
√
De manera equivalente podemos escribir yh = C3 e−Bt sen −∆ t + C4 , pues
sen(a + b) = sen a cos b + sen b cos a.
20
15
10
5
0 10 20 30 40 50 60 70 80 90 100
30
20
10
0
0 10 20 30 40 50 60 70 80 90 100
10
−10
0 1 2 3 4 5 6 7 8 9 10
Figura 3. Regı́menes sobreamortiguado (arriba), crı́ticamente

amotiguado (centro) y subamortiguado (abajo), con C1 = C2 = 10.
3.2. Condiciones de borde. Hemos visto que una ecuación lineal de se-
gundo orden tiene una única solución si especificamos el valor de la función y su
derivada en un punto. Otro problema interesante es determinar si existe alguna
solución que parta de un punto y llegue a otro predefinido. Este tipo de problema
aparece con frecuencia en fı́sica, ingenierı́a y economı́a. Consideremos, por ejemplo,
un problema del tipo  ′′
 y + λy = 0
y(0) = 0

y(1) = 0.
Deseamos saber para cuáles valores de λ este problema tiene soluciones y cuántas.
De acuerdo con el signo de λ podemos distinguir 3 casos:
1. λ = 0. Si y ′′ = 0 entonces y(x) = Ax + B. Reemplazando en x = 0 vemos que

B = 0 y reemplazando en x = 1 vemos que A = 0. La función nula es la única
solución del problema.
2. λ = −w2 < 0. Las soluciones son de la forma

y(x) = Aewx + Be−wx .
Las condiciones en 0 y 1 nos dan el sistema

A+B = 0
Aew + Be−w = 0
para A y B. Como w 6= 0, la única solución es A = B = 0. De nuevo, sólo obtenemos
la solución nula.
3. λ = w2 > 0. En este caso las soluciones están dadas por

y(x) = A sen(wx) + B cos(wx).
Esta vez las condiciones en 0 y 1 nos dan el sistema

B = 0
A sen(w) = 0
para A y B. Si
w = kπ con k∈Z
entonces toda función de la forma y(x) = A sen(wx) es solución del problema.
Este tipo de problema se encuentra en la naturaleza a través de la ecuación de
ondas:
∂2u ∂2u
− 2 =0
∂t2 ∂x
Buscamos soluciones de la forma u(x, t) = y(x)eiwt , luego remplazando en la ecua-
ción llegamos a una ecuación para y de la siguiente forma:
w2 y + y ′′ = 0
Tomando w2 = λ llegamos a la ecuación presentada al inicio.
3.3. El fenómeno de resonáncia. Todos hemos experimentado el siguiente
hecho: una copa de cristal puede hacerse sonar si se frota suavemente con el dedo
ı́ndice ligéramente humedecido y apoyado en un movimiento giratorio sobre el borde
de la copa. Otro ejemplo es cuando tomamos impulso sobre un columpio o cuando
un auto va sobre calaminas. Se trata de fenómenos oscilatorios en que la amplitud de
la oscilación alcanza valores muy considerables ante una cierta solicitación externa
especı́fica.
Lo mismo ocurre para afinar algunos instrumentos musicales, en especial los de
cuerda, utilizando un instrumento llamado diapasón o cuando un cantante de ópera
hace vibrar su cuerpo y su cabeza para proyectar el sonido de su voz en una sala.
También, y en relación al Ejemplo 3.1 de la analogı́a electromecánica, un circuito
de radio puede ser sintonizado, es decir, pueden ser elegidos adecuadamente los
valores de L, C y R para que amplifique una frecuencia de onda electromagnética
determinada que se capta de la atmósfera. Recordemos que la ecuación es
b ′ k F (t)
y ′′ + y + y= .
m m m
Resolveremos para el caso de que F (t) = Acos(ω0 t) Notemos que la resonancia

solo depende de el forzamiento en la parte no homogenea, por lo que podremos
evidenciarlo en la solución particular. Como vimos en la seccion de estudio completa
de la ecuación de orden dos, la solución particular esta dada por:
Z Z
λ2 x (λ1 −λ2 )x −λ1 t
yp = e e e Q(t)dt dx
Para simplificar el calculo de estas integrales trabajaremos la EDO original:

b ′ k Acos(ω0 t)
y ′′ + y + y =
m m m
y ′′ + by ′ + ky = Acos(ω0 t) = Re(eiωt )
Luego tomamos y = ARe(z), luego podemos pasar a una a una EDO para z com-
pleja.
z ′′ + bz ′ + kz = eiωt
Los valores caracteristicos de el polinomio caracteristico de esta EDO son:
q
2
−b ± b − 4k 2
λ1,2 = = σ ± iω con b < 4k
2
Luego:
Z Z
zp = e(σ−iω)x e2iωx dx e−(σ+ω)t eiω0 t dt
Z
e−(σ−i(ω−ω0))x dx
= e(σ−iω)x)
−(σ + i(ω − ω0 ))
eiωx 0
=
(σ + i(ω − ω0 ))(σ − i(ω + ω0 ))
eiω0 x
=
((σ 2 + ω 2 − ω02 ) − 2ω0 σi)
Luego lo que nos interesa es el modulo de zp y su relacion con la amplitud de yp :
|eiω0 x |
|zp | =
|(σ 2 + ω 2 + ω02 ) − 2ω0 σi|
s
2
1 −b b
= p Como σ = ω= k−
(σ 2 + ω 2 + ω02 )2 + 4ω02 σ 2 2 4
1
= 2
sqrt(k − ω0 )2 + (ω0 b)2
Luego como:
yp = ARe(zp ) y zp = |zp |eiω0 x
⇒ yp = A|zp |cos(ω0 x) ⇒ |yp | = A|zp |
Teniendo esta relación podemos concluir que:
A
|yp | = q
(k − ω02 )2 + (ω0 b)2
Podemos ver que el fenómeno de la resonancia se alcanzara cuando el denominador

de la amplitud se acerque a cero, es decir para un ω0 tal que (k − ω02 )2 + (ω0 b)2 sea
muy pequeÒo. Si consideramos a b suficientemente pequeÒo (es decir un oscilador
con bajo coeficiente de roce) luego si ω02 → k se entra en un estado de resonancia,
además si b = 0 cuando ω02 → k la amplitud de oscilación se va a infinito.
Podemos evidenciar este fenomeno en el siguiente grafico para distintos valores de
b cuando ω02 → k:
4. El problema de Cauchy. Teorema de Existencia y unicidad.

Necesitaremos aceptar un resultado de existencia y unicidad de soluciones para
poder desarrollar la teorı́a y los métodos de resolución más adelante. Para estable-
cerlo, introduzcamos primero la noción precisa de solución de una EDO lineal:
Definición 3.9. Se dice que y es solución de la EDO lineal
P (x, D)y = Q
n
en el intervalo I si y ∈ C (I) y P (x, D)y(x) = Q(x) para todo x ∈ I.
Ahora bien, dado x0 ∈ I, nos daremos para la EDO anterior n condiciones
iniciales en x0 . Esto es, nos damos los valores de las primeras n − 1 derivadas en
x0 . Esto escrito en forma de n-tuplas corresponde a:

(0) (1) (n−1)
y(x0 ), y ′ (x0 ), . . . , y (n−1) (x0 ) = y0 , y0 , . . . , y0
donde el lado derecho es un vector dado en Rn .
Con todo esto, podemos introducir el problema de Cauchy correspondiente:
Definición 3.10. El problema de Cauchy para EDO lineales de orden n consiste
en encontrar y ∈ C n (I) tal que
(
P (x, D)y(x) = Q(x) ∀x ∈ I
(25) (0) (1) (n−1)

y(x0 ), y ′ (x0 ), . . . , y (n−1) (x0 ) = y0 , y0 , . . . , y0 .
Teorema 3.2 (Existencia y Unicidad). Supongamos que las funciones ak (x),

k = 1, . . . , n − 1 y Q(x) son continuas en el intervalo I. Entonces para cada x0 ∈ I
y para cada vector de condiciones iniciales, el problema de Cauchy (25) tiene una
única solución.
Corolario 3.1. Notemos que, bajo las hipótesis del teorema anterior, si la
EDO lineal es homogénea y con condiciones iniciales nulas, la única solución es la
(k)
solución nula. Esto es si Q ≡ 0 y y0 = 0 para cada k = 0, . . . , n − 1, entonces
y ≡ 0.
Aplicaremos numerosas veces el Teorema de Existencia y Unicidad en este
Capı́tulo pero más adelante lo demostraremos en el Capı́tulo 5.
5. Estudio completo de la EDO lineal de orden n

Comencemos por extender las nociones de dependencia e independencia lineal:
Definición 3.11. Las funciones y1 , . . . , yk en C n (I) son linealmente indepen-
dientes (l.i.) si la afirmación
(26) C1 y1 (x) + · · · + Ck yk (x) ≡ 0 para todo x ∈ I
5. ESTUDIO COMPLETO DE LA EDO LINEAL DE ORDEN n 77
implica necesariamente que todos los coeficientes C1 , . . . , Ck son cero. Si por el

contrario existen C1 , . . . , Ck tales que al menos uno es distinto de cero y se tiene
(26), decimos que las funciones y1 , . . . , yk son linealmente dependientes (l.d.).
Ejemplo 3.2. Dos funciones y1 e y2 son linealmente dependientes si, y sólo
si, una es múltiplo de la otra. Más adelante veremos cómo el Wronskiano puede
ayudarnos a comprobar si k funciones (k ≥ 2) son linealmente independientes.
5.1. La estructura geométrica de la solución: los espacios H y S.

Vamos a estudiar la estructura de la solución general de una ecuación diferencial
lineal de orden n. En primer lugar, denotemos por H el conjunto de todas las
soluciones de la ecuación homogénea:
n o
H = y ∈ C n (I) | y (n) (x) + · · · + a1 (x)y ′ (x) + a0 (x)y(x) = 0 ∀x ∈ I .
Teorema 3.3. H es subespacio vectorial de C n (I) de dimensión n, es decir ∃

una base de soluciones de dimensión n.
Demostración. Definimos el siguiente operador:
Tx0 : H → Rn
 
y(x)

 y ′ (x) 

y 7→  .. 
 . 
y (n−1) (x)
Podemos ver que Tx0 es una función biyectiva gracias al Teorema de existencia y
unicidad (La existencia nos da la sobreyectividad y la unicidad la inyectividad),
como H y Rn son ambos espacios vectoriales de dimensión finita y existe una
biyección entre ellos ⇒ dimH=dimRn =n. Para encontrar la base de H definimos
la base canonica de H (Inducida por Rn ) como:
P (x, D)yi = 0
Tx0 (yi ) = ei (Base canonica de )Rn

Denotamos por S el conjunto de todas las soluciones de la ecuación diferencial

lineal de orden n no homogénea
n o
S = y ∈ C n (I) | y (n) + · · · + a1 (x)y ′ + a0 (x)y = Q en I .
Sean X un espacio vectorial, A un subsepacio de X y x ∈ X. Un hiperplano o

subespacio afı́n es un conjunto de la forma
x + A = { z ∈ X | z = x + a para algún a ∈ A }.
Teorema 3.4. Si yp ∈ S es cualquier solución de la ecuación no homogénea,
entonces S = yp + H.
Geométricamente, esto quiere decir que S es un hiperplano que se obtiene al
desplazar por y0 el subespacio H.
Y
p
S
Y
1
Y
2
Figura 4. Representación de los espacios H y S en 2 dimensiones

sobre C 2 (I).
Demostración. Basta ver que la resta de dos funciones en S está en H; es

decir, es solución de la ecuación homogénea. Pero esto es inmediato de la linealidad
de la ecuación.
Corolario 3.2. Todo elemento de S se escribe de la forma
y = C1 y1 + C2 y2 + · · · + Cn yn + yp ,
donde y1 , . . . , yn son soluciones linealmente independientes de la ecuación homogénea,
yp es cualquier solucion particular de la ecuación no homogénea y las Ci ∈ R son
constantes arbitrarias que dependen del vector de condiciones iniciales.4
5.2. Wronskiano y Fórmula de Abel.
Definición 3.12. El Wronskiano asociado a n funciones y1 , . . . , yn ∈ C n (I) es

y1 (x) ... yn (x)

y1′ (x) ... yn′ (x)

W (x) = W (y1 , . . . , yn ) = .. .. .. .
. . .

y (n−1) (x) ... y
(n−1)
(x)
1 n
Notar que W es una función de clase C 1 en I. Usamos también la notación

W (y1 , . . . , yn ) para enfatizar la dependencia de las funciones y1 , . . . , yn .
Enunciaremos ahora dos resultados técnicos sobre determinantes que necesita-

remos en las demostraciones que siguen:
Lema 3.1. El determinante es multilineal por filas y columnas.
4Las C no son los β calculados en la demostración del Teorema 3.3.
i i
5. ESTUDIO COMPLETO DE LA EDO LINEAL DE ORDEN n 79
Por ejemplo, si det(A) = det(F1 , F2 , . . . , Fn ), donde Fi es la i-ésima fila de A,

se tendrá que
det(F1 , . . . a + λb . . . , Fn ) = det(F1 , . . . a . . . , Fn )
+λ det(F1 , . . . b . . . , Fn ).
Lema 3.2. Sea A(x) una matriz con entradas variables (dependientes de x).
Como arriba escribimos det(A) = det(F1 , F2 , . . . , Fn ) = det(C1 , C2 , . . . , Cn ), donde
las Fi y las Cj son las filas y columnas de A, respectivamente. Tenemos que
n
X
d
|A(x)| = det(F1 , . . . , Fi′ , . . . , Fn )
dx i=1
n
X
= det(C1 , . . . , Cj′ , . . . , Cn ).
j=1
Con esto, la técnica para derivar el determinante de una matriz es la siguiente:

1. Se deriva la primera fila (o columna) y se calcula el determinante de la
matriz ası́ obtenida.
2. Se hace lo mismo con cada una de las filas (o columnas) de la matriz.
3. Se suman los resultados parciales.
La demostración del Lema 3.2 puede hacerse fácilmente por inducción o utili-
zando la definición de derivada y el Lema 3.1.
Recordemos que si dos filas en una matriz son iguales, su determinante es cero.
Cuando calculamos la derivada del Wronskiano usando el método descrito arri-
ba (por filas) nos encontramos con que la mayorı́a de los sumandos, salvo el último,
tienen una fila repetida y por lo tanto son cero. Ası́ obtenemos

y1 (x) ... yn (x)

y1′ (x) ... yn′ (x)

.. .. ..
W ′ (y1 , . . . , yn ) = . . . .

(n−2) (n−2)
y1 (x) ... yn (x)

y (n) (x) ...
(n)
yn (x)
1
Como las funciones y1 , . . . yn son soluciones de la ecuación homogénea, la última
fila se reescribe para obtener

y1 (x) ... yn (x)

y ′
(x) . . . y ′
(x)
1 n
. . .
′
W (y1 , . . . , yn ) = .
. . . .
. .

(n−2) (n−2)
y1 (x) ... yn (x)
Pn−1 (i) P n−1 (i)
− a (x)y . . . − a (x)y n
i=0 i 1 i=0 i
Gracias al Lema 3.1, podemos expandir la última fila. Todos los sumandos,
salvo el último, tienen una fila repetida, por lo que la derivada del Wronskiano
queda de la forma
(27) W ′ (x) = −an−1 (x)W (x).
Al integrar la ecuación (27) obtenemos la Fórmula de Abel:
Teorema 3.5 (Fórmula de Abel). Sean y1 , . . . , yn ∈ H. Entonces el Wrons-

kiano W satisface
Z
W (x) = C exp − an−1 (x)dx
con C ∈ R. En particular, si se anula en un punto, se anula siempre.
Resumiremos algunas propiedades del Wronskiano que tienen que ver con in-
dependencia lineal de funciones en el siguiente resultado:
Teorema 3.6. Sean y1 , . . . , yn ∈ C n (I).

1. Si W (x0 ) 6= 0 para algún x0 ∈ I entonces y1 , . . . , yn son linealmente inde-
pendientes.
2. En general, el que W (x) = 0 para todo x ∈ I no basta para garantizar que
y1 , . . . , yn sean linealmente dependientes.
3. Si y1 . . . , yn son funciones en H, las siguientes proposiciones son equiva-
lentes:
a) W (x0 ) 6= 0 para algún x0 ∈ I;
b) W (x) 6= 0 para todo x ∈ I; y
c) y1 , . . . , yn son linealmente independientes.
Demostración. La parte 1 se deja como ejercicio al lector. Un contraejemplo

para la parte 2 es y1 = x3 e y2 = |x3 |, para n = 2.
En cuanto a la parte 3, la equivalencia entre a) y b) es evidente gracias a la
fórmula de Abel y la implicancia b) ⇒ c) es clara gracias a la parte 1. Para la otra
implicancia, probemos que si W (x0 ) = 0 para algún x0 ∈ I, entonces y1 , . . . , yn son
linealmente dependientes. En efecto, si W (x0 ) = 0 para algún x0 ∈ I, se tiene que
existen α1 . . . , αn ∈ R no todos nulos tales que
    
y1 (x0 ) ... yn (x0 ) α1 0
 y1′ (x0 ) ... yn′ (x0 )  α2   0 
    
 .. .. ..  .. = .. ,
 . . .  .   . 
(n−1) (n−1)
y1 (x0 ) ... yn (x0 ) αn 0
pues la matriz del lado izquierdo no es invertible. Definiendo z(x) = α1 y1 (x) + · · · +

αn yn (x), se tiene que
z(x0 ) = α1 y1 (x0 ) + · · · + αn yn (x0 ) = 0

z ′ (x0 ) = α1 y1′ (x0 ) + · · · + αn yn′ (x0 ) = 0
..
.
(n−1) (n−1)
z (n−1) (x0 ) = α1 y1 (x0 ) + · · · + αn yn (x0 ) = 0.
Como z ∈ H, por el Teorema de Existencia y Unicidad, se tiene que z(x) = 0 para

todo x ∈ I. Luego existen α1 . . . , αn ∈ R no todos nulos tales que α1 y1 (x) + · · · +
αn yn (x) = 0 para todo x ∈ I.
6. MÉTODOS DE RESOLUCIÓN DE EDO DE ORDEN n A COEFICIENTES CONSTANTES81
Nota: si y1 , . . . , yn son una base de H; es decir, si son n soluciones linealmente

independientes de la ecuación homogénea, la matriz siguiente es invertible
 
y1 ... yn
 y1′ ... yn′ 
 
Φ= .. .. .
.. 
 . . 
(n−1) (n−1)
y1 ... yn
y se denomina matriz fundamental de soluciones asociada a la base y1 , . . . , yn . No
se debe confundir la matriz fundamental con el Wronskiano, que es W = det Φ.
Esta matriz será reaparecerá en el Capı́tulo 5 sobre sistemas lineales.
6. Métodos de resolución de EDO de orden n a coeficientes constantes

En esta sección estudiaremos varios métodos para resolver la ecuación dife-
rencial lineal de orden n a coeficientes constantes. Para la ecuación homogénea
describiremos un método que sigue la misma lı́nea de lo que se hizo para la ecua-
ción de orden 2, usando los valores caracterı́sticos. Finalmente nos enfocaremos en
la búsqueda de soluciones particulares de la ecuación homogénea.
6.1. Solución homogénea. La EDO

y (n) + an−1 y (n−1) + · · · + a0 y = 0
se escribirá de la forma P (D)y = 0, donde P (D) es el operador diferencial
n
X
P (D) = Dn + an−1 Dn−1 + · · · + a1 D + a0 = ai D i
i=1
con an = 1. El operador P (D) está asociado al polinomio caracterı́stico

p(λ) = λn + an−1 λn−1 + · · · + a1 λ + a0 .
Como se trata de un polinomio de grado n, tendrá n raı́ces reales o complejas lla-
madas valores caracterı́sticos (quizá repetidos). Supondremos que λ1 , . . . λl son las
l raı́ces distintas y tienen multiplicidades m1 , . . . , ml , respectivamente. Recordemos
que como los coeficientes del polinomio son reales, las raı́ces que sean complejas
vendrán en pares conjugados. El polinomio se puede descomponer de la forma
l
Y
m1 m2 ml
p(λ) = (λ − λ1 ) (λ − λ2 ) . . . (λ − λl ) = (λ − λi )mi ,
i=1
Pl
donde n = i=1 mi . La factorización de p(λ) induce una análoga en P (D), donde
el producto corresponde a una composición:
P (D) = (D − λ1 ) ◦ · · · ◦ (D − λ1 ) ◦ · · · ◦ (D − λl ) ◦ · · · ◦ (D − λl )
| {z } | {z }
m1 veces ml veces
Note que esta factorización permite de hecho resolver la EDO de orden n como
una serie de EDO de orden 1, En efecto, es claro que
P (D)y = 0 ⇔ (D − λ1 )m1 ◦ . . . (D − λl )ml y = 0,
entonces si definimos nuevas variables zi de la forma:

(D − λ1 ) ◦ (D − λ1 ) ◦ · · · ◦ (D − λl ) ◦ (D − λl )y = 0
| {z }
zn−1
| {z }
zn−2
| {z }
z1
lo que genera un sistema en cascada de n EDO’s lineales de orden 1:

(D − λ1 )z1 = 0
(D − λ1 )z2 = z1
..
.
(D − λ1 )zm1 = zm1 −1
..
.
(D − λl )y = zn−1
En principio, este es un método válido para resolver la EDO (incluso la no-homogénea)
pero veremos a continuación que la solución homogénea se puede obtener de una
forma mucho más explı́cita.
Propiedades 3.2. (Traslación)

1. P (D + λ)1 = p(λ)
2. P (D)eλx = eλx P (D + λ)1 = eλx p(λ)
3. P (D)(f (x)eλx ) = eλx P (D + λ)f (x)
La demostración queda propuesta para el lector.
Con ayuda de la propiedad 2) se pueden encontrar l soluciones de la ecuación

homogénea. Si λi es una raı́z del polinomio p(λ), se tiene que:
P (D)eλi x = eλi x p(λi ) = 0
| {z }
=0
Lo que quiere decir que eλ1 x , eλ2 x , . . . , eλl x son soluciones de (H). Veamos que son
l.i.:

eλ1 x ... eλl x

λ1 eλ1 x . . . λl eλl x

W (x, eλ1 x , . . . , eλl x ) = .. .. ..
. . .

λl−1 eλ1 x . . . λl−1 eλl x
1 l

1 ... 1
!
X l λ1 . . . λl

= exp λi x .. .. ..
. . .
i=1
λl−1 . . . λl−1
1 l
l
!
X Y
= exp λi x C (λi − λj )
i=1 i6=j
Como λi 6= λj si i 6= j, el Wronskiano es distinto de cero y las funciones son l.i.

Para formar la base necesitamos n funciones l.i., por lo tanto hay que encontrar
n − l más. De la propiedad 3), se tiene que (λi es una raı́z del polinomio p(λ)):
P (D)(xk eλi x ) = eλi x P (D + λi )xk

= (D − λ1 + λi )m1 . . . (D − λi − λi )mi . . . (D − λl − λi )ml xk
= (D − λ1 + λi )m1 . . . (D − λi−1 − λi )mi−1 (D − λi+1 − λi )mi+1
. . . (D − λl − λi )ml Dmi xk
Como Dmi xk = 0 ⇔ 1 ≤ k ≤ mi − 1, se encuentran mi − 1 soluciones de (H):
xeλi x , x2 eλi x , . . . , xmi −1 eλi x
Repitiendo este procedimiento para cada mi , se encuentran n − l soluciones, ya que

Pl Pl
i=1 (mi − 1) = i=1 mi − l = n − l.
Ejemplo 3.3.
(D − 1)2 (D + 3)5 D3 y = 0
En este caso n = 10. Veamos todas las soluciones que se encuentran con este método:
λ1 = 1, m1 = 2 ⇒ {ex , xex }
λ2 = −3, m2 = 5 ⇒ {e−3x , xe−3x , x2 e−3x , x3 e−3x , x4 e−3x }
λ3 = 0, m3 = 3 ⇒ {1, x, x2 }
Veamos si son l.i. Para todo x ∈ I se debe cumplir:

x
α1,1 e + α1,2 xex +
−3x −3x 2 −3x 3 −3x
α2,1 e + α2,2 xe + α3,1 x e + α4,1 x e + α5,1 x4 e−3x +
α3,1 + α3,2 x + α3,3 x2 = 0
Aplicando (D − 1)3 (D + 3)5 D2 a esta expresión, se transforma en

2α3,3 = 0
3 5
Aplicando (D − 1) (D + 3) D, se obtiene
α3,2 = 0
Y sucesivamente, se obtiene que αi,ji = 0 para todo i ∈ {1, 2, 3}, j ∈ {1, 2, 3, 4, 5},
por lo tanto, son l.i.
En general, las n soluciones encontradas son l.i., pues dada la ecuación
α1,1 eλ1 x + · · · + α1,m1 xm1 −1 eλ1 x +

α2,1 eλ2 x + · · · + α2,m2 xm2 −1 eλ2 x +
..
.
αl,1 eλl x + · · · + αl,ml xml −1 eλl x = 0
Al aplicar el operador (D − λ1 )m1 . . . (D − λi )mi −1 . . . (D − λl )ml , se obtiene

αi,mi −1 (D − λ1 )m1 . . . (D − λl )ml (D − λi )mi −1 (xmi −1 eλi x ) = 0
λi x m1 ml mi −1 mi −1
e αi,mi −1 (D − λ1 + λi ) . . . (D − λl + λi ) |D {zx } = 0
| {z }
p̃(λi ) (mi −1)!
λi x
e αi,mi −1 (mi − 1)!p̃(λi ) = 0
Se verifica que p̃(λi ) 6= 0 y (mi − 1)! 6= 0, por lo tanto αi,mi −1 = 0. Repitiendo la
aplicacion progresivamente, se verifica que todos los αi,mi −1 son iguales a cero, con
lo cual las n funciones son l.i..
Antes de pasar a los ejemplos resumiremos la discusión anterior en el siguiente
resultado:
Teorema 3.7. Supongamos que λ1 , . . . , λl son los valores caracterı́sticos, con
multiplicidades m1 , . . . , ml , de la ecuación homogénea
(D − λ1 )m1 . . . (D − λl )ml y = 0.
Una base para H es la generada por las siguientes funciones linealmente indepen-
dientes:
Para cada valor caracterı́stico λ real
eλx , xeλx , ..., xm−1 eλx .
Para cada par de valores caracterı́sticos complejos α ± iβ,
eαx cos(βx), xeαx cos(βx), ... xm−1 eαx cos(βx),
eαx sen(βx), xeαx sen(βx), ... xm−1 eαx sen(βx).
Ejemplo 3.4.
(D − 1)2 (D + 3)5 D3 y = 0.
En este caso n = 10. Veamos todas las soluciones que se encuentran con este método:
λ1 = 1, m1 = 2 ⇒ {ex , xex },
λ2 = −3, m2 = 5 ⇒ {e−3x , xe−3x , x2 e−3x , x3 e−3x , x4 e−3x },
λ3 = 0, m3 = 3 ⇒ {1, x, x2 }.

