Archivo de la etiqueta: Campo vectorial

Cálculo Diferencial e Integral III: Divergencia, laplaciano y rotacional

Por Alejandro Antonio Estrada Franco

Introducción

Después de algunas entradas muy técnicas, en las que hemos demostrado dos resultados sumamente importantes (el teorema de la función inversa y el teorema de la función implícita), pasaremos brevemente a una entrada un poco más ligera en términos de teoría, pero también relevante. En esta entrada nos volcaremos a una cara más práctica del cálculo diferencial e integral.

Recordemos que un campo vectorial es una función $F:S\subseteq \mathbb{R}^{n}\rightarrow \mathbb{R}^{m}$. El nombre de campo vectorial está justificado con que a cada punto de un espacio base $\mathbb{R}^n$, estamos asignando otro vector, en $\mathbb{R}^m$. Si pegamos a cada vector del dominio el vector que le corresponde en a partir de $F$, podemos tener otra intuición geométrica de lo que hacen estas funciones. En la figura 1 apreciamos un ejemplo de esto, donde tenemos un campo vectorial $F$ de $\mathbb{R}^{3}$ en $\mathbb{R}^{3}$ y entonces a cada vector de $\mathbb{R}^3$ le estamos «pegando una flecha».

Esta manera de pensar a los campos vectoriales se presta mucho para entender propiedades físicas de los objetos: flujo eléctrico, flujo de calor, fuerza, trabajo, etc. Si pensamos en esto, otros conceptos que hemos estudiado también comienzan a tener significado. Por ejemplo, el gradiente de un campo escalar está íntimamente relacionado a otras propiedades físicas descritas por el campo escalar. Un ejemplo que hemos discutido es que el gradiente, por ejemplo, nos da la dirección de cambio máximo.

Un ejemplo más concreto sería el siguiente. Pensemos en $\mathbb{R}^{3}$ en un sólido $S$ y un campo escalar $T:S\rightarrow \mathbb{R}$ que da la temperatura de cada punto del sólido. Si consideramos la expresión $\textbf{J}=-k\triangledown T$, obtenemos lo que se conoce como el flujo de calor. Tiene sentido. Por lo que aprendemos en educación elemental, el calor va de los puntos de mayor temperatura a los de menor temperatura. El gradiente $\triangledown T$ da la dirección de máximo crecimiento. Pero entonces $-\triangledown T$ da la dirección de máximo descenso (así como su magnitud). La $k$ que aparece tiene que ver con qué tan bien el material del que hablamos transmite el calor.

Notación tradicional de los campos vectoriales

En el ámbito de las aplicaciones generalmente se usa la notación con gorros. Veamos un ejemplo de cómo escribir con esta notación. En vez de escribir para $\bar{v}\in \mathbb{R}^{3}$ la expresión $\bar{v}=(x,y,z)$, escribimos $$\bar{v}=x\hat{\imath}+y\hat{\jmath}+z\hat{k},$$ es decir, podemos pensar que $\hat{\imath}=(1,0,0)$, $\hat{\jmath}=(0,1,0)$, $\hat{k}=(0,0,1)$.

Si $F:\mathbb{R}^3\to \mathbb{R}^3$ es un campo vectorial, escribimos $$F=P\hat{\imath}+Q\hat{\jmath}+R\hat{k},$$ donde $P$, $Q$ y $R$ son los campos escalares componente, que cada uno de ellos va de $\mathbb{R}^3$ a $\mathbb{R}$.

Generalmente escribimos también $$F(x,y,z)=P(x,y,z)\hat{\imath}+Q(x,y,z)\hat{\jmath}+R(x,y,z)\hat{k}$$ tras evaluar.

Con esta notación también podemos escribir al gradiente y pensarlo como un «operador» que manda campos escalares a campos vectoriales. A este operador se le llama operador nabla. Lo escribimos de la siguiente manera:

\[ \triangledown =\frac{\partial}{\partial x}\hat{\imath}+\frac{\partial}{\partial y}\hat{\jmath}+\frac{\partial}{\partial z}\hat{k}. \]

Si tenemos un campo escalar $\phi:\mathbb{R}^3\to \mathbb{R}$, entonces el operador hace lo siguiente

\[ \triangledown \phi (x,y,z)=\frac{\partial \phi (x,y,z)}{\partial x}\hat{\imath}+\frac{\partial \phi (x,y,z)}{\partial y}\hat{\jmath}+\frac{\partial \phi (x,y,z)}{\partial z}\hat{k}.\]

Es decir, a partir de $\phi$ obtenemos su gradiente.

Líneas de flujo

Ahora introducimos el concepto de línea de flujo el cual es muy usado para campos vectoriales en el modelado fenómenos físicos.

Definición. Si $F:\mathbb{R}^{n}\rightarrow \mathbb{R}^{n}$ es un campo vectorial, una línea de flujo para $F$ es una función $\alpha :U\subseteq \mathbb{R}\rightarrow \mathbb{R}^{n}$ tal que $\alpha^{\prime}(t)=F(\alpha(t))$ para todo $t\in U$.

Es decir una línea de flujo es una trayectoria sobre la cual $F$ asigna en cada punto de ella su correspondiente vector tangente. En la Figura 2 tenemos una ilustración de una línea de flujo en un campo vectorial.

Divergencia

Supongamos que tenemos en el plano (o el espacio) una región $S$. Para cada punto $\bar{x}$ de $S$ sea $\textbf{x}(t)$ una línea de flujo que parte de $\bar{x}$ bajo el campo vectorial $F$. El conjunto de líneas $\textbf{x}(t)$ describe cómo cambia el conjunto $S$ bajo la acción de $F$ a través del tiempo. Formalizando esto un poco, en el caso del plano tomemos $F:S\subseteq \mathbb{R}^{2}\rightarrow \mathbb{R}^{2}$. Para cada $\bar{x}\in S$ podemos considerar $\gamma_x:I_{x}\subset \mathbb{R}\rightarrow \mathbb{R}^{2}$, como la trayectoria $\textbf{x}(t)$ y que es línea de flujo bajo $F$. Estas trayectorias van mostrando «cómo se va deformando $S$ a causa del campo vectorial $F$». También, consideremos al conjunto $S’=\{\bar{x}+F(\bar{x})|\bar{x}\in S \}$, al cual pensaremos como el conjunto resultante de aplicar a $S$ el campo vectorial $F$.

Estas nociones se pueden analizar a través de una herramienta llamada divergencia. La definimos a continuación, pero una demostración formal de que el operador divergencia mide la expansión del efecto de un campo vectorial es un tema que se estudia en un cuarto curso de cálculo diferencial e integral.

Figura 3. Aquí se ilustra el efecto de un campo vectorial sobre una sección $S$ del plano.

Damos la definición en $\mathbb{R}^3$, pero podrías dar una versión análoga para $\mathbb{R}^2$.

Definición. Si $F=P\hat{\imath}+Q\hat{\jmath}+R\hat{k}$ es un campo vectorial definimos la divergencia de $F$ como:

\[ \triangledown \cdot F=\frac{\partial P}{\partial x}+\frac{\partial Q}{\partial y}+\frac{\partial R}{\partial z}.\]

En dimensiones más altas, si $F=(F_{1},\dots ,F_{n})$, entonces $\triangledown \cdot F=\sum_{i=1}^{n}\frac{\partial F_{i}}{\partial x_{i}}$.

Rotacional

Pensemos en un fluido que se mueve de acuerdo con el flujo marcado por el campo vectorial $F$. Tenemos una forma de determinar la rotación que el fluido imprimiría sobre un sólido llevado por él. Imaginemos un remolino y una pequeña esfera solida llevada por el remolino. Lo que llamaremos el rotacional del vector nos proporcionará la información sobre las rotaciones sobre su eje que el fluido imprime a la pequeña esfera (Figura 4).

Definición. Sea $$F(x,y,z)=F_{1}(x,y,z)\hat{\imath}+F_{2}(x,y,z)\hat{\jmath}+F_{3}(x,y,z)\hat{k}.$$ Entonces definimos al rotacional de $F$ como el siguiente campo vectorial:

\[ \triangledown \times F(x,y,z)=\left( \frac{\partial F_{3}}{\partial y} – \frac{\partial F_{2}}{\partial z} \right)\hat{\imath}+\left( \frac{\partial F_{1}}{\partial z}-\frac{\partial F_{3}}{\partial x} \right)\hat{\jmath}+\left( \frac{\partial F_{2}}{\partial x}-\frac{\partial F_{1}}{\partial y} \right)\hat{k}.\]

También suele representarse por el siguiente determinante:

\[ \triangledown \times F=\begin{vmatrix} \hat{\imath} & \hat{\jmath} & \hat{k} \\ {\large \frac{\partial}{\partial x}} & {\large \frac{\partial}{\partial y}} & {\large \frac{\partial}{\partial z}} \\ F_{1} & F_{2} & F_{3} \end{vmatrix}. \]

Una visión mas clara de por qué esta expresión calcula lo que queremos se puede aprender en un cuarto curso de cálculo diferencial e integral, o bien en algún curso de aplicaciones del cálculo a la física. Por ahora veremos en los ejemplos solamente la parte operativa.

Laplaciano

Hay un operador más que surge naturalmente en las ecuaciones que involucran al gradiente y a la divergencia.

Definición. Sea $f:\mathbb{R}^3\to \mathbb{R}$ un campo escalar. El operador laplaciano se establece de la siguiente manera:

\[ \triangledown ^{2}f=\frac{\partial ^{2}f}{\partial x^{2}}\hat{\imath}+\frac{ \partial^{2}f}{\partial y^{2}}\hat{\jmath}+\frac{\partial ^{2}f}{\partial z^{2}}\hat{k}. \]

Es decir, el laplaciano consiste en aplicar el operador divergencia al gradiente de un campo escalar.

Ejemplos de problemas de los conceptos anteriores

Revisemos algunos problemas que tienen que ver con estos operadores. Esto nos permitirá ampliar nuestra visión en cuanto a la practicidad de esta herramienta matemática.

Consideremos el siguiente campo vectorial en el plano $F(x,y)=x\hat{\imath}$. Pensaremos el signo de la divergencia de $F$ como la razón del cambio de áreas bajo este campo. Interpretaremos a $F$ como aquel que asigna a cada punto del plano un vector velocidad de un fluido en el plano.

Para $x>0$ el campo apunta hacia la derecha con vectores paralelos al eje $x$ con tamaño $|x|$, para $x<0$ los vectores apuntan a la izquierda paralelamente al eje $x$ con tamaño $|x|$ (Figura 5). Por ello las longitudes de las flechas de $F$ son mas cortas en torno al origen; así cuando el fluido se mueve, se expande. Y esto coincide con el hecho de que $\triangledown \cdot F=1$.

En el siguiente ejemplo consideremos el campo vectorial $F(x,y)=-y\hat{\imath}+x\hat{\jmath}$. Las líneas de flujo de $F$ siguen circunferencias concéntricas centradas al origen en dirección contrarias a las manecillas del reloj. Al calcular la divergencia tenemos lo siguiente:

\[ \triangledown \cdot F=\frac{\partial }{\partial x}(-y)+\frac{\partial}{\partial y}(x)=0. \]

En la figura 6 tenemos la ilustración de cómo se ve el campo de este ejemplo. Suena razonable. En este caso el fluido no se está expandiendo, sino que más bien está rotando.

En el laplaciano aplicamos la divergencia a un gradiente. Pero, ¿qué pasa cuando aplicamos el rotacional a un gradiente? Consideremos una función $f$ con derivadas parciales diferenciables continuas es decir, de clase $C^{2}$. Para una función así tenemos

\[ \triangledown f(x,y,z)=(\partial f/\partial x,\partial f/ \partial y,\partial f/\partial z). \]

De acuerdo con la definición de rotacional, tenemos:

\begin{align*} \triangledown \times (\triangledown f)&= \begin{vmatrix} \hat{\imath} & \hat{\jmath} & \hat{k} \\ \frac{\partial}{\partial x} & \frac{\partial}{\partial y} & \frac{\partial}{\partial z} \\ \frac{\partial f}{\partial x} & \frac{\partial f}{\partial y} & \frac{\partial f}{\partial z} \end{vmatrix}\\ &= \left( \frac{\partial ^{2}f}{\partial y\partial z}-\frac{\partial ^{2}f}{\partial z\partial y} \right)\hat{\imath}+\left( \frac{\partial ^{2}f}{\partial z\partial x}-\frac{\partial ^{2}f}{\partial x \partial z} \right)\hat{\jmath}+\left( \frac{\partial ^{2}f}{\partial x\partial y}-\frac{\partial ^{2}f}{\partial y\partial x} \right)\hat{k}\\ &=\bar{0} \end{align*}

por la igualdad de las parciales mixtas. Es decir; si $f$ es un campo escalar cuyas derivadas parciales son diferenciables con derivada continua tenemos $\triangledown \times \triangledown f=0$.

Esto nos puede ayudar a saber si una cierta función puede obtenerse como gradiente de otra. Tomemos $G(x,y,z)= y\hat{\imath}-x\hat{\jmath}$. Notemos que las funciones en $\hat{\imath}$ y en $\hat{\jmath}$ son diferenciables con derivada continua. Entonces nos preguntaremos ¿$G$ es gradiente de un campo escalar? Para ello calculemos $\triangledown \times G$ cuyo resultado en caso afirmativo debería ser igual a cero. Sin embargo,

\[ \triangledown \times G=\begin{vmatrix} \hat{\imath} & \hat{\jmath} & \hat{k} \\ \frac{\partial}{\partial x} & \frac{\partial}{\partial y} & \frac{\partial}{\partial z} \\ y & -x & 0 \end{vmatrix}=-2\hat{k}\neq 0,\]

por lo tanto $G$ no es un gradiente.

También tenemos que la divergencia de un rotacional es igual a cero, es decir si $F$ es un campo vectorial $\triangledown \cdot (\triangledown \times F)=0$. Queda como tarea moral demostrar este hecho.

Mas adelante…

Con esta entrada terminamos nuestro estudio de conceptos relacionados con campos vectoriales. Sin embargo, aún no los descartaremos por completo. Retomaremos a los campos vectoriales en la última unidad del curso. En ella, retomaremos varias partes de la teoría para establecer resultados de optimización de campos escalares, y de funciones bajo restricciones.

