Ecuaciones Diferenciales Ordinarias

ECUACIONES DIFERENCIALES
EAP de Ingeniera Electrnica

Prof. Ral P. Castro Vidal
x00 + 2x = f0 cos(t)
Prof. Ral P. Castro Vidal
Callao, 2014
Ecuaciones Diferenciales
Prof.
Ral P. Castro Vidal
Indice
Programa de la asignatura
1. Introducci
on a las EDOs: la EDO lineal de primer
1.1. Ecuaciones diferenciales ordinarias . . . . . . . .
1.2. La EDO lineal de primer orden . . . . . . . . . . .
1.3. Algunas aplicaciones de las EDOs lineales de primer
1.4. Problemas . . . . . . . . . . . . . . . . . . . . . . .
orden
. . . . .
. . . . .
orden .
. . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
1
2
3
5
2. Otras EDOs de primer orden

2.1. Ecuaciones separables . . . . . . . . . . . . . . . . . . .
2.2. Problemas . . . . . . . . . . . . . . . . . . . . . . . . .
2.3. Ecuaciones que se reducen a EDOs lineales o separables
2.4. Las EDOs homogeneas . . . . . . . . . . . . . . . . . .
2.5. Otras EDOs de primer orden: la EDO de Clairaut . . .
2.6. Ecuaciones exactas y factores integrantes . . . . . . . .
2.7. Aproximaciones numericas: el metodo de Euler . . . . .
2.8. Problemas . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
7
7
10
11
12
13
14
18
23
3. Sistemas de EDOs
3.1. La ecuacion lineal Y 0 = A(x)Y + B(x) . . . .
3.2. Los SEDO lineales con coeficientes constantes
3.3. La exponencial matricial exp(xA) . . . . . . .
3.4. El caso de autovalores m
ultiples . . . . . . . .
3.5. El SEDO lineales no homogeneo . . . . . . . .
3.6. Problemas . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
26
27
28
29
31
34
35
4. La ecuaci
on lineal de orden n
4.1. Solucion de la ecuacion lineal homogenea . . . . . . . . . . . . . . . . . . .
4.2. La EDO lineal de segundo orden no homogenea con coeficientes constantes
4.3. Aplicaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.4. Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
38
39
41
43
49
5. Soluciones de EDOs en serie de potencias

5.1. El metodo de reduccion de orden . . . . .
5.2. Puntos regulares y singulares de una EDO
5.3. La ecuacion hipergeometrica de Gauss . .
5.4. Problemas . . . . . . . . . . . . . . . . . .
6. Los
6.1.
6.2.
6.3.
6.4.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
51
52
53
55
56
polinomios ortogonales cl
asicos
La ecuacion diferencial hipergeometrica. . . .
Los Polinomios de Hermite, Laguerre y Jacobi.
Los momentos de los polinomios clasicos . . .
Las funciones generatrices . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
58
58
60
64
65
.
.
.
.
6.5. Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
67
7. El teorema de existencia y unicidad para las EDOs

7.1. Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
69
70
8. La transformada de Laplace
8.1. Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
72
73
A. Anexo: C
alculo de primitivas
A.1. Metodos de integracion. . . . . . .
A.2. Integracion de funciones racionales.
A.3. Integrales trigonometricas. . . . . .
A.4. Integrales irracionales. . . . . . . .
.
.
.
.
75
76
78
80
81
.
.
.
.
.
.
.
.
83
83
84
85
86
90
94
97
102
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
B. Anexo: Algebra
lineal
B.1. Sistemas lineales y matrices. . . . . . . . . . . . . . . . .
B.2. Formas escalonadas y el algoritmo de reduccion por filas.
B.3. Solucion de un sistema de ecuaciones lineales. . . . . . .
B.4. Vectores y ecuaciones matriciales. . . . . . . . . . . . . .
B.5. Algebra
de matrices. . . . . . . . . . . . . . . . . . . . .
B.6. Determinantes. . . . . . . . . . . . . . . . . . . . . . . .
B.7. Espacios Vectoriales. . . . . . . . . . . . . . . . . . . . .
B.8. El problema de autovalores de una matriz. . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
C. Anexo: Series de potencias