Ejemplo 3.5. Resolveremos ahora la ecuación diferencial

y (5) − y (4) + 2y ′′′ − 2y ′′ + y ′ − y = 0.
El polinomio caracterı́stico es
p(λ) = λ5 − λ4 + 2λ3 − 2λ2 + λ − 1
= (λ − 1)(λ4 + 2λ2 + 1)
= (λ − 1)(λ2 + 1)2
= (λ − 1)(λ − i)2 (λ + i)2 .
Obtenemos entonces las soluciones
λ1 = 1, m1 = 1 ⇒ {ex },
λ2 , λ2 = ±i, m2 = 2 ⇒ {cos(x), sen(x), x cos(x), x sen(x)}.
Finalmente, toda solución homogénea se escribe como combinación lineal de estas

funciones, por lo que la solución general es
yh (x) = C1 ex + C2 cos(x) + C3 sen(x) + C4 x cos(x) + C5 x sen(x).
6.2. Ecuación no homogénea. Estudiaremos dos métodos para encontrar

una solución particular de la ecuación no homogénea.
El método de coeficientes indeterminados, que puede usarse cuando el lado de-
recho incolucra únicamente polinomios, senos, cosenos y exponenciales. Consiste en
postular que la solución es de cierto tipo (similar al lado derecho), pero con coefi-
cientes que son determinados a posteriori. Tiene la ventaja de que los cálculos son
extremadamente sencillos ya que involucran únicamente derivación de polinomios,
exponenciales y funciones trigonométricas.
El método de variación de parámetros se basa en la representación de la ecua-
ción de orden n como un sistema lineal de primer orden. De hecho, también es un
método valioso para encontrar soluciones particulares de estos sistemas. Consiste en
representar la solución particular como una combinación variable de las soluciones
homogéneas. Tiene dos ventajas notables en cuanto a su rango de aplicaciones: en
primer lugar, sirve para cualquier tipo de lado derecho; en segundo lugar, el método
también es útil, al menos teóricamente, para el estudio de ecuaciones a coeficientes
variables. También tiene dos puntos en contra: es necesario conocer una base del
espacio de soluciones homogéneas y además involucra operaciones con matrices y
cálculo de integrales.
6.2.1. Método de los coeficientes indeterminados. Este método puede aplicar-

se para encontrar una solución particular de la ecuación
P (D)y = qk0 (x)eλ0 x
con λ0 ∈ C y qk0 eλ0 x una funcion que puede ser un polinomio por una exponencial,
un polinomio por seno o coseno por una exponencial o cualquier combinación lineal
de estos, donde gr(qk0 ) ≤ k0 en caso de ser un polinomio.
Este método tiene la desventaja aparente de ser muy restrictivo en cuanto al
tipo de lado derecho para el cual es útil. Sin embargo, estas funciones son sumamente
frecuentes en la aplicaciones.
El operador diferencial que anula el lado derecho es (D − λ0 )k0 +1 , pues
(D − λ0 )k0 +1 P (D)y = (D − λ0 )k0 +1 qk0 (x)eλ0 x

= eλ0 x Dk0 +1 qk0 (x)
= 0
Si λ0 ∈ R, la ecuación se transforma una homogénea de orden n + k0 + 1 que

sabemos resolver.
Si λ0 ∈ C, se aplica además el operador (D − λ0 )k0 +1 a ambos lados de la ecuación,
con lo que se obtiene (D − λ0 )k0 +1 (D − λ0 )k0 +1 P (D)y = 0, que es una homogénea
de orden n + 2(k0 + 1). Hay dos casos que se estudiarán:
A. Caso no resonante: λ0 6= λj para todo j ∈ {1, . . . , l}
A.1 Caso real: λ0 ∈ R:

P (D)y = qk0 (x)eλ0 x ⇒ y = yh + yp
(D − λ0 )k0 +1 P (D)ỹ = 0 ⇒ ỹ = ỹh
La idea es obtener yp comparando ỹh e yh , más precisamente, como combi-
nación lineal de aquellas funciones que aparezcan en ỹh y que sean l.i. con
las que aparezcan en yh .
Se sabe que yh es combinacion linel de funciones pertenecientes a
[
M = {eλi x , xeλi x , . . . , xmi −1 eλi x } ∪
λi ∈R
[
{eσj x cos wj x, . . . , xmj −1 eσj x cos wj x} ∪
λj =σj ±iwj
{eσj x sen wj x, . . . , xmj −1 eσj x sen wj x}

E ỹh es combinacion lineal de elementos pertenecientes a

M̃ = M ∪ eλ0 x , xeλ0 x , . . . , xk0 eλ0 x
Luego, yp = (A0 + A1 x + · · · + Ak0 xk0 )eλ0 x , con Ai constantes en R a
determinar.
Reemplazando yp en P (D)y :
P (D)(A0 + A1 x + · · · + Ak0 xk0 )eλ0 x = qk0 (x)eλ0 x
eλ0 x P (D + λ0 )(A0 + A1 x + · · · + Ak0 xk0 ) = qk0 (x)eλ0 x
rk0 (x) = qk0 (x),
donde rk0 (x) es un polinomio cuyos coeficientes dependen de Ai para i ∈
{0, . . . , k0 }. Igualando coeficientes se obtiene un sistema lineal de (k0 + 1)×
(k0 + 1), de donde se calculan los coeficientes.
Ejemplo 3.6. Encontraremos una solución particular de la ecuación
(D − 1)(D − 2)y = xe3x .
Tenemos que α = 3, que no es un valor caracterı́stico de la ecuación. Como
el polinomio que acompaña a la exponencial en el lado derecho tiene grado
1, proponemos como solución
yp (x) = (A0 + A1 x)e3x .
Aplicamos a yp el operador diferencial P (D) = (D−1)(D−2) = D2 −3D+2
y obtenemos
P (D)yp (x) = (6A1 + 9A0 + 9A1 x)e3x
−3(A1 + 3A0 + 3A1 x)e3x
+2(A0 + A1 x)e3x
= (3A1 + 2A0 + 2A1 x)e3x .
Comparando con el lado derecho de la ecuación tenemos el sistema

0 = 3A1 + 2A0
1 = 2A1 ,
cuya solución es A0 = −3/4, A1 = 1/2. De aquı́, una solución particular de

la ecuación es
yp (x) = 21 x − 34 e3x .

A.2 Caso complejo: λ0 ∈ C:

k0 +1 k0 +1
(D − λ0 ) (D − λ0 ) P (D)ỹ = 0 ⇒ ỹ = ỹh
Comparando yh con ỹh , se tiene que
yp = (A0 + A1 x + · · · + Ak0 xk0 )eσx cos w0 x +
(B0 + B1 x + · · · + Bk0 xk0 )eσx sen w0 x
Al reemplazar yp en la EDO se obtienen 2k0 + 2 ecuaciones.
Ejemplo 3.7.
(D − 1)(D − 2)y = xe3x cos x
En este caso λ0 = 3 ± i, y la solución homogénea es yh = C1 ex + C2 e2x ,
luego
yp = (A0 + A1 x)e3x cos x + (B0 + B1 x)e3x sen x
yp′ = (Ã0 + Ã1 x)e3x cos x + (B̃0 + B̃1 x)e3x sen x (verificar)
yp′′ = (Ã˜0 + Ã˜1 x)e3x cos x + (B̃
˜ + B̃
0
˜ x)e3x sen x (verificar)
1
donde Ã0 , B̃0 , Ã1 , B̃1 , Ã˜0 , B̃

˜ , Ã˜ , B̃
0 1
˜ estan en funcion de A , B , A , B .
1 0 0 1 1
Reemplazando yp en la EDO, se tiene que
(Ã˜0 + Ã˜1 x)e3x cos x + (B̃

˜ + B̃
0
˜ x)e3x sen x = xe3x cos x
1
˜ ˜
De donde se deduce que Ã0 = 0, Ã1 = 1, B̃ ˜ = 0 y B̃
˜ = 0, lo que permite
0 1
encontrar A0 , B0 , A1 y B1 .
B. Caso resonante: λ0 = λj para algún j ∈ {1, . . . , l}
B.1 Caso real: λ0 ∈ R:
k0 +1
(D − λ0 ) P (D)ỹ = 0 ⇒ ỹ = ỹh .
La segunda ecuación se puede escribir de la forma
(D − λ1 )m1 . . . (D − λ0 )m0 +k0 +1 . . . (D − λl )ml ỹ = 0
Es decir, λ0 aumento su multiplicidad, luego, comparando ỹh e yh , se tiene
que yp es combinación lineal de elementos de
{xm0 eλ0 x , xm0 +1 eλ0 x , . . . , xm0 +k0 eλ0 x }
es decir,
yp = xm0 (A0 + A1 x + · · · + Ak0 xk0 )eλ0 x
Al factor xm0 se le llama factor de resonancia.
B.2 Caso complejo: λ0 ∈ C Repitiendo el proceso, se observa que yp es de la

forma
yp = xm0 (A0 + A1 x + · · · + Ak0 xk0 )eσ0 x cos w0 x
+xm0 (B0 + B1 x + · · · + Bk0 xk0 )eσ0 x sen w0 x.
Ejemplo 3.8. Queremos encontrar una solución particular de la ecuación
(D − 1)2 (D + 1)y = (4x + 3)ex .
Vemos que el coeficiente α = 1 en la exponencial del lado derecho es valor carac-
terı́stico de multiplicidad 2. En vista de lo discutido anteriormente proponemos una
solución de la forma
yp (x) = x2 (A0 + A1 x)ex = (A0 x2 + A1 x3 )ex .
El operador diferencial es P (D) = (D − 1)2 (D + 1) = D3 − D2 − D + 1. Tenemos
Dyp (x) = (A1 x3 + (A0 + 3A1 )x2 + 2A0 x)ex
D2 yp (x) = (A1 x3 + (A0 + 6A1 )x2 + (4A0 + 6A1 )x + 2A0 )ex
D3 yp (x) = (A1 x3 + (A0 + 9A1 )x2 + 6(A0 + 3A1 )x + 6(A0 + A1 ))ex ,
de modo que
P (D)yp = (4A0 + 6A1 + 12A1 x)ex .
Al igualar al lado derecho obtenemos el sistema

3 = 4A0 + 6A1
4 = 12A1 ,
cuya solución es A0 = 1/4, A1 = 1/3. Con esto encontramos la solución particular

1 2 1 3 x
yp (x) = x + x e .
4 3

7. Métodos de resolución de EDO de orden n a coeficientes variables
7.1. Ecuación homogénea.

7.1.1. Fórmulas de Abel y Liouville. En el caso de la ecuación homogénea con
coeficientes variables, el método de los valores caracterı́sticos no se puede aplicar
y no existe una metodologı́a general para encontrar las soluciones. No obstante,
podemos fácilmente encontrar una solución linealmente independiente a partir de
otra concida en el caso de orden dos, utilizando la fórmula de Abel, dada en el
Teorema 3.5. Esta dice que si y1 e y2 son soluciones de la ecuación lineal homogénea
de orden dos entonces el Wronskiano W satisface
Z
W (x) = C exp − a1 (x)dx .
Más precisamente, la Fórmula de Abel nos dice que

Z
′ ′
y2 y1 − y1 y2 = C exp − a1 (x)dx .
7. MÉTODOS DE RESOLUCIÓN DE EDO DE ORDEN n A COEFICIENTES VARIABLES 89
En los intervalos donde y1 6= 0 obtenemos

Z
y1′ C
y2′ − y2 = exp − a1 (x)dx ,
y1 y1
que es una ecuación lineal de primer orden que sabemos resolver. Multiplicamos la
ecuación por el factor integrante
Z ′
y1 1
µ(x) = exp − dx =
y1 y1
y obtenemos
′ Z
y2 C
= exp − a 1 (x)dx .
y1 y12
Integrando obtenemos
Z Z
1
y2 = Dy1 + y1 C exp − a1 (x)dx du.
y12
Si tomamos D = 0 obtenemos la Fórmula de Liouville
Z Z
1
y2 = Cy1 exp − a1 (x)dx du.
y12
Ejemplo 3.9. Se tiene la EDO x2 y ′′ + xy ′ − y = 0 y una solución y1 = x. Se
pide encontrar otra solución linealmente independiente y2 . Para ello escribimos la
ecuación normalizada:
1 1
y ′′ + y ′ − 2 y = 0.
x x
La fórmula de Abel nos da
Z
dx
xy2′ − y2 = C exp − ,
x
de donde
1 ′ 1 C
y2 − 2 y2 =
x x x3
y ′ C
2
=
x x3
y2 C
= + D.
x −2x2
Tomamos C = −2, D = 0 y obtenemos y2 = x1 .
Este método puede aplicarse a la ecuación de orden n > 2, teniendo en cuen-

ta que la fórmula de Abel nos entregará una EDO de orden n − 1 a coeficientes
variables. Si bien no se obtiene de manera tan sencilla la solución faltante, esto
constituye una reducción de orden con lo que la búsqueda de la n-ésima solución
linealmente independiente puede ser más tratable.
7.1.2. La ecuación de Euler. La ecuación de Euler es de la forma

an xn y (n) + . . . a1 xy ′ + a0 y = 0,
donde a0 , a1 , . . . an son constantes y an 6= 0. Se hace el cambio de variable x = eu ,
z(u) = y(eu ), siempre y cuando x 6= 0. Con esto
z ′ (u) = eu y ′ (eu ) = xy ′ (x).
Luego
z ′′ (u) = eu y ′ (eu ) + e2u y ′′ (eu ) = xy ′ (x) + x2 y ′′ (x),
con lo cual
x2 y ′′ (x) = z ′′ (u) − z ′ (u)
y ası́ sucesivamente. Al final queda una ecuación lineal de orden n a coeficientes
constantes.
Ejemplo 3.10. Estudiaremos la ecuación
x2 y ′′ (x) + xy ′ (x) = 0.
Los cambios de variable descritos arriba nos conducen a z ′′ (u) − z ′ (u) + z ′ (u) = 0.
Es decir, z ′′ (u) = 0. Las soluciones de esta ecuación son de la forma z(u) = Au + B,
con A, B ∈ R. Ası́,
y(x) = z(ln(x)) = A ln(x) + B, x 6= 0.

Ejemplo 3.11. Para la ecuación

x3 y ′′′ (x) + x2 y ′′ (x) − 4xy ′ (x) = 0
vemos que
xy ′ (x) = z ′ (u)
x2 y ′′ (x) = z ′′ (u) − z ′ (u)
3 ′′′
x y (x) = z ′′′ (u) − 3z ′′ (u) + 2z ′ (u).
La ecuación se transforma en
z ′′′ (u) − 2z ′′ (u) − 3z ′ (u) = 0.
El polinomio caracterı́stico es
p(λ) = λ(λ − 3)(λ + 1),
de donde los valores caracterı́sticos son λ1 = 0, λ2 = 3 y λ3 = −1. Ası́, las soluciones
son de la forma
z(u) = A + Be3u + Ce−u ,
de donde
y(x) = A + Bx3 + Cx−1 .

7.2. Ecuación no homogénea.

7. MÉTODOS DE RESOLUCIÓN DE EDO DE ORDEN n A COEFICIENTES VARIABLES 91
7.2.1. Método de variación de parámetros. Notemos que la ecuación de orden

n puede escribirse como un sistema de la forma
′
z (x) = Ac (x)z(x) + b(x) para x ∈ I
zk (x0 ) = y (k−1) (x0 ) para k = 1, . . . n,
donde
 
0 1 0 ··· 0  
  0
 0 0 1 ··· 0   
   0 
Ac =  .. .. .. .. .. y b=
. . . . .  .. .
   . 
 0 0 0 ··· 1 
Q
−a0 −a1 −a2 ··· −an−1
Supongamos que tenemos una base y1 , . . . , yn de soluciones de la ecuación ho-
mogénea. Recordemos que
 
y1 ... yn
 y1′ ... yn′ 
 
Φ= .. .. .. 
 . . . 
(n−1) (n−1)
y1 . . . yn
es la matriz fundamental de soluciones y notemos que
 ′ 
y1 . . . yn′
 y1′′ . . . yn′′ 
 
Ac Φ =  .. .. ..  = Φ′ .
 . . . 
(n) (n)
y1 ... yn
Buscaremos una solución de la forma
yp (x) = F1 (x)y1 (x) + · · · + Fn (x)yn (x).
Observemos que esta expresión es justamente la primera componente del vector
ΦF y las otras componentes son sus derivadas. La idea es encontrar el vector F de
manera que ΦF sea solución del sistema de primer orden:
(Φ(x)F (x))′ = Ac (x)Φ(x)F (x) + b(x).
La regla para la derivación de un producto es válida para matrices (ver Lema 5.1).
Luego
(Φ(x)F (x))′ = Φ′ (x)F (x) + Φ(x)F ′ (x)
= Ac (x)Φ(x)F (x) + Φ(x)F ′ (x),
de manera que si encontramos F tal que Φ(x)F ′ (x) = b(x), entonces la prime-
ra componente del vector Φ(x)F (x) será una solución particular de la ecuación
de orden n original. Ahora bien, la matriz Φ es invertible pues está formada por
soluciones linealmente independientes de la ecuación. De este modo podemos tomar
Z
F (x) = Φ(x)−1 b(x) dx.5
5Se puede usar la regla de Cramer en lugar de calcular la inversa. Esto da origen a la fórmula
de representación de Green, que estudiaremos más adelante.
Ejemplo 3.12. Encontremos una solución particular de la ecuación

1
y ′′ (x) − y(x) = .
1 + e−x
Los valores caracterı́sticos de la ecuación son 1 y −1, por lo que dos soluciones
linealmente independientes de la ecuación homogénea son ex y e−x . Construimos
x −x
e e−x −1 1 e e−x
Φ(x) = y Φ(x) = .
ex −e−x 2 ex −ex
Luego

−1 1 e−x e−x 0 1 e−x
Φ(x) b(x) = 1 = .
2 ex −ex 1+e−x 2(1 + e−x ) −ex
Z √
1 e−x dx
F1 (x) = −x
= − ln 1 + e−x
2 1+e
y Z
1 ex dx ex √
F2 (x) = − −x
= − + ln 1 + ex .
2 1+e 2
Finalmente obtenemos la solución particular
yp (x) = F1 (x)ex + F2 (x)e−x
√ 1 √
= −ex ln 1 + e−x − + e−x ln 1 + ex .
2

8. Resolución de problemas con condiciones de borde.

En el caso de EDO lineales de segundo orden, ya vimos algunos problemas con
condiciones de borde, como era el caso del problema espectral de la Sección 3.2.
En el caso de EDO lineales de orden n, se pueden plantear también problemas con
condiciones de borde, y al menos estudiar bajo qué condiciones la solución puede
existir y ser única.
Notemos que en estos problemas no se aplica directamente el Teorema de Exis-
tencia y Unicidad por no estar el problema planteado directamente como un pro-
blema de Cauchy (con todas las condiciones de borde en solo un punto). Esto se
ilustra a través de los siguientes ejemplos.
Ejemplo 3.13. Dada la ecuación y (4) + p(x)y = g(x) con p y g continuas en
x ∈ (0, 1) y condiciones de borde y(0) = y ′′ (0) = y(1) = y ′′ (1) = 0. Suponiendo que
para g = 0 la única solución es la nula, demostremos que existe una única solución
si g 6= 0.
Dado que p (coeficiente) y g (lado derecho) son funciones continuas, sabemos
que la solución general y tiene la forma:
y = Ay1 + By2 + Cy3 + Dy4 +yp
| {z }
yh
donde A, B, C, D son constantes, y1 , y2 , y3 , y4 son soluciones (l.i.) de clase C 4 ([0, 1])

de la ecuación homogénea y (4) + p(x)y = 0 e yp es cualquier solución particular de
y (4) + p(x)y = g(x).
8. RESOLUCIÓN DE PROBLEMAS CON CONDICIONES DE BORDE. 93
Imponiendo las cuatro condiciones de borde se obtiene:

y(0) = 0 = Ay1 (0) + By2 (0) + Cy3 (0) + Dy4 (0) + yp (0)
y(1) = 0 = Ay1 (1) + By2 (1) + Cy3 (1) + Dy4 (1) + yp (1)
y ′′ (0) = 0 = Ay1′′ (0) + By2′′ (0) + Cy3′′ (0) + Dy4′′ (0) + yp′′ (0)
y ′′ (1) = 0 = Ay1′′ (1) + By2′′ (1) + Cy3′′ (1) + Dy4′′ (1) + yp′′ (1)
Esto escrito como un sistema lineal queda ası́
    
y1 (0) y2 (0) y3 (0) y4 (0) A −yp (0)
 y1 (1) y2 (1) y3 (1) y4 (1)   
B   −y p (1) 
(∗)  
 y1′′ (0) y2′′ (0) y3′′ (0) y4′′ (0)    = ′′


C −y p (0)
y1′′ (1) y2′′ (1) y3′′ (1) y4′′ (1) D −yp′′ (1)
| {z }
M
Si g = 0 una solución particular es yp = 0. En este caso sabemos del enunciado
que la única solución es la solución nula, entonces
   
A 0
 B   0 
M   
 C = 0  ⇒ A=B=C=D=0
D 0
de donde M es invertible, por lo que el sistema (*) también tiene solución única
cualquiera sea el yp escogido. Por ello siempre hay una solución (para cada yp
elegido hay un set de constantes A, B, C, D asociadas soluciones del sistema (*)).
Para convencerse de que es única, basta tomar dos soluciones y, z, y la resta
de ambas u = y − z satisface la ecuación homogénea con las mismas condiciones de
borde, que sabemos por enunciado debe ser nula. Por esto u = 0 es decir y = z.
Ejemplo 3.14. Dada la ecuación y ′′ + αy = cos(βx) en (0, 1), α > 0 con
condiciones de borde y ′ (0) = y ′ (1) = 0, analicemos la solución en términos de las
constantes α y β.
Igual que en el ejemplo anterior, la solución tiene la forma:
y = Ay1 + By2 + yp
donde A y B son constantes, y1 e y2 son dos soluciones l.i. de la ecuación homogénea
e yp es una solución particular cualquiera. En este caso, por ser la EDO a coefi-
cientes constantes, podemos obtener explı́citamente y1 e y2 a partir de los valores
caracterı́sticos: √
λ2 + α = 0 ⇒ λ = ±iω, ω = α
de donde y1 = cos(ωx) e y2 = sin(ωx). Con esto:
y = A cos(ωx) + B sin(ωx) + yp .
Imponiendo las condiciones de borde se obtiene:
y ′ (0) = 0 = Aω sin(ω · 0) − Bω cos(ω · 0) + yp′ (0) = −Bω + yp′ (0)
y ′ (1) = 0 = Aω sin(ω) − Bω cos(ω) + yp′ (1)
El sistema que se obtiene es el siguiente:

0 −ω A −yp′ (0)
(∗∗) =
ω sin(ω) −ω cos(ω) B −yp′ (1)
| {z }
M
La matriz M es invertible si y sólo si sin(ω) 6= 0, es decir, si ω 6= kπ para ningún

k entero. Si es ası́, la solución es única tal y como ocurrió en el ejemplo anterior.
por′ el contrario
Si ω = k0 π para algún k0 entero, entonces la solución existe si
−yp (0)
pertenece al núcleo de M , esto es, si su segunda componente es nula:
−yp′ (1)
(∗ ∗ ∗) yp′ (1) = 0
si por el contrario yp′ (1) 6= 0 no hay solución que sea compatible con las condiciones
de borde.
Por otro lado yp tiene la forma
(i) yp = C cos(βx) + D sin(βx) si β 6= ±ω (caso no resonante)
o bien
(ii) yp = Cx cos(βx) + Dx sin(βx) si β = ±ω (caso resonante)
de donde la condición (***) queda en el caso (i)
Cβ sin(β) = Dβ cos(β)
que se cumple en particular si β = 0 o si tan β = D/C. En el caso (ii) se puede
llegar a una condición similar que liga C con D.
Capı́tulo 4
Transformada de Laplace
1. Definiciones y ejemplos
Definición 4.1. Dada f : [0, +∞) → R se llama transformada de Laplace de
f a la función
Z +∞
(28) L[f ](s) = e−st f (t)dt
0
que asocia a s ∈ R el valor L[f ](s) cuando la integral converge. Si la transformada

de Laplace de una función existe para s > c, a la mı́nima cota “c” se le llama
ası́ntota de la transformada.
Veamos algunos ejemplos para funciones conocidas:
R∞
Ejemplo 4.1. Primero f (t) = 1. Claramente, si s ≤ 0 la integral 0
e−st dt no
converge. Si s > 0 entonces
Z ∞ ∞
−st −1 −st 1
L[1](s) = e dt = e = .
0 s 0 s
1
Luego L[1](s) = para s > 0 (la ası́ntota es c = 0).
s
Ejemplo 4.2. Analicemos ahora f (t) = eat Rcon a ∈ C. Al igual

R ∞ que antes, es
∞
evidente que si s ≤ Re(a) entonces la integral 0 e−st eat dt = 0 e−(s−a)t dt no
converge. Si s > Re(a),
Z +∞
L[eat ](s) = e−(s−a)t dt
0
+∞
−1 −(s−a)t
= e
s−a 0
1
= .
s−a
1
De allı́, L[eat ](s) = para s > Re(a) (la ası́ntota es c = Re(a)).
s−a
Ejemplo 4.3. Recordemos ahora que cos wt + i sen wt = eiwt , de manera que
Re(eiwt ) = cos wt e Im(eiwt ) = sen wt son la parte real e imaginaria de eiwt , res-
pectivamente. De ejemplo anterior tenemos que
1 s + iw
L[eiwt ](s) = = 2 para s > 0.
s − iw s + w2
95
96 4. TRANSFORMADA DE LAPLACE
En virtud de la definición de la transformada de Laplace,

L[Re(f )] = ReL[f ] e L[Im(f )] = ImL[f ],
con lo cual
s w
L[cos wt](s) = y L[sen wt](s) = para s > 0.
s2 + w2 s2 + w2

De la linealidad de la integral tenemos la siguiente propiedad:

Propiedad 4.1. La transformada de Laplace es un operador lineal. Es decir, si
λ ∈ R y si f y g son funciones de [0, +∞) en R tales que L[f ](s) y L[g](s) existen,
entonces
L[f + λg](s) = L[f ](s) + λL[g](s).
et + e−t et − e−t
Ejemplo 4.4. Recordemos que cosh(t) = y senh(t) = . Para
2 2
s > 1 tenemos que
1 t
L[cosh(t)](s) = L[e ](s) + L[e−t ](s)
2
1 1 1
= +
2 s−1 s+1
s
= 2
,
s −1
1
y L[senh(t)](s) = L[et ](s) − L[e−t ](s)
2
1 1 1
= −
2 s−1 s+1
1
= 2
.
s −1

Una función f tiene una discontinuidad de salto en a ∈ Dom(f ) si los lı́mites

laterales lı́mx→a+ f (x) y lı́mx→a− f (x) existen, son finitos y distintos.
Una función f : [0, +∞) → R se dice continua por pedazos si tiene un núme-
ro finito o numerable de discontinuidades de salto en [0, +∞), pero sobre cada
subintervalo acotado de [0, +∞) tiene a lo más un número finito de éstas.
Veamos algunos ejemplos:
Ejemplo 4.5. La función

[t] 1 0≤t<1
f (t) = (−1) =
−1 1 ≤ t < 2
extendida periódicamente a [0, ∞) con perı́odo 2, se llama onda cuadrada y es con-

tinua por pedazos.
1. DEFINICIONES Y EJEMPLOS 97
0 1 2 3 4 5 6
−1
Gráfico de la onda cuadrada.
Ejemplo 4.6. La función f (t) = t − [t] o bien f (t) = t, 0 ≤ t < 1 extendida

periódicamente a [0, ∞) con perı́odo 1, llamada onda de dientes de sierra, es con-
tinua por pedazos.
0 1 2 3 4 5 6
Gráfico de la onda de dientes de sierra.
Ejemplo 4.7. La función f (t) = tan(t) no es continua por pedazos pues
lı́m tan(t) = −∞ y lı́m tan(t) = +∞.

t→ π
2
+ t→ π
2
−
Ejemplo 4.8. La función

1
t t 6= 0
f (t) =
0 t=0
tampoco es continua por pedazos.
Definición 4.2. Una función f : [0, +∞) → R es de orden exponencial si

existen α ∈ R y M > 0 tales que |f (t)| ≤ M eαt para todo t ≥ 0. Al menor de
tales α se le llama orden exponencial de f . Gráficamente, el hecho de tener orden
exponencial significa que la función está encerrada entre M eαt y −M eαt .
Definición 4.3. El espacio Cα es el conjunto de las funciones f : [0, +∞) → R

que son continuas por pedazos y de orden exponencial α. Es un subespacio vectorial
del espacio de todas las funciones de [0, +∞) en R.
Observemos que si f ′ ∈ Cα entonces

Z x
|f (x)| ≤ |f (0)| + |f ′ (s)|ds
0
M αx
≤ |f (0)| + e
α
≤ feαx ,
M
de modo que f ∈ Cα .
Propiedad 4.2. Si f ∈ Cα entonces para todo s > α, existe L[f ](s) (y converge
absolutamente). Además
M
|L[f ](s)| ≤
s−α
para todo s > α. En particular, lı́ms→+∞ L[f (t)](s) = 0.
Demostración. Recordemos que si la integral converge absolutamente, en-
tonces converge. Con esto basta probar que
Z ∞
M
|e−st f (t)|dt ≤
0 s −α
para todo s > α. En efecto,
Z ∞ Z ∞
|e−st f (t)|dt = e−st |f (t)|dt
0 0
Z ∞
≤ M e−st eαt dt
0
Z ∞
≤ M e−(s−α)t dt
0
∞
1
(−s+α)t
≤ M e
−s + α 0
C
≤ .
s−α

Ejercicio Propuesto 4.1. Demostrar que tk , k ∈ N, tiene transformada de
k!
Laplace y que L[tk ](s) = k+1 , s > 0.
s
La funcı́on escalón de Heaviside se define como

0 t<a
Ha (t) =
1 t≥a
a
Función escalón de Heaviside Ha (t).
2. PROPIEDADES BÁSICAS DE LA TRANSFORMADA DE LAPLACE 99
Observemos que si a ≥ 0, entonces Ha (t) = H0 (t − a). La transformada de

Laplace de Ha , con a ≥ 0 es
Z ∞ Z ∞
−st 1
L[Ha ](s) = e Ha (t) dt = e−st dt = e−as
0 a s
para s > 0.
Si a < b definimos el pulso entre a y b como


 0 t<a
Pab (t) = 1 a≤t<b

0 t ≥ b.
a b
Pulso entre a y b.
Notar que Pab (t) = Ha (t) − Hb (t). Luego, su transformada de Laplace para
0 ≤ a < b será
L[Pab (t)](s) = L[Ha (t) − Hb (t)](s) = L[Ha (t)](s) − L[Hb (t)](s).
Por lo tanto
1 −as
L[Pab (t)](s) = (e − e−bs ) para s > 0.
s
2. Propiedades básicas de la transformada de Laplace