Tarea moral

Para los siguientes campos vectoriales, halla su divergencia
- $F(x,y)=x^{3}\hat{\imath}+x\hspace{0.1cm}sen\hspace{0.1cm}(xy)\hat{\jmath}$
- $G(x,y,z)=e^{xy}\hat{\imath}+e^{xy}\hat{\jmath}+e^{yz}\hat{k}$.
Obtén el rotacional de los siguientes campos vectoriales:
- $F(x,y,z)=(x^{2}+y^{2}+z^{2})(3\hat{\imath}+4\hat{\jmath}+5\hat{k})$
- $G(x,y,z)=yz\hat{\imath}+xz\hat{\jmath}+xy\hat{k}$.
Dibuja algunas líneas de flujo del campo $F(x,y)=-3x\hat{\imath}-y\hat{\jmath}$. Calcula $\triangledown \cdot F$ y explica el significado del resultado de la divergencia en su relación con las líneas de flujo.
Demuestra que $\triangledown \cdot (\triangledown \times F)=0$
Sean $f$ y $g$ dos campos escalares diferenciables, y $F$, y $G$ dos campos vectoriales diferenciables. Demuestra las siguientes identidades (solo usa la parte operativa, piensa que todos los campos tanto los vectoriales como los escalares tienen el mismo dominio):
1. $\triangledown \cdot gG =g(\triangledown \cdot G) + G\cdot (\triangledown g)$
2. $\triangledown (fg)=f(\triangledown g) +g (\triangledown f)$
3. $\triangledown \cdot (F\times G)= G\cdot (\triangledown \times F)-F\cdot (\triangledown \times G)$

Entradas relacionadas

Ir a Cálculo Diferencial e Integral III
Entrada anterior del curso: Ejemplos e intuición del teorema de la función implícita
Entrada siguiente del curso: Puntos críticos de campos escalares

Cálculo Diferencial e Integral III: Demostración del teorema de la función inversa

Por Alejandro Antonio Estrada Franco

Deja un comentario

Introducción

En la entrada anterior empezamos a hablar del teorema de la función inversa. Dimos su enunciado y probamos varias herramientas que nos ayudarán ahora con su demostración.

Recordemos que lo que queremos demostrar es lo siguiente.

Teorema (de la función inversa). Sea $f:S\subseteq \mathbb{R}^{n}\rightarrow \mathbb{R}^{n}$ de clase $C^{1}$ en el abierto $S$. Si $Df(\bar{a})$ es invertible, entonces, existe $\delta >0$ tal que:

$B_{\delta}(\bar{a})\subseteq S$ y $f$ es inyectiva en $B_{\delta}(\bar{a})$.
$f^{-1}:f(B_{\delta}(\bar{a}))\subseteq \mathbb{R}^{n}\rightarrow \mathbb{R}^{n}$ es continua en $f(B_{\delta}(\bar{a}))$.
$f(B_{\delta}(\bar{a}))\subseteq \mathbb{R}^{n}$ es un conjunto abierto.
$f^{-1}$ es de clase $C^{1}$ en $f(B_{\delta}(\bar{a}))$ y además, si $\bar{x}=f(\bar{v})\in f(B_{\delta}(\bar{a}))$, entonces, $Df^{-1}(\bar{x})=Df^{-1}(f(\bar{v}))=(Df(\bar{v}))^{-1}$.

La herramienta más importante que probamos en la entrada anterior nos dice que si una función $f:S\subseteq \mathbb{R}^n\to \mathbb{R}^n$ es de clase $C^1$, $\bar{a}\in S$ y $DF(\bar{a})$ es invertible, entonces existe una $\delta>0$ tal que $B_\delta(\bar{a})\subseteq S$ y $Df(\bar{b})$ es invertible para todo $\bar{b}\in B_\delta(\bar{a})$. Veremos cómo esta herramienta y otras que desarrollaremos en el transcurso de esta entrada nos permiten demostrar el teorema.

La función $f$ es inyectiva en una vecindad de $\bar{a}$

Vamos a enfocarnos en el punto $(1)$ del teorema. Veremos que existe la $\delta$ que hace que la función restringida a la bola de radio $\delta$ centrada en $\bar{a}$ es inyectiva. En esta parte de la prueba es conveniente que recuerdes que la norma infinito de un vector $(x_1,\ldots,x_n)\in \mathbb{R}^n$ es $$||\bar{x}||_{\infty}:=máx\{ |x_{1}|,\dots ,|x_{n}|\}.$$

Además, cumple para todo $\bar{x}\in \mathbb{R}^{n}$ que $$||\bar{x}||\leq \sqrt{n} ||\bar{x}||_{\infty}.$$

Veamos que bajo las hipótesis del problema se puede acotar $||f(\bar{u})-f(\bar{v})||$ en términos de $||\bar{u}-\bar{v}||$ dentro de cierta bola.

Proposición. Sea $f:S\subseteq \mathbb{R}^{n}\rightarrow \mathbb{R}^{n}$ de clase $C^{1}$ en el conjunto abierto $S$, y $\bar{a}\in S$. Si $Df(\bar{a})$ es invertible, entonces existe $\delta >0$ y $\varepsilon>0$ tal que $B_{\delta}(\bar{a})\subseteq S$ y $||f(\bar{u})-f(\bar{v})||\geq \varepsilon||\bar{u}-\bar{v}||$ para cualesquiera $\bar{u},\bar{v}\in B_{\delta}(\bar{a})$.

Demostración. Por la diferenciabilidad de $f$ en $\bar{a}$, tenemos

\[ Df(\bar{a})(\bar{x})=\begin{pmatrix} \triangledown f_{1}(\bar{a})\cdot \bar{x} \\ \vdots \\ \triangledown f_{n}(\bar{a})\cdot \bar{x}\end{pmatrix} \]

para cada $\bar{a}\in S$ y cada $\bar{x}\in \mathbb{R}^{n}$.

Como $Df(\bar{a})$ es invertible, por los resultados de la entrada anterior existe un $m>0$ tal que

\[ ||Df(\bar{a})(\bar{x})||\geq m||\bar{x}|| \]

para todo $\bar{x}\in \mathbb{R}^{n}$.

También por resultados de la entrada anterior, para $\epsilon:=\frac{m}{2\sqrt{n}}>0$ existe $\delta >0$ tal que si $\bar{b}\in B_{\delta}(\bar{a})\subseteq S$ entonces

\[||(Df(\bar{b})-Df(\bar{a}))(\bar{x})||\leq \frac{m}{2\sqrt{n}}||\bar{x}||\]

para todo $\bar{x}\in \mathbb{R}^{n}$.

Usaremos en un momento estas desigualdades, pero por ahora fijemos nuestra atención en lo siguiente. Dados $\bar{u},\bar{v}\in B_{\delta}(\bar{a})$, tomemos el $k\in \{1,\dots ,n\}$ tal que $$||Df(\bar{a})(\bar{u}-\bar{v})||_{\infty}=|\triangledown f_{k}(\bar{a})\cdot (\bar{u}-\bar{v})|.$$

Para dicho $k$, tenemos

\begin{align*}
|\triangledown f_{k}(\bar{a})\cdot (\bar{u}- \bar{v})|&=||Df(\bar{a})(\bar{u}-\bar{v})||_{\infty}\\
&\geq \frac{1}{\sqrt{n}}||Df(\bar{a})(\bar{u}-\bar{v})||.
\end{align*}

¿Cómo podemos seguir con nuestras desigualdades? Necesitamos usar el teorema del valor medio. Bastará el que demostramos para campos escalares. Aplicándolo a $f_k$ en los puntos $\bar{u},\bar{v}$ cuyo segmento se queda en la bola convexa $B_\delta(\bar{a})$, podemos concluir que existe un vector $\bar{w}$ en el segmento $\bar{\bar{u}\bar{v}}$ que cumple

$$f_k(\bar{u})-f_k(\bar{v})=\triangledown f(\bar{w}) \cdot (\bar{u}-\bar{v}).$$

Sabemos que para cualquier vector el valor absoluto de cualquiera de sus coordenadas es en valor menor o igual que la norma del vector. Además, demostramos inicialmente unas desigualdades anteriores. Juntando esto, obtenemos la siguiente cadena de desigualdades:

\begin{align*}
||f(\bar{u})-f(\bar{v})||&\geq |f_{k}(\bar{u})-f_{k}(\bar{v})|\\
&=|\triangledown f(\bar{w}) \cdot (\bar{u}-\bar{v})|\\
&\geq |\triangledown f_k(\bar{a})\cdot (\bar{u}-\bar{v})|-|\triangledown f_k(\bar{w}) \cdot (\bar{u}-\bar{v})-\triangledown f_k(\bar{a})\cdot (\bar{u}-\bar{v})|\\
&\geq \frac{1}{\sqrt{n}}||Df(\bar{a})(\bar{u}-\bar{v})|| – ||Df(\bar{w})(\bar{u}-\bar{v})-Df(\bar{a})(\bar{u}-\bar{v})||\\
&\geq \frac{1}{\sqrt{n}}(m||\bar{u}-\bar{v}||)-\frac{m}{2\sqrt{n}}||\bar{u}-\bar{v}||\\
&=\frac{m}{2\sqrt{n}}||\bar{u}-\bar{v}||\\
&=\varepsilon||\bar{u}-\bar{v}||.
\end{align*}

La gran conclusión de esta cadena de desigualdades es que $$||f(\bar{u})-f(\bar{v})||\geq \varepsilon||\bar{u}-\bar{v}||,$$ que es lo que buscábamos.

$\square$

¡Esto es justo lo que nos pide el primer punto! Hemos encontrado una bola alrededor de $\bar{a}$ dentro de la cual si $\bar{u}\neq \bar{v}$, entonces $||f(\bar{u})-f(\bar{v})||\geq \varepsilon ||\bar{u}-\bar{v}||>0$, de modo que $f(\bar{u})\neq f(\bar{v})$. ¡La función restringida en esta bola es invertible! En términos geométricos el último teorema nos dice lo siguiente: Si $f$ es diferenciable en un abierto $S$, y $Df(\bar{a})$ es invertible, entonces hay una vecindad alrededor de $\bar{a}$ en donde $f$ «no se pega», es decir $f$ es inyectiva.

Figura 1: Si la función no es inyectiva, lo que tenemos es que proyecta el rectángulo $\mathcal{R}$ en una superficie que pega los puntos $\bar{a}$ y $\bar{b}$. Arriba una función inyectiva y abajo una que no lo es.

Ya vimos cómo encontrar una bola $B_\delta(\bar{a})$ dentro de la cual $f$ es inyectiva. Si pensamos que el contradominio es exactamente $f(B_\delta(\bar{a}))$, entonces la función también es suprayectiva. Esto hace que sea biyectiva y por tanto que tenga inversa $f^{-1}$.

La función inversa es continua

Veamos ahora que la función inversa es continua. De hecho, mostraremos algo un poco más fuerte.

Teorema. Sea $f:S\subseteq \mathbb{R}^{n}\rightarrow \mathbb{R}^{n}$ de clase $C^{1}$ en el abierto $S$, y $\bar{a}\in S$. Si $Df(\bar{a})$ es invertible, entonces existe $\delta >0$ tal que $B_{\delta}(\bar{a})\subseteq S$, $f$ es inyectiva en $B_{\delta}(\bar{a})$ y además $f^{-1}:f(B_{\delta}(\bar{a}))\subseteq \mathbb{R}^{n}\rightarrow \mathbb{R}^{n}$ es uniformemente continua en su dominio.

Demostración. La primera parte y la existencia de $f^{-1}:f(B_\delta(a))\subseteq \mathbb{R}^n \to \mathbb{R}^n$ se debe a la discusión de la sección anterior. De hecho, lo que mostramos es que existe $\delta >0$ y $\varepsilon>0$ tal que $||f(\bar{v})-f(\bar{u})||\geq \varepsilon||\bar{v}-\bar{u}||$ para todo $\bar{u},\bar{v}\in B_{\delta}(\bar{a})$.

Supongamos que nos dan un $\varepsilon^\ast$. Tomemos $\delta^\ast=\varepsilon^\ast \varepsilon$. Tomemos $\bar{x},\bar{y}$ en $f(B_\delta(\bar{a}))$ tales que $||\bar{y}-\bar{x}||<\delta ^{\ast}$. Como $\bar{x}$ y $\bar{y}$ están en dicha bola, podemos escribirlos como $\bar{x}=f(\bar{u})$, $\bar{y}=f(\bar{v})$ con $\bar{u},\bar{v}\in B_{\delta}(\bar{a})$. Notemos entonces que

\begin{align*}
||f^{-1}(\bar{y})-f^{-1}(\bar{x})||&=||\bar{v}-\bar{u}||\\
&\leq \frac{1}{\varepsilon}||f(\bar{v})-f(\bar{u})||\\
&= \frac{1}{\varepsilon}||\bar{y}-\bar{x}||\\
&<\frac{\varepsilon^\ast\varepsilon}{\varepsilon}\\
&=\varepsilon^\ast.
\end{align*}

Tenemos entonces que $f^{-1}$ es uniformemente continua en $f(B_\delta(\bar{a}))$.

$\square$

Esto demuestra el punto $(2)$ de nuestro teorema. La prueba de que el conjunto $f(B_\delta(\bar{a}))$ es abierto no es para nada sencilla como parecería ser. Una demostración muy instructiva, al nivel de este curso, se puede encontrar en el libro Cálculo diferencial de varias variables del Dr. Javier Páez Cárdenas editado por la Facultad de Ciencias de la Universidad Nacional Autónoma de México (UNAM) en las páginas 474-476.

La función inversa es diferenciable

Resta hacer la demostración de $(4)$. En esta sección veremos que la inversa $f^{-1}$ es derivable y que la derivada es precisamente lo que propone el teorema. En la siguiente sección veremos que la inversa es $C^1$.