105
C.1. Propiedades de las series de potencias . . . . . . . . . . . . . . . . . . . . . . 105
ECUACIONES DIFERENCIALES
Prof. Ral P.Castro Vidal
Programa de la asignatura: EDO 2014-B
Captulo 1: Introducci
on a las ecuaciones diferenciales ordinarias. La EDO lineal
de primer orden.
Motivacion de las ecuaciones diferenciales ordinarias (EDO). La EDO lineal de primer
orden. Teorema de existencia y unicidad para la EDO lineal de orden 1. Aplicaciones.
Captulo 2: Ecuaciones diferenciales ordinarias de primer orden.
Ecuaciones diferenciales de primer orden. Ecuaciones separables. Ecuaciones lineales.
Ecuaciones de Bernoulli y de Ricati. Ecuaciones diferenciales exactas. Aplicaciones. Metodos
en diferencias para resolver EDOs de primer orden: El metodo de Euler.
Captulo 3: Sistemas de ecuaciones diferenciales ordinarias de primer orden.
Sistemas de ecuaciones diferenciales ordinarias de primer orden. Sistemas lineales con
coeficientes constantes. La matriz exponencial eA y sus propiedades. Ejemplos y aplicaciones.
Captulo 4: Ecuaciones diferenciales de orden n.
EDOs de orden n. Relacion con los sistemas de ecuaciones de primer orden. Ecuaciones
lineales. EDOs lineales de orden 2. Metodo de variacion de coeficientes. Reduccion de orden.
Captulo 5: M
etodo de las series de potencias.
Metodo de integracion por series. Puntos regulares y singulares. La ecuacion hipergeometrica de Gauss. La ecuacion de Bessel. Aplicaciones.
Captulo 6: Polinomios ortogonales cl
asicos.
La ecuacion de tipo hipergeometrico y sus soluciones polinomicas. Los polinomios clasicos. Ortogonalidad y relacion de recurrencia. Formula de Rodrigues. Los momentos de las
distribuciones continuas de probabilidad. Funciones generatrices.
Captulo 7: EDOs: Existencia y unicidad de las soluciones.
Metodo de Picard. Teorema de existencia y unicidad para una ecuacion diferencial ordinaria de primer orden. Los sistemas lineales y la EDO de orden n.
Captulo 8: Ecuaciones en diferencias finitas.
Introduccion a las ecuaciones en diferencias finitas: Ejemplos. Existencia de la solucion.
La ecuacion de segundo orden de tipo hipergeometrico. Polinomios clasicos discretos. La
ecuacion de Pearson y los momentos de las distribuciones discretas de probabilidad. Funciones generatrices.
Bibliografa
Bibliografa b
asica
C. H. Edwards, Jr y David E. Penney, Ecuaciones diferenciales elementales. Pearson
Educacion
Nagle R.K. y Saff E.B. Fundamentos de ecuaciones diferenciales. Pearson Educacion.
Colecciones de problemas
A. K. BOIARCHUK y G. P. GOLOVACH, Matematica Superiores. Problemas Resuetos: Ecuaciones diferenciales (Anti-Demidovich) Vol 8, 9 y 10 (URSS, 2002).
Bibliografa complementaria
Braun M. Differential Ecuations and their Applications. Springer Verlag.
Bugrov Ya.S., Nikolski S.M. Ecuaciones diferenciales. Integrales mltiples. Series. Funciones de variable compleja. MIR.
Elsgoltz L. Ecuaciones diferenciales y c
alculo variacional. MIR.
Kisilev A., Krasnov M. y Makarenko G. Problemas de Ecuaciones diferenciales ordinarias. Ed. MIR.
Marcellan, F., Casas
us, L. y Zarzo, A., Ecuaciones diferenciales: Problemas lineales y
aplicaciones. McGraw-Hill.
Rainville E.D., Bedient P.E. y Bedient R.E. Ecuaciones diferenciales. Prentice Hall.
Simmons, G.F. Ecuaciones diferenciales : con aplicaciones y notas hist
oricas. McGrawHill.
Renato Alvarez
Nodarse. Facultad de Matematicas. Despacho: 1er piso, Mod 15, No. 15-06
A LAS EDOS: LA EDO LINEAL DE PRIMER ORDEN