En esta sección estudiaremos reglas operacionales que serán útiles para aplicar
la transformada de Laplace a la resolución de ecuaciones lineales de orden superior
y sistemas lineales de primer orden.
2.1. Transformada de una derivada. Sea f ∈ Cα derivable. Calculemos

la transformada de Laplace de su derivada para s > α.
Z +∞
L[f ′ ](s) = e−st f ′ (t)dt
0
Z ∞ ∞

= s e−st f (t)dt + e−st f (t)
0 0
= sL[f ](s) + lı́m e−st f (t) − lı́m e−st f (t).
t→∞ t→0+
Como f es de orden exponencial α, se tiene que

lı́m |e−st f (t)| ≤ lı́m |e−st eαt | = lı́m e−(s−α)t = 0
t→∞ t→∞ t→∞
+
pues s > α. Llamando f (0 ) = lı́mt→0+ f (t) tenemos que
L[f ′ ](s) = sL[f ](s) − f (0+ ) para s > α.
Para la segunda derivada, si s > α tenemos
L[f ′′ ](s) = sL[f ′ ](s) − f ′ (0+ )

= s(sL[f ](s) − f (0+ )) − f ′ (0+ )
= s2 L[f ](s) − sf (0+ ) − f ′ (0+ ).
Repitiendo este procedimiento obtenemos, para s > α,

n−1
X
L[f (n) ](s) = sn L[f ](s) − sk f (n−k) (0+ ).
k=0
Ejemplo 4.9. Un cohete despega con velocidad inicial v0 desde la Tierra en

forma vertical. Luego de algunos segundos, se activan los motores de emergencia,
por lo que adquiere una aceleración a > 0 durante un intervalo de tiempo breve. Si
la gravedad de la Tierra es g, encuentre la ecuación de movimiento del cohete su-
poniendo que tiene masa m y (t1 , t2 ) es el intervalo en el que funcionan los motores
de emergencia, con t2 > t1 .
De la sumatoria de fuerzas obtenemos

d2
m 2 y(t) = −mg + ma(Pt1 t2 (t)),
dy
donde y(t) es la posición del cohete con respecto a la Tierra. Las condiciones iniciales
del cohete son y(0) = 0 y y ′ (0) = v0 . Eliminando m a ambos lados y aplicando L
se obtiene la ecuación
L[y ′′ (t)](s) = aL[Pt1 t2 (t)](s) − gL[1](s)
recordando las expresiones para L[y ′′ (t)](s), L[Pt1 t2 (t)](s) y L[1](s), la expresión
queda
a g
s2 L[y](s) − sy(0+ ) − y ′ (0+ ) = (e−t1 t − e−t2 t ) −
s s
+ ′ +
Pero y(0 ) = 0 y y (0 ) = v0 . Luego
v0 a a g
L[y](s) = 2 + 3 e−t1 t − 3 e−t2 t − 3
s s s s
En breve veremos cómo recuperar una función a partir de su transformada. Conti-
nuaremos este cálculo en el Ejemplo 4.12.
Transformada de una primitiva. Sea f ∈ Cα localmente

2.2. Z t integrable.
Sea a ∈ R. Encontremos la transformada de la función F (t) = f (u)du. Para
a
s > α se tiene
L[F ′ ](s) = sL[F ](s) − F (0+ ).
Por lo tanto, la transformada de F es
Z a
1 1
L[F ](s) = L[f ](s) − f (u)du
s s 0
para s > α.
Z tZ t Z t Z u
Si denotamos f (u)du = f (v)dv du. La transformada de esta
a a a a
expresión es
Z tZ t Z t Z Z
1 1 a t
L f (u)du (s) = L f (u)du (s) − f (u)du
a a s a s 0 a
Z a Z a
1 1 1
= L[f ](s) − 2 f (u)du − F (t)dt.
s2 s 0 s 0
repitiendo el proceso, se obtiene la fórmula para la transformada de la n-ésima
integral:
 
Z t Z t Xn Z a Z t Z t
 
L . . . f (u)du  (s) = 1 L[f ](s) − 1
. . . f (u)du.
  sn sk 0 a
a a
| {z } k=1 | {z a}
n veces n − k veces
2.3. Traslaciones. Una traslación en el dominio temporal t corresponde a

un factor exponencial en el dominio de Laplace s. Si f ∈ Cα y a ∈ R, la función f
trasladada hacia la derecha se define en todo [0, ∞) como H(t − a)f (t − a). Se tiene
entonces que
Z ∞
L[H(t − a)f (t − a)](s) = e−st H(t − a)f (t − a)dt
0
Z ∞
= e−st f (t − a)dt
a
Z ∞
= e−s(u+a) f (u)du
0
= e−sa L[f (t)](s).
De manera análoga, una traslación en el dominio de Laplace corresponde a un factor
exponencial en el dominio temporal.
Z ∞
L[f (t)](s − a) = e−(s−a)t f (t)dt
0
Z ∞
= e−st ea f (t)dt
a
= L[eat f (t)](s).
2.4. Igualdad de transformadas. Nos proponemos ver ahora cuándo una
función está unı́vocamente determinada por su transformadad de Laplace. Nos in-
teresa saber cuándo L[f ] = L[g] implica que f = g. La respuesta está dada por el
siguiente teorema, que enunciamos sin demostración:
Teorema 4.1 (Lerch). Si f, g ∈ Cα y L[f ](s) = L[g](s) para todo s > α
entonces f (t) = g(t) para todo t ≥ 0, salvo en la unión de las discontinuidades de
f y g.
2.5. Convolución. Sean f y g funciones en Cα . El producto de convolución
entre f y g de define como
Z t
(f ∗ g)(t) = f (s)g(t − s)ds.
0
Se deja al lector verificar la siguiente:
Propiedad 4.3. El producto de convolución es conmutativo, asociativo y dis-

tribuye con respecto a la suma en Cα .
Teorema 4.2. Sean f, g ∈ Cα . Entonces
L[(f ∗ g)](s) = L[f ](s) · L[g](s).
En palabras, la transformada de la convolución es el producto de las transformadas.
Demostración. Dadas f y g en Cα , tenemos que
Z ∞ Z t
L[(f ∗ g)](s) = e−st f (u)g(t − u)du dt
0 0
Z ∞ Z t
−st
= e f (u)g(t − u)dudt.
0 0
Cambiando el orden de integración y haciendo un cambio de variables tenemos
Z ∞ Z t Z ∞ Z ∞
e−st f (u)g(t − u)dudt = e−st f (u)g(t − u)dtdu
0 0
Z0 ∞ Zu∞
= e−s(w+u) f (u)g(w)dwdu
0 0
Z ∞ Z ∞
= e−su f (u)du e−sw g(w)dw
0 0
= L[f ](s)L[g](s).
2.6. Transformada de funciones periódicas. Sea f función T -periódica,

notemos que si f es acotada, luego f ∈ Cα , entonces si f es continua o acotada ⇒
f ∈ Cα .
Propiedad 4.4. Sea f función T -periódica, luego su transformada de Laplace

esta dada por:
Z T
1
L[f ](s) = e−st f (t)dt
1 − e−sT 0
Demostración. Dadas f ∈ Cα , tenemos que

Z ∞
L[f ](s) = e−su f (u)du
0
Luego notemos que ([kT, (k + 1)T ])k∈N es una partición disjunta de [0, ∞), luego:
Z ∞ ∞ Z
X (k+1)T
e−su f (t)du = e−su f (u)du u = kT + t du = dt
0 k=0 kT
X∞ Z T
= e−s(kT +t) f (kT + t)du
k=0 0
X∞ Z T
= e−s(kT +t) f (kT + t)du
k=0 0
X∞ Z T
= e−skT e−st f (t)dt
k=0 0
∞
!Z
X T
−sT k
= (e ) e−st f (t)dt
k=0 0
P
Luego como |e−sT | ≤ 1 ∀s ≥ 0, entonces ∞ k=0 (e ) = 1−e1−sT (serie geométrica)
−sT k
luego teniendo esto:

∞
!Z Z T
X T
1
−sT k
(e ) e−st f (t)dt = −sT
e−st f (t)dt
0 1 − e 0
k=0
Concluyendo lo pedido.
2.7. Convergencia Uniforme. Veremos ahora unos detalles técnicos de

convergencia. Sean f ∈ Cα y M > α0 > α. Definimos
Z ∞ Z n
Φ(s) = e−st f (t)dt y Φn (s) = e−st f (t)dt,
0 0
con s ∈ I = [α0 , M ]. Tenemos que

Z ∞

|Φn (s) − Φ(s)| = e f (t)dt−st
n
∞
C −(s−α)t
≤ e
s−α n
C −(s−α)n
≤ e
s−α
para todo s ∈ I. Si kgkI = sups∈I |g(s)|, entonces
C −(s−α)n
kΦn − ΦkI ≤ sup e
s>α s − α
C
= e−(α0 −α)n .
α0 − α
Por lo tanto kΦ − ΦnkI → 0 cuando n → ∞, con lo que Φn converge uniformemente
a Φ en I.
2.8. Diferenciabilidad. Sea f ∈ Cα . Calcularemos la derivada con respecto

a s de la transformada de Laplace de f .
Z ∞
d d
L[f (t)](s) = e−st f (t)dt
ds ds 0
Z ∞
d −st
= e dt
ds
Z0 ∞
= −te−st f (t)dt
0
= −L[tf (t)](s).
La derivación bajo el signo integral se justifica por la convergencia uniforme. Repi-
tiendo el proceso, la derivada n-ésima de la transformada de Laplace de f se expresa
como
dn
L[f (t)](s) = (−1)n L[tn f (t)](s).
dsn
2.9. Integrabilidad. Gracias de nuevo a la convergencia uniforme, tenemos
que
Z s Z s Z ∞
−ut
L[f (t)](u)du = ef (t)dt du
0 0 0
Z ∞ Z s
−ut
= e f (t)du dt
0 0
Z ∞ s
−1 −ut
= e f (t) dt
0 t 0
Z ∞ Z ∞
f (t) −st f (t)
= − e dt + dt
0 t t
Z ∞0
f (t) f (t)
= −L (s) + dt
t 0 t
f (t)
para f ∈ Cα . Si en la fórmula de la derivada de la transformada, se toma g(t) = ,
t
se obtiene
d f (t)
L = −L[f (t)](s).
ds t
Por lo tanto
Z ∞
f (t) f (t)
lı́m L (s) − L (s) = − L[f (t)](u)du.
s→∞ t t s

f (t) f (t)
Si ∈ Cα se tiene lı́ms→∞ L (s) = 0. En consecuencia
t t
Z ∞
f (t)
L (s) = L[f (t)](u)du
t s
Se puede verificar que f (t)

t ∈ Cα cuando f (t) ∈ Cα y lı́mt→0+ t
f (t)
existe y es
finito. Bajo esta condición obtenemos
Z s Z ∞ Z ∞
f (t)
L[f (t)](u)du = − L[f (t)](u)du + dt,
0 s 0 t
3. ANTITRANSFORMADAS Y APLICACIONES 105
que equivale a integrar desde 0 a ∞. Es decir,

Z ∞ Z ∞
f (t)
L[f (t)](u)du = dt.
0 0 t
3. Antitransformadas y aplicaciones
Una función f (en el dominio temporal) es antitransformada de una función
ρ (en el dominio de Laplace) si se cumple que L[f ] = ρ. Se denota como f (t) =
L−1 [ρ](t).
En esta sección estudiaremos un método para calcular antitransformadas de

funciones racionales y presentaremos aplicaciones a la ecuación diferencial lineal de
orden n y a sistemas de ecuaciones lineales de primer orden.
3.1. Descomposición en fracciones Parciales. Repasaremos el método

de descomposición en fracciones parciales estudiado en el curso de cálculo integral.
p(x)
Supongamos se tiene la expresion racional , donde p y q son polinomios a coe-
q(x)
p(x)
ficientes reales tales que gr(p) < gr(q). Se quiere escribir como una suma de
q(x)
expresiones más simples. Se pueden presentar varios casos:
1. q(x) tiene n raı́ces reales distintas y simples: q(x) = (x − a1 ) . . . (x − an ), con

ai 6= aj si i 6= j. Hacemos
p(x) A1 An
= + ··· + .
q(x) x − a1 x − an
2. q(x) tiene una raı́z real de multiplicidad n: q(x) = (x − a)n . Hacemos
p(x) A1 A2 An
= + + ··· + .
q(x) x − a (x − a)2 (x − a)n
3. q(x) tiene 1 raı́z compleja simples. Entonces su conjugado también es raı́z simple,
de modo que q(x) = ax2 + bx + c = (x − z)(x − z), z ∈ C \ R. Hacemos
p(x) Ax + B
= 2 .
q(x) ax + bx + c
4. Si q(x) tiene 1 raı́z compleja de multiplicidad n: q(x) = (ax2 + bx + c)n =
(x − z)n (x − z)n con z ∈ C \ R. Hacemos
p(x) A1 x + B1 A2 x + B2 An x + Bn
= 2 + + ··· + .
q(x) ax + bx + c (ax2 + bx + c)2 (ax2 + bx + c)n
5. Cualquier combinación de estos casos.
Una vez descompuesta la expresión original, se deben encontrar los valores de

los coeficientes de la parte derecha. Existen varias formas de encontrarlos, veremos
2 métodos:
Método 1: Multiplicar por q(x) a ambos lados y evaluar raı́z por raı́z (sirve
cuando las raı́ces son simples).
Método 2: Desarrollar la suma de la parte derecha e igualar coeficientes.

Ejemplo 4.10. Se desea descomponer la expresión
s
2
.
s − 3s + 2
Las raı́ces son s = 1 y s = 2, ambas simples. La expresión se descompone como
s A B
= + .
s2 − 3s + 2 s−1 s−2
Utilizamos el método 1. Para ello multiplicamos a ambos lados por q(s). Obtenemos
s = A(s − 2) + B(s − 1).
Evaluando en s = 1 vemos que A = −1 y evaluando en s = 2 vemos que B = 2.
Ejemplo 4.11. Se desea descomponer la expresión

1
.
s ((s − a)2 + b2 )
2
Las raı́ces son s = 0, con multiplicidad 2, y s = a ± bi, ambas simples.
Utilizando una combinación de 2. y 4., la descomposición queda

1 A B C + Ds
(29) = + 2+ .
s2 ((s − a)2 + b2 ) s s (s − a)2 + b2
Como hay una raı́z doble usaremos el método 2. Desarrollamos el lado derecho de
(29) y obtenemos
1 As((s − a)2 + b2 ) + B((s − a)2 + b2 ) + (C + sD)s2
= .
s2 ((s − a)2 + b2 ) s2 ((s − a)2 + b2 )
Reordenando los términos deducimos una igualdad para los numeradores:
1 = s3 (A + D) + s2 (−2aA + B + C) + s(A(a2 + b2 ) − 2aB) + (Ba2 + Bb2 ).
Igualando los coeficientes obtenemos 4 ecuaciones:
0 = A+D
0 = −2aA + B + C
0 = A(a2 + b2 ) − 2aB
1 = Ba2 + Bb2
que nos dan
2a 1 3a2 − b2 −2a
A= , B= , C= , D= .
(a2 + b2 )2 a2 + b2 (a2 + b2 )2 (a2 + b2 )2

Más adelante, en el Ejemplo 5.11, mostraremos una aplicación concreta del

método de fracciones parciales a un problema de intercambio de masas atmosféri-
cas.
3.2. Aplicación a la EDO lineal de orden n. Se tiene la siguiente EDO

a coeficientes constantes:
P (D)y(t) = Q(t)
con P (D) un operador diferencial de orden n normalizado (an = 1) y Q(t) combi-
nación lineal de funciones en Cα . Aplicando L a ambos lados de la EDO, se obtiene:
 
n
X
L aj Dj y  (s) = L[Q](s)
j=1
n
X
aj L Dj y (s) = L[Q](s).
j=1
Pero se sabe que

L Dj y (s) = sj L[y](s) − Rj (s),
donde
j−1
X
Rj (s) = sk y (j−k−1) (0+ ).
k=0
Con esto la ecuación queda
 
X n n
X
 aj sj  L[y](s) − aj Rj (s) = L[Q](s).
j=1 j=1
Escribimos entonces
R(s) L[Q(t)](s)
L[y(t)](s) = + ,
P (s) P (s)
donde
n
X n
X
P (s) = aj sj y R(s) = aj Rj (s).
j=1 j=1
Llamando yh (t) e yp (t) a la funciones tales que

R(s) L[Q](s)
L[yh ](s) = y L[yp ] =
P (s) P (s)
se tiene que
L[ y ] = L[ yh ] + L[ yp ].
Luego

R L[Q]
yh (t) = L−1 (t) e yp (t) = L−1 (t).
P P

1 −1
Para encontrar yp (t), consideremos G(t) = L (t). Tenemos
P

yp (t) = L−1 L[G(t)](s)L[Q(t)](s) (t)

= L−1 L[(G ∗ Q)(t)](s) (t)
= (G ∗ Q)(t)
Z t
= G(t − θ)Q(θ)dθ.
0
Todo se reduce entonces a encontrar antitransformadas de funciones de la for-

T (s)
ma , donde T y P son polinomios y gr(P ) > gr(T ) (observe que P es de grado
P (s)
n, R es de grado n − 1 y 1 es de grado cero).
Gracias a la linealidad, si descomponemos en fracciones parciales, basta averi-

guar cuáles son las antitransformadas de cada uno de los términos que aparecen en
la descomposición. Primero recordemos que
1
= L[H(t)](s − λ) = L[eλt H(t)](s)
s−λ k−1
1 t tk−1
= L (s − λ) = L eλt (s)
(s − λ)k (k − 1)! σt (k − 1)!
1 1 e
= L sen(wt) (s − σ) = L sen(wt) (s)
(s − σ)2 + w2 w w
s−σ
= L [cos(wt)] (s − σ) = L [eσt cos(wt)] (s).
(s − σ)2 + w2
Inmediatamente obtenemos las antitrasformadas

λt −1 1
e H(t) = L (t)
s−λ
k−1

λt t −1 1
e = L (t)
(k − 1)! (s − λ)k

eσt −1 1
sen(wt) = L (t)
w (s − σ)2 + w2

s−σ
eσt cos(wt) = L−1 (t).
(s − σ)2 + w2
Esto es casi todo lo que se necesita para determinar la antitransformada de una

T (s)
función de la forma . Sólo falta encontrar las antitransformadas de fracciones
P (s)
del tipo

−1 s −1 1
1. L (t) y 2. L (t)
(s2 + a2 )n (s2 + a2 )n
para n ≥ 2. Haremos los cálculos para n = 2 y dejamos el caso general como

ejercicio para el lector.
d 1 −2s
1. Basta considerar = 2 . Por lo tanto
ds s2 + a2 (s + a2 )2

−1 s −1 −1 d 1
L (t) = L (t)
(s2 + a2 )2 2 ds s2 + a2

−1 −1 d
= L L[sen(at)](s) (t)
2a ds
1
= t sen(at).
2a
Z t
1
2. Recordando que L f = L[f ], se tiene:
0 s

1 −1 1 s
L−1 (t) = L (t)
(s2 + a2 )2 s (s2 + a2 )2

1 1
= L−1 L t sen(at) (s) (t)
s 2a
Z t
−1 1
= L L t sen(at) (s) (t)
0 2a
Z t
1
= t sen(at)
0 2a

1 1
= sen(at) − t cos(at) .
2a2 a
Resumimos los ejemplos más relevantes de funciones y sus transformadas en la
siguiente tabla:
f (t) L[f ](s)
1
eλt
s−λ
1 −as
Ha (t) e
s
1 −as
Pab (t) (e − e−bs )
s
tk−1 1
eλt
(k − 1)! (s − λ)k
eσt 1
sen(wt)
w (s − σ)2 + w2
s−σ
eσt cos(wt)
(s − σ)2 + w2
2as
t sen(at)
(s2 + a2 )2
1 2a2
sen(at) − t cos(at)
a (s2 + a2 )2
Ejemplo 4.12. Continuando el Ejemplo 4.9 del cohete, hay que encontrar las
funciones que al ser transformadas por L, equivalen a cada uno de los sumandos
del miembro derecho de la ecuación
v0 a a g
L[y](s) = 2 + 3 e−t1 t − 3 e−t2 t − 3 .
s s s s
Utilizando las conclusiones de la discusión precedente vemos que

a 2 a 2 gt2
L[y](s) = L v0 t + (t − t1 ) H(t − t1 ) − (t − t2 ) H(t − t2 ) + .
2 2 2
Por lo tanto, la ecuación de movimiento del cohete es

a a gt2
y(t) = v0 t + (t − t1 )2 H(t − t1 ) − (t − t2 )2 H(t − t2 ) + .
2 2 2

Ejemplo 4.13. Resolvamos ahora el problema de Cauchy

 ′′
 y + 2y ′ + 2y = 0
y(0) = 1
 ′
y (0) = 1
utilizando la transformada de Laplace. Para ello observemos que
L[y ′′ + 2y ′ + 2y](s) = L[y ′′ ] + 2L[y ′ ] + 2L[y]
= s2 L[y](s) − sy(0+ ) − y ′ (0+ )
+2(sL[y](s) − y(0+ )) + 2L[y](s)
= (s2 + 2s + 2)L[y](s) − s − 3.
con lo cual
L[y ′′ + 2y ′ + 2y](s) = 0
2
(s + 2s + 2)L[y](s) − s − 3 = 0
(s2 + 2s + 2)L[y](s) = s+3
s+3
L[y](s) = .
s2 + 2s + 2
Como las raices de s2 + 2s + 2 = 0 son complejas, se escribe ese polinomio de la
forma (s + 1)2 + 1, con lo que se obtiene
s+3 s+1 2
L[y](s) = 2
= + .
(s + 1) + 1 (s + 1) + 1 (s + 1)2 + 1
2
s+1 1
Como L [e−x cos x] (s) = 2
y L [e−x sen x] (s) = , se tiene
(s + 1) + 1 (s + 1)2 + 1
que

L[y](s) = L e−x cos x (s) + 2L e−x sen x (s)
−x
L[y](s) = L e cos x + 2e−x sen x (s)
y(x) = e−x (cos x + 2 sen x).

4. Funciones y derivadas generalizadas

4.1. Funciones generalizadas. Sea Ψ : R → R una función integrable. La
acción de Ψ sobre una función f : R → R es
Z ∞
Ψ[f ] = Ψ(t)f (t) dt
−∞
cuando esta integral esté bien definida.
La delta de Dirac pertenece a las llamadas funciones generalizadas o

distribuciones. No es exactamente una función, sino más bien una regla que a
4. FUNCIONES Y DERIVADAS GENERALIZADAS 111
cada función continua f le asigna un número real, que es su valor en cero f (0).
Las funciones generalizadas se definen en términos de su acción sobre cierto tipo
de funciones. En estricto rigor, definimos la acción de la delta de Dirac sobre una
función continua f mediante
Z ∞
δ[f ] = δ(t)f (t) dt = f (0).
−∞
La notación de integral es bastante sugerente pero se debe recordar que la delta
de Dirac no es una función, aunque comparta ciertas propiedades con las funciones
integrables. Siguiendo la notación presentada arriba, escribiremos
Z ∞
δa [f ] = δ(t − a)f (t) dt = f (a).
−∞
La delta de Dirac modela un impulso, golpe o chispazo. Se interpreta como un
gran estı́mulo aplicado instantáneamente a un sitema.
Ejemplo 4.14. Tomando la función continua f (t) ≡ 1 tenemos que

Z ∞ Z ∞
δ(t) dt = δ(t) · 1 dt = 1.
−∞ −∞

Una propiedad interesante de la delta de Dirac es que se puede aproximar, en

cierto sentido, por funciones propiamente tales. Más precisamente, su acción sobre
una función continua se puede obtener como el lı́mite de las acciones de una sucesión
de funciones integrables. Sea Φ = P01 el pulso entre 0 y 1. Si Φn (t) = nΦ(nt)
entonces
R +∞
−∞ Φn (t)dt = 1 para cada n.
Si a > 0 y f es continua entonces
R −a R +∞
f (t)f (t)dt = a fn (t)f (t)dt = 0.
−∞ n
Si f es continua entonces
R +∞
lı́mn→∞ −∞ fn (t)f (t)dt = f (0) = δ[f ].
Observación: Cabe destacar que las funciones Φn no son las únicas que dan
origen a δ; basta con que cumplan las propiedades enunciadas.
La transformada de Laplace de una función f en el punto s puede interpretarse

como la acción de f sobre la función t 7→ e−st . Tiene sentido entonces definir la
transformada de Laplace de la delta de Dirac mediante
L[δ](s) = lı́m L[Φn ](s)
n→∞
Z ∞
= lı́m Φn (t)e−st dt
n→∞ 0
Z 1/n
= lı́m ne−st dt
n→∞ 0
n
= lı́m (1 − e−s/n )
n→∞ s
= 1
12
10
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
Figura 1. Las funciones Φn .
para s ∈ R.
Observemos que esto es consistente con

Z ∞
L[δ](s) = δ(t)e−st dt = e0 = 1.
0
Por otra parte, la delta de Dirac es el elemento neutro para el producto de
convolución. Es decir, para f ∈ Cα se tiene
L[f ∗ δ] = L[f ] · L[δ] = L[f ].
Por el Teorema de Lerch, f ∗ δ0 = δ0 ∗ f = f (salvo, quizá, en una cantidad nume-
rable de puntos).
Capı́tulo 5
Sistemas lineales de primer orden
1. Introducción
Hasta aquı́ se han estudiado ecuaciones lineales con una sola función incógnita.
Estudiaremos ahora sistemas de ecuaciones diferenciales lineales, tanto porque per-
miten modelar problemas fı́sicos que involucran la interacción de diversas variables
dependientes, como también porque a ellos pueden reducirse las ecuaciones lineales
de grado superior.
Comenzaremos por comentar algunos resultados acerca de funciones vectoriales

y matriciales.
Definición 5.1. El espacio
C n (I)m = C n (I) × · · · × C n (I)

| {z }
m veces
está conformado por los vectores de m funciones n veces continuamente derivables

en el intervalo I. De manera análoga, C n (I)m×k son las matrices de m × k funcio-
nes n veces continuamente derivables en el intervalo I. Haremos la identificación
C n (I)m×1 = C n (I)m .
Estos conjuntos tienen estructura de espacio vectorial para la suma y ponde-

ración por escalar componente a componente. La integración y derivación se hace
componente a componente:
   R R 
Z f1,1 . . . f1,k f1,1 . . . f1,k
 .. .. ..   .. .. .. 
 . . .  =  . 
R . R .
fm,1 . . . fm,k fm,1 . . . fm,k
 ′  ′ ′ 
f1,1 . . . f1,k f1,1 . . . f1,k
 . .. ..   . .. ..  .
 .. . .  =  .. . . 
′ ′
fm,1 . . . fm,k fm,1 . . . fm,k
Además tenemos la regla para la derivación de un producto.
Lema 5.1. Si A(t) ∈ Mn×m (R) y B(t) ∈ Mm×p (R), con n, m, p ∈ N, entonces
(A(t)B(t))′ = A′ (t)B(t) + A(t)B ′ (t).
113
114 5. SISTEMAS LINEALES DE PRIMER ORDEN
Demostración. Para la componente ip se cumple que

 ′
m
X m
X
 aij (t)bjp (t) = (aij (t)bjp (t))′
j=1 j=1
m
X
= (a′ij (t)bjp (t) + aij (t)b′jp (t))
j=1
m
X m
X
= a′ij (t)bjp (t) + aij (t)b′jp (t).
j=1 j=1
Definición 5.2. Un sistema lineal de EDO en Rn es un sistema de n ecuaciones

escrito de la forma

X ′ (t) = A(t)X(t) + B(t) para t ∈ I
(30)
X(t0 ) = X0 ,
donde I es un intervalo, A(t) ∈ Mn×n (R), B(t) ∈ Rn para cada t en I, y X0 ∈ Rn
son condiciones iniciales en t = t0 ∈ I. En el caso B ≡ 0 se dice que el sistema es
homogéneo. En el caso que A es una matriz constante, se dice que el sistema es a
coeficientes constantes.
Ejemplo 5.1 (Polución en dos estanques). Dos estanques 1 y 2, que contienen
V [m3 ] de agua, se encuentran interconectados por medio de un canal, por el cual
3
fluye agua desde 1 a 2 a razón de b[ ms ]. El sistema es alimentado a través del
3
kg
estanque 1 a razón de b[ ms ], con un poluente de concentración σ[ m 3 ], que contamina
3
el agua. El agua sale del sistema por un canal del estanque 2, con un caudal de b[ ms ].
En esta situación se produce una contaminación del agua en ambos estanques. Para
tratar de disminuir este efecto negativo, se propone añadir otro canal que conecte a
3
los dos estanques, para que devuelva flujo de 2 a 1, a razón de bλ[ ms ], donde λ > 0.
Sin embargo, para evitar el rebalse del sistema, se debe aumentar el flujo del canal
3
ya existente a b(1 + λ)[ ms ]. ¿Cuánto ayuda esta solución a disminuir la polución
del agua en los estanques?
bλ
b V V b
b (1+λ)
Figura 1. Polución en dos estanques del ejemplo 5.1