Tomemos un punto $\bar{x}_0=f(\bar{v}_0)\in f(B_{\delta}(\bar{a}))$. Mostraremos que, en efecto, $T=(Df(\bar{v}_0))^{-1}$ es la derivada de $f^{-1}$ en $\bar{x}_0$, lo cual haremos por definición verificando que

\[ \lim\limits_{\bar{x}\to \bar{x}_{0}}\frac{f^{-1}(\bar{x})-f^{-1}(\bar{x}_{0})-T(\bar{x}-\bar{x}_{0})}{||\bar{x}-\bar{x}_{0}||}=0.\]

Para ello, introducimos la siguiente función auxiliar $g:B_{\delta}(\bar{a})\subseteq \mathbb{R}^{n}\rightarrow \mathbb{R}^{n}$ dada por:

\[ g(\bar{v})=\left\{ \begin{matrix} \frac{\bar{v}-\bar{v}_{0}-T(f(\bar{v})-f(\bar{v}_{0}))}{||f(\bar{v})-f(\bar{v}_{0})||} & \bar{v}\neq \bar{v}_{0} \\ \bar{0} & \bar{v}=\bar{v}_{0}. \end{matrix} \right. \]

Esta función está bien definida, pues $f$ es inyectiva en la bola $B_{\delta}(\bar{a})$. La composición $g\circ f^{-1}$ también está bien definida en el abierto $f(B_{\delta}(\bar{a}))$ y

\[ (g\circ f^{-1})(\bar{x})=\left\{ \begin{matrix} \frac{f^{-1}(\bar{x})-f^{-1}(\bar{x}_{0})-T(\bar{x}-\bar{x}_{0})}{||\bar{x}-\bar{x}_{0}||} & \bar{x}\neq \bar{x}_{0} \\ \bar{0} & \bar{x}=\bar{x}_{0} \end{matrix} \right.\]

para todo $\bar{x}\in f(B_{\delta}(\bar{a}))$. Esto nos permite poner el límite buscado como el límite de una composición de la siguiente forma:

\[ \lim\limits_{\bar{x}\to \bar{x}_{0}}\frac{f^{-1}(\bar{x})-f^{-1}(\bar{x}_{0})-T(\bar{x}-\bar{x}_{0})}{||\bar{x}-\bar{x}_{0}||}=\lim\limits_{\bar{x}\to \bar{x}_{0}}(g\circ f^{-1})(\bar{x}) \]

Como $f^{-1}$ es continua en $\bar{x}_{0}$, basta demostrar que $g$ es continua en $\bar{v}_{0}=f^{-1}(\bar{x}_{0})$. Esto equivale a probar que

\[ \lim\limits_{\bar{v}\to \bar{v}_{0}}g(\bar{v})=\lim\limits_{\bar{v}\to \bar{v}_{0}}\frac{\bar{v}-\bar{v}_{0}-(Df(\bar{v}_{0}))^{-1}(f(\bar{v})-f(\bar{v}_{0})))}{||f(\bar{v})-f(\bar{v}_{0})||}=0.\]

Hay que demostrar este último límite. Reescribimos la expresión

$$\frac{\bar{v}-\bar{v}_{0}-(Df(\bar{v}_{0}))^{-1}(f(\bar{v})-f(\bar{v}_{0}))}{||f(\bar{v})-f(\bar{v}_{0})||}$$ como

$$\frac{(Df(\bar{v}_{0}))^{-1}[Df(\bar{v}_{0})(\bar{v}-\bar{v}_{0})-(f(\bar{v})-f(\bar{v}_{0}))]}{||f(\bar{v})-f(\bar{v}_{0})||},$$

y luego multiplicamos y dividimos por $||\bar{v}-\bar{v}_0||$ y reorganizamos para obtener

\[ -\frac{||\bar{v}-\bar{v}_{0}||}{||f(\bar{v})-f(\bar{v}_{0})||}(Df(\bar{v}_{0}))^{-1}\left( \frac{f(\bar{v})-f(\bar{v}_{0})-Df(\bar{v}_{0})(\bar{v}-\bar{v}_{0})}{||\bar{v}-\bar{v}_{0}||}\right).\]

Como $(Df(\bar{v}_{0}))^{-1}$ es continua (por ser lineal) y $f$ es diferenciable en $\bar{v}_{0}$, se tiene que

\begin{align*}
\lim\limits_{\bar{v}\to \bar{v}_{0}}(Df(\bar{v}_{0}))&^{-1}\left( \frac{f(\bar{v})-f(\bar{v}_{0})-Df(\bar{v}_{0})(\bar{v}-\bar{v}_{0})}{||\bar{v}-\bar{v}_{0}||}\right)\\
&=(Df(\bar{v}_{0}))^{-1}\left( \lim\limits_{\bar{v}\to \bar{v}_{0}}\frac{f(\bar{v})-f(\bar{v}_{0})-Df(\bar{v}_{0})(\bar{v}-\bar{v}_{0})}{||\bar{v}-\bar{v}_{0}||}\right)\\
&=(Df(\bar{v}_{0}))^{-1}(\bar{0})\\
&=\bar{0}.
\end{align*}

El factor que nos falta entender es $\frac{||\bar{v}-\bar{v}_{0}||}{||f(\bar{v})-f(\bar{v}_{0})||}$. Pero por la primera proposición de esta entrada, sabemos que existe una $\epsilon>0$ que acota este factor superiormente por $\frac{1}{\epsilon}$. De esta manera,

\[ \lim\limits_{\bar{v}\to \bar{v}_{0}}g(\bar{v})=\cancelto{acotado}{\lim\limits_{\bar{v}\to \bar{v}_{0}}\frac{-||\bar{v}-\bar{v}_{0}||}{||f(\bar{v})-f(\bar{v}_{0})||}}\cancelto{0}{(Df(\bar{v}_{0}))^{-1}\left( \frac{f(\bar{v})-f(\bar{v}_{0})-Df(\bar{v}_{0})(\bar{v}-\bar{v}_{0})}{||\bar{v}-\bar{v}_{0}||}\right)}=0.\]

Esto nos dice entonces que $g$ es continua en $\bar{v}_0$ y por lo tanto:

\begin{align*}
\lim\limits_{\bar{x}\to \bar{x}_{0}}(g\circ f^{-1})(\bar{x}) &= g\left(\lim_{\bar{x}\to \bar{x}_0} f^{-1}(\bar{x})\right)\\
&=g(f^{-1}(\bar{x}_0))\\
&=g(\bar{v}_0)\\
&=\bar{0}.
\end{align*}

Por lo tanto $f^{-1}$ es diferenciable en $\bar{x}_{0}$ mediante la derivada que propusimos, es decir,

\[ Df^{-1}(\bar{x}_{0})=Df^{-1}(f(\bar{v}_{0}))=(Df(\bar{v}_{0}))^{-1}=(Df(f^{-1}(\bar{x}_{0})))^{-1} \]

para todo $\bar{x}_0\in f(B_{\delta}(\bar{a}))$.

La función inversa es de clase $C^1$

Resta verificar que $f^{-1}$ es de clase $C^{1}$ en $f(B_{\delta}(\bar{a}))$. Lo haremos con la caracterización de la entrada anterior. Tomemos una $\mu>0$. Nos gustaría ver que si $\bar{x}$ y $\bar{x}_0$ están suficientemente cerca, entonces

$$||Df^{-1}(\bar{x})(\bar{z})-Df^{-1}(\bar{x}_{0})(\bar{z})||<\mu ||\bar{z}||$$

para toda $\bar{z} \in \mathbb{R}^n$.

Recordemos que por la entrada anterior hay una $m>0$ tal que para todo $\bar{z}$ en $\mathbb{R}^n$ se cumple

\begin{equation}
\label{eq:clasec1}
\frac{1}{m}||\bar{z}||=\frac{1}{m}|Df(\bar{v})((Df(\bar{v}))^{-1})(\bar{z})||\geq ||(Df(\bar{v}))^{-1}(\bar{z})||
\end{equation}

También notemos que, si $X,Y$ son matrices invertibles en $M_n(\mathbb{R})$, tenemos:

$$X^{-1}(Y-X)Y^{-1}=X^{-1}YY^{-1}-X^{-1}XY^{-1}=X^{-1}-Y^{-1}.$$

Tomando $X=Df(\bar{v})$ y $Y=Df(\bar{v}_0)$, aplicando la igualdad anterior en un punto $\bar{x}$ en $\mathbb{R}^n$, sacando normas y usando la desigualdad \eqref{eq:clasec1}, obtenemos:

\begin{align*}
||(X^{-1}-Y^{-1})(\bar{z})||&=||(X^{-1}(Y-X)Y^{-1})(\bar{z})||\\
&\leq \frac{1}{m} ||((Y-X)Y^{-1})(\bar{z})||\\
&=\frac{1}{m}||((Df(\bar{v}_0)-Df(\bar{v}))Df^{-1}(f(\bar{v}_0)))(\bar{z})||.
\end{align*}

Como $f$ es de clase $C^1$, por la entrada anterior podemos construir una $\delta^\ast$ tal que $B_{\delta^\ast}(\bar{v}_0)\subseteq B_\delta(\bar{a})$ y para la cual si $\bar{v}$ está en $B_{\delta^\ast}(\bar{v}_0)$, entonces:

\[ \begin{equation}||(Df(\bar{v}_{0})-Df(\bar{v}))(\bar{z})||\leq m^{2}\mu||\bar{z}||\end{equation}.\]

Para todo $\bar{x}\in \mathbb{R}^{n}$.

Finalmente, como $f^{-1}$ es continua en $f(B_{\delta}(\bar{a}))$, si $\bar{x}$ y $\bar{x}_0$ están suficientemente cerca, digamos $||\bar{x}-\bar{x}_0||<\nu$, entonces

\[ \begin{equation}||f^{-1}(\bar{x})-f^{-1}(\bar{x}_{0})||=||\bar{v}-\bar{v}_{0}||<\delta ^\ast.\end{equation}.\]

Usamos todo lo anterior para establecer la siguiente cadena de desigualdades cuando $||\bar{x}-\bar{x}_0||<\nu$:

\begin{align*}
||Df^{-1}(\bar{x})(\bar{z})-Df^{-1}(\bar{x}_{0})(\bar{z})||&=||Df^{-1}(f(\bar{v}))(\bar{z})-Df^{-1}(f(\bar{v}_{0}))(\bar{z})||\\
&\leq \frac{1}{m}||[Df(\bar{v}_{0})-Df(\bar{v})](Df^{-1}(f(\bar{v}_{0})))(\bar{z})||\\
&\leq \frac{1}{m}\left( m^{2}\mu ||Df^{-1}(f(\bar{v}_{0}))(\bar{z})||\right) \\
&=m\mu ||Df^{-1}(f(\bar{v}_{0}))(\bar{z})||\\
&\leq m\mu \left( \frac{1}{m}||\bar{z}||\right)\\
&=\mu||\bar{z}||.
\end{align*}

Esto implica que $f^{-1}$ es de clase $C^1$. Como tarea moral, revisa los detalles y di explícitamente qué resultado de la entrada anterior estamos usando.

$\square$

Ejemplo del teorema de la función inversa

Ejemplo. Consideremos $\xi :\mathbb{R}^{3}\rightarrow \mathbb{R}^{3}$ dada por $\xi (r,\theta, \phi)=(r\hspace{0.15cm}sen \phi \hspace{0.15cm}cos\theta ,r\hspace{0.15cm} sen \phi \hspace{0.15cm}sen\theta ,r\hspace{0.15cm}cos \phi)$. Se tiene que $\xi$ es diferenciable en todo su dominio pues cada una de sus derivadas parciales es continua. Esta es la función de cambio de coordenadas de esféricas a rectangulares o cartesianas. La matriz jacobiana está dada como sigue.

\[ D\xi (r,\theta ,\phi )=\begin{pmatrix} sen\phi \hspace{0.1cm}cos\theta & -r\hspace{0.1cm}sen\phi \hspace{0.1cm}sen\theta & r\hspace{0.1cm}cos\phi \hspace{0.1cm}cos\theta \\ sen\phi \hspace{0.1cm}sen\theta & r\hspace{0.1cm}sen\phi \hspace{0.1cm}cos\theta & r\hspace{0.1cm}cos\phi \hspace{0.1cm}sen\theta \\ cos\phi & 0 & -r\hspace{0.1cm}sen\phi \end{pmatrix}.\]

Luego $\det(D\xi (r,\theta ,\phi ))=-r^{2}\hspace{0.1cm}sen\phi$ entonces $D\xi$ es invertible cuando $r\neq 0$ y $\phi \neq k\pi$, $k\in \mathbb{Z}$. Su inversa es:

\[ (D\xi (r,\theta ,\phi ))^{-1}=\begin{pmatrix} sen\phi \hspace{0.1cm}cos\theta & sen\phi \hspace{0.1cm}sen\theta & cos\phi \\ -\frac{sen\theta}{r\hspace{.01cm}sen\phi} & \frac{cos\theta}{r\hspace{0.1cm}sen\phi} & 0 \\ \frac{1}{r}\hspace{0.1cm}cos\theta \hspace{0.1cm}cos\phi & \frac{1}{r}\hspace{0.1cm}cos\phi \hspace{0.1cm}sen\theta & -\frac{1}{r}\hspace{0.1cm}sen\phi \end{pmatrix}.\]

El teorema de la función inversa nos garantiza la existencia local de una función $\xi ^{-1}$. En este caso, sería la función de cambio de coordenadas rectangulares a esféricas. Si $f:S\subseteq \mathbb{R}^{3}\rightarrow \mathbb{R}$ es una función $C^{1}$ dada en coordenadas esféricas; podemos asumir que $f\circ \xi ^{-1}$ es la misma función pero en términos de coordenadas rectangulares.

$\triangle$

Más adelante…

¡Lo logramos! Hemos demostrado el teorema de la función inversa, uno de los resultados cruciales de nuestro curso. El siguiente tema es el teorema de la función implícita, que será otro de nuestros resultados principales. Uno podría pensar que nuevamente tendremos que hacer una demostración larga y detallada. Pero afortunadamente la demostración del teorema de la función implícita se apoya fuertemente en el teorema de la función inversa que ya demostramos. En la siguiente entrada enunciaremos y demostraremos nuestro nuevo resultado y una entrada más adelante veremos varios ejemplos para profundizar en su entendimiento.

Tarea moral

En el ejemplo que dimos, verifica que el determinante en efecto es $-r^2\sin\phi$. Verifica también que la inversa es la matriz dada.
Repasa cada una de las demostraciones de esta entrada y asegúrate de entender por qué se siguen cada una de las desigualdades. Explica en qué momentos estamos usando resultados de la entrada anterior.
Da la función inversa de la transformación de cambio de coordenadas polares a rectangulares $g(r,\theta)=(r\hspace{0.1cm}cos\theta , r\hspace{0.1cm}sen\theta )$.
Demuestra que para todo $\bar{x}\in \mathbb{R}^{n}$ se tiene $||\bar{x}||\leq \sqrt{n}||\bar{x}||_{\infty}.$
Verifica que en efecto $||\cdot||_{\infty}$ es una norma.

Entradas relacionadas

Ir a Cálculo Diferencial e Integral III
Entrada anterior del curso: Introducción al teorema de la función inversa
Entrada siguiente del curso: Teorema de la función implícita y demostración

Ecuaciones Diferenciales I: Las nulclinas en el estudio cualitativo de los sistemas no lineales

Por Omar González Franco

Deja un comentario

Algún matemático dijo que el verdadero placer no reside
en el descubrimiento de la verdad, sino en su búsqueda.
– Tolstoy

Introducción

Hemos comenzado con el estudio cualitativo de los sistemas no lineales. Hasta este momento sólo somos capaces de predecir el comportamiento de las soluciones de un sistema no lineal alrededor de los puntos de equilibrio. Vimos que para hacerlo debemos encontrar el sistema lineal cuyas soluciones mejor se aproximen a las del sistema no lineal, a tal proceso se le conoce como linearización.

Nuestro propósito es esbozar de manera general el plano fase de un sistema no lineal, o al menos describir las trayectorias en zonas lejanas a los puntos de equilibrio.