1 INTRODUCCION
1.
Introducci
on a las EDOs: la EDO lineal de primer
orden
Todos sabemos que es una ecuacion. Por ejemplo
3x + 2 = 5,
x2 + 4x = 3,
x2 + 1 = 0,
x2 2x + 1
= 0.
x2 1
Estas ecuaciones, quiza las mas sencillas, son ecuaciones algebraicas ya que involucran solo
las operaciones suma, resta, multiplicaci
on y divisi
on. La incognita en este caso es una u
nica
variable x que puede ser real o compleja. Por ejemplo, para la primera ecuacion es facil ver
que x = 1 es la u
nica solucion posible, mientras que la segunda tiene dos soluciones reales
x = 1 y x = 3. La tercera sin embargo no tiene soluciones reales, pero si complejas x = i.
Finalmente la u
ltima no tiene ninguna solucion pues la u
nica posible sera x = 1 que no
puede ser solucion ya que la propia ecuacion no esta definida en x = 1 (division por cero).
Hasta ahora hemos visto ecuaciones sencillas en el sentido que su solucion es un conjunto de n
umeros determinado. Existen ecuaciones mas complicadas, las ecuaciones funcionales donde las incognitas son funciones. En ejemplo de estas son las ecuaciones diferenciales
ordinarias. Estas
son ecuaciones que involucran tanto a las funciones buscadas como sus
derivadas ordinarias. Por ejemplo,
y 0 (x) = sen x,
y 0 (x) = y,
y 00 (x) ey(x) + 7 cos x = 0,
y 00 (x) + 3y 0 (x) + 2y(x) = 2 cos(2x).
Estas ecuaciones son el objetivo del presente curso. Es facil entender que el problema de
encontrar la solucion de las ecuaciones diferenciales es mas complicado que el de los casos
anteriores. En primer lugar por que estamos buscando funciones de x y no simples valores
de x. En segundo, porque tarde o temprano tendremos que calcular primitivas lo cual es
bastante complicado en general.
1.1.
Ecuaciones diferenciales ordinarias
Nos centraremos en las ecuaciones del tipo

F (x, y, y 0 , y 00 , . . . , y (n) ) = 0,
(1.1)
donde y = y(x) es cierta funcion n veces derivable en alg

un intervalo I R. Diremos que
una ecuacion diferencial del tipo (1.1) es de orden n si en ella aparece la derivada y (n) , es
decir el orden de una EDO coincide con el mayor orden de la derivada de la funcion incognita
y. As, por ejemplo la ecuacion y 0 + 3y = 2 es de orden uno, y 00 + ey 1 = 0 es de orden dos,
y (5) + 3 sen x y 00 = 0 es de orden cinco.
Diremos que y = y(x) es una solucion de la (1.1) en cierto dominio A R si al sustituir
la funcion y = y(x), (1.1) se transforma en una identidad para todo x A, o sea
y = y(x) es solucion en A
F (x, y(x), y 0 (x), . . . , y (n) (x)) = 0,
x A.
Nuestro principal objetivo es aprender a resolver EDOs. En particular el denominado

problema de valores iniciales (PVI), es decir encontrar aquella solucion y de la ecuacion
F (x, y, y 0 , y 00 , . . . , y (n) ) = 0 que cumpla con las condiciones iniciales
y(x0 ) = y0 ,
y 0 (x0) = y00 ,
...,
(n1)
y (n1) (x0) = y0