2. SISTEMAS LINEALES Y ECUACIONES DE ORDEN SUPERIOR 115
Para el estanque 1, tenemos que la variación de la cantidad de poluente por unidad

de tiempo es la diferencia de las concentraciones que entran y las que salen por
unidad de tiempo, es decir:
1 1
x′1 = bσ + bλx2 − b(1 + λ)x1 .
V V
Repitiendo el razonamiento para el estanque 2, resulta el sistema:
bλ b(1 + λ)
x′1 (t) = bσ + x2 (t) − x1 (t)
V V
b(1 + λ) bλ b
x′2 (t) = x1 (t) − x2 (t) − x2 (t).
V V V
Este es un sistema de ecuaciones que se puede escribir, en forma matricial, como
′ !
x1 − b(1+λ)
V
bλ
V x1 bσ
= + .
x′2 b(1+λ)
− b(1+λ) x2 0
V V
Se trata de un sistema lineal de dos ecuaciones de primer orden no homogéneo

a coeficientes constantes.
2. Sistemas lineales y ecuaciones de orden superior

2.1. Paso de una ecuación lineal de orden n a un sistema lineal.
Veamos cómo una ecuación lineal de orden n puede interpretarse como un sistema
de n ecuaciones lineales de primer orden con n incógnitas.
Para ello, consideremos el siguiente cambio de variables:
z1 (x) = y(x)
z2 (x) = y ′ (x)
..
.
zn (x) = y (n−1) (x)
Derivando cada nueva variable, se tiene
z1′ (x) = y ′ (x) = z2 (x)
z2′ (x) = y ′′ (x) = z3 (x)
.. .. ..
. . .
zn′ (x) = y (n) (x) = −an−1 (x)y (n−1) (x) − · · · − a0 (x)y(x) + Q
= −an−1 (x)zn (x) − · · · − a0 (x)z1 (x) + Q.
Con esto, el sistema queda de la forma:
 ′     
z1 0 1 0 ... 0 z1 0
 z2   0 0 1 ... 0  z2   0 
      
 ..  =  .. .. .. .. ..  .. + .. .
 .   . . . . .  .   . 
zn −a0 −a1 −a3 ... −an−1 zn Q
| {z } | {z }| {z } | {z }
z′ Ac z b
Las condiciones iniciales y(x0 ), . . . , y (n−1) (x0 ) corresponden a las condiciones

iniciales en el sistema z1 (x0 ), . . . , zn (x0 ). El problema de Cauchy se escribe
′
z (x) = Ac (x)z(x) + b(x) para x ∈ I
zk (x0 ) = y (k−1) (x0 ) para k = 1, . . . n.
Llamaremos a Ac (x) la matriz compañera de la ecuación de orden n.
2.2. Paso de un sistema lineal a una ecuación lineal de orden n.
Veamos ahora la identificación recı́proca. Para explicar cómo se hace esta identi-
ficación presentaremos dos métodos aplicados a un sistema de dos ecuaciones con
dos incógnitas. El caso general lo dejamos como ejercicio al lector.
Consideremos el sistema
(31) x′1 = a11 x1 + a12 x2 + b1
(32) x′2 = a21 x1 + a22 x2 + b2
con las condiciones iniciales x1 (0) = x01 y x2 (0) = x02 .
2.2.1. Método de sustitución. Suponiendo a21 6= 0, despejamos x1 de (32)
para obtener
x′2 − a22 x2 − b2
(33) x1 =
a21
y luego derivamos
x′′2 − a22 x′2 − b′2
(34) x′1 = .
a21
Reemplazando (33) y (34) en (31) resulta
x′′2 − (a11 + a22 )x′2 + (a11 a22 − a12 a21 )x2 = a21 b1 − a11 b2 + b′2 ,
que es una ecuación de segundo orden con condiciones iniciales
x2 (0) = x02
x′2 (0) = a21 x01 + a22 x02 + b2 (0).
2.2.2. Método de reducción. Utilizando la notación de operador diferencial
Dx = x′ el sistema (31)-(32) se reescribe
(35) (D − a11 )x1 − a12 x2 = b1
(36) −a21 x1 + (D − a22 )x2 = b2 .
Aplicando el operador D − a11 a la segunda ecuación, multiplicando por a21 la
primera y sumando, se obtiene
(37) (D − a11 )(D − a22 )x2 − a12 a21 x2 = a21 b1 + (D − a11 )b2 ,
que es la misma EDO de orden 2 para x2 que la obtenida con el método anterior.
Observación: Puede verificar que en todos los casos, despejando x1 o x2 , se
llega a una EDO del tipo
x′′i − (a11 + a22 )x′i + (a11 a22 − a12 a21 )xi = fi , i = 1, 2
| {z } | {z }
tr(A) det(A)
y con polinomio caracterı́stico asociado

p(λ) = λ2 − tr(A)λ + det(A) = det(A − λI).
3. LOS TEOREMAS DE EXISTENCIA Y UNICIDAD. DEMOSTRACIÓN. 117
Se deja al lector comprobar usando el método de reducción que un sistema li-

neal a coeficientes constantes de tamaño n ≥ 1 se identifica con una ecuación lineal
de orden n cuyo polinomio caracterı́stico es p(λ) = det(A − λI).
3. Los teoremas de existencia y unicidad. Demostración.

En esta sección demostraremos la existencia y unicidad de solución para un
sistema lineal de ecuaciones de primer orden.
Teorema 5.1 (Existencia y Unicidad, caso lineal). Sea I un intervalo cerrado
y acotado. Si A ∈ C(I)m×m y B ∈ C(I)m , entonces dados X0 ∈ Rm y t0 ∈ I, existe
una única solución X ∈ C 1 (I)m del sistema lineal
′
X (t) = A(t)X(t) + B(t), t ∈ I
X(t0 ) = X0 .
Entre las consecuencias más relevantes mencionamos las siguientes:
1. De aquı́ se obtiene inmediatamente el Teorema 3.2, que da la existencia y unici-

dad de solución para la EDO lineal de orden n gracias a la identificación presentada
en el Capı́tulo 3.
2. La única solución de un sistema homogéneo con condición inicial nula es la fun-

ción nula.
3. Si dos soluciones X e Y coinciden en un punto, entonces coinciden en todo el

intervalo. Esto dice que los gráficos de dos soluciones distintas no se cruzan, pro-
piedad que se conoce como determinismo. Esto se debe a que si X(t1 ) = Y (t1 )
entonces la diferencia X − Y es solución de un sistema homogéneo con condición
inicial nula y por lo tanto X(t) = Y (t) para todo t.
4. Si A o B son continuas por pedazos, el Teorema 5.1 sigue siendo cierto, salvo
porque X ′ es sólo continua por pedazos (se suele decir que X es C 1 por pedazos).
5. El Teorema se generaliza para cualquier tipo de intervalo I. Más aún, si A ∈

C(R)m×m y B ∈ C(R)m , entonces la solución X queda definida en todo R.
Veremos en realidad la existencia y unicidad de solución en un contexto más

amplio que el de los sistemas lineales, en la lı́nea de los teoremas 2.1 y 2.3 (ver
Teoremas 5.2 y 5.4).
Dada una matriz A = (aij ) de tamaño m × p, definimos su norma de Frobenius

como
 1/2
m X
X p
kAk =  a2ij  .
i=1 j=1
Observe que coincide con la definición usual de norma euclideana para vectores
(pensados aquı́ como matriz fila o columna).
Lema 5.2. Si A ∈ Mm×p (R) y X ∈ Rp entonces

kAXk ≤ kAk kXk.
Demostración. De la desigualdad de Cauchy-Schwartz vemos que
 2   
Xm p
X Xm Xp p
X
kAXk2 =  aij xj  ≤  a2ij   x2j  = kAk kXk.
i=1 j=1 i=1 j=1 j=1

Observemos primero que la función
F (t, X) = A(t)X + B(t)
es Lipschitz con respecto a su segunda variable. Es decir, existe L > 0 tal que
kF (t, X) − F (t, Y )k ≤ LkX − Y k
para todo t ∈ I y para todos los X, Y ∈ Rn . En efecto,
|F (t, X) − F (t, Y )| ≤ kA(t)(X − Y )k
 1/2
Xn X n
≤  a2ij (t) kX − Y k.
i=1 j=1
Como los coeficientes de A son continuos (o al menos continuos por pedazos),

están acotados en I. Luego,
 1/2
Xn X n
|F (t, X) − F (t, Y )| ≤ L|X − Y |, donde L = sup  a2ij (t) .
t∈I i=1 j=1
Teorema 5.2 (de Cauchy-Lipschitz-Picard, Existencia y Unicidad, caso gene-

ral). Sea I un intervalo cerrado y acotado. Supongamos que F ∈ C 0 (I × Rm ) es
una función Lipschitz con respecto a la segunda variable. Para cada t0 ∈ I y cada
X0 ∈ Rm , existe una única solución X ∈ C 1 (I)m del problema de Cauchy

X ′ (t) = F (t, X(t)) para todo t ∈ I
X(t0 ) = X0 .
Este resultado generaliza los Teoremas 3.2 y 5.1.
Para la demostración del Teorema 5.2 primero observemos que, integrando entre
t0 y t la ecuación diferencial, obtenemos
Z t
X(t) = X0 + F (s, X(s))ds.
t0
Definimos el operador
T : C 0 (I)m → C 0 (I)m
X 7 → T (X),
donde T (X) es la función definida por
Z t
(38) T (X)(t) = X0 + F (s, X(s))ds para t ∈ I.
t0
Un punto fijo de T es una función X ∈ C 0 (I)m tal que X = T (X). Es decir,

Z t
X(t) = T (X)(t) = X0 + F (s, X(s))ds
t0
para todo t ∈ I. Además, todo punto fijo tiene que ser de clase C 1 , por ser primitiva
de una función continua. Al derivar tenemos que todo punto fijo de T es solución
del problema de Cauchy

X ′ (t) = F (t, X(t)) para todo t ∈ I
X(t0 ) = X0 .
Recı́procamente, toda solución del problema de Cauchy debe ser un punto fijo de
T . Por lo tanto, para demostrar el Teorema 5.2 basta verificar que T tiene un único
punto fijo.
3.1. El Teorema del Punto Fijo de Banach. Primero recordemos dos

propiedades importantes de R:
1. Una sucesión {xn } es de Cauchy si para todo ε > 0 existe N ∈ N tal que
|xn − xk | < ε si k, n ≥ N . En R toda sucesión de Cauchy es convergente. Es decir,
existe x ∈ R tal que lı́mn→∞ xn = x.
2. Una función f : dom(f ) → R es contractante si existe K ∈ (0, 1) tal que

|f (x) − f (y)| ≤ K|x − y| si x, y ∈ dom(f ). Sea C ⊂ R un conjunto cerrado y
supongamos que f : C → C es contractante. Entonces f tiene un único punto fijo.
Veremos que estas dos propiedades también son válidas en el conjunto de las
funciones continuas de I en Rm . Comencemos por definir lo que es una sucesión
de Cauchy en este espacio. En primer lugar, la norma del supremo de una función
f ∈ C 0 (I)m es
kf k∞ = sup kf (t)k.
t∈I
Con esto, decimos que una sucesión de {fn } de funciones en C 0 (I)m es de Cauchy
si para todo ε > 0 existe N ∈ N tal que
kfn − fk k∞ < ε si k, n ≥ N.
Diremos también que una sucesión {fn } en C 0 (I)m converge a f ∈ C 0 (I)m si para
todo ε > 0 existe N ∈ N tal que kfn − f k∞ < ε si n ≥ N .
Teorema 5.3 (Banach). Sea I un intervalo cerrado y acotado. En el espacio

C 0 (I)m todas las sucesiones de Cauchy son convergentes.
Demostración. Sea {fn } una sucesión de Cauchy en C 0 (I). Fijamos t ∈ I
y denotamos por fnj (t) la j-ésima componente del vector fn (t) ∈ Rm . Para cada
j = 1, . . . , m la sucesión {fnj (t)} es de Cauchy en R pues
|fnj (t) − fkj (t)| ≤ kfn (t) − fk (t)k ≤ kfn − fk k∞
y esta última cantidad tiende a cero cuando n y k tienden a infinito. Esto nos dice
que la sucesión fnj (t) tiene un lı́mite en R cuando n → ∞. Haciendo el mismo
procedimiento para cada t ∈ I y cada j ∈ {1, . . . , m} vamos definiendo una función

f : I → Rm cuya j-ésima componente es
f j (t) = lı́m fnj (t).

n→∞
Veremos ahora que fn converge a f en C 0 (I)m . Esto nos dirá automáticamente

que f es continua por ser lı́mite uniforme de funciones continuas (componente a
componente). Dado ε > 0 existe N ∈ N tal que kfn − fk k∞ < ε/2 si n, k ≥ N . Por
lo tanto, para cada t ∈ I se tiene que
kfn (t) − fk (t)k < ε/2
si n, k ≥ N . Tomando el lı́mite cuando k → ∞ vemos que
kfn (t) − f (t)k ≤ ε/2 < ε.
Observando que n ≥ N no depende de t, tomamos supremo para t ∈ I y vemos que
kfn − f k∞ < ε
para todo n ≥ N . Concluimos que fn converge a f en C 0 (I)m .
Decimos que un operador T : C 0 (I)m → C 0 (I)m es contractante si existe K ∈

(0, 1) tal que kT (f ) − T (g)k∞ ≤ Kkf − gk∞ para todas f, g ∈ C 0 (I)m .
Corolario 5.1 (Teorema del Punto Fijo de Banach). Cada operador contrac-
tante de C 0 (I)m en C 0 (I)m tiene un único punto fijo.
Demostración. Sea T : C 0 (I)m → C 0 (I)m un operador contractante. En

primer lugar observemos que T no puede tener más de un punto fijo. En efecto, si
T (g) = g y T (h) = h con g 6= h, entonces
kg − hk∞ = kT (g) − T (h)k∞ ≤ Kkg − hk∞ < kg − hk∞ ,
lo cual es imposible. Dicho esto, escojamos cualquier f ∈ C 0 (I)m y definamos

recursivamente la sucesión {fn } en C 0 (I)m mediante la relación
f0 = f y fn = T (fn−1 ) = · · · = T n (f ) para n ≥ 1.
Si T (f ) = f ya tenemos el punto fijo. Si no, probaremos que la sucesión {fn } es

de Cauchy. El Teorema anterior nos dirá entonces que fn converge a una cierta
f ∈ C 0 (I)m que tiene que satisfacer T (f ) = f pues fn = T (fn−1 ).
Sean n, k ∈ N . Sin pérdida de generalidad suponemos que n ≥ k y escribimos

la diferencia como una suma telescópica:
n
X n
X
fn − fk = fj − fj−1 = T j (f ) − T j−1 (f ).
j=k+1 j=k+1

n
X
kfn − fk k∞ ≤ kT j (f ) − T j−1 (f )k∞
j=k+1
Xn
≤ K j−1 kT (f ) − f k∞
j=k+1
Kk − Kn
≤ kT (f ) − f k∞
1−K
kT (f ) − f k∞ k
≤ K .
1−K
Tomemos ε > 0. Dado que K k → 0 cuando k → ∞ (pues K < 1), existe N ∈ N tal
que K k < kTε(1−K)
(f )−f k∞ para todo k ≥ N . Tenemos entonces que kfn − fk k∞ ≤ ε si
n, k ≥ N . Al ser una sucesión de Cauchy, el Teorema 5.3 nos dice que es convergente.
Como mencionamos arriba, el lı́mite es el único punto fijo de T .
3.2. Demostración del Teorema 5.2. Recordemos que sólo nos resta pro-
bar que el operador T definido en (38) tiene un único punto fijo. Para ello usaremos
el Teorema del Punto Fijo de Banach, pero primero demostraremos un resultado
auxiliar:
Lema 5.3. Supongamos que para cierto N ∈ N el operador
TN =T | ◦ ·{z
· · ◦ T}
N n veces
tiene un único punto fijo. Entonces lo mismo es cierto para T .

Demostración. Sea X el único punto fijo de T N . Como T N (X) = X tenemos
que
T N (T (X)) = T N +1 (X) = T (T N (X)) = T (X),
de donde T (X) también es un punto fijo de T N (X). Como T N tiene un único
punto fijo, tenemos que T (X) = X y ası́ F es un punto fijo de T . Para ver que es
el único, supongamos que Y es un punto fijo de T . Entonces Y también es punto
fijo de T N y por lo tanto Y = X.
El Teorema 5.2 quedará demostrado si encontramos una potencia de T que sea
contractante.
Lema 5.4. Bajo las hipótesis del Teorema 5.2, existe N ∈ N tal que T N es
contractante.
Demostración. Sean X, Y ∈ C 0 (I)m y sea L la constante de Lipschitz de la
función F con respecto a su segunda variable. Tenemos que
Z t
kT (X)(t) − T (Y )(t)k = kF (s, X(s)) − F (s, Y (s))k ds
t0
Z t
≤ L kX(s) − Y (s)k ds
t0
≤ L(t − t0 )kX − Y k∞ .
De manera similar,
Z t
kT 2 (X)(t) − T 2 (Y )(t)k ≤ L kT (X)(s) − T (Y )(s)k ds
t0
Z t Z s
≤ L2 kX(σ) − Y (σ)k dσ ds
t0 t0
L2 (t − t0 )2
≤ kX − Y k∞ .
2
Si repetimos este argumento vemos que para cada n ∈ N se tiene que
(t − t0 )n Ln
kT n (X)(t) − T n (Y )(t)k ≤ kX − Y k∞ .
n!
Denotamos por M la longitud del intervalo I. Tenemos entonces que
(M L)n
kT n (X) − T n (Y )k∞ ≤ kX − Y k∞ .
n!
an
Como n! tiende a cero cuando n → ∞ para cada a ∈ R, podemos escoger N ∈ N
N
tal que (ML)
N! < 1, de donde T N resulta ser contractante.
Esto termina la demostración del Teorema 5.2. Observemos que, dada la fun-
e
ción constante X(t) e converge a la
≡ X0 , la sucesión de funciones Xn = T n (X)
única solución del problema de Cauchy. Estas funciones se llaman aproximaciones
sucesivas de Picard.
Algunas observaciones:
1. El Teorema 5.2 es válido para cualquier tipo de intervalo. Observemos además

que la solución del problema de Cauchy está definida en todo el intervalo I. Si la
función F está definida para todo t ∈ R entonces la solución quedará definida en
todo R.
2. El que la función F sea Lipschitz con respecto a su segunda variable es una

hipótesis bastante restrictiva, que deja fuera muchos casos interesantes para los
cuales también se tiene la existencia y unicidad de solución. En el Capı́tulo 6 pre-
sentaremos una versión local de este teorema, que sólo requiere que la función F
sea Lipschitz en un entorno de la condición inicial. El Teorema 5.4 garantiza la
existencia y unicidad de solución en las cercanı́as de t0 .
3. También se puede demostrar el teorema en el caso en que la función F es sólo

continua por pedazos con respecto a su primera variable. Esto se hace resolviendo
la ecuación por subintervalos y luego “pegando”las soluciones que se obtienen.
3.3. Existencia y unicidad locales. El Teorema 5.2 exige que la función

F sea Lipschitz. Ésta es una hipótesis demasiado restrictiva y el teorema también
puede demostrarse bajo una condición más débil. Sin embargo, sólo se puede ga-
rantizar la existencia y unicidad de solución en un entorno de la condición inicial.
Enunciaremos el Teorema de Existencia y Unicidad en su versión local.
Sean I un intervalo abierto, t0 ∈ I, X0 ∈ Rn . Para r > 0 denotamos Br (X0 ) =

{Y ∈ Rn | kY − X0 k ≤ r}. Suponemos que F : I × Br (X0 ) → Rn es una función
continua y que para ciertos r, δ > 0 se tiene
kF (t, X) − F (t, Y )k ≤ LkX − Y k si X, Y ∈ Br (X0 ) y t ∈ [t0 − δ, t0 + δ].
El siguiente teorema se refiere al sistema no lineal

X ′ (t) = F (t, X(t)), t ∈ I
X(t0 ) = X0 .
Teorema 5.4 (Existencia y Unicidad, versión local). Con la notación e hipóte-
sis descritas arriba, definimos
M = máx{kF (t, x)k | t ∈ I, |t − t0 | ≤ δ, kx − x0 k ≤ r},
n r o
δ0 = mı́n δ,
M
y J = I ∩ (t0 − δ0 , t0 + δ0 ).
Entonces existe una única solución del problema de Cauchy, al menos en J.
Notemos que basta que la función F sea Lipschitz en la segunda variable sólo
en un entorno de X0 . Por otra parte, se garantiza la existencia de solución en el
r r
intervalo I ∩ (t0 − M , t0 + M ), que incluye puntos que están suficientemente cerca
de t0 (ver Ejemplo 5.2).
Ejemplo 5.2. Un interesante ejemplo en que no se cumple la condición de

Lipschitz global (pero sı́ local) es el siguiente problema de Cauchy:
′
x (t) = x2 (t) t ∈ R
x(t0 ) = x0 ,
donde x0 > 0. Se trata de una ecuación en variables separables cuya solución viene
dada por
1
x(t) = .
t0 + x10 − t
La solución está definida en el intervalo (−∞, t0 + x−1
0 ) y explota al acercarse al
extremo derecho. Este modelo sirve para modelar una combustión o explosión (ob-
serve que mientras más grande x0 , más rápido se va a ∞ la solución.
En ocasiones la función F es diferenciable con respecto a la segunda variable.

Esta condición, cuando está presente, puede ser más fácil de verificar que la condi-
ción de Lipschitz. Veremos que toda función de clase C 1 es Lipschitz, lo que implica
que el teorema anterior también es válido para funciones de este tipo. Es preciso
observar, sin embargo, que no toda función Lipschitz es de clase C 1 .
Proposición 5.1. Sea G : D → Rn una función diferenciable en un abierto D.
Sea C una bola cerrada contenida en D. Si la matrix jacobiana JG es continua en
C, entonces G Lipschitz en C. Es decir, existe LC > 0 tal que kG(Y ) − G(Z)k ≤
LC kY − Zk si Y, Z ∈ C.
Demostración. Del Teorema del Valor Medio (o de los incrementos finitos)

y la continuidad de JG vemos que
kG(Z) − G(Y )k ≤ sup kJG(X)k kZ − Y k
X∈C
= LC kZ − Y k si Y, Z ∈ C.

4. Estructura geométrica de las soluciones

De manera similar a lo hecho para el estudio de la ecuación lineal de orden n,
definiremos los siguientes conjuntos:
H = {X ∈ Rn | X ′ = A(t)X, t ∈ I}
es el espacio de soluciones del sistema homogéneo y
S = {X ∈ Rn | X ′ = A(t)X + B(t), t ∈ I}
es el hiperplano de soluciones del sistema no homogéneo. En efecto, es fácil ver
que H es un subespacio vectorial del espacio de todas las funciones de I en Rn .
En particular, cualquier combinación lineal de elementos de H está en H. Por otra
parte, observemos que la diferencia entre dos soluciones X1 y X2 del sistema no
homogéneo satisface
′
X1 (t) − X2 (t) = X1′ (t) − X2′ (t)
= A(t)X1 (t) + B(t) − A(t)X2 (t) − B(t)

= A(t) X1 (t) − X2 (t) .
Por lo tanto, es solución del sistema homogéneo. Esto demuestra el siguiente:
Teorema 5.5. Dada una solución particular Xp de X ′ = AX+B, toda solución
del sistema se escribe como suma de Xp y alguna solución del sistema homogéneo.
Es decir,
S = Xp + H.
En lo que sigue fijamos t0 ∈ I. Del Teorema de Existencia y Unicidad sabemos
que, para cualquier condición inicial, el sistema lineal homogéneo tiene una única
solución.
Dado k ∈ {1, . . . , n}, la k-ésima solución fundamental canónica, φk , es la solu-

ción del sistema
φ′k (t) = A(t)φk (t), t ∈ I
φk (t0 ) = ek ,
donde ek es el vector que tiene un 1 en la posición k y 0 en las demás. A la
matriz cuyas columnas son las soluciones fundamentales canónicas se llamará matriz
fundamental canónica y se denotará por Φ. Su determinante, W = det(Φ), es el
Wronskiano del sistema.
Lema 5.5. Sea Φ(t) la matriz fundamental canónica del sistema.
1. Φ es la única función en C 1 (I)n×n que satisface
(39) Φ(t0 ) = In y Φ′ (t) = AΦ(t) para todo t ∈ I.
2. Φ(t) es invertible para todo t ∈ I.
4. ESTRUCTURA GEOMÉTRICA DE LAS SOLUCIONES 125
Demostración. Es evidente que Φ satisface (39). Ahora, si Ψ también cumple

(39) entonces para cualquier Z0 ∈ Rn la función
Z(t) = [Φ(t) − Ψ(t)]Z0
verifica
Z ′ (t) = A(t)Z(t) para todo t∈I
Z(0) = 0.
Por el Teorema de Existencia y Unicidad, Z(t) = [Φ(t) − Ψ(t)]Z0 = 0 para todo
t ∈ I y para todo Z0 ∈ Rn , de donde Φ(t) = Ψ(t) para todo t ∈ I.
Veremos ahora que Φ(t) es invertible para todo t ∈ I. Supongamos por el

contrario que existe t1 ∈ I tal que Φ(t1 ) no es invertible. Entonces existe v ∈ Rn \{0}
con Φ(t1 )v = 0. Esto es,
Xn
vk φk (t1 ) = 0.
k=1
Pn
Definimos ψ(t) = k=1 vk φk (t). Tenemos que

ψ ′ (t) = A(t)ψ(t) para todo t∈I
ψ(t1 ) = 0.
En virtud del Teorema de Existencia y Unicidad, ψ(t) = 0 para todo t ∈ I y en
consecuencia Φ(t)v = 0 para todo t ∈ I. Pero entonces Φ(t0 )v = In v = v = 0, lo
que contradice el hecho de que v 6= 0.
Ejemplo 5.3 (Cadena con resortes). Se tiene una cadena con extremos fijos
formada por n cuentas conectadas por resortes idénticos de constante elástica k y
largo natural l0 . Cada cuenta de masa mi , i = 1 . . . n, tiene libertad para oscilar
horizontalmente, pero presenta un rozamiento lineal con el medio de constante ci ,
i = 1 . . . n. Para cada cuenta tenemos la ecuación de movimiento
mi x′′i = −ci x′i − k[(xi − xi+1 ) + (xi − xi−1 )], i ∈ {1, . . . , n},
donde x0 = xn+1 = 0. Matricialmente tenemos
  ′′   ′
m1 x1 c1 x1
 ..   ..   . ..   . 
 .  .  = −   .. 
mn xn cn xn
 
2 −1  
  x1
..
 −1 2 .  x2 
  
 .. .. ..  .. 
−k  . . .  . .
  