En esta entrada veremos como hacer una descripción más general del plano fase a través de un método geométrico.

Nulclinas

Definición: Dado el sistema de ecuaciones diferenciales no lineales
\begin{align*}
x^{\prime} &= F_{1}(x, y) \\
y^{\prime} &= F_{2}(x, y) \label{1} \tag{1}
\end{align*}Se define la nulclina $x$ como el conjunto de puntos $(x, y)$, tales que $F_{1}(x, y) = 0$. De forma similar, se define la nulclina $y$ como el conjunto de puntos $(x, y)$, tales que $F_{2}(x, y) = 0$

Una observación de la definición anterior es que las nulclinas corresponden a las curvas de nivel de las funciones $F_{1}$ y $F_{2}$

\begin{align*}
F_{1}(x, y) &= c \\
F_{2}(x, y) &= c \label{2} \tag{2}
\end{align*}

en el caso en el que $c = 0$.

Ejemplo: Determinar las nulclinas del siguiente sistema no lineal.

\begin{align*}
x^{\prime} &= x(2 -x -y) \\
y^{\prime} &= y(y -x)
\end{align*}

Solución: De este sistema no lineal vemos que

\begin{align*}
F_{1}(x, y) &= x(2 -x -y) \\
F_{2}(x, y) &= y(y -x)
\end{align*}

Para obtener la nulclina $x$ (o nulclinas $x$) hacemos $F_{1}(x, y) = 0$, es decir

$$x(2 -x -y) = 0$$

de donde $x = 0$ o $2 -x -y = 0$. Una primer nulclina $x$ corresponde al eje $y$ del plano fase ya que $x = 0$. De la segunda expresión se obtiene la función $y(x) =2 -x$, la cual corresponde a una recta con pendiente negativa. Dicha recta es una segunda nulclina $x$.

Para obtener las nulclinas $y$ hacemos $F_{2}(x, y) = 0$, es decir,

$$y(y -x) = 0$$

de donde $y = 0$ o $y -x = 0$. En este caso una nulclina $y$ corresponde al eje $x$ del plano fase ya que $y = 0$, mientras que la segunda nulclina corresponde a la recta definida por la función $y(x) =x$.

Por lo tanto, las rectas $x = 0$ (eje $y$), $y = 0$ (eje $x$), $y(x) =x$ y $y(x) =2 -x$ son las nulclinas del sistema no lineal. A continuación se muestran las nulclinas en el plano fase (o plano $XY$).

$\square$

¿Y de qué nos sirven las nulclinas?. Consideremos la función vectorial

$$F(x, y) = (F_{1}(x, y), F_{2}(x, y)) \label{3} \tag{3}$$

De acuerdo a la definición de nulclinas notamos enseguida que, en general, el campo vectorial sobre una nulclina siempre será vertical (apuntará hacia arriba o hacia abajo) o será horizontal (apuntará hacia la izquierda o a la derecha) dependiendo de qué componente de la función vectorial (\ref{3}) sea cero.

Supongamos que los puntos $(x_{0}, y_{0})$ pertenecen a la nulclina $x$, entonces, por definición, se cumple

$$F(x_{0}, y_{0}) = (0, F_{2}(x_{0}, y_{0})) \label{4} \tag{4}$$

en este caso el campo vectorial en el punto $(x_{0}, y_{0})$ será vertical ya que no hay componente horizontal y apuntará hacia arriba si $F_{2}(x_{0}, y_{0}) > 0$ o hacia abajo si $F_{2}(x_{0}, y_{0}) < 0$.

De forma similar, si los puntos $(x_{0}, y_{0})$ pertenecen a la nulclina $y$, entonces se cumple

$$F(x_{0}, y_{0}) = (F_{1}(x_{0}, y_{0}), 0) \label{5} \tag{5}$$

es decir, el campo vectorial será horizontal a lo largo de la nulclina $y$. Apuntará a la izquierda si $F_{1}(x_{0}, y_{0}) < 0$ o a la derecha si $F_{2}(x_{0}, y_{0}) > 0$.

Notemos otro hecho importante. Por definición, un punto de equilibrio satisface que

$$F(x_{0}, y_{0}) = (0, 0) \label{6} \tag{6}$$

es decir,

\begin{align*}
F_{1}(x_{0}, y_{0}) &= 0 \\
F_{2}(x_{0}, y_{0}) &= 0 \label{7} \tag{7}
\end{align*}

Eso significa que existe un punto $(x_{0}, y_{0})$ que esta tanto en la nulclina $x$ como en la nulclina $y$, en otras palabras, las intersecciones entre nulclinas corresponden a los puntos de equilibrio del sistema no lineal.

Ejemplo: Determinar los puntos de equilibrio así como la dirección del campo vectorial sobre las nulclinas del sistema no lineal del ejemplo anterior.

Solución: El sistema que teníamos era

\begin{align*}
x^{\prime} &= x(2 -x -y) \\
y^{\prime} &= y(y -x)
\end{align*}

La función vectorial $F$ es

$$F(x, y) = (x(2 -x -y), y(y -x))$$

Comencemos por determinar los puntos de equilibrio, dichos puntos se obtienen de resolver el sistema

\begin{align*}
x(2 -x -y) &= 0 \\
y(y -x) &= 0
\end{align*}

De la primer ecuación tenemos $x = 0$ o $2 -x -y = 0$, de la segunda relación se obtiene $y = 2 -x$. Por otro lado, de la segunda ecuación tenemos $y = 0$ o $y -x = 0$. Sustituyendo $x = 0$, entonces $y = 0$, por lo tanto, un punto de equilibrio es el origen $Y_{0} = (0, 0)$.

Si sustituimos $y = 2-x$ en $y -x = 0$ se tiene

$$(2 -x) -x = 2 -2x = 0$$

de donde $x = 1$, así $y = 2 -1 =1$, por tanto, otro punto de equilibrio es $Y_{1} = (1, 1)$.

Finalmente si $y = 0$, entonces $x = 2$, así el punto $Y_{2} = (2, 0)$ es otro punto de equilibrio.

Recordemos que las nulclinas del sistema están definidas por las rectas $x = 0$, $y = 0$, $y = x$ y $y = 2 -x$. Verifica que los puntos de equilibrio

$$Y_{0} = (0, 0), \hspace{1cm} Y_{1} = (1, 1) \hspace{1cm} y \hspace{1cm} Y_{2} = (2, 0)$$

efectivamente corresponden a los puntos de intersección entre las nulclinas del sistema.

¿Por qué el punto $(0, 2)$ no es un punto de equilibrio si es también la intersección de dos nulclinas?.

Ahora veamos que dirección tiene el campo vectorial sobre cada nulclina.

Lo primero que debemos notar es que cada nulclina está definida en intervalos.

Distintos intervalos para las nulclinas.

El eje $y$ (nulclina $x = 0$) se debe estudiar en los intervalos $y \in (-\infty, 0), (0, \infty)$.

El eje $x$ (nulclina $y = 0$) se debe estudiar en los intervalos $x \in (-\infty, 0), (0, 2), (2, \infty)$.

La nulclina definida por $y(x) = x$ se debe estudiar en los intervalos en los que $x \in (-\infty, 0), (0, 1), (1, \infty)$.

Finalmente, la nulclina definida por $y(x) = 2 -x$ se debe estudiar en los intervalos $x \in (-\infty, 1), (1, 2), (2, \infty)$.

Determinemos la dirección de los vectores en cada intervalo de cada nulclina apoyándonos de la función vectorial

$$F(x, y) = (x(2 -x -y), y(y -x))$$

Comencemos por la nulclina $x$ definida por $x = 0$. Si $x = 0$, entonces

$$F(0, y) = (0, y^{2})$$

como $y^{2} > 0$ en todo momento, es decir para $y \in (-\infty, 0)$ y $y \in (0, \infty)$, entonces el campo vectorial sera vertical apuntando hacia arriba.

Dirección del campo vectorial sobre la nulclina definida por $x = 0$.

Para el caso de la nulclina $y$ definida por $y = 0$, se tiene

$$F(x, 0) = (2x -x^{2}, 0)$$

Comencemos con $x \in (-\infty, 0)$. Si $x < 0$, entonces $2x < 0$ y claro está que $-x^{2} < 0$, por tanto, en dicho intervalo $2x -x^{2} < 0$, esto significa que el campo vectorial será horizontal señalando hacia la izquierda.

Si $x \in (0, 2)$, entonces $x > 0$, o bien $2x > 0$ y $-x^{2} < 0$, es sencillo notar que dentro del intervalo que estamos considerando se cumple que $2x -x^{2} > 0$, por tanto, el campo apuntará a la derecha

Finamente, si $x \in (2, \infty)$, es claro que $2x -x^{2} < 0$, así que el campo volverá a apuntar hacia la izquierda.

Campo vectorial sobre las nulclinas definidas por $y = 0$ y $x = 0$.

Consideremos ahora la nulclina $y$ definida por $y = x$, en este caso el campo vectorial esta dado por

$$F(y, y) = (2y -2y^{2}, 0)$$

o bien,

$$F(x, x) = (2x -2x^{2}, 0)$$

En el intervalo $x \in (-\infty, 0)$, se cumple que $x < 0$, $2x < 0$ y claro es que $-2x^{2} < 0$, así en dicho intervalo $2x -2x^{2} < 0$, por lo tanto, el campo vectorial es horizontal y apunta hacia la izquierda.

Si $x \in (0,1)$, entonces $2x -2x^{2} > 0$, el campo apuntará a la derecha y finalmente volverá a apuntar a la izquierda para $x \in (1, \infty )$, ya que $2x -2x^{2} < 0$.

Campo vectorial sobre la nulclina definida por $y(x) = x$.

Finalmente, para la nulclina $x$ definida por $y = 2 -x$, se tiene

$$F(x, 2 -x) = (0, 2x^{2} -6x + 4)$$

Es posible verificar que si $x \in (-\infty, 1)$, entonces

$$2x^{2} -6x + 4 > 0$$

Si $x \in (1, 2)$, entonces

$$2x^{2} -6x + 4 < 0$$

y si $x \in (2, \infty)$ se cumple que

$$2x^{2} -6 + 4 > 0$$

Por lo tanto, el campo vectorial apuntará hacia arriba, luego hacia abajo y después nuevamente hacia arriba, respectivamente.

Campo vectorial sobre la nulclina definida por $y(x) = 2 -x$.

Por lo tanto, el campo vectorial sobre cada nulclina se ve de la siguiente forma.

Campo vectorial sobre las nulclinas del sistema.

$\square$

Recordemos que el campo vectorial es tangente a las trayectorias del sistema y la dirección indica la evolución de dichas trayectorias conforme $t \rightarrow \infty$, de manera que ahora tenemos una idea, aunque puede ser un poco vaga, de como se puede ir viendo el plano fase del sistema.

Una última observación que hacemos es que las curvas que representan a las nulclinas dividen al plano en varias regiones. En el ejemplo anterior se forman 10 regiones distintas las cuales se muestran en la siguiente figura.

Regiones limitadas por las nulclinas del sistema no lineal estudiado.

Esto nos permitirá esbozar el campo vectorial sobre cada región y con ello podremos trazar trayectorias obteniendo así una representación más general del plano fase de un sistema no lineal.

Ejemplo: Intentar esbozar el plano fase del sistema no lineal estudiado.

\begin{align*}
x^{\prime} &= x(2 -x -y) \\
y^{\prime} &= y(y -x)
\end{align*}

Solución: Hasta este momento conocemos los puntos de equilibrio del sistema, las nulclinas y la dirección del campo vectorial sobre cada una de ellas.

Lo que se puede hacer es determinar un vector aleatorio sobre cada una de las regiones limitadas por las nulclinas del sistema y en base a él aproximar una solución apoyándose también de los vectores ubicados sobre las nulclinas. En el segundo video de la sección de videos de este curso puedes encontrar el desarrollo de este método.

Debido a que a nosotros nos resulta más difícil dibujar algunas trayectorias, lo que haremos es utilizar nuestra herramienta de costumbre para visualizar el campo vectorial del sistema.

Campo vectorial del sistema no lineal indicando las nulclinas.

En esta figura visualizamos el campo vectorial del sistema, así como sobre las nulclinas.

Lo primero que se puede hacer es linealizar el sistema con respecto a cada uno de los puntos de equilibrio. Recordemos que la función vectorial $F$ es

$$F(x, y) = (x(2 -x -y), y(y -x))$$

de manera que

\begin{align*}
F_{1}(x, y) &= x(2 -x -y) \\
F_{2}(x, y) &= y(y -x)
\end{align*}

Las derivadas parciales son

$$\dfrac{\partial F_{1}}{\partial x} = 2 -2x -y, \hspace{1cm} \dfrac{\partial F_{1}}{\partial y} = -x, \hspace{1cm} \dfrac{\partial F_{2}}{\partial x} = -y, \hspace{1cm} \dfrac{\partial F_{2}}{\partial y} = 2y -x$$

Por lo tanto, la matriz Jacobiana es

$$\mathbf{J}(x, y) = \begin{pmatrix}
2 -2x -y & -x \\ -y & 2y -x
\end{pmatrix}$$

Los puntos de equilibrio son $(0, 0), (1, 1)$ y $(2, 0)$, evaluando cada punto en la matriz Jacobiana se obtienen las siguientes matrices.

$$\mathbf{J}(0, 0) = \begin{pmatrix}
2 & 0 \\ 0 & 0
\end{pmatrix}, \hspace{1cm} \mathbf{J}(1, 1) = \begin{pmatrix}
-1 & -1 \\ -1 & 1
\end{pmatrix}, \hspace{1cm} \mathbf{J}(2, 0) = \begin{pmatrix}
-2 & -2 \\ 0 & -2
\end{pmatrix}$$

Por lo tanto, los sistemas lineales que se aproximan a la descripción de las trayectorias del sistema no lineal alrededor de los puntos de equilibrio son:

$Y_{0} = (0, 0)$:

$$\mathbf{Y}^{\prime} = \begin{pmatrix}
2 & 0 \\ 0 & 0
\end{pmatrix}\mathbf{Y}$$

Plano fase del sistema linealizado en el punto de equilibrio $Y_{0} = (0, 0)$.

$Y_{1} = (1, 1)$:

$$\mathbf{Y}^{\prime} = \begin{pmatrix}
-1 & -1 \\ -1 & 1
\end{pmatrix}\mathbf{Y}$$

Plano fase del sistema linealizado en el punto de equilibrio $Y_{1} = (1, 1)$.

$Y_{2} = (2, 0)$:

$$\mathbf{Y}^{\prime} = \begin{pmatrix}
-2 & -2 \\ 0 & -2
\end{pmatrix}\mathbf{Y}$$

Plano fase del sistema linealizado en el punto de equilibrio $Y_{2} = (2, 0)$.