1 INTRODUCCION
1.2.
La EDO lineal de primer orden
Definici
on 1.1 La ecuaci
on
d y(x)
+ a(x)y(x) = b(x),
dx
a(x), b(x) CI .
(1.2)
(como inc
ognita tenemos a la funci
on derivable y(x)) se denomina ecuaci
on diferencial lineal
de primer orden. Si b(x) 0 la ecuaci
on se denomina ecuaci
on homogenea y si b(x) 6= 0,
ecuaci
on no homogenea.
La solucion general de (1.2) se expresa de la forma
y(x) = Ce
a(x) dx
+e
a(x) dx
a(x) dx
Ejemplo 1.2 Encontrar la soluci

on de la ecuaci
on lineal
b(x) dx
(1.3)
dy
+ x y = 2x.
dx
Tenemos
2
y = Ce
x2
+e
x2
x2
x2
x2
x2
x2
e 2 2x dx = Ce 2 + 2e 2 e 2 = Ce 2 + 2.
Definici
on 1.3 El problema de encontrar una soluci
on de la ecuaci
on (1.2) con la condici
on
que y(x) tome cierto valor y0 cuando x = x0 se denomina problema de valores iniciales PVI
para la EDO lineal de primer orden, o sea,
d y(x)
+ a(x)y(x) = b(x),
dx
a(x), b(x) CI ,
y(x0) = y0.
(1.4)
Ejemplo 1.4 Resolver la EDO del ejemplo 1.2 con la condici

on inicial y(0) = 1.
x2
Como la solucion general es y(x) = Ce 2 + 2, tenemos y(0) = 1 = C + 2, de donde C = 1

x2
y y(x) = 2 e 2 .
Teorema 1.5 (existencia y unicidad de la soluci

on del PVI para una EDO lineal 1er orden)
Sea el problema de valores iniciales (1.4). Si a(x) y b(x) son funciones continuas en
cierto intervalo I R que contenga al punto x0 I, entonces, para cualquiera sea el valor
y0 , existe una u
nica soluci
on del problema de valores iniciales (1.4).
En general, la solucion del PVI es
Z x

Z t
Z
y(x) = y0 exp a(s) ds + exp
a(s) ds
x0
x0
exp
x0
Z
a(s) ds b(t) dt .
x0
(1.5)

1 INTRODUCCION
1.3.
Algunas aplicaciones de las EDOs lineales de primer orden
Ejemplo 1.6 Encontrar una familia de curvas y(x) tal que el segmento de la tangente t a
la curva y en un punto cualquiera P (x, y) dibujado entre P y el eje 0y quede bisecado por el
eje Ox.
y 0 = 2y/x
Ejemplo 1.7 Encontrar una familia de curvas y(x) tal que la pendiente de la tangente t a
la curva y en cada punto sea la suma de las coordenadas del punto. Encuentra adem
as la
curva que pasa por el origen.
Ejemplo 1.8 Se sabe que la intensidad i del circuito electrico representado en la figura 1
est
a gobernada por la ecuaci
on diferencial
L
di
+ Ri = U,
dt
donde L es la impedancia, R la resistencia y U el voltaje. Supongamos que el voltaje U es

constante y que i(0) = i0. Encontrar la dependencia de i respecto al tiempo t. Realizar el
mismo estudio si U = U0 sen(t).
y
t
y(x)
P(x,y)
0
(x/2,0)
Figura 1: Curva del ejemplo 1.6 (derecha) y circuito electrico del ejemplo 1.8 (izquierda)
Ejemplo 1.9 La ecuaci

on barometrica de Pascal es la EDO
p0 (h) = p(h),
> 0,
donde p es la presi
on en funci
on de la altura h. Si h = 0, la presi
on al nivel del mar (1 atm).
C
omo vara la presi
on con la altura?
Ejemplo 1.10 La descomposici
on radioactiva
Si N es el n
umero de atomos de una substancia radioactiva, entonces
N (t + h) N (t) = N (t)h
N (t + h) N (t)
= N (t).
h

1 INTRODUCCION
Sierra
altura maxima (metros) presion (atm)
Grazalema (Cadiz)
Picos de Europa (Cantabria)
Sierra Nevada (Granada)
Teide (tenerife)
Everest (Himalaya)
1654
2648
3478
3710
8848
0.81
0.71
0.64
0.62
0.32
Si h 0, entonces podemos aproximar la ecuacion anterior mediante la siguiente EDO