 .  xn−1 
 .. 2 −1  xn
−1 2
El sistema tiene la forma M X ′′ + CX ′ + KX = 0, con X ∈ Rn . Si hacemos el
cambio de variables

X ′ X′
Z= , Z = ,
X′ X ′′
podemos reescribir el sistema como

0 I
Z′ = Z.
−M −1 K −M −1 C
Para determinar el conjunto de soluciones fundamentales canónicas bastará resolver
el sistema anterior con condiciones iniciales
Z(t0 ) = ek , k = 1, . . . , 2n.
(Es un sistema de 2n ecuaciones).
Teorema 5.6. El conjunto {φk }nk=1 es una base de H, llamada base fundamen-
tal canónica. En consecuencia, dim(H) = n y la solución del sistema homogéneo
′
Xh (t) = A(t)Xh (t) t∈I
Xh (t0 ) = X0
está dada por
Xh = Φ(t)X0 = x10 φ1 (t) + · · · xn0 φn (t).
Demostración. Debemos probar que todo elemento de H se escribe como
combinación lineal de φ1 , . . . , φn y que estas funciones son linealmente indepen-
dientes.
Partamos por la primera afirmación. Sea Xh ∈ H la solución del sistema ho-
mogéneo
Xh′ (t) = A(t)Xh (t), para t ∈ I
Xh (t0 ) = X0 .
Escibimos X0 = x10 e1 + · · · + xn0 en con x10 , . . . , xn0 ∈ R. Demostraremos que Xh =
x10 φ1 + · · · xn0 φn . Para esto definimos
Z(t) = x10 φ1 (t) + · · · xn0 φn (t) = Φ(t)X0 .
Derivando obtenemos
Z ′ (t) = x10 φ′1 (t) + · · · xn0 φ′n (t),
de donde

Z ′ (t) = A(t) x10 φ1 (t) + · · · xn0 φn (t)
= A(t)Z(t)
pues φ′k = Aφk para cada k. Además, por la definición de los φk tenemos que
Z(t0 ) = x10 e1 + · · · + xn0 en = X0 .
Tenemos entonces que Z es solución del mismo sistema de ecuaciones diferenciales
que Xh , con las mismas condiciones iniciales. En virtud del Teorema de Existencia
y Unicidad,
Xh (t) = Z(t) = Φ(t)X0 para todo t ∈ I.
n
Pn Veamos ahora que {φk }k=1 son linealmente independientes. Suponemos que
k=1 αk φk (t) = 0 para todo t ∈ I. Debemos probar que, necesariamente, αk = 0
para todo k = 1, . . . , n. Observemos primero que
  
.. .. α1
X n
 . .  . 
αk φk (t) =  
 φ1 (t) · · · φn (t)   ..  = Φ(t)α.
k=1 .. .. αn
. .
4. ESTRUCTURA GEOMÉTRICA DE LAS SOLUCIONES 127
En virtud del Lema 5.5, la matriz Φ(t) es invertible para cada t y por lo tanto
α = 0.
Para generalizar los resultados anteriores, definamos una matriz fundamental
(no necesariamente la canónica) como
 
.. ..
 . . 
M (t) =  
 ψ1 (t) · · · ψn (t)  ,
.. ..
. .
con t ∈ I, donde ψk es solución del sistema
′
ψk (t) = A(t)ψk (t) para t ∈ I
ψk (t0 ) = vk
y {vk }nk=1 es una base de Rn .
Corolario 5.2. Sea M (t) una matriz fundamental del sistema. Entonces det(M (t)) 6=
0 para todo t ∈ I y
X(t) = M (t)M −1 (t0 )X0 .
Demostración. Observemos que la matriz M (t0 ) es invertible y satisface
M (t0 )ek = vk para k = 1, . . . , n. Luego M (t0 )−1 vk = ek para k = 1, . . . , n. La
matriz
Ψ(t) = M (t)M (t0 )−1
satisface (39) pues
Ψ(t0 ) = M (t0 )M (t0 )−1 = In
Ψ′ (t) = M ′ (t)M (t0 )−1 = A(t)M (t)M (t0 )−1 = A(t)Ψ(t).
De acuerdo con el Lema 5.5, Φ(t) = Ψ(t) = M (t)M (t0 )−1 , de donde se sigue el
resultado.
Para el sistema no homogéneo aplicaremos el método de variación de paráme-
tros estudiado en el capı́tulo 3 para ecuaciones de orden superior. Recordemos la
regla para derivar un producto contenida en el Lema 5.1 y la propiedad de Φ dada
por la ecuación (39) en el Lema 5.5. Buscamos una solución particular de la forma
Xp (t) = Φ(t)F (t),
donde Φ es la matriz fundamental canónica y F es una incógnita. Xp debe satisfacer
B(t) = Xp′ (t) − A(t)Xp (t)
= (Φ(t)F (t))′ − A(t)Φ(t)F (t)
= Φ′ (t)F (t) + Φ(t)F ′ (t) − A(t)Φ(t)F (t)
= Φ(t)F ′ (t),
para lo cual basta que
F ′ (t) = Φ(t)−1 B(t)
Z t
F (t) = Φ−1 (s)B(s)ds.
t0
Como consecuencia de los Teoremas 5.5 y 5.6 tenemos

Teorema 5.7 (Variación de Parámetros). La solución del sistema

′
X (t) = A(t)X(t) + B(t)
X(t0 ) = X0
está dada por
Z t
X(t) = Φ(t)X0 + Φ(t) Φ−1 (s)B(s)ds,
t0
donde Φ es la matriz fundamental canónica.
Ejercicio Propuesto 5.1. Escriba una fórmula análoga usando cualquier
matriz fundamental M .
5. Resolución de sistemas lineales

De acuerdo con lo visto en la sección anterior, la resolución de un sistema lineal,
homogéneo o no, se reduce a encontrar la matriz fundamental canónica Φ. En lo
que queda de este capı́tulo nos centraremos en las técnicas para hacerlo.
5.1. Exponencial de una Matriz. Veremos que la matriz fundamental

canónica puede encontrarse directamente a partir de la matriz A mediante la lla-
mada fórmula exponencial.
Sea M ∈ Mn×n (R). La exponencial de M se define como

∞
X Mk M2 Mn
eM = =I +M + + ···+ + ···
k! 2! n!
k=0
Las entradas de la matriz eM están definidas en términos de una serie que, en

principio, podrı́a no ser convergente. Veremos que sı́ lo es. Para n ∈ N escribimos
Xn
1 k
Sn = M .
k!
k=0
Denotamos por sn (i, j) la entrada ij de la matriz Sn . Veremos que la sucesión

{sn (i, j)}∞
n=0 es convergente para cada i y j. Para ello probaremos que es una
sucesión de Cauchy. Observemos primero que si n ≥ m entonces
Xn
1 k
Sn − Sm = M .
k!
k=m+1
Como |sn (i, j) − sm (i, j)| ≤ kSn − Sm k y kM n k ≤ kM kn , se tiene que

∞
X 1
|sn (i, j) − sm (i, j)| ≤ kM kk .
k!
k=m+1
Como la serie del lado derecho es convergente a cero, la sucesión {sn (i, j)}∞
n=0 es
de Cauchy. Concluimos que la esponencial de una matriz está bien definida.
Las principales propiedades de la exponencial se resumen en el siguiente resul-

tado:
Proposición 5.2. Sean A, B ∈ Mn×n (R), t, s ∈ R, entonces:

5. RESOLUCIÓN DE SISTEMAS LINEALES 129
1. e0·t = eA·0 = I.
d At
2. dt e = AeAt .
A(t+s)
3. e = eAt eAs . En particular, eAt es invertible y su inversa es (eAt )−1 =
−At
e .
4. AB = BA si, y sólo si, BeAt = eAt B.
5. AB = BA si, y sólo si, eAt eBt = e(A+B)t .
Demostración. La propiedad 1. es inmediata de la definición.
2. En cada intervalo [−b, b], b ∈ R, las componentes de la matriz At están uni-
formemente acotadas por | máx(aij )||b|, luego tenemos la convergencia uniforme
Pp (Ak )ij tk
de hp (t) = k=0 k! . Como hp converge uniformemente a h y la sucesión
′
Pp (Ak )ij tk−1 Pp (Ak )ij tk−1
hp (t) = k=1 k k! converge uniformemente en (−b, b) a k=1 k k! ,
tenemos que h(t) es derivable y
∞
X
′ (Ak )ij tk−1
h (t) = k
k!
k=1
para todo t ∈ (−b, b). Pero

∞
X ∞
X ∞
X
(Ak )ij tk−1 (Ak+1 )ij tk (Ak )ij tk
k = = (Ak )ij ,
k! k! k!
k=1 k=0 k=0
de donde
d At
(e )ij = Aij (eAt )ij para todo t ∈ (−b, b).
dt
Dado que b era arbitrario, el resultado es válido en todo R.
3. Para s fijo tomamos la función

ψ(t) = eA(t+s) − eAt eAs ,
que satisface
ψ ′ (t) = Aψ(t) y ψ(0) = 0.
Por el Teorema de Existencia y Unicidad ψ es la función nula y ası́ eA(t+s) = eAt eAs .
4. Por inducción se prueba que AB = BA si, y sólo si, Ak B = BAk para cada
k ≥ 1. Luego
∞
X ∞
X ∞
X
Ak tk BAk tk Ak tk
BeAt = B = = · B = eAt B.
k! k! k!
k=0 k=0 k=0
5. Se prueba como 3.

De las propiedades 1 y 2 y el Lema 5.5 tenemos que

Φ(t) = eA(t−t0 ) para todo t∈I
pues ambas satisfacen la misma ecuación diferencial. De la fórmula
Z t
X(t) = Φ(t)X0 + Φ(t) Φ−1 (s)B(s)ds,
t0
dada por el Teorema 5.7 podemos escribir la solución en términos de la matriz

exponencial mediante la fórmula exponencial:
Z t
A(t−t0 )
X(t) = e X0 + eA(t−s) B(s)ds.
t0
Una consecuencia importante de esta fórmula es que si X e Y son soluciones

de un sistema lineal, entonces

kX(t) − Y (t)k = eA(t−t0 ) X(t0 ) − Y (t0 )
≤ keA(t−t0 ) k kX(t0 ) − Y (t0 )k.
Esto quiere decir que si las condiciones iniciales están cerca, entonces las soluciones
se mantienen cerca durante un tiempo. Más precisamente, dados ε, T > 0 existe
δ > 0 tal que si kX0 − Y0 k < δ entonces kX(t) − Y (t)k < ε para todo t ∈ [0, T ].
5.2. Exponencial de una matriz diagonalizable. Recordemos que una

matriz A es diagonalizable si se puede expresar como
A = P DP −1 ,
donde D es una matriz diagonal que contiene los valores propios de A y P es una
matriz invertible cuyas columnas son los vectores propios correspondientes. Más
precisamente, si λ1 , . . . , λn son los valores propios de A, y v1 , . . . , vn sus respectivos
vectores propios, entonces
   
λ1 ··· 0 .. .. ..
 .. ..  .
.. 
. . 
D= . P =
.  v
.  1 v 2 · · · v 
n .
0 ··· λn .. .. ..
. . .
El cálculo de la exponencial de una matriz diagonalizable es sumamente sencillo.
∞ ∞
!
X (P DP −1 )k tk X D k tk
At P DP −1 t
e =e = =P P −1 = P eDt P −1 ,
k! k!
k=0 k=0
donde
 
eλ1 t ··· 0
 
eDt =  ... ..
.
..
. .
0 ··· eλn t
De esta forma la solución del sistema homogéneo se puede escribir como:
Xh (t) = eA(t−t0 ) X0 = P eDt e−Dt0 P −1 X0 = P eDt C,
| {z }
C
 
C1
 . 
donde C =  ..  es un vector constante que depende de las condiciones iniciales.
Cn
Desarrollando el producto podemos escribir
Xh (t) = C1 eλ1 t v1 + C2 eλ2 t v2 + · · · + Cn eλn t vn .
Observación. Esta última fórmula puede obtenerse fácilmente viendo que ca-
da función de la forma eλt v es solución del sistema lineal siempre que v sea un vector
propio asociado al valor propio λ. Como toda matriz diagonalizable de tamaño n×n
tiene n vectores linealmente independientes, es evidente que las funciones de esta
forma generan todo el espacio de soluciones homogéneas. Sin embargo, preferimos
construir las soluciones a partir de la exponencial para que el lector se familiarice
con este método, imprescindible en el caso no diagonalizable.
Ejemplo 5.4 (Confort de un auto). Un modelo para estudiar el confort de un
auto está dado por
x′′ = −(k1 + k2 )x + (k1 L1 − k2 L2 )θ
θ′′ = (k1 L1 − k2 L2 )x − (k1 L21 + k2 L22 )θ,

donde las constantes k1 , k2 , L1 y L2 son respectivamente las rigideces y las distan-
cias de los amortiguadores traseros y delanteros al centro de masas G del auto. En
un instante t > 0, x(t) representa la posición vertical de G y θ(t) el giro del auto
en torno a G.
G G
k1 k2 x(t) θ (t)
L2 L1
Figura 2. Modelamiento de los amortiguadores de un auto del

ejemplo 5.4
Este sistema de orden 2, lo llevamos a un sistema lineal tomando la variables:

x, θ, x′ , θ′ , resultando:
 ′   
x 0 0 1 0 x
 θ   0 0 0 1  θ 
 ′  =  .
 x   −(k1 + k2 ) k1 L1 − k2 L2 0 0   x′ 
θ′ k1 L1 − k2 L2 −(k1 L21 + k2 L22 ) 0 0 θ′
En lo que sigue supondremos que k2 = µk1 y L1 = µL2 , donde 0 < µ < 1,
pues generalmente el G de los autos está hacia delante del auto, debido al peso del
motor. De esta forma se anulan los términos de acoplamiento k1 L1 −k2 L2 . Tenemos
el sistema
 ′   
x 0 0 1 0 x
 θ   0 0 0 1   θ 
 ′  =  ,
 x   a 0 0 0   x′ 
θ′ 0 b 0 0 θ′
donde a = −(1 + µ)k1 y b = −µ(1 + µ)k1 L22 . Dado que tenemos la forma X ′ = AX,
podemos calcular la exponencial de la matriz. Para esto analicemos cómo son las
potencias de A:
   
0 0 1 0 a 0 0 0
 0 0 0 1   0 b 0 0 
A=  2 
 a 0 0 0  ⇒ A =  0 0 a 0 ;

0 b 0 0 0 0 0 b
luego, elevando a k,
 
ak 0 0 0
 0 bk 0 0 
A2k =
 0
,
0 ak 0 
0 0 0 bk
y si multiplicamos por A queda
 
0 0 ak 0
 0 0 0 bk 
A2k+1 = 
 ak+1
.
0 0 0 
0 bk+1 0 0
Teniendo todas las potencias calculadas, procedemos a determinar la matriz expo-
nencial
 k 
a 0 0 0
X∞
t2k  0 b
k
0 1  
eAt = 
(2k)! 0 0 ak 0 
k=0
0 0 0 bk
 
0 0 ak 0
∞
X t2k+1  0
 0 0 bk  .
+ 
(2k + 1)! a k+1
0 0 0 
k=0
0 bk+1 0 0
Si tomamos a = −α2 y b = −β 2 obtenemos
∞
X ∞
X
ak t2k (−1)k (αt)2k
= = cos(αt)
(2k)! (2k)!
k=0 k=0
X∞ X∞
bk t2k (−1)k (βt)2k
= = cos(βt),
(2k)! (2k)!
k=0 k=0
y
∞
X ∞
ak t2k+1 1 X (−1)k (αt)2k+1 1
= = sen(αt)
(2k + 1)! α (2k + 1)! α
k=0 k=0
∞
X ∞
bk t2k+1 1 X (−1)k (βt)2k+1 1
= = sen(βt).
(2k + 1)! β (2k + 1)! β
k=0 k=0
Por lo tanto:
 1 
cos(αt) 0 αsen(αt) 0
 0 cos(βt) 0 1 
eAt = β sen(βt)  .
 −α sen(αt) 0 cos(αt) 0 
0 −β sen(βt) 0 cos(βt)
Si ponemos alguna condición inicial, como por ejemplo una frenada, represen-
tada por
x(0) = 0, θ(0) = 0, x′ (0) = −1, θ′ (0) = −1,
obtenemos
   
x − sen(αt)
α
 θ   − sen(βt)

 ′ = 
.
 x   β
 − cos(αt) 
θ′ − cos(βt)
Es decir, la solución del movimiento es:
− sen(αt) − sen(βt)
x(t) = , θ(t) = ,
α β
p p
con α = (1 + µ)k y β = L µ(1 + µ)k, que fı́sicamente representan las frecuen-
cias de cada modo.
Otro método para solucionar este problema es analizar los valores y vectores
propios del sistema.
 
−λ 0 1 0
 0 −λ 0 1 
det(A − λI) = det 
 a
 = (λ2 − a)(λ2 − b).
0 −λ 0 
0 b 0 −λ
En términos de las variables antes definidas quedan los valores propios imaginarios
puros:
λ1 = iα, λ2 = −iα, λ3 = iβ, λ4 = −iβ,
que tienen asociados respectivamente los vectores propios:
       
−i/α i/α 0 0
 0   0   −i/β   i/β 
v1 =    
 1  , v2 =  1  , v3 =  0  ,
  v4 
 0 .

0 0 1 1
Luego la solución general será:
     
x −i/α i/α
 θ     
 ′  = c1 eiαt  0  + c2 e−iαt  0 
 x   1   1 
θ′ 0 0
   
0 0
 −i/β   i/β 
+c3 eiβt  
 0  + c4 e
−iβt 
 0
.

1 1
Sólo nos interesan las variables x y θ:

x(t) (ic2 e−iαt − ic1 eiαt ) 1 (ic4 e−iβt − ic3 eiβt ) 0
= + .
θ(t) α 0 β 1
Aquı́ se ve que el movimiento del sistema se expresa fundamentalmente sólo

como el movimiento vertical de G (representado en el vector (1, 0) y separadamente
la rotación del eje que une los resortes, en torno a G, representado en el vector
(0, 1), y por tanto la solución general del sistema no es más que la combinación li-
neal de estos dos movimientos fundamentales llamados modos propios. Los valores
propios cuando son imaginarios puros, representan la frecuencia natural de cada
modo propio, en este caso al modo de movimiento vertical (1, 0) tiene asociado la
frecuencia propia w = α. Una aplicación del conocimiento de este valor es que si
se deseara tener un fenómeno de resonancia, bastarı́a aplicar una fuerza externa
sinusoidal sobre el auto con esta misma frecuencia (F = F0 sen(αt), F0 constante).
La misma interpretación se tiene para la frecuencia β en el modo (0, 1). Para com-
probar que este método entrega la misma solución que la exponencial de la matriz,
impongamos las mismas condiciones iniciales, para determinar las constantes:
−c1 + c2 =0
−c3 + c4 =0
−i −i
α c1 + c2 α = −1
−i
β c3 + c4 −i
β = −1 ,
de donde se obtiene c1 = c2 = c3 = c4 = − 21 , por tanto:

x(t) i 1/α i 0
= (−e−iαt + eiαt ) + (−e−iβt + ieiβt ) ;
θ(t) 2 0 2 1/β
recordando la identidad eis − e−is = 2i sen(s), se obtiene:

x(t) 1/α 0
= − sen(αt) − sen(βt) ,
θ(t) 0 1/β
que es el mismo resultado antes obtenido.
5.3. Exponencial de una matriz que no es diagonalizable. Si A es

una matriz cuadrada cualquiera (en particular no diagonalizable) siempre existe la
descomposición denominada forma canónica de Jordan, que estudiaremos a con-
tinuación. Sólo enunciaremos los resultados necesarios para construir la forma de
Jordan sin entrar en los detalles teóricos, pues involucran técnicas sutiles de álge-
bra lineal que no viene al caso estudiar en este curso. El lector interesado puede
consultar, por ejemplo, el libro The Theory of Matrices de Peter Lancaster.
Definición 5.3. Se llama bloque de Jordan de tamaño k × k y valor propio

λ ∈ C a la matriz B ∈ Mk×k (C) dada por
 
λ 1 0 ··· 0
 . 
 0 λ
 1 · · · .. 

 
B =  ... 0 λ
..
. 0  .
 
 . . 
 .. .. ... ... 1 
0 ... ... 0 λ
Se llama suprabloque de Jordan de tamaño m × m y valor propio λ ∈ C a una
matriz diagonal por bloques, donde cada bloque es un bloque de Jordan de valor
propio λ. Una matriz está escrita en forma canónica de Jordan si es diagonal por
bloques, formada por suprabloques de Jordan.
Ejemplo 5.5. La siguiente matriz, escrita en la forma canónica de Jordan,
está formada por
un suprabloque de tamaño 2 y valor propio 8, formado a su vez por dos
bloques de tamaño 1;
un suprabloque de tamaño 3 y valor propio 3, formado un bloque de tamaño
1 y otro de tamaño 2; y
un suprabloque de tamaño 1 y valor propio 4.
 
 8 0 0 0 0 0 
 0 8 0 0 0 0 
 
 
 
 0 0 3 0 0 0 
 .
 0 0 0 3 1 0 
 
 0 0 0 0 3 0 
 
 
0 0 0 0 0 4

Proposición 5.3. Sea λ valor propio de A ∈ Mn×n (C) de multiplicidad al-

gebraica m. Sea Es = ker(A − λI)s , s ∈ N, entonces existe p, 1 ≤ p ≤ m, tal
que:
{0} = E0 ( E1 ( E2 ( · · · Ep = Ep+1 = Ep+2 = · · · .
Los espacios Es , 1 ≤ s ≤ p, de la Proposición 5.3 se denominan espacios propios
generalizados de A de orden s asociados al valor propio λ.
Un elemento no nulo v tal que v ∈ Es y v ∈ / Es−1 se dice vector propio generalizado
de A de orden s.
Observación: Con la definición anterior, los vectores propios usuales son
vectores propios generalizados de orden 1.
Proposición 5.4. vs es un vector propio generalizado de A de orden s (s ≥ 2)
asociado a λ si y sólo si vs−1 = (A − λI)vs es un vector propio generalizado de A
de orden s − 1 asociado a λ.
De la proposición 5.4 tenemos que si tomamos vs (vector propio generalizado

de orden s), entonces vs−1 dado por
vs−1 = (A − λI)vs ⇔ Avs = λvs + vs−1
es un vector propio generalizado de orden s − 1, y ası́ recursivamente tenemos
definidos:
Av1 = λv1
Av2 = λv2 + v1
Av3 = λv3 + v2
..
.
Avs = λvs + vs−1 ,
donde v1 es el vector propio usual. Una cadena v1 , v2 , . . . , vs ası́ construida, se
denomina cadena de Jordan de largo s, asociada al vector propio v1 . Cuando es
maximal (s = p) o si s < p, entonces el problema
(A − λI)v = vs
no tiene solución con v vector propio generalizado de orden s + 1.
Proposición 5.5. Los elementos de una cadena de Jordan son linealmente

independientes.
Proposición 5.6. El número ks de cadenas de Jordan de largo s es
ks = 2ls − ls−1 − ls+1 ,
donde l0 = 0 y ls = dim Es = dim ker(A − λI)s para s > 0.
Teorema 5.8 (Descomposición de Jordan). Toda matriz puede expresarse en
la forma canónica de Jordan mediante un cambio de base. Más precisamente, dada
una matriz A ∈ Mn×n (C), existen una matriz J en forma de Jordan y una matriz
P invertible tales que
A = P JP −1 .
Además, la matriz J es única, salvo permutaciones de sus bloques.
Observación: Para construir la descomposición se puede proceder de la si-
guiente manera:
Se calculan los valores propios de A.
Se toma un valor propio λ de multiplicidad algebraica m, y se determina
la dimensión de los espacios ker(A − λI)s , aumentando s hasta m.
Se calculan los ks , de donde se obtiene un bloque de Jordan de tamaño
ks asociado a cada cadena, y los respectivos valores propios generalizados
asociados determinan la matriz P .
Ejemplo 5.6. Sea
 
1 0 0 1 −1
 0 1 −2 3 −3 
 
A=
 0 0 −1 2 −2 
.
 1 −1 1 0 1 
1 −1 1 −1 2
Los valores propios de A son: λ1 = −1, con multiplicidad algebraica 1; y λ2 = 1,

con multiplicidad algebraica 4. La matriz J estará formada por dos suprabloques,
uno asociado a cada valor propio.
Como λ1 tiene multiplicidad 1, sólo le correponderá un bloque de Jordan de

tamaño 1. Tomamos como vector propio asociado (0, 1, 1, 0, 0).
Para λ2 calculamos:
l1 = dim ker(A − I) = 2
l2 = dim ker(A − I)2 = 4
ls = dim ker(A − I)s = 4, ∀s ≥ 2.
Como l0 = 0, tenemos que k1 = 0 y k2 = 2. En virtud de la Proposición 5.6 no
hay cadenas de largo 1, pero hay 2 cadenas de largo 2. Cada cadena de largo 2
determina un bloque de 2 × 2, por lo que tenemos completamente determinada la
matriz J:  
1 1 0 0 0
 0 1 0 0 0 
 

J = 0 0 1 1 0 .
 0 0 0 1 0 
0 0 0 0 −1
Buscamos ahora los vectores propios generalizados. Para λ2 tenemos
(A − I)v1 = 0 ⇒ v1 = (α, α, 0, β, β)
(A − I)v2 = v1 ⇒ v2 = (β + γ, γ, α, α + δ, δ).
Si α = 0, β = 1 ⇒ v1 = (0, 0, 0, 1, 1) ⇒ v2 = (1 + γ, γ, 0, δ, δ). Si γ = δ = 0 ⇒ v2 =
(1, 0, 0, 0, 0).
Si α = 1, β = 0 ⇒ v1 = (1, 1, 0, 0, 0) ⇒ v2 = (γ, γ, 1, 1 + δ, δ). Si γ = δ = 0 ⇒ v2 =
(0, 0, 1, 1, 0).
La matriz P de cambio de base tiene por columnas los vectores propios generaliza-
dos:  
0 1 1 0 0
 0 0 1 0 1 
 
P =  0 0 0 1 1 .

 1 0 0 1 0 
1 0 0 0 0

Para el cálculo de eAt en el caso general veamos la siguiente propiedad:

Proposición 5.7. Sea
 
M1 0 ··· 0
 .. .. 
 0 M2 . . 
M =
 .
,

 .. .. .. 
. . 0
0 ··· 0 Mn
una matriz diagonal por bloques. Entonces

 M1 
e 0 ··· 0
 .. .. 
 0 eM2 . . 
eM =  .
.

 .. .. .. 
. . 0
0 ··· 0 eMn
Demostración. Basta observar que las matrices por bloques se pueden mul-
tiplicar como si los bloques fueran escalares:
  
M1 0 ··· 0 M1 0 ··· 0
 . .. .  
..   0 .. .. 
 0 M2 M2 . . 
M2 =   .

 .


 .. .. .. .. ..
. . 0   .. . . 0 
0 ··· 0 Mn 0 ··· 0 Mn
 
M12 0 ··· 0
 .. .. 
 0 M22 . . 
=  .
 .. .. .. 
 . . . 0 
0 ··· 0 Mn2
Luego, por inducción,
 
M1k 0 ··· 0
 .. .. 
 0 M2k . . 
Mk = 



 .. .. .. 
. . . 0
0 ··· 0 Mnk
y de allı́ concluimos que
 
eM1 0 ··· 0
 .. .. 
 0 eM2 . . 
e M
=

.

 .. .. .. 
. . . 0
0 ··· 0 eMn

Calculemos ahora la exponencial de un bloque de Jordan de tamaño m:

 
0 1 0 0
 .. .. .. . 
 . . . .. 
eJt = e(λI+N )t , donde N =   .
.

 .. .. ..
. . 1 
0 ··· ··· 0
Claramente λI y N conmutan. Luego
eJt = eλIt+N t = eλIt eN t = eλt eN t
por la propiedad 5 de la Proposición 5.2 Sólo nos resta calcular eN t . Para esto
veamos las potencias de N :
N0 = I
N1 = N
  
0 1 0 0 0 1 0 0
 .. .. .. ..   .. . . .. .. 
 . . . .   . . . . 
N 2
= 





 .. .. .. .. . . ..
. . . 1  . . . 1 
0 ··· ··· 0 0 ··· ··· 0
 
0 0 1 0
 .. .. .. 
 . . . 1 
= 

.

 .. .. ..
. . . 0 
0 ··· ··· 0
Ası́ sucesivamente la lı́nea de unos va alejándose de la diagonal principal. Al final

va quedando
 
0 0 0 1
 .. . . .. 
 . . . 0 
N m−1
= 
 . .


 .. .. ..
. 0 
0 ··· ··· 0
Nm = 0m×m ,
donde 0m×m denota la matriz nula de tamaño m × m. Vemos entonces que N es

una matriz nilpotente de orden m, y la exponencial se escribe como una suma finita
∞
X m−1
X
N k tk N k tk
eN t = =
k! k!
k=0 k=0
2
t tm−1
= I + tN + N 2 + · · · + N m−1
2! (m − 1)!
 
t2 tm−1
1 t 2! · · · (m−1)!
 . .. 
 . .. .. .. 
 . . . . . 
 
 .
=  . ... ... ... t2
.
. 
 2! 
 . . . . 
 .. .. .. .. t 
0 ··· ··· ··· 1
En conclusión, eN t es una matriz triangular superior de la forma

(
tk
Nt si j − i = k > 0
[e ]ij = k! .
0 si j − i < 0
Finalmente,
 
t2 tm−1
1 t 2! · · · (m−1)!
 . .. 
 . .. .. .. 
 . . . . . 
 
eJt = eλt 
 .
.. . .
.
..
.
..
. t 2 .