Con el conocimiento de la forma de las trayectorias alrededor de los puntos de equilibrio y con la dirección del campo vectorial sobre algunos puntos del plano fase, entre ellos sobre las nulclinas, es que podemos esbozar completamente el plano fase del sistema no lineal.

En este caso, el plano fase correspondiente al sistema no lineal estudiado es

Plano fase y campo vectorial del sistema.

El flujo de las trayectorias es algo que ya intuíamos al considerar toda la información que estuvimos desarrollando sobre el sistema a lo largo de la entrada.

$\square$

Con esto concluimos el estudio cualitativo de algunos sistemas no lineales sencillos.

En la siguiente entrada estudiaremos un comportamiento interesante que presentan las trayectorias de algunos sistemas no lineales y cuya descripción se establece en el conocido teorema de Poincaré – Bendixon.

Tarea moral

Los siguientes ejercicios no forman parte de la evaluación del curso, pero servirán para entender mucho mejor los conceptos vistos en esta entrada, así como temas posteriores.

Hacer un bosquejo del plano fase de los siguientes sistemas no lineales siguiendo el método desarrollado a lo largo de la unidad.
(Recuerda que el propósito es esbozar el plano fase a mano, una vez que concluyas puede comparar tu resultado con el obtenido usando una computadora.)

$x^{\prime} = x(2 -x -y)$
$y^{\prime} = y(y -x^{2})$

$x^{\prime} = x(x -1)$
$y^{\prime} = y(x^{2} -y)$

$x^{\prime} = xy -2y$
$y^{\prime} = x^{2} + y$

Intentar hacer un bosquejo del plano fase del siguiente sistema no lineal.

$x^{\prime} = y$
$y^{\prime} = -x + (1 -x^{2} -2y^{2})y$

¿Qué se observa de este sistema no lineal?.
¿Hay alguna dificultad en esbozar el plano fase?.

Más adelante…

Ahora somos capaces de hacer un estudio cualitativo de algunos sistemas no lineales, sin embargo existen situaciones en las que un sistema no lineal presenta un comportamiento interesante en el que las trayectorias tienden a una curva cerrada conocida como ciclo límite. En la siguiente y última entrada del curso estudiaremos la descripción de estos sistemas y enunciaremos el teorema de Poincaré – Bendixson en el plano.

Entradas relacionadas

Página principal del curso: Ecuaciones Diferenciales I
Entrada anterior del curso: Linealización de los puntos de equilibrio de sistemas no lineales
Siguiente entrada del curso: Teorema de Poincaré – Bendixon en el plano

Video relacionado al tema: Sistemas de ecuaciones no lineales. Las nulclinas y el plano fase

Agradecimientos

Trabajo realizado con el apoyo del Programa UNAM-DGAPA-PAPIME PE104522 «Hacia una modalidad a distancia de la Licenciatura en Matemáticas de la FC-UNAM – Etapa 2»

Ecuaciones Diferenciales I: Linealización de los puntos de equilibrio de sistemas no lineales

Por Omar González Franco

Deja un comentario

La educación en matemáticas es mucho más complicada que lo que esperabas,
incluso si esperabas que es más complicada que lo que esperabas.
– Edward Griffith Begle

Introducción

Nos acercamos al final de este curso. Para concluir estudiaremos un último tema que tiene que ver con los sistemas autónomos de ecuaciones diferenciales no lineales.

Resolver de forma analítica sistemas de ecuaciones diferenciales no lineales puede ser una tarea sumamente complicada y en algunos casos hasta imposible, es por ello que en muchas ocasiones se opta por resolverlos con métodos numéricos. En este curso no veremos métodos numéricos y mucho menos métodos analíticos para resolver sistemas de ecuaciones diferenciales no lineales debido a que requerimos de más teoría que queda fuera de este primer curso de ecuaciones diferenciales. Pero lo que si podemos hacer es un análisis cualitativo como lo hemos estado haciendo en esta unidad.

Recordemos que el espacio fase de un sistema de ecuaciones diferenciales aporta la suficiente información como para conocer de forma completa el comportamiento de los soluciones a diferentes tiempos, incluso esta información puede ser suficiente para describir el fenómeno que estemos estudiando sin la necesidad de conocer explícitamente las soluciones del sistema.

En esta y las próximas entradas comenzaremos a desarrollar métodos cualitativos que nos permitirán construir el espacio fase de sistemas no lineales y por tanto conocer el comportamiento de sus soluciones a diferentes tiempos y diferentes condiciones iniciales.

En estos momentos ya conocemos métodos analíticos y geométricos que nos permiten entender completamente a los sistemas lineales, es posible combinar estos métodos con algunas otras técnicas cualitativas adicionales para describir a los sistemas no lineales. Comenzaremos desarrollando el método de linealización, el cual nos mostrará cómo es que puede aproximarse un sistema no lineal a un punto de equilibrio por medio de un sistema lineal.

Trayectorias de los sistemas no lineales

Consideremos el siguiente sistema no lineal.

\begin{align*}
x^{\prime} &= y \\
y^{\prime} &= -x + (1 -x^{2})y \label{1} \tag{1}
\end{align*}

Enseguida podemos darnos cuenta de que el único punto de equilibrio del sistema es el origen. Usando la herramienta que hemos estado utilizando a lo largo de esta unidad podemos visualizar el plano fase del sistema acompañado del campo vectorial asociado.

Las trayectorias en general no muestran un comportamiento parecido a alguno de los sistemas estudiados en las entradas anteriores y claro que debe ser así, ya que en este caso se trata de un sistema no lineal. Sin embargo, se puede notar que alrededor del punto de equilibrio, es decir del origen, si hay un comportamiento que nos parece familiar, pues se trata de una espiral que se aleja del origen (parecido a foco inestable).

Lo que haremos será aproximar el sistema (\ref{1}) con un sistema que sea mucho más fácil de analizar. Observemos que el término que hace que el sistema no sea lineal es $x^{2}y$ en la ecuación para $y^{\prime}$. Si $x$ y $y$ son pequeñas (cercanas al punto de equilibrio), entonces el término $x^{2}y$ es aún mucho más pequeño, de manera que para valores pequeños de $x$ y de $y$ es posible aproximar el sistema (\ref{1}) en un sistema lineal en el que no aparece el término $x^{2}y$, dicho sistema es

\begin{align*}
x^{\prime} &= y \\
y^{\prime} &= -x + y \label{2} \tag{2}
\end{align*}

Ambos sistemas deben ser muy similares en una vecindad muy próxima al punto de equilibrio, en este caso en el origen. Veamos el plano fase del sistema lineal (\ref{2}).

Si observamos con cuidado ambos planos fase vemos que efectivamente son muy similares alrededor del origen, ya que ambos corresponden a espirales que se alejan del origen.

El plano fase del sistema (\ref{2}) corresponde a un sistema con valores propios complejos. Prueba que efectivamente los valores propios son

$$\lambda_{1} = \dfrac{1 + i \sqrt{3}}{2} \hspace{1cm} y \hspace{1cm} \lambda_{2} = \dfrac{1 -i \sqrt{3}}{2}$$

Como son complejos con parte real positiva, sabemos que las soluciones del sistema lineal se mueven en espiral alejándose del origen.

Lo que hemos hecho se conoce como linealización del punto de equilibrio. Cerca del punto de equilibrio aproximamos el sistema no lineal por medio de un sistema lineal apropiado. Para condiciones iniciales cerca del punto de equilibrio las soluciones del sistema no lineal y de la aproximación lineal permanecen cercanas entre sí, por lo menos en algún intervalo.

El sistema no lineal (\ref{1}) se conoce como ecuación de Van der Pol y más adelante volveremos a él.

Veamos cómo sería hacer una linealización de un sistema no polinomial. Consideremos el sistema no lineal

\begin{align*}
x^{\prime} &= y \\
y^{\prime} &= -y -\sin(x) \label{3} \tag{3}
\end{align*}

El término no lineal corresponde a la función seno. Este modelo bien puede representar el movimiento de un péndulo amortiguado.

Los puntos de equilibrio del sistema son $Y_{0} = (0, 0), (\pm \pi, 0), (\pm 2\pi, 0)$, etcétera. Concentrémonos sólo en el origen.

Sabemos que

$$\sin(x) = x -\dfrac{x^{3}}{3!} + \dfrac{x^{5}}{5!} – \cdots \label{4} \tag{4}$$

Entonces podemos escribir al sistema (\ref{3}) como

\begin{align*}
x^{\prime} &= y \\
y^{\prime} &= -y -\left( x -\dfrac{x^{3}}{3!} + \dfrac{x^{5}}{5!} – \cdots \right) \label{5} \tag{5}
\end{align*}

Para $x$ muy pequeña los términos con potencia son aún más pequeños, así que los podemos omitir aproximándonos al siguiente sistema lineal.

\begin{align*}
x^{\prime} &= y \\
y^{\prime} &= -y -x \label{6} \tag{6}
\end{align*}

Los valores propios de este sistema son

$$\lambda_{1} = \dfrac{-1 + i \sqrt{3}}{2} \hspace{1cm} y \hspace{1cm} \lambda_{2} = \dfrac{-1 -i \sqrt{3}}{2}$$

Como estos números son complejos con parte real negativa, esperamos que el correspondiente punto de equilibrio para el sistema no lineal sea un foco estable.

A continuación se muestra el plano fase del sistema no lineal (\ref{3}) y posteriormente el plano fase del sistema linealizado (\ref{6}) y observemos en ambos el comportamiento de las trayectorias alrededor del punto de equilibrio $Y_{0} = (0, 0)$.

Efectivamente, en ambos planos fase alrededor del origen presentan el mismo comportamiento correspondiente a un foco estable.

El proceso de linealización puede ser directo independientemente del sistema no lineal que tengamos, pero debemos apoyarnos de una herramienta del cálculo diferencial conocida como matriz Jacobiana.

Linealización de los puntos de equilibrio

Consideremos el siguiente sistema autónomo no lineal.

\begin{align*}
x^{\prime} &= F_{1}(x, y) \\
y^{\prime} &= F_{2}(x, y) \label{7} \tag{7}
\end{align*}

Supongamos que $Y_{0} = (x_{0}, y_{0})$ es un punto de equilibrio de este sistema (no necesariamente el origen). Queremos entender qué sucede con las soluciones cerca de $Y_{0}$, es decir, linealizar el sistema cerca de $Y_{0}$. Introducimos nuevas variables.

\begin{align*}
u &= x -x_{0} \\
v &= y -y_{0} \label{8} \tag{8}
\end{align*}

Lo que hacen estas variables es mover el punto de equilibrio al origen. Si $x$ y $y$ están cerca del punto de equilibrio $(x_{0}, y_{0})$, entonces $u$ y $v$ tienden a $0$.

Como los números $x_{0}$ y $y_{0}$ son constantes y además

$$x = u + x_{0} \hspace{1cm} y \hspace{1cm} y = v + y_{0}$$

entonces el sistema (\ref{7}) escrito en términos de $u$ y $v$ es

\begin{align*}
\dfrac{du}{dt} &= \dfrac{d(x -x_{0})}{dt} = \dfrac{dx}{dt} = F_{1}(x, y) = F_{1}(x_{0} + u, y_{0} + v) \\
\dfrac{dv}{dt} &= \dfrac{d(y -y_{0})}{dt} = \dfrac{dy}{dt} = F_{2}(x, y) = F_{2}(x_{0} + u, y_{0} + v)
\end{align*}

Esto es,

\begin{align*}
u^{\prime} &= F_{1}(x_{0} + u, y_{0} + v) \\
v^{\prime} &= F_{2}(x_{0} + u, y_{0} + v) \label{9} \tag{9}
\end{align*}

Si $u = v = 0$, entonces

\begin{align*}
u^{\prime} &= F_{1}(x_{0}, y_{0}) \\
v^{\prime} &= F_{2}(x_{0}, y_{0})
\end{align*}

Pero,

$$F_{1}(x_{0}, y_{0}) = 0 \hspace{1cm} y \hspace{1cm} F_{2}(x_{0}, y_{0}) = 0$$

ya que $Y_{0} = (x_{0}, y_{0})$ es un punto de equilibrio, esto nos muestra que hemos movido el punto de equilibrio al origen en el plano $UV$.

Lo que haremos a continuación es apoyarnos de algunos resultados del curso de Cálculo III. Necesitamos eliminar los términos de orden superior o no lineales del sistema (\ref{9}). Como esas expresiones pueden incluir funciones exponenciales, logarítmicas y trigonométricas, no siempre es claro cuáles son los términos lineales. En este caso es necesario estudiar a $F_{1}$ y $F_{2}$ con más atención.

De cálculo sabemos que es posible estudiar una función analizando su mejor aproximación lineal, la cual está dada por el plano tangente para funciones de dos variables, es decir

$$F_{1}(x_{0} + u, y_{0} + v) \approx F_{1}(x_{0}, y_{0}) + \left[ \dfrac{\partial F_{1}}{\partial x}(x_{0}, y_{0}) \right]u + \left[ \dfrac{\partial F_{1}}{\partial y}(x_{0}, y_{0}) \right]v \label{10} \tag{10}$$

El lado derecho es la ecuación para el plano tangente a la gráfica de $F_{1}$ en $Y_{0} = (x_{0}, y_{0})$. Recordemos que la expresión (\ref{10}) es también la aproximación polinomial de primer grado de Taylor para $F_{1}$.

Podemos, entonces, reescribir el sistema (\ref{9}) como

\begin{align*}
u^{\prime} &= F_{1}(x_{0}, y_{0}) + \left[ \dfrac{\partial F_{1}}{\partial x}(x_{0}, y_{0}) \right]u + \left[ \dfrac{\partial F_{1}}{\partial y}(x_{0}, y_{0}) \right]v + \vartheta_{F_{1}} \\
v^{\prime} &= F_{2}(x_{0}, y_{0}) + \left[ \dfrac{\partial F_{2}}{\partial x}(x_{0}, y_{0}) \right]u + \left[ \dfrac{\partial F_{2}}{\partial y}(x_{0}, y_{0}) \right]v + \vartheta_{F_{2}} \label{11} \tag{11}
\end{align*}

Donde $\vartheta_{F_{1}}$ y $\vartheta_{F_{2}}$ son los términos que forman la diferencia entre el plano tangente y las funciones $F_{1}$ y $F_{2}$, respectivamente, y son precisamente los términos que deseamos ignorar al formar la aproximación lineal del sistema.