N 0 (t) = N (t),
N (t0) = N0.
(1.6)
Se llama perodo de semi-desintegraci

on al tiempo necesario para disminuir en la mitad
el n
umero de atomos,
N0
= N0 eT ,
2
Elemento
Radio 226 Plomo 214
Plomo 214 Plomo 210
Plomo 210 Polonio 210
Polonio 210 Plomo 206
Carbono 14 Nitrogeno 14
Uranio 238 Torio 234
log 2
0,693147
=
.
T
T
Perodo T
1600 a
nos
0.000433217 1/a
nos
47 min
0.0147478 1/min
22 a
nos
0.0315067 1/a
nos
138 das
.00502281 1/dias
5568 a
nos
0.000124488 1/a
nos
9
10
4,5110 a
nos 1,5101210
1/a
nos
En muchos casos un elemento radioactivo puede obtenerse a partir de otros mediante una
cadena radioactiva. E.g.
Uranio 238
Plomo 206
Torio 234
Polonio 210
Uranio 234
Radio 226
Plomo 210
Plomo 214
As, por ejemplo, si estudiamos la cantidad de Plomo 210 que hay en una muestra tenemos
que tener en cuenta no solo la cantidad que se desintegra sino la que aporta cualquiera de los
elementos que aparecen por encima de el en la cadena radioactiva. Por ejemplo, practicamente
en cualquier muestra que tomemos siempre hay una determinada cantidad de Radio 226, lo
que implica una aportacion a la cantidad de Plomo 210 despues de varias desintegraciones.
Si llamamos a esa aportacion r(t), entonces la ecuacion que gobierna la desintegracion del
Plomo 210 es la siguiente
N 0 (t) = N (t) + r(t),
N (t0) = N0,
(1.7)

1 INTRODUCCION
donde r(t) representa la cantidad de atomos de Radio que se desintegra en la muestra. La

solucion de la ecuacion anterior es facil de encontrar usando la formula (1.5).
1.4.
Problemas
Problema 1.11 Decide si las funciones y(x) definidas explcitamente o implcitamente son
soluciones de la EDO F (x, y, y) = 0 dada y determina la regi
on de R donde dicha soluci
on
est
a definida:
1. f (x, y) = y ex + 2 = 0,
2. f (x, y) = y
2
2+x
= 0,
F (x, y, y 0 ) = y 0 y 00 = 0
F (x, y, y 0 ) = xy 0 + y y 2 = 0
3. f (x, y) = x2 + y 2 25 = 0,
F (x, y, y 0 ) = yy 0 + x = 0
4. f (x, y) = x3 + y 3 3xy = 0,
F (x, y, y 0 ) = (y 2 x)y 0 y + x2 = 0
5. f (x, y) = x2 + y 2 25 = 0,
6. f (x, y) = 1 + x2 y = 0,
F (x, y, y 0 ) = yy 0 + x = 0
F (x, y, y 0 ) = (1 + x2)y 0 xy = 0
7. f (x, y) = e2x + eyx 1 = 0,

8. f (x, y) = x2 + y 2 + 1 = 0,
F (x, y, y 0 ) = exy + eyxy 0 = 0

F (x, y, y 0 ) = y 0 + y/x = 0
Problemas de EDOs lineales

Problema 1.12 Encuentra la soluci
on general de las siguientes EDO lineales de primer
orden
1. y 0 + y cos x = 0
2. y 0 + y x = 0
3. y 0 + 2xy = x
4. y 0 + y = xex
5. y 0 + x2y = x2
6. x y 0 + y = x3
7. y 0 = (y + ex ) tan x
8. y 0 + 2y = f (x), f (x) = 3e2x ,
9. y 0 + xy = f (x), f (x) = 3/4e2x , f (x) = sen x
10. x y 0 + y cos x = 1/2 sin(2x)
11. x y 0 + y = x sen x
Problema 1.13 Encontrar la soluci
on general de las siguientes ecuaciones diferenciales y
la soluci
on correspondiente a las condiciones iniciales indicadas:
1. y 0 = 3y + e5x ,
y(1) = 0.
2. y 0 = 6y + x2,
y(0) = 2.