 2! 
 . . .. .. 
 .. .. . . t 
0 ··· ··· ··· 1
De esta forma hemos demostrado el siguiente resultado:
Proposición 5.8. Sea A ∈ Mn×n (C), y sea A = P JP −1 su representación en
forma canónica de Jordan. Entonces
 J1 t 
e ... 0
 ..  P −1 .
eAt = P  ... ..
. . 
Jn t
0 ... e
Ejemplo 5.7. Consideremos el sistema:
X ′ = AX,
con condición inicial X(0) = X0 , donde la matriz A está dada en el Ejemplo 5.6.
Ya habı́amos calculado su forma canónica de Jordan. En virtud de la proposición
anterior se tiene que la solución es:
 t 
e tet 0 0 0
 0 et 0 0 0 
  −1

X(t) = P  0 t
0 e te t
0 
 P X0 ,
 0 0 0 et 0 
0 0 0 0 e−t
donde P es la matriz de cambio de base descrita en el Ejemplo 5.6.
En el siguiente ejemplo se muestra una aplicación de la forma canónica de Jor-

dan a un sistema dinámico discreto.
Ejemplo 5.8 (Equilibrio Marino). Suponga que la población de ballenas b,

plancton p y la temperatura del mar T están regidas por el siguiente sistema dis-
creto, donde n designa el año y λ > 0 es un parámetro de crecimiento:
bn+1 = λbn + pn
pn+1 = λpn + Tn
Tn+1 = λTn ,
con condiciones iniciales b0 , p0 , T0 positivas.
Se quiere saber cómo evoluciona este sistema en el tiempo, dependiendo del

parámetro λ. El sistema anterior se puede escribir como:
      
bn+1 λ 1 0 bn b0
 pn+1  =  0 λ 1   pn  , con condición inicial  p0  .
Tn+1 0 0 λ Tn T0
Consideremos primero un caso más general de sistemas discretos:

Xn+1 = AXn + Bn , n ≥ 0,
con condición inicial X0 ∈ Rd , donde A ∈ Md×d (R), Bn ∈ Rd , n ≥ 0. Como X0 es

la condición inicial, iterando tenemos:
X1 = AX0 + B0
X2 = AX1 + B1 = A(AX0 + B0 ) + B1 = A2 X0 + AB0 + B1
X3 = AX2 + B2 = A3 X0 + A2 B0 + AB1 + B2
..
.
n
X
Xn = An X0 + An−j Bj−1 .
j=1
Probemos por inducción que efectivamente la solución del sistema está dada por:
n
X
n
Xn = A X0 + An−j Bj−1 , n≥1
j=1
Para n = 1 resulta
X1 = AX0 + B0 ,
Pn
que es solución del sistema. Suponemos ahora que Xn = An X0 + j=1 An−j Bj−1
satisface el sistema propuesto. Hay que probar que
n+1
X
Xn+1 = An+1 X0 + An+1−j Bj−1
j=1
también lo satisface. En efecto,

n+1
X
Xn+1 = An+1 X0 + An+1−j Bj−1
j=1
n
X
= An+1 X0 + An+1−j Bj−1 + An+1−(n+1) B(n+1)−1
j=1
Xn
= An+1 X0 + A An−j Bj−1 + Id×d Bn
j=1
 
n
X
= A An X0 + An−j Bj−1  + Bn
j=1
= AXn + Bn .
Estudiemos ahora la solución del sistema discreto homogéneo, para el caso en
que A sea diagonalizable, es decir A = P DP −1 , con
 
λ1 · · · 0
 ..  , donde λ , . . . λ son los valores propios de A.
D =  ... ..
. .  1 d
0 · · · λd
Según lo anterior, la solución de este sistema será: Xn = An X0 , pero An =

P Dn P −1 , entonces:
 n 
λ1 · · · 0
 .. .. ..  −1
Xn = P  . . .  P X0 .
0 · · · λnd
De esta forma si queremos que nuestro problema tenga solución, es decir que exista
lı́m Xn , debemos imponer que lı́m λnk exista ∀k = 1, . . . , d, lo que equivale a pedir
n→∞ n→∞
que |λk | < 1 ó λk = 1, ∀k = 1, . . . , d.
Si volvemos al problema especı́fico de las ballenas, estamos en el caso de un

sistema homogéneo discreto, pero donde la matriz A no es diagonalizable (tiene
la forma de un bloque de Jordan). Sin embargo, sigue siendo válida la solución
Xn = An X0 . Sólo resta calcular An . Para esto usaremos la siguiente propiedad:
Xn
n n k n−k
AB = BA ⇒ (A + B) = A B , ∀n ≥ 0,
k
k=0
es decir, si la matrices conmutan, se tiene la propiedad del Binomio de Newton, (la

demostración puede hacerse por inducción, al igual que en el caso escalar). En este
caso podemos usar esta fórmula, pues claramente
λId N = λN = N λ = N λId .
Luego:
n
X n
n nn k k n−k X n k n−k
A = (λId + N ) = λ I N = λ N ,
k k
k=0 k=0
n−k
con N una matriz nilpotente de orden 3, pero N = 0 cuando n − k ≥ 3 ⇒
n − 3 ≥ k, luego la suma sin los términos nulos queda:
X n
n k n−k
An = λ N
k
k=n−2

n n n n
= λn−2 N 2 + λn−1 N + λ I
n−2 n−1 n
n(n − 1) n−2 2
= λ N + nλn−1 N + λn I.
2
En el desarrollo sobre las formas de Jordan, habı́amos calculado todas las potencias
de una matriz nilpotente, resulta entonces:

n n(n − 1) n−2 2 n−1 n n
A = λ N + nλ N+ λ I
2 n
   
0 0 1 0 1 0
n(n − 1) n−2 
= λ 0 0 0  + nλn−1  0 0 1  + λn I
2
0 0 0 0 0 0
 
λn nλn−1 n(n−1) 2 λn−2
=  0 λ n
nλ n−1 .
n
0 0 λ
De esta forma vemos que se repite la solución que tenı́amos para el caso diagonali-
zable: independiente de la condiciones iniciales, nuestro modelo indica que cuando
n → ∞ , si |λ| > 1, el sistema diverge, es decir las poblaciónes de ballenas y
plancton se expanden indefinidamente, al igual que la temperatura, mientras que
si |λ| < 1, las poblaciones se extinguen y la temperatura del mar desciende a 0.
En el caso crı́tico |λ| = 1 se tiene que las poblaciones animales divergen, pero con
temperatura constante del mar T0 .
Ejemplo 5.9. Supongamos que se tienen 4 estanques conectados por tuberı́as,

como se muestra en la figura.
4 3 2 1
En el estanque j, que tiene volumen Vj , hay una cantidad Cj de una sustancia en

solución. Por todas las tuberı́as corre un flujo F de solución. La solución que entra
al estanque 4 tiene una concentración m0 . Esto nos da el siguiente sistema para las
cantidades C1 , . . . , C4 :
 ′

 C = −K1 C1 + K2 C2
 1′
C2 = −K2 C2 + K3 C3
 C3′ = −K3 C3 + K4 C4

 ′
C4 = −K4 C4 + m0 F,
donde Kj = F/Vj . Escrito en forma matricial esto es
 ′     
C1 −K1 K2 0 0 C1 0
 C2   0 −K2 K3 0   C2   0 
    + .
 C3  =  0 0 −K3 K4   C3   0 
C4 0 0 0 −K4 C4 m0 F
Nos queda una matriz triangular superior. Si todos los estanques tienen distinto
volumen, la matriz es diagonalizable pues tiene 4 valores propios distintos. Si por
el contrario, todos los estanques el mismo volumen V , escribimos K = F/V y el
sistema se reduce a
 ′     
C1 −1 1 0 0 C1 0
 C2   0 −1 1 0     
     C2  +  0  .
 C3  = K  0 0 −1 1   C3   0 
C4 0 0 0 −1 C4 m0 F
Si denotamos  
−1 1 0 0
 0 −1 1 0 
A=K
 0

0 −1 1 
0 0 0 −1
entonces  
1 2 2 1 3 3
1 Kt 2K t 6K t

−Kt  0 1 Kt 1 2 2 
eAt =e 2K t .
 0 0 1 Kt 
0 0 0 1
Se deja al lector escribir la solución general usando la fórmula de variación de
parámetros y analizar los casos en que hay algún volumen (y por lo tanto algún
valor propio) repetido.
5.4. Sistemas lineales y transformada de Laplace. También es posible

resolver sistemas lineales usando la transformada de Laplace. Para comenzar con
un ejemplo simple, consideremos el sistema
′
x1 = a11 x1 + a12 x2 + b1
x′2 = a21 x1 + a22 x2 + b2 .
Si queremos encontrar soluciones definidas para t > 0 podemos intentar aplicar
la transformada de Laplace a cada una de las ecuaciones. Obtenemos
sLx1 − x01 = a11 Lx1 + a12 Lx2 + Lb1
sLx2 − x02 = a21 Lx1 + a22 Lx2 + Lb2 ,
donde x01 = x1 (0) y x02 = x2 (0). Ası́ tenemos el sistema:
(s − a11 )Lx1 − a12 Lx2 = Lb1 + x01
−a21 Lx1 + (s − a22 )Lx2 = Lb2 + x02 .
Si multiplicamos la primera ecuación por s − a22 y la segunda por a12 podemos
reducir Lx2 y obtener
P (s)L(x1 ) = φ(s),
donde
P (s) = (s2 − (a11 + a22 )s + a11 a22 − a12 a21 )
φ(s) = (s − a22 )(Lb1 + x01 ) + a12 (Lb2 + x02 ).
Despejando obtenemos expresiones para Lx1 y Lx2 :
(s − a22 )(Lb1 + x01 ) + a12 (Lb2 + x02 )
Lx1 =
s2 − (a11 + a22 )s + a11 a22 − a12 a21
(s − a11 )(Lb2 + x02 ) + a21 (Lb1 + x01 )

Lx2 = .
s2 − (a11 + a22 )s + a11 a22 − a12 a21
Ejemplo 5.10 (Polución en dos estanques, continuación). Si reemplazamos los
valores que tenı́amos en el sistema de los estanques en el Ejemplo 5.1 obtenemos

2 2b(1 + λ) b2 (1 + λ) b(1 + λ) bσ 0 bx02 λ
s + s+ Lx1 = s + + x1 + .
V V2 V s V
Resolvamos la ecuación cuadrática del lado izquierdo:
r
−b(1 + λ) b(1 + λ) 1
s= ± 1− .
V V 1+λ
| {z }
θ
Si λ ≥ 0 entonces θ ∈ [0, 1] y
−b(1 + λ) −b(1 + λ)
s1 = (1 + θ) < 0 y s2 = (1 − θ) < 0.
V V
Si introducimos los parámetros
b(1 + λ) bλ
α= , β= ,
V V
vemos que
bσ + αx01 + βx02 sx01
Lx1 = +
(s + α(1 + θ))(s + α(1 − θ)) (s + α(1 + θ))(s + α(1 − θ))
αbσ
+
s(s + α(1 + θ))(s + α(1 − θ))
α(x01 + x02 ) sx02
Lx2 = +
(s + α(1 + θ))(s + α(1 − θ)) (s + α(1 + θ))(s + α(1 − θ))
αbσ
+ .
s(s + α(1 + θ))(s + α(1 − θ))
Los tres sumandos de cada ecuación anterior tienen una antitransformada conocida:

1 eat − ebt
L−1 =
(s − a)(s − b) a−b

s aeat − bebt
L−1 =
(s − a)(s − b) a−b

1 (c − b)eat + (a − c)ebt + (b − a)ect
L−1 = .
(s − a)(s − b)(s − c) (a − b)(b − c)(c − a)
Por lo tanto las soluciones son:
e−α(1+θ)t − e−α(1−θ)t
x1 = −(bσ + αx01 + βx02 )
2αθ
−α(1+θ)t
(1 + θ)e − (1 − θ)e−α(1−θ)t
+x01
2θ
(1 − θ)e−α(1+θ)t − (1 + θ)e−α(1−θ)t + 2θ
+αbσ
2α2 θ(1 − θ2 )
e−α(1+θ)t − e−α(1−θ)t
x2 = −α(x01 + x02 )
2αθ
−α(1+θ)t
(1 + θ)e − (1 − θ)e−α(1−θ)t
+x02
2θ
(1 − θ)e−α(1+θ)t − (1 + θ)e−α(1−θ)t + 2θ
αbσ .
2α2 θ(1 − θ2 )
Luego
x1 = C1 es1 t + C2 es1 t + C3
x2 e1 es1 t + C
= C e2 es1 t + C
e3 ,
donde C1 , Ce1 , C2 , C
e2 , C3 , C
e3 son constantes dadas de la agrupación de términos
semejantes en las expresiones anteriores, y que dependen sólo de las condiciones
iniciales y de la geometrı́a del sistema.
Es importante notar que cuando t → ∞ las soluciones convergen a un estado

estacionario, que es una solución constante. En efecto, dado que s1 , s2 < 0 tenemos
bσ
lı́m x1 (t) = C3 = α(1−θ 2 ) = σV
t→∞
lı́m x2 (t) = e3
C = bσ
= σV.
t→∞ α(1−θ 2 )
Después de un tiempo suficientemente largo, la cantidad de poluente en cada estan-

que será muy cercana a σV , independientemente del valor de λ. Tenemos la misma
solución que si λ = 0, que era como inicialmente estaba el sistema de estanques. En
realidad la situación es más compleja, ya que graficando las soluciones para λ > 0
y λ = 0 se aprecia que la polución es menor en el caso λ > 0 para un intervalo de t
considerable (aunque el lı́mite es el mismo). Ver Figura 3.
λ=0
λ>0
0 10 20 30 40 50 60
Figura 3. Comportamiento de la polución en estanque 2 del ejem-

plo 5.10
Veamos ahora el método de la Transformada de Laplace en caso de un sistema

lineal general a coeficientes constantes:
′
X (t) = AX(t) + B(t), con B, X ∈ Rn , A ∈ Mn×n (R)
(40)
X(0) = X0 , con X0 ∈ Rn .
La i-ésima fila del sistema es
n
X
x′i = aij xj + bi , xi (0) = x0i .
j=1
Aplicando la transformada de Laplace a cada ecuación obtenemos

n
X
sLxi − x0i = aij Lxj + Lbi , i = 1, ..., n
j=1
n
X
sLxi − aij Lxj = Lbi − x0i , i = 1, ..., n.
j=1
Escrito en forma matricial esto es

sLX(s) − ALX(s) = LB(s) + X0
(sI − A)L(X)(s) = LB(s) + X0 .
Sea M el máximo de las partes reales de los valores propios de A. Si s > M entonces
la matriz (sI − A) es invertible y podemos despejar L(X).
Teorema 5.9. La solución del sistema lineal (40) satisface
L(X)(s) = (sI − A)−1 (L(B)(s) + X0 ), s > M.
Ejemplo 5.11 (Masas atmosféricas). El siguiente es un modelo para la evo-
lución de las masas atmosféricas en kilotoneladas [kton] de un contaminante en el
hemisferio norte (c1 ) y el hemisferio sur (c2 ) de la Tierra (ver figura ??):
′
c1 = f1 − α(c1 − c2 ) − βc1
(41)
c′2 = f2 − α(c2 − c1 ) − βc2 .
La constante α > 0 representa inverso del tiempo de intercambio interhemisféri-
co en [1/año] y la constante β > 0 (desconocida) el inverso del tiempo de vida
quı́mica del contaminante en [1/año]. Las emisiones del contaminante en cada he-
misferio son constantes conocidas f1 = 30 y f2 = 10 en [kton/año]. Inicialmente
c01 = 84 y c02 = 60 en [kton].
c1 N
ecuador
c2
S
Figura 4. Masas atmosféricas del Ejemplo 5.11
Introduzcamos la masa media entre los dos hemisferios como c(t) = 12 (c1 (t) +
c2 (t)) y la emisión media como f = 12 (f1 + f2 ). Si derivamos la expresión de la masa
media con respecto al tiempo obtenemos
1 ′
(c (t) + c′2 (t)).
c′ (t) =
2 1
Luego, si sumamos las EDO que tenemos para c1 y c2 , nos queda
c′1 + c′2 = 2c′ = (f1 + f2 ) − α(c1 − c2 + c2 − c1 ) − β(c1 + c2 )
c′ = f − βc
que es una EDO lineal de primer orden para c. La condición inicial está dada por
1 1
c(0) = (c1 (0) + c2 (0)) = (84 + 60)[kton] = 72[kton].
2 2
La solución del problema de Cauchy asociado es
f
c(t) = 72e−βt + (1 − e−βt ).
β
Se estima que el lı́mite de c(t) cuando t → +∞ es de 100 [kton]. De allı́ podemos
encontrar una estimación para el tiempo de vida del contaminante

f f
lı́m c(t) = 100[kton] = lı́m 72e−βt + (1 − e−βt ) = .
t→∞ t→∞ β β
Como f = 20 [kton/año], tenemos que
100[kton]
β −1 = = 5 [años].
20[kton/año]
El tiempo estimado de vida del contaminante es de 5 años.
Resolveremos ahora el sistema (41) utilizando la transformada de Laplace. Pri-

mero escribimos el sistema en forma matricial como C ′ = AC + B, donde

−α − β α f1
A= y B= .
α −α − β f2
El Teorema 5.9 nos dice que
L(X)(s) = (sI − A)−1 (LB(s) + X0 )

−1 !
f1 0
s+α+β −α s + c 1
= f2
−α s+α+β s + c2
0

k1 φ1 (s) + k2 φ2 (s) + k3 φ3 (s)
= e ,
k1 φ1 (s) + e
k2 φ2 (s) + e
k3 φ3 (s)
donde
k1 = f1 + c02 α + c01 α + c01 β e

k1 = f2 + c01 α + c02 α + c02 β
k2 = c01 e
k2 = c02
k3 = f1 α + f1 β + f2 α e
k3 = f2 α + f2 β + f1 α
son constantes conocidas y

1
φ1 (s) =
(s + β)(s + 2α + β)
s
φ2 (s) =
(s + β)(s + 2α + β)
1
φ3 (s) =
s(s + β)(s + 2α + β)
son funciones cuyas antitransformadas debemos encontrar para determinar el vector

X. Para ello vamos a descomponerlas en fracciones parciales.
1
φ1 (s) =
(s + β)(s + 2α + β)
1 1
= − ,
2α(s + β) 2α(s + 2α + β)
s
φ2 (s) =
(s + β)(s + 2α + β)
s s
= − ,
2α(s + β) 2α(s + 2α + β)
1
φ3 (s) =
s(s + β)(s + 2α + β)
1 1 1
= − + .
β(2α + β)s (2αβ)(s + β) 2α(2α + β)(s + 2α + β)
Recordando que

−1 1 s
L (t) = e−at y L −1
(t) = δ(t) − ae−at ,
s+a s+a
vemos que

1 1
L−1 [φ1 (s)] = L−1 −
2α(s + β) 2α(s + 2α + β)

1 −1 1 1 −1 1
= L − L
2α s+β 2α s + 2α + β
1 −βt 1 −(2α+β)t
= e − e ,
2α 2α
1 −1 s 1 −1 s
L−1 [φ2 (s)] = L − L
2α s+β 2α s + 2α + β
1
= (δ(t) − βe−βt − δ(t) + (2α + β)e−(2α+β)t )
2α
1
= (2α + β)e−(2α+β)t − βe−βt ,
2α
1 1 1 −1 1
L−1 [φ3 (s)] = L−1 − L
β(2α + β) s 2αβ s+β

1 1
+ L−1
2α(2α + β) s + 2α + β
1 1 −βt 1
= − e + e−(2α+β)t .
β(2α + β) 2αβ 2α(2α + β)
Finalmente, agrupando constantes, la cantidad de contaminante en cada hemisferio
resulta:
c1 (t) = p1 e−βt + q1 e−(2α+β)t + r1

c2 (t) = p2 e−βt + q2 e−(2α+β)t + r2 ,
donde p1 , q1 , r1 , p2 , q2 y r2 , son constantes que dependen sólo de c01 , c02 , f1 , f2 , α y β.
Es interesante notar que después de un tiempo suficientemente largo, se llega

a un equilibrio en las cantidades de contaminación. Para el hemisferio Norte
(α + β)f1 + αf2
lı́m c1 (t) = r1 =
t→∞ β(2α + β)
y para el hemisferio Sur
αf1 + (α + β)f2
lı́m c2 (t) = r2 = .
t→∞ β(2α + β)

5.5. Sistemas lineales de orden 2. En muchos problemas fı́sicos nos en-

contramos con sistemas de cuerpos que sus fuerzas ejercidas solo dependen de la
posición de cada cuerpo (por ejemplo en los osciladores acoplados en condiciónes
ideales).
Por lo que obtenemos un sistema lineal del tipo:
′′
X (t) = AX(t)
X(t0 ) = X0 .
Para resolver este tipo de sistemas se puede agregar variables (yj = xj ) agregando
dimensiones al sistema lineal, pero si además la matriz A es diagonalizable, el
sistema se puede resolver sin la necesidad de agregar dimensiones. Notemos que si A
es diagonalizable, luego ∃P, D ∈ Mn×n con D matriz diagonal tal que A = P DP −1 ,
luego la EDO puede ser escrita como:
X ′′ (t) = AX(t)
= P DP − 1X(t)
⇒ P −1 X ′′ (t) = DP −1 X(t), Sea Y (t) = P −1 X(t)
⇒ Y ′′ (t) = DY (t)
Este ultimo sistema es mucho más fácil de resolver, pues al ser D diagonal entonces
si (λi )m
i=1 son los valores propios de A, entonces el sistema:
Y ′′ (t) = DY (t) ⇒ yj′′ = λj yj ∀j ∈ {1, . . . , n}
donde Y = (y1 , . . . , yn )t , estas ultimas n ecuaciones se pueden resolver usando los
métodos vistos en los capı́tulos anteriores (son EDOs lineales de orden 2).
Capı́tulo 6
Análisis cualitativo de sistemas no lineales
Muchos fenómenos de la naturaleza se comportan de forma un poco más com-

plicada que un sistema de ecuaciones lineales. Por ejemplo, se suele utilizar la apro-
ximación de la Ley de Hooke F = −kx para modelar resortes, aunque en realidad
esta fuerza suele tener otras componentes de orden no lineal, pero que habitual-
mente son despreciables. En general estas ecuaciones presentan grandes desafı́os,
pues es bastante complicado encontrarles soluciones explı́citas. Sin embargo, mu-
chas veces se puede hacer un estudio cualitativo de las soluciones, que nos indique
sobre el comportamiento general del sistema no lineal.
Dados un intervalo abierto I y una función F : I × Rn → Rn , consideremos el
siguiente sistema de ecuaciones diferenciales de primer orden con condición inicial
X0 ∈ Rn en t0 ∈ I:
X ′ (t) = F (t, X(t)), t ∈ I
X(t0 ) = X0 .
Si la función F no es lineal con respecto a la varible X, se dirá que es un siste-
ma no lineal (SN L). Si además F no depende explı́citamente de la variable t, se
dirá que es un sistema no lineal autónomo (SN LA). Generalmente un (SN LA)
corresponde en el caso mecánico a un movimiento sin forzamiento externo. Estos
sistemas son invariantes bajo traslaciones temporales (variable t). En particular, si
X : I → Rn es una solución del sistema entonces la función Xc : Ic → Rn definida
por Xc (t) = X(t − c) también lo es. Aquı́ Ic denota el intervalo I desplazado hacia
la derecha en c.
El vector X(t) ∈ Rn , que es la solución del sistema en un punto t ∈ I, se llama

vector de estado.
Observación. Dada una función h : I × R × R · · · × R → R, toda ecuación de

orden superior de la forma
y (n) = h(t, y, y ′ , . . . , y (n−1) )
y(t0 ) = y0 , y ′ (t0 ) = y1 , . . . , y (n−1) (t0 ) = yn−1
se puede llevar, mediante un cambio de variables, a la forma (SN L). Claramente,
si h no depende explı́citamente de t, se puede llevar a la forma (SN LA). Esto se
puede realizar de la siguiente manera:
Tenemos que y (n) = h(t, y, y ′ , . . . , y (n−1) ) y (y (j) )′ = y (j+1) ∀j ∈ {0, . . . , n − 2},
luego haciendo el cambio de variable y (j) = xj , con esto obtenemos el siguiente
(SNL) :
′
xn−1 = h(t, x0 , x1 , . . . , xn−1 )
x′j = xj+1 ∀j ∈ {0, . . . , n − 2}
151
152 6. SISTEMAS NO LINEALES
Ejemplo 6.1 (El péndulo simple amortiguado). Un péndulo simple sometido a

un ambiente con roce (por ejemplo aire, agua, aceite, etc.) y a una fuerza externa,
queda descrito por la siguiente ecuación de movimento de segundo orden:
mg
mθ′′ + cθ′ + L sen(θ) = f (t)
θ(0) = θ0
θ′ (0) = θ0′ ,
donde θ es el ángulo que forma el péndulo con respecto a la vertical y c el coeficiente

de roce, producto de una fuerza de roce viscoso lineal: F~roce = −c~v , donde v = Lθ′ .
Haciendo el cambio de variables: x = θ, y = θ′ , la ecuación anterior toma la forma
de (SN L):
x′ = y
′ c g
y = − y − sen(x) + f (t).
m L
La no linealidad se aprecia claramente en el término sen(θ) pues
sen(λθ1 + θ2 ) 6= λ sen(θ1 ) + sen(θ2 ).
El (SNLA) del péndulo corresponde al caso en que no hay forzamiento externo:
x′ = y
c g
y′ = − y − sen(x).
m L

Ejemplo 6.2 (Atractor de Lorenz). El siguiente sistema de ecuaciones diferen-

ciales fue un modelo desarrollado por Lorenz, que en principio se proponı́a tratar
de comprender los fenómenos meteorológicos. El modelo que utilizó Lorenz consis-
te en una atmósfera bidimensional rectangular, cuyo extremo inferior está a una
temperatura mayor que el superior. De esta manera el aire caliente subirá y el aire
frı́o bajará creándose corrientes que harán un intercambio de calor por convección.
Las ecuaciones que describen este proceso son:
 ′
 x = s(y − x)
y ′ = rx − y − xz
 ′
z = xy − bz,
donde x que representa el flujo convectivo; y, la distribución horizontal de tempera-

turas; y z la distribución vertical de temperaturas. Además, tenemos tres paráme-
tros que intervienen en las ecuaciones: s es el cuociente entre la viscosidad y la
conductividad térmica; r, la diferencia de temperaturas entre la capas inferior y su-
perior; y b el cuociente entre la altura y el ancho del rectángulo. Este es un modelo
muy importante que tiene muchas propiedades interesantes, pero por ahora sólo
notamos que es un sistema autónomo, pero no lineal, pues aparecen los términos
xy y xz.
1. SISTEMAS NO LINEALES Y SISTEMAS LINEALIZADOS 153
1. Sistemas no lineales y sistemas linealizados

De aquı́ en adelante nos restringiremos a problemas en dos dimensiones y
autónomos de la forma (SN LA):
′
x = F (x, y), x(t0 ) = x0
y ′ = G(x, y), y(t0 ) = y0 ,
con F y G funciones continuamente diferenciables. El Teorema 5.4 garantiza que
siempre tendremos una única solución local.
Decimos que (x̄, ȳ) es un punto crı́tico o de equilibrio del (SN LA) si

F (x̄, ȳ) = 0
G(x̄, ȳ) = 0.
Se llama nulclina en x a la curva definida por F (x, y) = 0 y nulclina en y a la
curva definida por G(x, y) = 0.
Los puntos crı́ticos son las intersecciones de las nulclinas. El conjunto de puntos
crı́ticos del sistema se denota por
C = {(x̄, ȳ) ∈ R2 | F (x̄, ȳ) = G(x̄, ȳ) = 0}.
Si hacemos una expansión de Taylor en el (SN LA) en torno a un punto crı́tico
(x̄, ȳ), resulta:
∂F ∂F
F (x, y) = (x̄, ȳ)(x − x̄) + (x̄, ȳ)(y − ȳ) + hF (r)
∂x ∂y
∂G ∂G
G(x, y) = (x̄, ȳ)(x − x̄) + (x̄, ȳ)(y − ȳ) + hG (r),
∂x ∂y
donde r = (x, y) − (x̄, ȳ) (recordemos que F (x̄, ȳ) = G(x̄, ȳ) = 0). Además
hF (r) hG (r)
lı́m =0 y lı́m = 0.
r→0 krk r→0 krk
Para simplificar la notación definimos

∂F ∂F ∂G ∂G
a= (x̄, ȳ), b= (x̄, ȳ), c= (x̄, ȳ) y d= (x̄, ȳ);
∂x ∂y ∂x ∂y
constantes que dependen del punto crı́tico. Notamos que
!
∂F ∂F
a b ∂x (x̄, ȳ) ∂y (x̄, ȳ)
= ∂G ∂G = J(x̄, ȳ),
c d ∂x (x̄, ȳ) ∂y (x̄, ȳ)
donde J es la matriz Jacobiana de la función

F (x, y)
(x, y) 7→
G(x, y)
evaluada en el punto crı́tico (x̄, ȳ).
Ahora, si reemplazamos en (SN LA) queda:

′
x = a(x − x̄) + b(y − ȳ) + hF (r)
(SN LA)
y ′ = c(x − x̄) + d(y − ȳ) + hG (r).
Consideramos el sistema linealizado

′
x = a(x − x̄) + b(y − ȳ)
(SL)
y ′ = c(x − x̄) + d(y − ȳ).
Un sistema (SN LA) es degenerado en torno a (x̄, ȳ) si |J(x̄, ȳ)| = 0. Un punto
crı́tico (x̄, ȳ) de (SN LA) es aislado si existe δ > 0 tal no hay ningún otro punto
crı́tico en la bola de centro(x̄, ȳ) y radio δ. De lo contrario se dice que los puntos
crı́ticos son densos en torno a (x̄, ȳ).
Propiedades 6.1. Sea (x̄, ȳ) un punto crı́tico de (SN LA).