Como $Y_{0} = (x_{0}, y_{0})$ es un punto de equilibrio, entonces

$$F_{1}(x_{0}, y_{0}) = 0 \hspace{1cm} y \hspace{1cm} F_{2}(x_{0}, y_{0}) = 0$$

Así, las funciones (\ref{11}) se pueden aproximar como

\begin{align*}
u^{\prime} &\approx \left[ \dfrac{\partial F_{1}}{\partial x}(x_{0}, y_{0}) \right]u + \left[ \dfrac{\partial F_{1}}{\partial y}(x_{0}, y_{0}) \right]v \\
v^{\prime} &\approx \left[ \dfrac{\partial F_{2}}{\partial x}(x_{0}, y_{0}) \right]u + \left[ \dfrac{\partial F_{2}}{\partial y}(x_{0}, y_{0}) \right]v \label{12} \tag{12}
\end{align*}

Si usamos la notación matricial podemos escribir el sistema anterior como

$$\begin{pmatrix}
u^{\prime} \\ v^{\prime}
\end{pmatrix} \approx \begin{pmatrix}
\dfrac{\partial F_{1}}{\partial x}(x_{0}, y_{0}) & \dfrac{\partial F_{1}}{\partial y}(x_{0}, y_{0}) \\ \dfrac{\partial F_{2}}{\partial x}(x_{0}, y_{0})
& \dfrac{\partial F_{2}}{\partial y}(x_{0}, y_{0})
\end{pmatrix} \begin{pmatrix}
u \\ v
\end{pmatrix} \label{13} \tag{13}$$

La matriz de $2 \times 2$ de las derivadas parciales en esta expresión se llama matriz Jacobiana del sistema en $Y_{0} = (x_{0}, y_{0})$.

$$\mathbf{J}(x_{0}, y_{0}) = \begin{pmatrix}
\dfrac{\partial F_{1}}{\partial x}(x_{0}, y_{0}) & \dfrac{\partial F_{1}}{\partial y}(x_{0}, y_{0}) \\ \dfrac{\partial F_{2}}{\partial x}(x_{0}, y_{0})
& \dfrac{\partial F_{2}}{\partial y}(x_{0}, y_{0})
\end{pmatrix} \label{14} \tag{14}$$

Por lo tanto, el sistema linealizado en el punto de equilibrio $Y_{0} = (x_{0},y_{0})$ es

$$\begin{pmatrix}
u^{\prime} \\ v^{\prime}
\end{pmatrix} = \mathbf{J} \begin{pmatrix}
u \\ v
\end{pmatrix} \label{15} \tag{15}$$

Una observación importante de este proceso es que para crear el sistema linealizado sólo es necesario conocer las derivadas parciales de las componentes $F_{1}$ y $F_{2}$ del campo vectorial en el punto de equilibrio $Y_{0}$, no es necesario hacer el cambio de variable moviendo el punto de equilibrio al origen. Más adelante veremos ejemplos para mostrar este hecho.

Clasificación de los puntos de equilibrio

El método de linealización tiene como propósito usar un sistema lineal para predecir el comportamiento de las soluciones de un sistema no lineal cerca de un punto de equilibrio. En una vecindad de dicho punto, las soluciones de los sistemas lineales y no lineales están cercanas entre sí, por lo menos en un intervalo corto. Para la mayor parte de los sistemas, la información ganada al estudiar la linearización es suficiente para determinar el comportamiento a largo plazo de las soluciones del sistema no lineal cerca del punto de equilibrio.

Esta vez no seremos explícitos, pero es posible hacer una clasificación de los puntos de equilibrio en base a los valores propios de la matriz Jacobiana (\ref{14}).

Si todos los valores propios de $\mathbf{J}$ son números reales negativos o números complejos con parte real negativa, entonces $(u, v) = (0, 0)$ es un nodo atractor para el sistema lineal y todas las soluciones se acercan a $(u, v) = (0, 0)$ cuando $t \rightarrow \infty$. Para el sistema no lineal, las soluciones que empiezan cerca del punto de equilibrio $(x, y) = (x_{0}, y_{0})$ se acercan a éste cuando $t \rightarrow \infty$. Por tanto, decimos que $(x_{0}, y_{0})$ es un nodo atractor. Si los valores propios son complejos, entonces $(x_{0}, y_{0})$ es un foco estable.

De modo similar, si $\mathbf{J}$ sólo tiene valores propios positivos o complejos con parte real positiva, entonces las soluciones con condiciones iniciales cerca del punto de equilibrio $(x_{0}, y_{0})$ tienden a alejarse de éste cuando $t$ crece. Decimos entonces que para un sistema no lineal el punto $(x_{0}, y_{0})$ es una nodo repulsor. Si los valores propios son complejos, entonces $(x_{0}, y_{0})$ es un foco inestable.

Si $\mathbf{J}$ tiene un valor propio positivo y uno negativo, entonces el punto de equilibrio $(x_{0}, y_{0})$ es un punto silla.

Es importante mencionar que esta clasificación de los puntos de equilibrio para los sistemas no lineales no nos dice nada acerca del comportamiento de las soluciones con posiciones iniciales lejanas del punto de equilibrio $(x_{0}, y_{0})$.

Para concluir con esta entrada realicemos algunos ejemplos.

Ejemplo: Linealizar el siguiente sistema no lineal.

\begin{align*}
x^{\prime} &= x(2 -x -y) \\
y^{\prime} &= -x + 3y -2xy
\end{align*}

Solución: Comencemos por observar el plano fase de este sistema no lineal.

Nota: Cuando estudiamos las propiedades cualitativas de las trayectorias vimos que es posible esbozar el plano fase de un sistema no lineal si resolvemos la ecuación diferencial

$$\dfrac{dy}{dx} = \dfrac{F_{2}(x, y)}{F_{1}(x, y)} \label{16} \tag{16}$$

pero no siempre obtendremos una ecuación sencilla de resolver. En general, aún no sabemos cómo esbozar el plano fase de un sistema no lineal, lo ideal es que nosotros lo pudiéramos hacer a mano. Por ahora sólo nos estaremos apoyando de un programa que nos permite obtenerlo, más adelante veremos cómo esbozarlo no sólo cerca de los puntos de equilibrio.

Continuemos con el ejemplo. Del plano fase podemos observar que los puntos de equilibrio son

$$Y_{0} = (0, 0), \hspace{1cm} Y_{1} = (1, 1) \hspace{1cm} y \hspace{1cm} Y_{2} = (3, -1)$$

Veamos que es así analíticamente y linealicemos cada uno de ellos.

La función vectorial $F(x, y)$ que define al campo vectorial es

$$F(x, y) = (x(2 -x -y), -x + 3y -2xy)$$

Vemos que las funciones $F_{1}(x, y)$ y $F_{2}(x, y)$ son

\begin{align*}
F_{1}(x, y) &= x(2 -x -y) \\
F_{2}(x, y) &= -x + 3y -2xy
\end{align*}

No es necesario hacer algún tipo de cambio de variable, directamente podemos determinar la matriz Jacobiana para obtener una expresión similar a (\ref{15}). Calculemos las derivadas parciales de $F_{1}(x, y)$ y $F_{2}(x, y)$.

$$\dfrac{\partial F_{1}}{\partial x} = 2 -2x -y, \hspace{1cm} \dfrac{\partial F_{1}}{\partial y} = -x, \hspace{1cm} \dfrac{\partial F_{2}}{\partial x} = -1 -2y, \hspace{1cm} \dfrac{\partial F_{2}}{\partial y} = 3 -2x$$

Por lo tanto, la matriz Jacobiana es

$$\mathbf{J}(x, y) = \begin{pmatrix}
2 -2x -y & -x \\ -1 -2y & 3 -2x
\end{pmatrix}$$

Por otro lado, determinemos los puntos de equilibrio. Buscamos los valores de $x$ y $y$, tal que

$$F_{1}(x, y) = 0 \hspace{1cm} y \hspace{1cm} F_{2}(x, y) = 0$$

es decir,

\begin{align*}
x(2 -x -y) &= 0 \\
-x + 3y -2xy &= 0
\end{align*}

De la primer ecuación obtenemos que $x = 0$ y $2 -x -y = 0$, de este segundo resultado vemos que $x = 2 -y$, sustituyamos ambos valores en la segunda ecuación.

Para $x =0$ obtenemos $3y =0$, de donde $y =0$. Por lo tanto, el origen es un punto de equilibrio.

Para $x =2 -y$, tenemos

$$-(2 -y) + 3y -2(2 -y)y =y^{2} -1 = 0$$

De donde $y_{1} = 1$ y $y_{2} = -1$, sustituyendo ambas raíces en $x = 2 -y$, se tiene

\begin{align*}
x_{1} &= 2 -1 = 1 \\
x_{2} &= 2 -( -1) = 3
\end{align*}

Por lo tanto, los puntos de equilibrio son

$$Y_{0} = (0, 0), \hspace{1cm} Y_{1} = (1, 1) \hspace{1cm} y \hspace{1cm} Y_{2} = (3, -1)$$

tal como lo indica el plano fase.

Linealicemos el sistema, para ello evaluemos cada punto de equilibrio en la matriz Jacobiana.

$$\mathbf{J}(0, 0) = \begin{pmatrix}
2 & 0 \\ -1 & 3
\end{pmatrix}, \hspace{1cm} \mathbf{J}(1, 1) = \begin{pmatrix}
-1 & -1 \\ -3 & 1
\end{pmatrix}, \hspace{1cm} \mathbf{J}(3, -1) = \begin{pmatrix}
-3 & -3 \\ 1 & -3
\end{pmatrix}$$

Por lo tanto, alrededor del punto de equilibrio $Y_{0} = (0, 0)$ el sistema no lineal puede ser descrito por el sistema lineal

$$\mathbf{Y}^{\prime} = \begin{pmatrix}
2 & 0 \\ -1 & 3
\end{pmatrix}\mathbf{Y}$$

Alrededor del punto de equilibrio $Y_{0} = (1, 1)$ el sistema no lineal puede ser descrito por el sistema lineal

$$\mathbf{Y}^{\prime} = \begin{pmatrix}
-1 & -1 \\ -3 & 1
\end{pmatrix} \mathbf{Y}$$

Plano fase del sistema linealizado en el punto de equilibrio $Y_{0} = (1, 1)$.

Y finalmente el sistema no lineal, alrededor del punto de equilibrio $Y_{0} = (3, -1)$, puede ser descrito por el sistema lineal

$$\mathbf{Y}^{\prime} = \begin{pmatrix}
-3 & -3 \\ 1 & -3
\end{pmatrix} \mathbf{Y}$$

Plano fase del sistema linealizado en el punto de equilibrio $Y_{0} = (3, -1)$.

Por su puesto que se puede aplicar todo lo que sabemos sobre sistemas lineales, podemos determinar los valores propios y los vectores propios para obtener las soluciones generales, podemos también determinar la traza, el determinante, el discriminante y determinar la estabilidad de los puntos de equilibrio, etcétera.

Lo que estamos obteniendo es una descripción local del comportamiento de las soluciones del sistema no lineal alrededor de los puntos de equilibrio.

Una aclaración importante es que los planos fase de los sistemas lineales obtenidos están siendo graficados en el plano $UV$, es por ello que cada uno se encuentra centrado en el origen, en el origen de dicho plano.

$\square$

Finalicemos esta entrada con un ejemplo de especies en competencia.

Un modelo de especies en competencia

El sistema Volterra – Lotka es un conocido sistema para especies en competencia y es de la forma

\begin{align*}
x^{\prime} &= x(-Ax -By + C) \\
y^{\prime} &= y(-Dx -Ey + F) \label{17} \tag{17}
\end{align*}

donde $x$ y $y$ son mayores o igual a cero y los parámetros $A -F$ son siempre positivos.

Consideremos un ejemplo particular del sistema Volterra – Lotka. Sean $x$ y $y$ las poblaciones de dos especies que compiten por recursos, un incremento en cualquier especie tiene un efecto adverso sobre la razón de crecimiento de la otra. El modelo es el siguiente.

\begin{align*}
x^{\prime} &= 2x \left( 1 -\dfrac{x}{2} \right) -xy \\
y^{\prime} &= 3y \left( 1 -\dfrac{y}{3} \right) -2xy
\end{align*}

Para un valor dado de $x$, si $y$ se incrementa entonces el término $-xy$ ocasiona que $x^{\prime}$ decrezca. De forma similar, para un valor dado de $y$, si $x$ crece entonces $-2xy$ provoca que $y^{\prime}$ disminuya. Un aumento en la población de cualquiera de las especies ocasiona una disminución en la razón de crecimiento de la otra.

El plano fase del sistema no lineal es

Plano fase del sistema de especies en competencia.

Nota: El plano fase se ilustra para $x$ y $y$ en $\mathbb{R}$, sin embargo, recordemos que el sistema Volterra – Lotka sólo esta definido en el primer cuadrante en el que $x, y \geq 0$, esto debido a que no existen poblaciones negativas. Se puede observar que los cuatro puntos de equilibrio del sistema si pertenecen al primer cuadrante. Sólo consideraremos esta zona.

La funciones $F_{1}(x, y)$ y $F_{2}(x, y)$ son

\begin{align*}
F_{1}(x, y) &= 2x \left( 1 -\dfrac{x}{2} \right) -xy \\
F_{2}(x, y) &= 3y \left( 1 -\dfrac{y}{3} \right) -2xy
\end{align*}

Calculemos las derivadas parciales.

$$\dfrac{\partial F_{1}}{\partial x} = 2 -2x -y, \hspace{1cm} \dfrac{\partial F_{1}}{\partial y} = -x, \hspace{1cm} \dfrac{\partial F_{2}}{\partial x} = -2y, \hspace{1cm} \dfrac{\partial F_{2}}{\partial y} = 3 -2y -2x$$

Por lo tanto, la matriz Jacobiana es

$$\mathbf{J}(x, y) = \begin{pmatrix}
2 -2x -y & -x \\ -2y & 3 -2y -2x
\end{pmatrix}$$

Determinemos los puntos de equilibrio.

\begin{align*}
x(2 -x -y) &= 0 \\
y(3 -y-2x) &= 0
\end{align*}

La primer ecuación se satisface si $x = 0$ o si $2 -x -y = 0$, y la segunda se cumple si $y = 0$ o si $3 -y -2x = 0$.

Supongamos primero que $x = 0$. Entonces la ecuación $y = 0$ da un punto de equilibrio en el origen y $3 -y -2x = 0$ lo proporciona en $(0, 3)$.

Digamos ahora que $2 -x -y = 0$. Entonces la ecuación $y = 0$ da un punto de equilibrio en $(2, 0)$ y $3 -y -2x = 0$ lo da en $(1, 1)$.

Por lo tanto, los puntos de equilibrio son

$$Y_{0} = (0, 0), \hspace{1cm} Y_{1} = (0, 3), \hspace{1cm} Y_{2} = (2, 0) \hspace{1cm} y \hspace{1cm} Y_{3} = (1, 1)$$

Consideremos el punto de equilibrio $Y_{3} = (1,1)$, el cual nos indica que es posible para las dos especies coexistir en equilibrio (como las flores y las abejas que se ayudan a sobrevivir y prosperar mutuamente).

Linealizamos el sistema alrededor del punto de equilibrio $Y_{3} = (1, 1)$, para ello evaluemos en la matriz Jacobiana.

$$\mathbf{J}(1,1) = \begin{pmatrix}
-1 & -1 \\ -2 & -1
\end{pmatrix}$$

Por lo tanto, el sistema lineal que describe al sistema no lineal alrededor del punto de equilibrio $Y_{3} = (1, 1)$, es

$$\mathbf{Y}^{\prime} = \begin{pmatrix}
-1 & -1 \\ -2 & -1
\end{pmatrix}\mathbf{Y}$$

Los valores propios del sistema son

$$\lambda_{1} = -1 + \sqrt{2} \hspace{1cm} y \hspace{1cm} \lambda_{2} = -1 -\sqrt{2}$$

como uno es positivo y otro negativo concluimos que el punto de equilibrio es un punto silla. El plano fase del sistema lineal es

Plano fase linealizado alrededor del punto de equilibrio $Y_{3} = (1, 1)$.

Sólo hay dos trayectorias que tienden hacia el punto de equilibrio $Y_{3} = (1, 1)$ cuando $t$ crece, de modo que bajo cualquier perturbación en las condiciones iniciales provocará que una especie domine sobre la otra, sin embargo, este modelo de especies es muy simplificado que no esperamos ver soluciones que conduzcan al punto de equilibrio $(1, 1)$ en la naturaleza.

De tarea moral linealiza el sistema para el resto de puntos de equilibrio.

$\square$

Ahora sabemos como estudiar las soluciones de un sistema no lineal alrededor de sus puntos de equilibrio, esto sólo nos dará información local, de manera que no es suficiente si lo que queremos es describir las soluciones para tiempos grandes. En la siguiente entrada veremos una técnica que nos permite describir las soluciones lejos de los puntos de equilibrio.

Tarea moral

Los siguientes ejercicios no forman parte de la evaluación del curso, pero servirán para entender mucho mejor los conceptos vistos en esta entrada, así como temas posteriores.

Considerar los siguientes tres sistemas no lineales:

$x^{\prime} = 2x + y$
$y^{\prime} = -y + x^{2}$

$x^{\prime} = 2x + y$
$y^{\prime} = y + x^{2}$

$x^{\prime} = 2x + y$
$y^{\prime} = -y -x^{2}$

Los tres sistemas tienen un punto de equilibrio en $(0,0)$. ¿Cuáles dos sistemas tienen planos fase similares cerca de $(0,0)$?. Justificar la respuesta.

Considerar los siguientes tres sistemas no lineales:

$x^{\prime} = 3 \sin(x) + y$
$y^{\prime} = 4x + \cos(y) -1$

$x^{\prime} = -3 \sin(x) + y$
$y^{\prime} = 4x + \cos(y) -1$

$x^{\prime} = -3 \sin(x) + y$
$y^{\prime} = 4x + 3 \cos(y) -3$

Los tres sistemas tienen un punto de equilibrio en $(0,0)$. ¿Cuáles son los dos sistemas que tienen planos fase similares cerca de $(0,0)$?. Justificar la respuesta.

Dado el siguiente sistema no lineal:

$x^{\prime} = -2x + y$
$y^{\prime} = -y + x^{2}$

Encontrar el sistema linealizado para el punto de equilibrio $(0, 0)$.
Clasificar el punto de equilibrio.
Esbozar el plano fase para el sistema no lineal cerca del origen $(0, 0)$.
Repetir los puntos anteriores para el punto de equilibrio $(2, 4)$.

Para el modelo de población de especies en competencia

$x^{\prime} = 2x \left( 1 -\dfrac{x}{2} \right) -xy$
$y^{\prime} = 3y \left( 1 -\dfrac{y}{3} \right) -2xy$

mostramos que el punto de equilibrio $(1, 1)$ es un punto silla.

Encontrar el sistema linealizado cerca de cada uno de los otros puntos de equilibrio.
Clasificar cada punto de equilibrio.
Esbozar el plano fase de cada sistema linealizado.
Dar una breve descripción del plano fase cerca de cada punto de equilibrio del sistema no lineal.

Considerar el siguiente sistema no lineal:

$x^{\prime} = y -(x^{2} + y^{2})x$
$y^{\prime} = -x-(x^{2} + y^{2})y$

Visualizar el plano fase del sistema.
Determinar los puntos de equilibrio.
Linealizar el sistema con respecto al punto de equilibrio $(0, 0)$.
Visualizar el plano fase del sistema linealizado.

¿Los planos fase de ambos sistemas alrededor del punto de equilibrio $(0, 0)$ son similares?.
¿Qué puede estar sucediendo?.

Más adelante…

Una propiedad interesante del campo vectorial

$$F(x, y) = (F_{1}(x, y), F_{2}(x, y))$$

es que en un punto el vector $F$ puede ser totalmente vertical si la componente $F_{1}$ es cero, o bien puede ser totalmente horizontal se la componente $F_{2}$ es cero. Esta propiedad resultará sumamente útil a la hora de estudiar las trayectorias de un sistema no lineal lejos de un punto de equilibrio.

Al conjunto de puntos en los que alguna de las componentes de la función vectorial $F$ es cero se les denomina nulclinas.

Entradas relacionadas

Página principal del curso: Ecuaciones Diferenciales I
Entrada anterior del curso: El plano Traza – Determinante
Siguiente entrada del curso: Las nulclinas en el estudio cualitativo de los sistemas no lineales

Video relacionado al tema: Sistemas de ecuaciones no lineales. Linealización de puntos de equilibrio

Agradecimientos

Trabajo realizado con el apoyo del Programa UNAM-DGAPA-PAPIME PE104522 «Hacia una modalidad a distancia de la Licenciatura en Matemáticas de la FC-UNAM – Etapa 2»

Ecuaciones Diferenciales I: Teoría cualitativa de los sistemas lineales homogéneos – Valores propios nulos

Por Omar González Franco

Deja un comentario

Un matemático es un hombre ciego en un cuarto oscuro
tratando de buscar a un gato negro que no está allí.
– Charles Darwin

Introducción

En esta entrada concluiremos con el estudio cualitativo de los sistemas lineales homogéneos compuestos por dos ecuaciones diferenciales.

Hasta ahora somos capaces de clasificar y esbozar el comportamiento de las soluciones para los casos en los que los valores propios son reales, complejos y repetidos. Es momento de estudiar el último caso en donde uno o ambos de los valores propios son cero. Este caso es importante ya que divide los sistemas lineales con valores propios estrictamente positivos (repulsores) y valores propios estrictamente negativos (atractores) de aquellos que poseen un valor propio positivo y uno negativo (puntos silla).

Los casos posibles son

$\lambda_{1} = 0$ y $\lambda_{2} < 0$.
$\lambda_{1} = 0$ y $\lambda_{2} > 0$.
$\lambda_{1} = \lambda_{2} = 0$.

Recordemos que el sistema que estamos estudiando es de la forma

\begin{align*}
x^{\prime} &= ax + by \\
y^{\prime} &= cx + dy \label{1} \tag{1}
\end{align*}

Este sistema lo podemos escribir como

$$\mathbf{Y}^{\prime} = \mathbf{AY} \label{2} \tag{2}$$

en donde,

$$\mathbf{Y}^{\prime} = \begin{pmatrix}
x^{\prime} \\ y^{\prime}
\end{pmatrix}, \hspace{1cm} \mathbf{Y} = \begin{pmatrix}
x \\ y
\end{pmatrix} \hspace{1cm} y \hspace{1cm} \mathbf{A} = \begin{pmatrix}
a & b \\ c & d
\end{pmatrix}$$

Sean $\lambda_{1}$ y $\lambda_{2}$ los valores propios de $\mathbf{A}$ y sean $\mathbf{K}_{1}$ y $\mathbf{K}_{2}$ los vectores propios de $\mathbf{A}$ asociados a cada valor propio, respectivamente.

Comencemos por revisar el caso en el que un valor propio es nulo y el otro negativo.

Un valor propio nulo y otro negativo

Caso 1: $\lambda_{1} = 0$ y $\lambda_{2} < 0$.

Supongamos que $\lambda_{1} = 0$ y $\lambda_{2} < 0$ son los valores propios de $\mathbf{A}$. Debido a que $\lambda_{1} = 0$ y $\lambda_{2} \neq 0$, es decir, los valores propios son reales y distintos, entonces la solución general de (\ref{1}) debe ser de la forma

$$\mathbf{Y}(t) = c_{1} e^{\lambda_{1} t} \mathbf{K}_{1} + c_{2} e^{\lambda_{2} t} \mathbf{K}_{2} \label{3} \tag{3}$$

Pero $\lambda_{1} = 0$, por consiguiente la solución general es

$$\mathbf{Y}(t) = c_{1} \mathbf{K}_{1} + c_{2} e^{\lambda_{2} t} \mathbf{K}_{2} \label{4} \tag{4}$$

Observemos que esta solución depende de $t$ sólo a través del segundo término, de manera que si $c_{2} = 0$, entonces la solución será el vector constante

$$\mathbf{Y}(t) = c_{1} \mathbf{K}_{1} \label{5} \tag{5}$$

En este caso, todos los puntos $c_{1} \mathbf{K}_{1}$, para cualquier $c_{1}$, son puntos de equilibrio y todo aquel que esté situado en la línea de vectores propios para el valor propio $\lambda_{1} = 0$ es un punto de equilibrio.

Si $\lambda_{2} < 0$, entonces el segundo término en la solución general (\ref{4}) tiende a cero cuando $t$ crece, por lo que dicha solución tiende al punto de equilibrio $c_{1} \mathbf{K}_{1}$ a lo largo de una línea paralela a $\mathbf{K}_{2}$.

El plano fase indicando estas características es el siguiente.

Plano fase para un valor propio nulo y otro negativo.

Veamos que ocurre si $\lambda_{2} > 0$.

Un valor propio nulo y otro positivo

Caso 2: $\lambda_{1} = 0$ y $\lambda_{2} > 0$.

La solución general del sistema (\ref{1}) sigue siendo

$$\mathbf{Y}(t) = c_{1} \mathbf{K}_{1} + c_{2} e^{\lambda_{2} t} \mathbf{K}_{2}$$

Pero en este caso $\lambda_{2} > 0$, lo que implica que la solución se aleja de la línea de puntos de equilibrio cuando $t$ crece.

El plano fase es el siguiente.

Plano fase para un valor propio nulo y otro positivo.

Finalmente veamos que ocurre si $\lambda_{1} = \lambda_{2} = 0$.

Ambos valores propios nulos

Caso 3: $\lambda_{1} = \lambda_{2} = 0$.

En este caso ambos valores propios son repetidos, lo que significa que podemos aplicar la teoría vista en la entrada anterior. Sea $\mathbf{K}_{1}$ el único vector propio de la matriz $\mathbf{A}$ y sea $\mathbf{K}_{2}$ un vector propio generalizado de $\mathbf{A}$. Sabemos que la solución general del sistema (\ref{1}) en el caso de valores propios repetidos es

$$\mathbf{Y}(t) = c_{1} e^{\lambda t} \mathbf{K}_{1} + c_{2} e^{\lambda t} \left[ \mathbf{K}_{2} + t(\mathbf{A} -\lambda \mathbf{I}) \mathbf{K}_{2} \right] \label{6} \tag{6}$$

Sin embargo $\lambda = 0$, entonces la solución anterior se reduce a

$$\mathbf{Y}(t) = c_{1} \mathbf{K}_{1} + c_{2} \left[ \mathbf{K}_{2} + t \mathbf{A} \mathbf{K}_{2} \right] \label{7} \tag{7}$$

El hecho de que los valores propios sean nulos un vector propio podrá ser algún vector canónico

$$\mathbf{K} = \begin{pmatrix}
1 \\ 0
\end{pmatrix} \hspace{1cm} o \hspace{1cm} \mathbf{K} = \begin{pmatrix}
0 \\ 1
\end{pmatrix}$$

Las consecuencias de esto es que terminaremos con una solución en la que sólo una función $x(t)$ o $y(t)$ dependerá de $t$, mientras que la otra será una constante.

Supongamos que sólo $x$ depende de $t$, es decir, $x = x(t)$ y $y(t) = c$, con $c$ una constante, entonces para todo $t$ la función $y(t)$ tendrá el mismo valor, mientras que $x(t)$ dependerá de $t$ linealmente, esto en el plano fase se traduce en rectas paralelas al eje $X$ (ya que $y$ no cambia). La dirección de las trayectorias dependerá del signo de la constante que acompaña a la función $y(x)$.

El plano fase para el caso en el $x$ depende de $t$ es

Plano fase para ambos valores propios nulos.

Si se presenta el caso en el que $x(t)$ es una constante y $y(t)$ depende de $t$, entonces las trayectorias serán rectas verticales paralelas al eje $Y$.

En este caso los puntos de equilibrio del sistema serán el eje $X$ o el eje $Y$ dependiendo de que función sea la que dependa de $t$.

Concluyamos esta entrada con un ejemplo por cada caso visto.

Caso 1: $\lambda_{1} = 0$ y $\lambda_{2} < 0$.

Ejemplo: Resolver el siguiente sistema lineal y hacer un análisis cualitativo de las soluciones.

$$\mathbf{Y}^{\prime} = \begin{pmatrix}
-3 & 1 \\ 3 & -1
\end{pmatrix} \mathbf{Y}$$

Solución: Determinemos los valores propios.

$$\begin{vmatrix}
-3 -\lambda & 1 \\ 3 & -1 -\lambda
\end{vmatrix} = \lambda (\lambda -4) = 0$$

Las raíces son $\lambda_{1} = 0$ y $\lambda_{2} = -4$. El vector propio asociado a $\lambda_{1} = 0$ lo obtenemos del siguiente sistema.

$$(\mathbf{A} -0 \mathbf{I}) \mathbf{K} = \mathbf{AK} = \begin{pmatrix}
-3 & 1 \\ 3 & -1
\end{pmatrix} \begin{pmatrix}
k_{1} \\ k_{2}
\end{pmatrix} = \begin{pmatrix}
0 \\ 0
\end{pmatrix}$$

Vemos que $3k_{1} = k_{2}$. Elegimos $k_{1} = 1$, tal que $k_{2} = 3$. El primer vector propio es

$$\mathbf{K}_{1} = \begin{pmatrix}
1 \\ 3
\end{pmatrix}$$

Determinemos el segundo vector propio asociado a $\lambda_{2} = -4$.

$$(\mathbf{A} + 4 \mathbf{I}) \mathbf{K} = \begin{pmatrix}
1 & 1 \\ 3 & 3
\end{pmatrix} \begin{pmatrix}
k_{1} \\ k_{2}
\end{pmatrix} = \begin{pmatrix}
0 \\ 0
\end{pmatrix}$$

En este caso $k_{1} = -k_{2}$. Sea $k_{1} = -3$, tal que $k_{2} = 3$. El segundo vector propio es

$$\mathbf{K}_{2} = \begin{pmatrix}
-3 \\ 3
\end{pmatrix}$$

Por lo tanto, la solución general del sistema es

$$\mathbf{Y}(t) = c_{1} \begin{pmatrix}
1 \\ 3
\end{pmatrix} + c_{2} e^{-4t} \begin{pmatrix}
-3 \\ 3
\end{pmatrix}$$

O bien,

\begin{align*}
x(t) &= c_{1} -3c_{2}e^{-4t} \\
y(t) &= 3c_{1} + 3c_{2}e^{-4t}
\end{align*}

De acuerdo a la teoría vista, los puntos de equilibrio corresponden a la recta situada a lo largo del vector propio $\mathbf{K}_{1}$. Para encontrar esta recta consideremos que $c_{2} = 0$, de manera que la solución es

\begin{align*}
x(t) &= c_{1} \\
y(t) &= 3c_{1}
\end{align*}

De donde $y(x) = 3x$, por lo tanto, toda la recta $y = 3x$ contiene puntos de equilibrio.