1. Si |J(x̄, ȳ)| 6= 0, entonces (x̄, ȳ) es el único punto crı́tico de (SL). En
particular es aislado para (SL).
2. Si |J(x̄, ȳ)| = 0, entonces los puntos crı́ticos de (SL) son densos en torno
a (x̄, ȳ). Más precisamente, el conjunto C es una recta que contiene a (x̄, ȳ)
si J(x̄, ȳ) 6= 02×2 y es todo el plano si J(x̄, ȳ) = 02×2 .
3. Si |J(x̄, ȳ)| 6= 0, entonces (x̄, ȳ) es un punto crı́tico aislado de (SN LA).
Demostración. Primero observemos que (x, y) es punto crı́tico de (SL) si, y
sólo si,
a(x − x̄) + b(y − ȳ) = 0
c(x − x̄) + d(y − ȳ) = 0.
Es decir, si
a b x a b x̄
= = V0 ,
c d y c d ȳ
donde V0 es un vector constante que depende de (x̄, ȳ).
1. Si |J(x̄, ȳ)| 6= 0 el sistema tiene solución única (x̄, ȳ).
2. Si |J(x̄, ȳ)| = 0 el sistema tiene infinitas soluciones, que forman una recta si
J(x̄, ȳ) 6= 0 y todo el plano si J(x̄, ȳ) = 0.
3. Por contradicción, supongamos que para cada δ > 0 existe otro punto crı́tico
(w̄, z̄) de (SN LA) tal que |(x̄, ȳ) − (w̄, z̄)| < δ. Por definición,

a(w̄ − x̄) + b(z̄ − ȳ) + hF (r̄) = 0
c(w̄ − x̄) + d(z̄ − ȳ) + hG (r̄) = 0,
donde r̄ = (w̄, z̄) − (x̄, ȳ). De manera equivalente,

a b w̄ − x̄ hF (r̄)
=− .
c d z̄ − ȳ hG (r̄)
Si |J(x̄, ȳ)| 6= 0 tenemos que
−1
w̄ − x̄ a b hF (r̄)
=− .
z̄ − ȳ c d hG (r̄)
Tomando norma y acotando obtenemos
p
||r̄|| ≤ ||J(x̄, ȳ)−1 || hF (r̄)2 + hF (r̄)2
s 2 2
−1 hF (r̄) hF (r̄)
1 ≤ ||J(x̄, ȳ) || + .
r̄ r̄
Pero el lado derecho tiende a cero cuando r̄ → 0, con lo que llegamos a una contra-
dicción.
En resumen, un sistema que no es degenerado en torno a (x̄, ȳ) cumple que

(x̄, ȳ) es un punto crı́tico aislado de (SN LA) y es el único punto crı́tico de (SL).
El Ejemplo 6.5 muestra que el recı́proco del punto 3 es falso en general.
Ejemplo 6.3 (Conejos y ovejas). Supongamos un modelo para la competencia

de dos poblaciones de animales que luchan por recursos en un hábitat reducido:
′
x = 60x − 3x2 − 4xy
y ′ = 42y − 3y 2 − 2xy,
donde x es la población de conejos e y la de ovejas. Los puntos crı́ticos de este
sistema se encuentran resolviendo:

x(60 − 3x − 4y) = 0
y(42 − 3y − 2x) = 0.
Tenemos varios casos:
Si x = 0 obtenemos los puntos (0, 0) y (0, 14).
Si y = 0 obtenemos (0, 0) y (20, 0).
3x + 4y = 60
Si x 6= 0 e y 6= 0 nos queda el sistema cuya única
3y + 2x = 42,
solución es (12, 6).
Tenemos entonces que C = {(0, 0), (0, 14), (20, 0), (12, 6)}, conjunto que muestra
las posibilidades de equilibrio entre ambas poblaciones. El único caso en que pueden
coexistir ambas especies es (x̄, ȳ) = (12, 6). En los demás casos, al menos una de
las especies se extingue. Aun ası́, todas son soluciones de equilibrio. El Jacobiano
y
(0,14)
(12,6)
(20,0)
(0,0) x
Figura 1. Soluciones de equilibrio para el modelo de conejos y ovejas
en este caso está dado por:

!
∂F ∂F
∂x ∂y (x̄, ȳ) 60 − 6x − 4y −4x
J(x̄, ȳ) = ∂G ∂G = .
∂x ∂y (x̄, ȳ)
−2y 42 − 6y − 2x
Evaluando el Jacobiano en cada punto crı́tico encontramos los respectivos sistemas
linealizados:
60 0
1. J(0, 0) = es invertible. El sistema linealizado alrededor de
0 42
(0, 0) es
′
x = 60(x − 0) + 0(y − 0)
(SL)1
y ′ = 0(x − 0) + 42(y − 0).

−60 −80
2. J(20, 0) = también es invertible y
0 2
′
x = −60(x − 20) − 80(y − 0)
(SL)2
y′ = 0(x − 20) + 2(y − 0).

4 0
3. J(0, 14) = también lo es y
−28 −42
′
x = 4(x − 0) + 0(y − 14)
(SL)3
y ′ = −28(x − 0) − 42(y − 14).

−36 −48
4. Finalmente, J(12, 6) = es invertible y
−12 −18
′
x = −36(x − 12) − 48(y − 6)
(SL)4
y ′ = −12(x − 12) − 18(y − 6).
Ası́, el modelo no es degenerado en torno a cada uno de sus puntos crı́ticos.
Ejemplo 6.4. Habı́amos visto que las ecuaciones de un péndulo sin forzamiento
están dadas por ′
x = y
y′ = − mc
y − Lg sen(x).
Sus puntos crı́ticos satisfacen

0 = ȳ
0 = −m c
ȳ − Lg sen(x̄),
de donde
C = {(kπ, 0) | k ∈ Z}.
x
(− 2π,0)(−π,0) (0,0) (π,0) (2π,0)
Figura 2. Soluciones de equilibrio del péndulo no lineal
El Jacobiano es
0 1
J(x̄, ȳ) = ,
− Lg (−1)k −mc
que es invertible. El sistema linealizado en torno al origen es

′
x = 0(x − 0) + 1(y − 0)
(SL)
y ′ = − Lg (x − 0) − m c
(y − 0)
y tiene sólo un punto crı́tico.
Ejemplo 6.5. Consideremos el sistema

′
x = x3
y′ = y3.
Vemos que (0, 0) es un punto crı́tico aislado de este sistema. Sin embargo

3x2 0 0 0
J(x, y) = , de donde J(0, 0) = .
0 3y 2 0 0
Por lo tanto, este sistema es degenerado en torno al (0, 0). Si intentamos hacer la
linealización en torno a (0, 0) obtenemos
′
x =0
y ′ = 0,
cuyos puntos crı́ticos son C = R2 , como asegura la Proposición 6.1.
Ejemplo 6.6. Consideremos el (SN LA)

′
x = 3x + x2 + 2y + y 2
y ′ = 6x − x2 + 4y + y 2 .
Claramente el punto (0, 0) es un punto crı́tico. Para ver que es el único (y por tanto
es aislado) se puede tratar de resolver explı́citamente el sistema, pero esto resulta
un poco engorroso. Dado que cada ecuación representa una cónica, otra forma de
buscar puntos crı́ticos es analizar el gráfico. Si completamos cuadrados obtenemos
2
3 13
x+ + (y + 1)2 =
2 4
−(x − 3)2 + (y + 2)2 = −5,
que corresponden a una circunferencia y una hipérbola, respectivamente. El bos-

quejo del gráfico se puede ver en la Figura 3.
Para ver que en (0, 0) la dos curvas efectivamente son tangentes como sugiere
el gráfico, calculemos la derivada en dicho punto:
3+2x
3 + 2x + 2y ′ + 2yy ′ = 0 ⇒ y ′ = − 2(1+y) ⇒ y ′ (0) = − 23
x−3
′ ′ ′
6 − 2x + 4y + 2yy = 0 ⇒ y = − 2+y ⇒ y ′ (0) = − 23 .
La matriz jacobiana está dada por

3 + 2x 2 + 2y 3 2
J(x, y) = y luego J(0, 0) = ,
6 − 2x 4 + 2y 6 4
y 2
–4 –2 x
2 4 6
–2
–4
Figura 3. Intersección de Cónicas
que no es invertible. Por lo tanto el sistema es degenerado. El sistema linealizado

en torno a (0, 0) es ′
x = 3x + 2y
y ′ = 6x + 4y,
cuyos puntos crı́ticos son C = {(x, y) ∈ R2 | y = − 32 x}. Aquı́ el punto (0, 0) tampo-
co es aislado.
2. Diagramas de fase y de flujo

Dado el (SN LA)
x′ = F (x, y)
y ′ = G(x, y)
con condición inicial (x(t0 ), y(t0 )) = (x0 , y0 ), a la solución del problema de Cauchy
se le llama trayectoria que parte de (x0 , y0 ). Más precisamente, es la función
T : I0 → R2
t 7 → (x(t), y(t)) ,
donde I0 es su intervalo máximo de existencia (que por supuesto contiene al que
entrega el Teorema de Existencia y Unicidad). El recorrido R de esta trayectoria
es el conjunto imagen de la función T . Es decir,

R = (x(t), y(t)) ∈ R2 | t ∈ I0 .
Claramente dos trayectorias distintas pueden tener el mismo recorrido.
Un diagrama de fases de este sistema autónomo es a una colección de reco-

rridos de las trayectorias para un número representativo de condiciones iniciales.
El plano donde se grafica el diagrama de fases se llama plano de fase. El interés
de los diagramas de fase es que al eliminar el tiempo de las ecuaciones, obtenemos
gráficos en 2 dimensiones en lugar de 3, lo que hace más fácil su estudio. Por otra
parte, al señalar el sentido de recorrido podemos conocer muchas propiedades, en
particular asintóticas, de las trayectorias.
Una consecuencia del Teorema de Existencia y Unicidad es la siguiente

2. DIAGRAMAS DE FASE Y DE FLUJO 159
Proposición 6.1. Si dos trayectorias se intersectan, entonces sus recorridos

coinciden.
Demostración. Si dos trayectorias T1 y T2 se intersectan como en la Figura
4, entonces existen t1 , t2 tales que
(x1 (t1 ), y1 (t1 )) = (x2 (t2 ), y2 (t2 )).
(xo,yo)
Figura 4. Intersección de Recorridos
Denotamos este punto por (x0 , y0 ). La trayectoria T3 definida por (x3 (t), y3 (t)) =
(x2 (t + t2 − t1 ), y2 (t + t2 − t1 )) tiene el mismo recorrido que T2 porque es una tras-
lación en tiempo y el sistema es autónomo. Pero también tiene el mismo recorrido
que T1 porque es solución del mismo problema de Cauchy.
Esto nos dice que las curvas en el diagrama de fase no se intersectan, de modo
que una situación como la presentada en la Figura 4 es imposible.
Ejemplo 6.7. Lo que sı́ se puede dar para dos trayectorias distintas, es que
sus recorridos se confundan. Por ejemplo, tomemos la trayectorias:
(42) (x1 (t), y1 (t)) = (sen(t), cos(t)) con (x(0), y(0)) = (0, 1)
(43) (x2 (t), y2 (t)) = (cos(t), sen(t)) con (x(0), y(0)) = (1, 0).
Elevando al cuadrado cada componente y sumando vemos que ambas trayectorias
satisfacen x2 + y 2 = 1. También es fácil ver que recorren toda la circunferencia. Sin
embargo lo hacen en sentidos opuestos, como se ilustra en la figura 5. Si queremos
hacer que las dos trayectorias recorran la curva en el mismo sentido basta modificar
(43) a
(e
x2 (t), ye2 (t)) = (cos(t), − sen(t)) con (x(0), y(0)) = (1, 0).

El diagrama de flujo se construye al graficar en una colección de puntos (x, y)

representativos el vector (F (x, y), G(x, y)). Por regla de la cadena se tiene que
dy dy dx dy y′ G(x, y)
= y luego = ′ = .
dt dx dt dx x F (x, y)
Por lo tanto el recorrido de la trayectorı́a es tangente al flujo.
y y
x x
Figura 5. A la izquierda el recorrido orientado de (42) y a la

derecha el de (43).
3. Clasificación de los puntos crı́ticos

Los puntos crı́ticos de un (SN LA) pueden ser de diferentes naturalezas. Un
punto crı́tico (x̄, ȳ) es estable si para cada ε > 0 podemos encontrar δ > 0 de ma-
nera que k(x(t), y(t)) − (x̄, ȳ)k < ε para todo t, siempre que k(x0 , y0 ) − (x̄, ȳ)k < δ.
De lo contrario se dice que es inestable. En palabras, un punto crı́tico es estable
si las trayectorias que parten cerca de él se mantienen cerca.
Por otra parte, un punto crı́tico (x̄, ȳ) es asintóticamente estable si es estable
y además existe δ > 0 tal que
lı́m (x(t), y(t)) = (x̄, ȳ), siempre que k(x0 , y0 ) − (x̄, ȳ)k < δ.
t→∞
Notemos que no todo punto estable es asintóticamente estable.

′
x = −x
y ′ = −ky,
donde k es una constante no nula, con condiciones iniciales: x(0) = x0 , y(0) = y0 ,
que tiene como solución:

x(t) = x0 e−t
(44)
y(t) = y0 e−kt .
Ası́ tenemos una solución (x(t), y(t)) que depende de (x0 , y0 ). Para distintos
valores de k, esta solución tiene distintas formas.
Si tomamos k = 1, resultan las soluciones

x(t) = x0 e−t
y(t) = y0 e−t .
Dividiendo las ecuaciones
x(t) x0 y0
= ⇒ y(t) = x(t),
y(t) y0 x0
3. CLASIFICACIÓN DE LOS PUNTOS CRÍTICOS 161
xo
x
yo
y
Figura 6. Soluciones de (44) para k > 0.
que representan rectas de pendiente xy00 , cuyo gráfico en el plano XY queda ilustra-
do en la Figura 7, donde las flechas indican el sentido positivo del tiempo. Cuando
t → ∞ tenemos que (x(t), y(t)) → 0.
t=0
yo
y
t=1
t=2
xo
x
Figura 7. Solución del sistema para una condición inicial en el

plano de fases XY
Si graficamos las soluciones para diferentes valores positivos y negativos de x0

y de y0 construimos el diagrama de fase de la Figura 8, donde se aprecia claramente
que todas las soluciones concurren al origen. Esta caracterı́stica hace que este punto
crı́tico sea asintóticamente estable.
yo
y
xo
x
Figura 8. Diagrama de fase completo para k = 1
Ahora, si cambiamos el parámetro a k = 2, resulta

x(t) = x0 e−t
y(t) = yo e−2t ,
Cuando t → ∞ las soluciones también se acercan al origen. Elevando al cuadrado
la primera ecuación y reemplazando en la segunda vemos que
y0
y(t) = 2 x2 (t).
x0
El diagrama de fases se muestra en la Figura 9. Las soluciones se mueven a lo largo
de parábolas y el origen sigue siendo asintóticamente estable.
Figura 9. Diagrama de fase para k = 2
Analicemos ahora el caso k = −1. Esta vez

x(t) = x0 e−t
y(t) = yo et .
Al multiplicar ambas ecuaciones y despejar y obtenemos
x0 y0
y= ,
x
de modo que las soluciones se mueven a lo largo de hipérbolas cuando x0 6= 0 e

y0 6= 0. Además notamos que cuando t → ∞ x → 0, mientras que y → ±∞ según
el signo de y0 . En este caso el origen deja de ser estable.
Figura 10. Diagrama de fase para k = −1

Se dice que una trayectoria t 7→ x(t), y(t) converge o tiende al punto crı́tico
(x̄, ȳ) cuando t → ∞ si
lı́m x(t) = x̄ y lı́m y(t) = ȳ.
t→∞ t→∞
Análogamente se define la convergencia cuando t → −∞.
Las trayectorias pueden converger de distintas formas, como se muestra en la

Figura 11. Hay una gran diferencia geométrica: en el gráfico izquierdo de la Figura
11, la trayectoria se aproxima al origen sin una dirección especı́fica, a diferencia del
gráfico derecho, donde claramente tiende a una dirección fija cuando se acerca al
origen. Si además de converger al punto (x̄, ȳ) cuando t → +∞, la trayectoria es
tal que existe
y(t) − ȳ
l = lı́m ,
t→∞ x(t) − x̄
entonces se dice que la trayectoria entra al punto crı́tico (x̄, ȳ) tangente a una
semirrecta de pendiente l cuando t → ∞. De la misma forma, si además de converger
al punto (x̄, ȳ) cuando t → −∞ la trayectoria es tal que existe
y(t) − ȳ
l = lı́m
t→−∞ x(t) − x̄
se dice que la trayectoria sale del punto crı́tico (x̄, ȳ) tangente a una semirrecta de
pendiente l cuando t → −∞.
Un punto crı́tco aislado (x̄, ȳ) se llama nodo si todas las trayectorias vecinas,
o bien entran al punto (x̄, ȳ), o bien salen de él.
yo
y
x
xo
x
Figura 11. Trayectorias que convergen al origen
Ejemplo 6.9. Para el sistema

x′ = −x
y ′ = −y
ya sabemos que las trayectorias convergen a (0, 0). Además, cualquier trayectoria
vecina que tenga una condición inicial (x0 , y0 ), tendremos que:
y0 e−t − 0 y0
lı́m = ,
t→∞ x0 e−t − 0 x0
de modo que entra tangente a una semirrecta de pendiente y0 /x0 (vertical si x0 = 0).
Por lo tanto (0, 0) es efectivamente un nodo.
Ejemplo 6.10. En el sistema

x′ = −x
y′ = −2y
también se tiene que el punto crı́tico (0, 0) es un nodo. Todas las trayectorias entran
al nodo con pendiente l = 0 salvo aquellas que parten de algún punto sobre el eje
OY , que entran con pendiente vertical.
Un punto crı́tco aislado (x̄, ȳ) se llama punto silla si existen dos trayectorias
que entran a él tangentes a semirrectas opuestas y dos que salen de la misma for-
ma. Las restantes trayectorias no convergen a (x̄, ȳ) y tienen como ası́ntotas a las
semirrectas antes mencionadas.
Ejemplo 6.11. En el sistema

x′ = −x
y′ = y,
el origen es punto silla (ver Figura 12).
Diremos que un punto crı́tico es punto espiral si todas las trayectorias en una
vecindad del punto convergen pero no entran cuando t → ∞, o convergen pero no
salen cuando t → −∞. Un punto crı́tico es un centro si todas las trayectorias en
Figura 12. Punto silla
una vecindad del punto son cerradas y existen trayectorias arbitrariamente cerca
del punto.

′
x = αx + βy
(45)
y ′ = −βx + αy,
con condiciones iniciales (x(0), y(0)) = (x0 , y0 ) dadas, que tiene claramente el único
punto crı́tico (0, 0). Este es un sistema lineal de matriz

α β
A= ,
−β α
cuyos valores propios son λ = α ± iβ. Los vectores propios asociados son

i i
v1 = y v2 = .
1 1
Luego A es diagonalizable y A = P DP −1 , donde

1 i −1 1 1 −i
P = y P = .
i 1 2 −i 1
Ası́, eAt = P eDt P −1 y
αt βt
1 i e e 0 1 1 −i
eAt = αt −βt
i 1 0 e e 2 −i 1

cos(βt) sen(βt)
= eαt .
− sen(βt) cos(βt)
Observemos que

cos(βt) sen(βt)
− sen(βt) cos(βt)
es una matriz de rotación en un ángulo βt, mientras que eαt es un factor de escala.
Finalmente, la solución del sistema es

x cos(βt) sen(βt) x0
= eαt .
y − sen(βt) cos(βt) y0
Para bosquejar los diagramas de fase del sistema, sólo es necesario considerar
los signos de α y β. La trayectoria se aleja del origen si α > 0 pues eαt es creciente.
Si α < 0, la trayectoria se acerca. Por otra parte, la rotación ocurre en sentido
horario si β > 0 y antihorario si β < 0 (ver Figuras 13, 14, 15).
y y
x x
Figura 13. Diagrama de fase del sistema (45). A la izquierda

α < 0, β > 0, y a la derecha α > 0, β < 0.
y y
x x
Figura 14. Diagrama de fase del sistema (45). A la izquierda

α < 0, β < 0, y a la derecha α > 0, β > 0.
Si α = 0 el módulo de (x(t), y(t)) permanece constante por lo que la trayectoria

define circunferencias. Si β = 0 no hay rotación y las soluciones se mueven a lo largo
de rectas por el origen.
Las Figuras 13, 14 y 15 nos dicen también las caracterı́sticas de estabilidad del
punto crı́tico (0, 0): si α < 0 es un punto espiral asintóticamente estable; si α > 0
es un punto espiral inestable; si α = 0 es un centro estable. Si β = 0 es un nodo
(estable o inestable según el signo de α).
4. PUNTOS CRÍTICOS DE SISTEMAS LINEALES 167
y y
x x
Figura 15. Diagrama de fase del sistema (45) para α = 0. A la

izquierda β > 0, y a la derecha β < 0.
4. Puntos crı́ticos de sistemas lineales

Nos interesa estudiar ahora con profundidad los sistemas linealizados, puesto
que Henri Poincaré demostró que bajo las hipótesis adecuadas, si se logra clasificar
cualitativamente un punto crı́tico, por ejemplo en términos de nodo, espiral, etc.,
entonces estas mismas caracterı́sticas se mantendran en el sistema original no lineal.
Y por otra parte, Alexander Liapunov demostró que bajo ciertas hipótesis, se con-
servaba la estabilidad asintótica de los puntos crı́ticos al linealizar. Por esta razón,
ahora nos concentraremos en los sistemas lineales y pospondremos un momento el
enunciado exacto de estos teoremas.
Sin pérdida de generalidad, podemos suponer como punto crı́tico (x̄, ȳ) = (0, 0)
(si este no fuera el caso, basta efectuar una traslación), y entonces consideramos el
sistema lineal:
′
x = ax + by
(46)
y ′ = cx + dy,
con condiciones iniciales x(t0 ) = x0 , y(t0 ) = y0 , y con ad − bc 6= 0, para que de esta
forma el punto (0,
0) seael único punto crı́tico del sistema (y sea aislado).
a b
Tomamos A = con valores propios λ1 , λ2 . Recordemos que una matriz
c d
invertible no tiene al cero como valor propio. Luego λ1 , λ2 6= 0. Pueden ocurrir los
siguientes casos:
A. Casos Principales:
1. λ1 , λ2 reales distintos pero de igual signo.
2. λ1 , λ2 reales distintos y de distinto signo.
3. λ1 , λ2 complejos (conjugados), con parte real no nula.
B. Casos Frontera:
1. λ1 , λ2 reales e iguales.
2. λ1 , λ2 imaginarios puros (conjugados).
Examinaremos por separado cada uno de los casos descritos arriba.

A. Casos Principales:
En todos estos casos los valores propios son distintos, por ende la matriz es
diagonalizable, es decir, se puede escribir de la forma A = P DP −1 , con

λ1 0
D= P = v1 | v2 ,
0 λ2
donde v1 , v2 son los vectores propios asociados a λ1 y λ2 , respectivamente. De esta
forma la solución del sistema lineal es

x At x0
= e
y y0
λt
x e 1 0 −1 x0
= P P
y 0 eλ2 t y0
λt
x e 1 0 x0
P −1 = P −1
y 0 eλ2 t y0
| {z } | {z }
λt
x
e e 1
0 x
e0
= .
ye 0 eλ2 t ye0
De esta forma, el problema se desacopla en estas nuevas coordenadas x e, ye intro-
ducidas por las direcciones de los vectores propios (llamadas también direcciones
propias). Resulta simplemente

e = eλ1 t x
x e0
ye = eλ2 t ye0 .
Observemos que si, por ejemplo, λ1 < 0, entonces
e = lı́m eλ1 t x
lı́m x e0 = 0.
t→∞ t→∞
Si λ1 > 0, entonces
e = lı́m eλ1 t x
lı́m x e0 = ±∞,
t→∞ t→∞
donde el signo de ±∞ está dado por el signo de la condición inicial. El mismo
argumento es válido para λ2 .
Si queremos estudiar el diagrama de fase, eliminamos la variable t de las ecua-

ciones anteriores y obtenemos
eλ2 /λ1 ,
ye = c0 x
y
e0
donde c0 = λ /λ es una constante.
e0 2 1
x
A.1. λ1 , λ2 reales distintos de igual signo.
Sólo hay dos casos: λ2 /λ1 > 1 o λ2 /λ1 < 1. El bosquejo del diagrama de fases
para el caso λ2 /λ1 > 1 se tiene en la Figura 16. En el gráfico de la izquierda, para
λ2 < λ1 < 0 se tiene estabilidad asintótica, mientras que en el de la derecha, para
0 < λ1 < λ2 , el origen es inestable.
Para el caso λ2 /λ1 < 1, se tiene la Figura 17. En el gráfico de la izquierda, para
λ1 < λ2 < 0 se tiene estabilidad asintótica, mientras que en el de la derecha, para
0 < λ2 < λ1 , el origen es inestable.
y y
x x
Figura 16. Diagramas de fase de (46) para λ2 /λ1 > 1.
y y
x x
Figura 17. Diagramas de fase de (46) para λ2 /λ1 < 1.
Como conclusión tenemos que en ambos casos el punto (0, 0) es un nodo. Si los
valores propios son negativos, es asintóticamente estable; si son positivos, entonces
es inestable. Además, vemos que en general para el caso de valores propios reales
distintos de igual signo, los recorridos de las trayectorias son siempre tangentes a
la recta dada por la dirección del vector propio asociado al valor propio de menor
módulo.
En efecto:
λ2
|λ1 | < |λ2 | ⇒ λ1 > 1 ⇒ recorrido tangente a v1 .
λ2
|λ2 | < |λ1 | ⇒ λ1 < 1 ⇒ recorrido tangente a v2 .
A.2. λ1 , λ2 reales con distinto signo.
Los diagramas de fase serán los de la Figura 18. El punto crı́tico es un punto
silla, que por supuesto es inestable. Las trayectorias entran en la dirección propia
asociada al valor propio negativo y salen en la dirección propia asociada al valor
propio positivo.
Ejemplo 6.13 (Continuación de conejos y ovejas). Volvamos al ejemplo de los
conejos compitendo con las ovejas:
′
x = 60x − 3x2 − 4xy ≡ F (x, y)
y ′ = 42y − 3y 2 − 2xy ≡ G(x, y).
Sabemos que
C = {(0, 0), (0, 14), (20, 0), (12, 6)}.
y y
x x
Figura 18. Diagramas de fase de (46) para λ2 y λ1 de signos distintos.
Vimos que este sistema no era degenerado entorno a ninguno de estos cuatro puntos
crı́ticos, que ahora clasificaremos con respecto al sistema linealizado. Ya habı́amos
evaluado el jacobiano en cada punto crı́tico:

60 0
1. J(0, 0) = . Sus valores propios son λ1 = 60 y λ2 = 42, por lo
0 42
que se trata de un nodo inestable. Los vectores propios asociados son

1 0
v1 = v2 = ,
0 1
respectivamente. Los recorridos de las trayectorias son tangentes a la di-
rección v2 (salvo
los 2 queson tangentes a v1 ).
−60 −80
2. J(20, 0) = . Sus valores propios son λ1 = −60 y λ2 = 2,
0 2
por lo que éste es un punto silla. Los vectores propios asociados son

1 80
v1 = v2 = ,
0 −62
respectivamente.
El eje delas trayectorias convergentes es la dirección v1 .
4 0
3. J(0, 14) = . Sus valores propios son λ1 = 4 y λ2 = −42,
−28 −42
por lo que éste también es un punto silla. Los vectores propios asociados
son
46 0
v1 = v2 = ,
−28 1
respectivamente.
El eje delas trayectorias convergentes es la dirección v2 .
−36 −48 √
4. J(12, 6) = . Sus valores propios son λ1 = −27 − 3 73 ≈
−12 −18
√
−52,6 y λ2 = −27 + 3 73 ≈ −1,4 por lo que el punto crı́tico (12, 6) es un
nodo asintóticamente estable. Los vectores propios asociados son

16√ 16√
v1 = v2 = ,
−3 + 73 −3 − 73
respectivamente. Los recorridos de trayectorias son tangentes a la dirección
v2 (salvo los 2 que son tangentes a v1 ).
En conclusión tenemos que en el punto (0, 0) donde ambas especies desaparecen

es inestable, al igual que cuando una sola especie sobrevive en los puntos (20, 0) y
(0, 14). El punto (12, 6) es un punto de equilibrio asintóticamente estable, por lo
que si tomamos cualquier condición inicial que no sean los otros puntos crı́ticos,
tendremos que en un tiempo suficientemente extenso se dará la coexistencia de
conejos y ovejas en las vecindades del punto (12, 6). Podemos hacer ahora un esbozo
del diagrama de fases.
b b
Diagrama de fases del modelo de conejos y ovejas.