Otra forma de verlo es a través de la definición. La función vectorial $F(x, y)$ en este caso es

$$F(x, y) = (-3x + y, 3x -y)$$

Los puntos de equilibrio son aquellos en los que $F(x, y) = (0, 0)$, es decir,

\begin{align*}
-3x + y &= 0 \\
3x -y &= 0
\end{align*}

De este sistema obtenemos que los puntos de equilibrio son aquellos en los que $3x = y$, es decir, la recta definida por la función $y(x) = 3x$.

Por otro lado, considerando nuevamente la solución general, es claro que

$$\lim_{t \to \infty} x(t) = c_{1} \hspace{1cm} y \hspace{1cm} \lim_{t \to \infty} y(t) = 3c_{1}$$

por lo que todas las trayectorias tienden a los puntos de equilibrio $c_{1}\mathbf{K}_{1}$ por cada valor de $c_{1}$ y lo hacen de forma paralela al vector propio $\mathbf{K}_{2}$.

El plano fase indicando las características anteriores es el siguiente.

Ya vimos que la función vectorial es

$$F(x, y) = (-3x + y, 3x -y)$$

El campo vectorial definido por esta función, y algunas trayectorias correspondientes a soluciones del sistema, se muestran en la siguiente figura.

$\square$

Caso 2: $\lambda_{1} = 0$ y $\lambda_{2} > 0$.

Ejemplo: Resolver el siguiente sistema lineal y hacer un análisis cualitativo de las soluciones.

$$\mathbf{Y}^{\prime} = \begin{pmatrix}
4 & 2 \\ 2 & 1
\end{pmatrix} \mathbf{Y}$$

Solución: Comencemos por determinar los valores propios.

$$\begin{vmatrix}
4 -\lambda & 2 \\ 2
& 1 -\lambda
\end{vmatrix} = \lambda (\lambda -5) = 0$$

Las raíces son $\lambda_{1} = 0$ y $\lambda_{2} = 5$. Determinemos primero el vector propio asociado al valor propio $\lambda_{1} = 0$.

$$(\mathbf{A} -0 \mathbf{I}) \mathbf{K} = \mathbf{AK} = \begin{pmatrix}
4 & 2 \\ 2 & 1
\end{pmatrix} \begin{pmatrix}
k_{1} \\ k_{2}
\end{pmatrix} = \begin{pmatrix}
0 \\ 0
\end{pmatrix}$$

De este sistema obtenemos que $2k_{1} = -k_{2}$. Sea $k_{1} = -1$, entonces $k_{2} = 2$. Por lo tanto, el primer vector propio es

$$\mathbf{K}_{1} = \begin{pmatrix}
-1 \\ 2
\end{pmatrix}$$

Determinemos el segundo vector propio asociado a $\lambda_{2} = 5$.

$$(\mathbf{A} -5 \mathbf{I}) \mathbf{K} = \begin{pmatrix}
-1 & 2 \\ 2 & -4
\end{pmatrix} \begin{pmatrix}
k_{1} \\ k_{2}
\end{pmatrix} = \begin{pmatrix}
0 \\ 0
\end{pmatrix}$$

Vemos que $2k_{2} = k_{1}$. Sea $k_{2} = 2$, entonces $k_{1} = 4$. Por lo tanto, el segundo vector propio es

$$\mathbf{K}_{2} =\begin{pmatrix}
4 \\ 2
\end{pmatrix}$$

Por lo tanto, la solución general del sistema es

$$\mathbf{Y}(t) = c_{1} \begin{pmatrix}
-1 \\ 2
\end{pmatrix} + c_{2}e^{5t} \begin{pmatrix}
4 \\ 2
\end{pmatrix}$$

O bien,

\begin{align*}
x(t) &= -c_{1} + 4c_{2}e^{5t} \\
y(t) &= 2c_{1} + 2c_{2}e^{5t}
\end{align*}

La recta que contiene a los puntos de equilibrio es aquella línea definida por el vector propio $\mathbf{K}_{1}$, es decir, si en la solución general hacemos $c_{2} = 0$, entonces obtenemos la solución

\begin{align*}
x(t) &= -c_{1} \\
y(t) &= 2c_{1}
\end{align*}

De donde obtenemos la función $y(x) = -2x$, todos los puntos de esta recta son puntos de equilibrio.

La función vectorial $F(x, y)$ en este caso es

$$F(x, y) = (4x + 2y, 2x + y)$$

Prueba que efectivamente si $y = -2x$, entonces $F(x, y) = (0, 0)$.

Por otro lado, de la solución general vemos que

$$\lim_{t \to -\infty} x(t) = -c_{1} \hspace{1cm} y \hspace{1cm} \lim_{t \to -\infty} y(t) = 2c_{1}$$

Y $x(t)$ y $y(t)$ divergen si $t \rightarrow \infty$, esto nos indica que las trayectorias se alejan de los puntos de equilibrio $c_{1} \mathbf{K}_{1}$ por cada valor de $c_{1}$ y lo hacen de forma paralela al vector propio $\mathbf{K}_{2}$.

El plano fase del sistema es el siguiente.

La función vectorial que define al campo vectorial asociado es

$$F(x, y) = (4x + 2y, 2x + y)$$

El campo vectorial y algunas trayectorias se muestran en la siguiente figura.

$\square$

Concluyamos con el caso especial en el que ambos valores propios son cero.

Caso 3: $\lambda_{1} = \lambda_{2} = 0$.

Ejemplo: Resolver el siguiente sistema lineal y hacer un análisis cualitativo de las soluciones.

$$\mathbf{Y}^{\prime} = \begin{pmatrix}
0 & 2 \\ 0 & 0
\end{pmatrix} \mathbf{Y}$$

Solución: Antes de comenzar a desarrollar el método notemos que se trata de un sistema muy sencillo, la ecuación de $y^{\prime}$ es

$$\dfrac{dy}{dt} = 0$$

Es claro que la solución es cualquier constante $C_{1}$, es decir $y(t) = C_{1}$, si sustituimos en la ecuación para $x^{\prime}$, tenemos

$$\dfrac{dx}{dt} = 2C_{1}$$

Resolviendo esta ecuación obtenemos la función

$$x(t) = 2C_{1}t + C_{2}$$

Por tanto, la solución general del sistema es

\begin{align*}
x(t) &= 2C_{1}t + C_{2} \\
y(t) &= C_{1}
\end{align*}

Vemos que sólo la función $x(t)$ depende de $t$, mientras que $y(t)$ es una constante.

Esto lo hacemos debido a que el sistema es bastante sencillo. Sin embargo, a continuación haremos el desarrollo hecho en la entrada anterior ya que, como veremos, los valores propios serán repetidos y nulos. Dichos valores propios los obtenemos de la siguiente ecuación característica.

$$\begin{vmatrix}
0 -\lambda & 2 \\ 0 & 0 -\lambda
\end{vmatrix} = \lambda^{2} = 0$$

La única raíz es $\lambda = 0$, es decir, cero es el único valor propio con multiplicidad $2$.

Para determinar el vector propio resolvemos el siguiente sistema.

$$\mathbf{AK} = \begin{pmatrix}
0 & 2 \\ 0 & 0
\end{pmatrix} \begin{pmatrix}
k_{1} \\ k_{2}
\end{pmatrix}$$

Este sistema nos indica que $2k_{2} = 0$, es decir, $k_{2} = 0$ y que $k_{1}$ puede tomar cualquier valor en $\mathbb{R}$. Tomemos $k_{1} = 1$, tal que el primer vector propio sea

$$\mathbf{K}_{1} = \begin{pmatrix}
1 \\ 0
\end{pmatrix}$$

Buscamos ahora un vector propio generalizado.

$$(\mathbf{A} -\lambda \mathbf{I})^{2} \mathbf{K} = \begin{pmatrix}
0 & 2 \\ 0 & 0
\end{pmatrix} \begin{pmatrix}
0 & 2 \\ 0 & 0
\end{pmatrix} \begin{pmatrix}
k_{1} \\ k_{2}
\end{pmatrix} = \begin{pmatrix}
0 & 0 \\ 0 & 0
\end{pmatrix} \begin{pmatrix}
k_{1} \\ k_{2}
\end{pmatrix} = \begin{pmatrix}
0 \\ 0
\end{pmatrix}$$

Debido a que cualquier vector $\mathbf{K}$, tal que

$$\mathbf{AK} \neq \mathbf{0}$$

es un vector propio generalizado, elegimos el vector ortogonal

$$\mathbf{K}_{2} = \begin{pmatrix}
0 \\ 1
\end{pmatrix}$$

Por lo tanto, la solución general es

\begin{align*}
\mathbf{Y}(t) &= c_{1} \begin{pmatrix}
1 \\ 0
\end{pmatrix} + c_{2} \left[ \begin{pmatrix}
1 \\ 0
\end{pmatrix} + t \begin{pmatrix}
0 & 2 \\ 0 & 0
\end{pmatrix} \begin{pmatrix}
0 \\ 1
\end{pmatrix} \right] \\
&= c_{1} \begin{pmatrix}
1 \\ 0
\end{pmatrix} + c_{2} \left[ \begin{pmatrix}
0 \\ 1
\end{pmatrix} + t
\begin{pmatrix}
2 \\ 0
\end{pmatrix} \right] \\
&= c_{1} \begin{pmatrix}
1 \\ 0
\end{pmatrix} + c_{2} \left[ \begin{pmatrix}
0 \\ 1
\end{pmatrix} + 2t
\begin{pmatrix}
1 \\ 0
\end{pmatrix} \right]
\end{align*}

Solución que podemos escribir como

\begin{align*}
x(t) &= c_{1} + 2c_{2}t \\
y(t) &= c_{2}
\end{align*}

Esta solución es la misma que encontramos antes. Debido a que $x(t)$ depende de $t$ linealmente, entonces por cada valor de $y(t)$, es decir de $c_{2}$, $x(t)$ tomará todos los valores en $\mathbb{R}$. Esto significa que en el plano fase las trayectorias serán rectas paralelas al eje $X$.

Verifica que los puntos de equilibrio del sistema corresponden al eje $X$ del plano fase.

Notemos que si $y(x) > 0$, o bien, $c_{2} > 0$, entonces

$$\lim_{t \to \infty} x(t) = \infty$$

y si $y(x) < 0$, o bien, $c_{2} < 0$, entonces

$$\lim_{t \to \infty} x(t) = -\infty$$

De manera que para $y > 0$ las trayectorias se moverán hacía la derecha y lo harán en sentido opuesto si $y < 0$. El plano fase es el siguiente.

La función que define al campo vectorial es

$$F(x, y) = (2y, 0)$$

En la siguiente figura se muestra el campo vectorial asociado y algunas trayectorias.

$\square$

Hemos concluido con el estudio de los sistemas lineales.

Más adelante comenzaremos a estudiar sistemas no lineales, al menos desde una perspectiva cualitativa, y veremos que mucho de los que vimos en los casos lineales nos será de ayuda ya que los planos fase de los sistemas no lineales en la vecindad de un punto de equilibrio son, con frecuencia, muy similares a los planos fase de sistemas lineales, así que veremos esta conexión entre ambos sistemas.

Pero antes de estudiar a los sistemas no lineales dedicaremos la siguiente entrada en hacer un repaso de lo visto en las últimas 4 entradas y resumirlo en lo que se conoce como el plano traza – determinante, ya que seguramente en este punto podría parecernos que hay muchas posibilidades diferentes para los sistemas lineales.

Tarea moral

Los siguientes ejercicios no forman parte de la evaluación del curso, pero servirán para entender mucho mejor los conceptos vistos en esta entrada, así como temas posteriores.

Resolver los siguientes sistemas lineales y hacer un análisis cualitativo de las soluciones.

$\mathbf{Y}^{\prime} = \begin{pmatrix}
2 & 4 \\ 3 & 6
\end{pmatrix} \mathbf{Y}$

$\mathbf{Y}^{\prime} = \begin{pmatrix}
-3 & 1 \\ 3 & -1
\end{pmatrix} \mathbf{Y}$

$\mathbf{Y}^{\prime} = \begin{pmatrix}
0 & -3 \\ 0 & 0
\end{pmatrix} \mathbf{Y}$

$\mathbf{Y}^{\prime} = \begin{pmatrix}
3 & 6 \\ -1 & -2
\end{pmatrix} \mathbf{Y}$

$\mathbf{Y}^{\prime} = \begin{pmatrix}
-1 & 4 \\ 1/2 & -2
\end{pmatrix} \mathbf{Y}$

$\mathbf{Y}^{\prime} = \begin{pmatrix}
0 & 0 \\ 5 & 0
\end{pmatrix} \mathbf{Y}$

Más adelante…

Hemos concluido con el análisis analítico y cualitativo de los sistemas lineales homogéneos compuestos por dos ecuaciones diferenciales del primer orden. Para tener todo en perspectiva, en la siguiente entrada haremos un breve repaso de todo lo visto con respecto a estos sistemas y resumiremos todo en un plano especial conocido como el plano traza – determinante.

Entradas relacionadas

Página principal del curso: Ecuaciones Diferenciales I
Entrada anterior del curso: Teoría cualitativa de los sistemas lineales homogéneos – Valores propios repetidos
Siguiente entrada del curso: El plano Traza – Determinante

Video relacionado al tema: Plano fase para sistemas lineales con cero como valor propio

Agradecimientos

Trabajo realizado con el apoyo del Programa UNAM-DGAPA-PAPIME PE104522 «Hacia una modalidad a distancia de la Licenciatura en Matemáticas de la FC-UNAM – Etapa 2»