A.3. λ1 , λ2 complejos conjugados, con parte real no nula, esto es

λ1 = α + iβ λ1 = α − iβ, con α 6= 0 y β 6= 0.
Esto es equivalente (salvo cambio de base) al sistema

x̃ = αx̃ + β ỹ
ỹ = −β x̃ + αỹ

α + iβ 0 α β
pues las matrices y , tienen igual polinomio ca-
0 α − iβ −β α
racterı́stico. Ya habı́amos analizado este caso en el Ejemplo 6.12. Vimos que el
origen es un punto espiral asintóticamente estable si α < 0 y un espiral inestable si
α > 0.
Notemos que dado que hay un cambio de base, se pierde la información del
sentido del giro y ya no se puede deducir de los valores o vectores propios. Para
determinar el sentido del giro, lo más fácil es calcular el flujo directamente del
sistema original en algunos puntos estratégicos.
Ejemplo 6.14 (Péndulo no lineal). Ahora que tenemos más herramientas, se-
guiremos con el ejemplo del péndulo no lineal. El sistema
′
x = y
y′ = − m c
y − Lg sen(x)
tiene puntos crı́ticos C = {(kπ, 0) | k ∈ Z}, y el Jacobiano respectivo es:

0 1 0 1
J(x, y) = ⇒ J(x̄, ȳ) = ,
− Lg cos(x) − mc
− Lg (−1)k − m
c
por tanto los valores propios dependerán de la paridad de k.

c g
k impar: Tenemos que λ2 + mλ −= 0, de donde
L
r
c c2 g
λ=− ± 2
+ .
2m 4m L
Puesto que todas las contantes son positivas tenemos dos valores propios reales de
distinto signo. Los puntos crı́ticos resultan ser puntos sillas inestables.
c g
k par: Aquı́ λ2 + mλ + L = 0 y luego
r
c c2 g
λ=− ± − .
2m 4m2 L
Analicemos por casos el signo de la cantidad subradical:
2
c g
1. Sobreamortiguado: El caso 4m 2 > L nos entrega dos valores propios reales
distintos, ambos negativos, por lo que los puntos crı́ticos (kπ, 0) resultan
nodos asintóticamente estables.
c2 g
2. Subamortiguado: El caso 4m 2 < L nos entrega dos valores propios complejos
conjugados, por lo que los puntos crı́ticos (kπ, 0) resultan puntos espirales,
c
que además son asintóticamente estables pues α = − 2m < 0.
Este caso corresponde al más común, que ocurre cuando el coeficiente de
c2 g
pg
roce es pequeño (notar que 4m 2 < L si, y sólo si, c < 2m L ).
El sentido de giro de las espirales se puede determinar calculando el flujo
el algunos puntos vecinos (ver flechas en la Figura 19).
Notemos que si el péndulo está en posición vertical hacia arriba, que
corresponde a los puntos k impar, está en un equilibrio inestable. Intuiti-
vamente, si en esta posición lo perturbamos ligeramente, el péndulo oscila
hasta la posición vertical hacia abajo, que son los puntos espirales asintóti-
camente estables con k par (ver situación cerca de (π, 0) en la Figura 19).
4
y
2
−π 00 π x
− 3π − 2π 2π 3π
–2 x
–4
Figura 19. Diagramas de fase del péndulo subamortuguado.
2
c g
3. Crı́ticamente amortiguado: El caso 4m 2 = L nos entrega un sólo valor
propio real negativo de multiplicidad doble. Este caso aún no lo hemos

analizado, pero lo analizaremos a continuación (corresponde a un nodo en
S).
B. Casos Frontera.
B.1. Un sólo valor propio λ con multiplicidad 2.
Tenemos el sistema
x′ = ax + by
y′ = cx + dy,

a b
con la matriz A = no es necesariamente diagonalizable (pues tiene el
c d
valor propio repetido), pero siempre se puede llevar a su forma canónica de Jordan
A = P JP −1 , donde J puede tener uno o dos bloques. En el caso de tener dos
bloques, la matriz es diagonalizable, con
λt
λ 0 Jt e 0
J= y de aquı́ e = .
0 λ 0 eλt
Luego, la ecuación en las nuevas coordenadas dadas por los vectores propios gene-
ralizados v1 , v2 es:
λt
x
e e 0 x
e0 e = eλt x
x e0
= λt ⇒ .
ye 0 e ye0 ye = eλt ye0
El diagrama de fase de este caso ya es bien conocido del comienzo del capı́tulo (ver
Figura 8 para caso λ < 0). El punto crı́tico será un nodo asintóticamente estable si
el valor propio es negativo y un nodo inestable si es positivo. Este tipo de nodos se
denomina nodos estrella.
Si la matriz no es diagonalizable, tenemos:

λt
λ 1 e teλt
J= y entonces eJt = .
0 λ 0 eλt
De esta forma el sistema en las nuevas coordenadas dadas por los vectores propios
generalizados v1 , v2 , es:
λt
x̃ e teλt x̃0 x̃ = eλt x̃0 + teλt ỹ0
= λt ⇒ .
ỹ 0 e ỹ0 ỹ = eλt ỹ0
De aquı́ se tiene que si λ < 0 resulta un nodo asintóticamente estable, y si λ > 0,
es un
nodo
inestable. De hecho, de la segunda ecuación se puede despejar t =
1 ỹ
λ ln ỹ0 . Reemplazando en la primera obtenemos

x̃0 1 ỹ
x̃ = ỹ + ln .
ỹ0 λ ỹ0
Pero esta función es difı́cil de graficar. Una estrategia es notar primero que las
trayectorias con ỹ0 = 0 se mantienen sobre el eje propio y que las trayectorias con
x̃0 = 0 (por ejemplo si λ < 0) decrecen (en módulo) exponencialmente en ỹ y
en x̃ primero crecen en módulo (debido al factor t) y luego decrecen (en módulo)
exponencialmente. Esto da trayectorias en forma de S. Además, dividiendo x̃ y ỹ

se obtiene:
ỹ ỹ0
=
x̃ x̃0 + tỹ0
que tiende a cero si t tiende a infinito ası́ que las trayectorias resultan tangentes al
eje propio cerca del origen. El análsis para λ > 0 es similar. Este tipo de puntos
crı́ticos se denominan nodos en S. Son asintóticamente estables si λ < 0 e inestables
si λ > 0.
B.2. λ1 , λ2 imaginarios puros conjugados. Esto equivale (con un cambio de base)

al sistema
x̃ = β ỹ
ỹ = −β x̃.
Del Ejemplo 6.12 se tiene que el punto crı́tico es un centro y resulta ser estable.
Ahora que ya sabemos como se comporta el sistema lineal en función de sus

valores propios, podemos resumir los resultados de este capı́tulo que llevamos hasta
aquı́ en los que se conocen como los teoremas de Poincaré y Liapunov:
Teorema 6.1 (Poincaré). Sea (x̄, ȳ) un punto crı́tico de un (SN LA) no de-
generado y sean λ1 , λ2 los valores propios de J(x̄, ȳ). El punto crı́tico (x̄, ȳ) en el
(SNLA) será:
(i) Un nodo si λ1 , λ2 ∈ R son distintos y tienen el mismo signo. En este caso
además todas los trayectorias (excepto dos) son tangentes en (x̄, ȳ) a la
dirección propia asociada al valor propio de módulo menor. Las otras dos,
están sobre la otra dirección propia.
(ii) Un punto silla si λ1 , λ2 ∈ R tienen distinto signo. En este caso además
hay dos trayectorias convergentes a (x̄, ȳ) en la dirección propia asociada
al valor propio negativo, y dos divergentes en la dirección propia asociada
al valor propio positivo. Las demás, tienen como ası́ntotas las direcciones
propias.
(iii) Un punto espiral si λ1 , λ2 ∈ C, con partes real e imaginaria distintas de
cero.
Teorema 6.2 (Liapunov). Sea (x̄, ȳ) un punto crı́tico de un (SN LA) no de-
generado y sean λ1 , λ2 los valores propios de J(x̄, ȳ). El punto crı́tico (x̄, ȳ) en el
(SNLA) será:
(i) Asintóticamente estable si las partes reales son negativas.
(ii) Inestable si alguno tiene parte real positiva.
Observación. Por simplicidad en los teoremas anteriores se ha hecho referen-
cia a las trayectorias pero las afirmaciones de tipo geométrico se refieren en realidad
a sus recorridos.
Los resultados anteriores son la base del análisis de los sistemas no lineales, pero
no nos dicen nada en los casos en que los valores propios toman los valores frontera.
c2 g
Por ejemplo, en el caso del péndulo crı́ticamente amortiguado en que 4m 2 = L , el
sistema linealizado tenı́a un sólo valor propio negativo, lo que corresponderı́a a un

nodo (en S) asintóticamente estable en el sistema lineal, pero esto no nos permi-
te saber exactamente qué comportamiento tiene el sistema no lineal. Volveremos
más adelante sobre este mismo punto cuando analicemos la energı́a de sistemas
conservativos.
4.1. El enfoque traza - determinante. Consideremos el sistema lineal

X ′ (t) = AX(t), donde A ∈ M2×2 (R) es una matriz invertible. El origen es el único
punto crı́tico del sistema. Veremos cómo clasificarlo de acuerdo con las relaciones
entre la traza y el determinante de A. Para simplificar la notación introducimos las
variables
x = tr(A) e y = det(A)
que determinan el plano traza - determinante.
El polinomio caracterı́stico de la matriz A es

p(λ) = λ2 − tr(A)λ + det(A).
Sus raı́ces son p
− tr(A) ± tr(A)2 − 4 det(A)
λ= .
2
Las raı́ces son reales sobre la parábola 4 det(A) = tr(A)2 . Con la notación dada
arriba esto es 4y = x2 .
4 det(A) = tr(A)2
det(A)
1 2
4 3
tr(A)
5
Plano traza - determinante.
Cuando estemos en el caso 4y > x2 (por encima de la parábola), tendremos el

caso de raı́ces complejas conjugadas. Si tr(A) < 0 (región 1) tendremos un punto
espiral inestable; si tr(A) = 0 (eje OY ), un centro; y si tr(A) > 0 (región 2), un
punto espiral estable.
En el semiplano det(A) < 0 (región 5) las raı́ces son reales y tienen distinto
signo, por lo que tendremos sólo puntos sillas inestables.
Veamos qué pasa entre la parábola 4y = x2 y la recta y = 0. Si tr(A) > 0 (re-

gión 3) hay dos raı́ces reales negativas, por lo que tenemos un nodo asintóticamente
estable; si tr(A) < 0 (región 4), hay dos raı́ces reales positivas y tenemos un nodo
inestable.
Sobre la parábola tenemos una raı́z real con multiplicidad 2. Se tienen nodos
inestables si tr(A) < 0 y nodos asintóticamente estables si tr(A) > 0.
Hemos concluido ası́ una forma que nos permite tener una idea general del
punto crı́tico de un sistema sólo viendo la traza y determinante de la matriz, sin
tener que calcular valores y vectores propios explı́citamente. Sin embargo, si que-
remos un gráfico preciso del diagrama de fases es inevitable calcular los vectores
propios, pues indican las direcciones de tangencia de las trayectorias, para el caso
que corresponda.
5. Energı́a, funciones de Liapunov y estabilidad

Un concepto útil en fı́sica para clasificar los puntos de equilibrio de un sistema
es el de energı́a, gracias al siguiente principio:
“En sistemas conservativos, un punto crı́tico es estable si es un
mı́nimo local de la energı́a total.”
A grandes rasgos una función de Liapunov es una energı́a, en un sentido amplio.
En breve daremos una definicón más precisa.
Antes introduzcamos las llamadas curvas de iso-energı́a que se pueden obtener

directamente para el péndulo no lineal en el caso conservativo (c = 0). En general,
si tenemos el sistema conservativo:
x′′ + f (x) = 0
si multiplicamos por x′ e integramos entre t1 y t2 , queda
Z t2 Z t2
′ ′′
x x dt + f (x(t))x′ (t) dt = 0
t1 t1
′ 2
d|x |
usando que dt = 2x′ x′′ y haciendo el cambio de variables x = x(t) se tiene que
Z x2
|x′ (t1 )|2 |x′ (t2 )|2
− + f (s)ds = 0
2 2 x1
y si llamamos F a una primitiva de f esto es:

Z x
F (x) = f (s) ds
0
entonces
|x′ (t1 )|2 |x′ (t1 )|2
+ F (x1 ) = + F (x2 ).
2 2
Esto quiere decir que la siguiente cantidad (que es exactamente la energı́a salvo una
constante multiplicativa y/o aditiva) es conservada a lo largo de las trayectorias:
y2
E(x, y) = + F (x).
2
Las curvas de iso-energı́a quedan ası́ parametrizadas por E de la forma
p
y = ± 2(E − F (x)).
5. ENERGÍA, FUNCIONES DE LIAPUNOV Y ESTABILIDAD 177
Retomemos el Ejemplo 6.14 del péndulo. Supongamos primero que c = 0, lo

que significa que no hay roce. El sistema es
′
x = y
y ′ = − Lg sen(x).
En este caso la cantidad conservada es:
y2 y2 g
E(x, y) = + F (x) = − cos(x).
2 2 L
Las curvas de iso-energı́a tienen la forma
r
g
y = ± 2 E + cos(x)
L
y están parametrizadas por E de −1 a ∞. En la Figura 20 se muestran algunas de
dichas curvas.
−1
−2
−3
−4
−15 −10 −5 0 5 10 15
Figura 20. Curvas de iso-energı́a en el caso del péndulo no lineal

conservativo (c = 0).
2
Notar que la energı́a cinética de este sistema es K = 12 mL2 θ′ = 21 mL2 y 2 , y
la energı́a potencial U = mgL(1 − cos(θ)) = mgL(1 − cos(x)), entonces la energı́a
total es
1
V (x, y) = K + U = mL2 y 2 + mgL(1 − cos(x))
2
y podemos verificar que V y E se diferencian solamente en una constante multipli-
cativa y una constante aditiva:
V (x, y) = mL2 E(x, y) + mgL
de manera que las curvas de nivel de E y V son cualitativamente iguales (ver Figura
20) y da lo mismo cuál de las dos funciones energı́a considerar.
Si queremos verificar directamente que V es conservada a lo largo de las tra-
yectorias, derivemos la función V con respecto al tiempo usando la regla de la
cadena:
dV ∂V dx ∂V dy
= + = mgL sen(x)x′ + mL2 yy ′ .
dt ∂x dt ∂y dt
Reemplazando x′ , y ′ de las ecuaciones del sistema no lineal, tenemos que

g
V ′ (t) = mgL sen(x)y + mL2 y − sen(x) = 0
L
para todo t, lo que significa que V (t) = V0 para todo t. Es decir, la energı́a se
mantiene constante, por lo que hemos verificado una vez más que el sistema es
conservativo.
Por otra parte, los mı́nimos locales de V (o de E) son efectivamente los puntos
crı́ticos del sistema: {(2kπ, 0) | k ∈ Z}. Si el sistema parte de uno de estos puntos,
permanece en él; pero si parte de un punto distinto las trayectorias no pueden ten-
der a ningún punto crı́tico pues ellas se mantienen a niveles constantes de energı́a.
Esto dice que ningún punto crı́tico puede ser asintóticamente estable.
Consideremos ahora el péndulo con roce:

′
x = y
c g
y′ = − m y− L sen(x)
Las ecuaciones para la energı́a son exactamente las mismas, por lo que todavı́a
V (x, y) = 12 mL2 y 2 + mgL(1 − cos(x)), pero si derivamos y luego reemplazamos
x′ , y ′ obtenemos
dV
= −cL2 y 2 ≤ 0.
dt
La energı́a disminuye con el paso del tiempo y se dice que el sistema es disipativo.
En este caso la pérdida o disminución de energı́a se debe al roce y es natural pensar
que entonces debe tener más posibilidad de evolucionar hacia un punto de equilibrio
estable. Es más, antes ya vimos que la posición vertical hacia abajo es punto de
equilibrio asintóticamente estable.
Esto es más general, si consideramos el sistema siguiente:
x′′ + f (x) + g(y) = 0
y2
tal que yg(y) ≥ 0 entonces si E(x, y) = 2 + F (x) como antes, se cumplirá que
dE
= yy ′ + f (x)y = y(−f (x) − g(y)) + f (x)y = −yg(y) ≤ 0
dt
es decir el sistema disipará energı́a.
Dado un punto (x̄, ȳ) ∈ R2 , una corona alrededor de (x̄, ȳ) es un conjunto Dr
de la forma
{(x, y) ∈ R2 | 0 < k(x, y) − (x̄, ȳ)k < r}.
Notemos que si a Dr le agregamos el punto (x̄, ȳ) obtenemos la bola abierta Br (x̄, ȳ).
Una vecindad perforada de (x̄, ȳ) es un abierto que no contiene a (x̄, ȳ) pero contiene
a una corona alrededor de (x̄, ȳ).
Consideremos el (SN LA)

′
x = F (x, y), x(t0 ) = x0
y ′ = G(x, y), y(t0 ) = y0 ,
donde F y G son funciones continuamente diferenciables.
Sean (x̄, ȳ) un punto crı́tico aislado del (SN LA) y Dr una corona alrededor de
(x̄, ȳ). Una función continuamente diferenciable V : Br (x̄, ȳ) → R es una función de
Liapunov para el sistema en torno al punto crı́tico (x̄, ȳ) si satisface las siguientes
condiciones:
1. Se anula en (x̄, ȳ) y es positiva en todo Dr .

∂V ∂V
2. F+ G ≤ 0 en Dr .
∂x ∂y
Si la igualdad en (2) es siempre estricta, decimos que V es una función de Liapunov
estricta.
Observemos que, a lo largo de las soluciones del sistema, la función de Liapunov

decrece. Más precisamente,
d ∂V ′ ∂V ′
V (x(t), y(t)) = x (t) + y (t)
dt ∂x ∂y
∂V ∂V
= F (x(t), y(t)) + G(x(t), y(t)) ≤ 0
∂x ∂y
lo que hace evidente la cercanı́a entre las funciones de Liapunov y la energı́a.
Teorema 6.3 (Estabilidad por funciones de Liapunov). Sea (x̄, ȳ) un punto
crı́tico aislado del (SN LA).
1. Si existe una función de Liapunov en torno a (x̄, ȳ), entonces el punto
crı́tico es estable.
2. Si además la función de Liapunov es estricta, el punto es asintóticamente
estable.
3. Por el contrario, si existe una función con las mismas caracterı́sticas pero
∂V ∂V
con F+ G > 0 en Dr , entonces el punto crı́tico es inestable.
∂x ∂y
Demostración. 1. Sea ε > 0. Para probar la estabilidad debemos encontrar δ > 0
tal que si (x0 , y0 ) ∈ Bδ (x̄, ȳ) entonces x(t), y(t) ∈ Bε (x̄, ȳ) para todo t > 0. Como
V es continua existe
mı́n{V (x, y) | (x, y) ∈ ∂B ε (x̄, ȳ)} = m > 0,
donde B ε (x̄, ȳ) es la bola cerrada de centro (x̄, ȳ) y radio ε y ∂B ε (x̄, ȳ) denota
su frontera (que es cerrada y acotada). Por la continuidad de V y dado que V se
anula en (x̄, ȳ), existe δ ∈ (0, r) tal que V (x, y) < m/2 para todo (x, y) ∈ B δ (x̄, ȳ).
En t0 tomemos la condición inicial (x0 , y0 ) ∈ Bδ (x̄, ȳ), y la trayectoria asociada
(x(t), y(t)). Sabemos que V (x0 , y0 ) < m/2. Además
d ∂V dx ∂V dy
V (x(t), y(t)) = + = Vx F + Vy G ≤ 0
dt ∂x dt ∂y dt
de donde
V (x(t), y(t)) ≤ V (x0 , y0 ) < m/2 para todo t ≥ 0.
Como (x(t), y(t)) es una función continua (esto viene del teorema de existencia y
unicidad), la curva que describe no intersecta ∂B ε (x̄, ȳ) para ningún t pues allı́ V
vale m. Concluimos que (x̄, ȳ) es estable.
2. Para la establidad asintótica debemos δ > 0 de manera que si (x0 , y0 ) ∈ Bδ (x̄, ȳ)
entonces lı́mt→∞ (x(t), y(t)) = (x̄, ȳ). Como la función
t 7→ V (x(t), y(t))
es positiva y decreciente para cualquier condición inicial, ella tiene un lı́mite L
cuando t → ∞. Si L = 0, la continuidad de V asegura que lı́mt→∞ (x(t), y(t)) =
(x̄, ȳ) que es el único punto donde V se anula. Probaremos ahora que L no puede
ser positivo. En efecto, si L > 0 entonces V (x(t), y(t)) ≥ L para todo t. Por otro
lado, siempre se tiene que V (x(t), y(t)) ≤ V (x0 , y0 ). Además, el punto 1 dice que
(x̄, ȳ) es estable, de modo que existe δ > 0 tal que si (x0 , y0 ) ∈ Bδ (x̄, ȳ) entonces
(x(t), y(t)) ∈ Br/2 (x̄, ȳ). En virtud de la continuidad de V el conjunto
K = { (x, y) ∈ B r/2 (x̄, ȳ) | L ≤ V (x, y) ≤ V (x0 , y0 ) }
es cerrado y acotado. Además contiene a la trayectoria y no contiene a (x̄, ȳ). Luego

d
máx V (x(t), y(t)) | (x(t), y(t)) ∈ K = −k < 0.
dt
V (x(t), y(t)) ≤ V (x0 , y0 ) − kt,
cantidad que tiende a −∞ cuando t → ∞. Esto es imposible puesto que V no toma
valores negativos.
3. Se deja como ejercicio al lector.

Para el ejemplo del péndulo sin roce la función
1
V (x, y) = mL2 y 2 + mgL(1 − cos(x))
2
claramente se anula en los puntos crı́ticos, y es estrictamente positiva en todos los
otros puntos, y vimos que dV dt ≡ 0, por lo que por el Teo. anterior, tenemos que
los puntos crı́ticos son estables, que es la misma conclusión que obtuvimos con el
análisis de linealización del sistema.
Para el sistema amortiguado, si tomamos la misma función V anterior, tenemos

que se cumplen las hipótesis del teorema, pero como dV 2
dt = −cLy ≤ 0, sólo podemos
concluir que el origen es estable, aunque en realidad sabemos que es asintóticamente
estable.
En un sistema cualquiera, la función de Liapunov es una herramienta muy útil,
pero el problema es que hay que probar con diferentes funciones y tratar de en-
contrar una que sirva. En el caso de sistemas fı́sicos conservativos, la energı́a total
del sistema en una buena función a considerar, pero ya notamos que en el caso del
péndulo amortiguado quizá pueda hacerse algo mejor.
c g
En el péndulo amortiguado, tomemos = = 1 para facilitar los cálculos.
m L
Probemos que la función
1 1
V (x, y) = (x + y)2 + x2 + y 2 ,
2 2
es una función de Lyapunov estricta en el origen.
La función claramente cumple con la condición de anularse sólo en el punto
(x, y) = (0, 0), es positiva fuera del origen, continuamente diferenciable en todo R2
y además
∂V ∂V
F+ G = (x + y + 2x)y − (x + y + y)(y + sen(x))
∂x ∂y
= 2xy − y 2 − (x + 2y) sen(x).
Por el teorema de Taylor sabemos que

cos(ξ) 3
sen(x) = x − x
3
para algún ξ entre 0 y x. Como para usar el teorema basta encontrar una vecindad
del origen, consideremos − π2 < x < π2 , con lo que 0 < cos(ξ) < 1. Reemplazando
esto vemos que
∂V ∂V cos(ξ) 3
F+ G = −(x2 + y 2 ) + x (x + 2y).
∂x ∂y 3
No es directo establecer si esta expresión cambia de signo o no, pero si hacemos el
cambio a coordenadas polares: x = r cos(θ), y = r sen(θ), obtenemos
∂V ∂V cos(ξ) 4
F+ G = −r2 + r cos4 (θ) + 2 cos3 (θ) sin(θ) .
∂x ∂y 3
Claramente
−1 < cos4 (θ) + 2 cos3 (θ) sen(θ) < 3
y entonces
1 cos(ξ)
− < cos4 (θ) + 2 cos3 (θ) sen(θ) < 1.
3 3
Luego, tomando r < 1, se tiene

2 cos(ξ)
r cos (θ) + 2 cos (θ) sen(θ) < 1,
4 3
3
de donde vemos que

∂V ∂V cos(ξ)
F+ G = −r2 1 + r2 cos4 (θ) + 2 cos3 (θ) sen(θ) <0
∂x ∂y 3
en una vecindad del origen. El teorema de estabilidad por funciones de Liapunov
nos dice entonces que el origen es un punto crı́tico asintóticamente estable. Este
último ejemplo nos muestra que una función de Lyapunov no es necesariamente la
función de energı́a del sistema.
Figura 21. Evolución de la energı́a total a lo largo de las trayec-

torias para el péndulo no-lineal. La energı́a total resulta ser una
función de Lyapunov no estricta ya que no decrece estrictamente
cuando y = θ′ = 0.

Apunte EDO Version 2018 PDF

Cargado por

Copyright:

Formatos disponibles

Apunte EDO Version 2018 PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Apunte EDO Version 2018 PDF

Cargado por

Copyright:

Formatos disponibles

Derecho de autor.

Cualquier reproducción parcial de este documento debe hacer referencia a su fuente

Capı́tulo 1. Nociones básicas y métodos elementales de resolución 1

Capı́tulo 3. EDO lineales de orden superior 67

3. Clasificación de los puntos crı́ticos 160

Nociones básicas y métodos elementales de

1. Motivación: leyes fı́sicas y problemas geométricos

1A menudo llamaremos a una función y : R 7→ R por y(t) simplemente y su derivada por y ′

CA0 CB0 CA(t) CB(t)

Figura 1. Osmosis por una membrana semipermeable.

desde la solución de baja concentración A hacia la de alta concentración B hasta

Si registramos en un gráfico el logaritmo natural de la diferencia M − CA (t)

donde K es una constante que se obtiene imponiendo la condición inicial CA (0) =

matemáticos, estamos hablando en todos los casos de identidades que relacionan

Ley de gravitación universal

Esta ecuación diferencial revela la siguiente propiedad geométrica de esta familia de

2. Definiciones básicas y noción de solución

relación que liga las derivadas de y y la variable x. Se dice que la ecuación es

Ejemplo 1.2. xy ′ + c sen(x)y = tan(x). EDO lineal de orden 1 a coeficientes

Ejemplo 1.3. y ′′ − 2y = 0. EDO lineal de orden 2 a coeficientes constantes,

3. Resolución de EDO elementales

esto es, se tiene que

donde C ∈ R es una constante arbitraria.

Ejemplo 1.5. La ecuación y ′ = x tiene como soluciones a las funciones de la

Denotaremos por C genéricamente a una constante arbitraria sin importar las

la resolución de la EDO separadamente en cada intervalo (−∞, 0) y (0, ∞).

Supongamos ahora que queremos encontrar la solución de (6) definida sobre un

3.2. Variables separables. Una EDO en variables separables tiene la forma

Ejemplo 1.7. Analicemos la ecuación

Tenemos entonces que

donde k = eC > 0. Eliminando el módulo y considerando los posibles valores

con k ∈ R (el valor k = 0 nos da la solución nula).

Ejemplo 1.8. Estudiemos ahora la EDO

donde C ∈ R. Para y ∈ (− π2 , π2 ) esto es

Para los demás valores de y debemos tener en cuenta la periodicidad de la función

Ejercicio Propuesto 1.4. Para el problema de Cauchy, vea cómo funciona

En el siguiente ejemplo la solución queda definida paramétricamente.

Simplificando la expresión anterior, se obtiene la EDO que describe la forma de la

Utilizaremos el método de separación de variables para resolver la EDO de la

Figura 3. Curva Braquistócrona con x ∈ [0, π2 ], y ∈ [−1, 0],

Ejemplo 1.10 (El problema de la gota de lluvia). Consideremos una gota de

Ejercicio Propuesto 1.5. ¿Es razonable pensar en el ejercicio anterior que

3.3. EDO lineal de primer orden: caso homogéneo. Se tiene la EDO:

Variables separables: Claramente la función nula y(x) ≡ 0 define una solu-

con k ∈ R, incluyendo la solución nula.

Factor integrante: Definimos el factor

y observamos que µ′ (x) = a0 (x)µ(x). Si multiplicamos la ecuación por µ(x) obte-

Ejemplo 1.12. Resolvamos ahora el problema de Cauchy

3.4. EDO lineal de primer orden: caso no homogéneo. Se tiene la

(12) a1 (x)y ′ + a0 (x)y = Q(x)

Definición 1.7. El primer término del lado derecho de (13),

se denomina solución homogénea. Aunque se habla de la solución homogénea, en

Definición 1.8. El segundo término en el lado derecho de (13),

se denomina solución particular (que se obtiene si C = 0). Se habla de la solución

Ejemplo 1.13 (Ley de osmosis). Retomamos el ejemplo de la introducción

Ejemplo 1.14 (Ley de enfriamiento de Newton). Los más valientes hemos

Ley de enfriamiento de Newton

Sean T y TA las temperaturas del mar y del ambiente respectivamente, la EDO

T ′ (t) = k(TA (t) − T (t)),