1 INTRODUCCION
3. y 0 = y + ex sen(2x), y(0) = 1.
4. (1 + x2)y 0 + 4xy = x,
y(1) = 1/4.

2, 0 t 1
0
5. y + y = g(x), y(0) = 0, g(x) =
0, t > 1
Problema 1.14 Encontrar la ecuaci

on de la familia de curvas tal que el segmento de la
normal entre la curva y y el eje 0y es biseccionado por el eje 0x. Encontrar la curva que
pasa por (4, 2). (sol. x2 + 2y 2 = 24).
y
0
(x/2,0)
y(x)
x
t
P(x,y)
Q
Curva del problema 1.14.

Problema 1.15
a) Prueba que cualquier soluci

on y(x) de la ecuaci
on
y 0 + ay = becx ,
a, c (0, ),
b R,
es tal que lm y(x) = 0 independientemente del valor y(0) = y0 inicial.

x
b) Prueba que cualquier soluci

on y(x) de la ecuaci
on
y 0 + a(x)y = b(x),
a(x) c > 0,
x R,
lm b(x) = 0,
a(x), b(x) CR ,
es tal que lm y(x) = 0 independientemente del valor y(0) = y0 inicial.

x
2 OTRAS EDOS DE PRIMER ORDEN
2.
Otras EDOs de primer orden
2.1.
Ecuaciones separables
Comenzaremos por las ecuaciones separables. Supongamos que la funcion f (x, y) en la

EDO
y 0 = f (x, y)
(2.1)
admite la factorizacion f (x, y) = a(x)b(y). Cuando esto ocurre se dice que la EDO (2.1) es
una ecuacion separable. Un ejemplo trivial de ecuacion diferencial separable es la ecuacion
diferencial lineal homogenea (1.2) cuando b 0.
En general tenemos
Z
Z
dy
dy
dy
= a(x)b(y)
= a(x)dx
dy = a(x)dx,
dx
b(y)
b(y)
luego la solucion de la ecuacion separable es
G[y(x)] = A(x) + C,
donde G(y) es una primitiva de 1/b(y) y A(x) es una primitiva de a(x).
Ejemplo 2.1 Resolver la ecuaci
on y 0 = x/y.
Usando lo anterior tenemos
ydy = xdx
y 2 = x2 + C.
La expresion anterior define una familia de curvas en R2

que son solucion de la ecuacion
diferencial propuesta. En general la solucion es y(x) = C + x2 , donde el signo + o
dependera de las condiciones iniciales. Por ejemplo,si nos interesa el PVI con la condicion
y(0) = 3, entonces C = 9 y la solucion sera y(x) = 9 + x2.
2.1.1.
Aplicaciones
Ejemplo 2.2 Supongamos que tenemos una reacci

on qumica A + B C y que en t = 0 la
concentraci
on de A es a y la de B es b. Se sabe que la velocidad la velocidad de formaci
on
de C es proporcional a la concentraci
on de A y B. Lo anterior nos conduce a la EDO
x0 = (a x)(b x),
x(0) = 0,
(2.2)
donde es la constante de proporcionalidad.

Supongamos que a 6= b, entonces tenemos
dx
= dt
(a x)(b x)
log
ax
= (a b)t + C,
bx
como x(0) = 0, C = a/b, luego

x(t) = ab
1 e(ab)t
.
b ae(ab)t
Ejemplo 2.3 La velocidad de escape de la Tierra
ax
= Ce(ab)t ,
bx
Nos interesa resolver el problema de encontrar la velocidad de escape al espacio exterior

de un cuerpo que se encuentre en la superficie de la tierra. Si usamos la ley de Newton
tenemos
dv
GMT
= 2 ,
dt
r
donde G es la constante universal gravitatoria y MT es la masa de la tierra. Como g =
GMT /R2 , siendo R el radio de la tierra (que supondremos una esfera), tenemos GM T = gR2.
Obviamente r varia con el tiempo por lo que la ecuacion anterior se torna algo complicada
a simple vista. Usando la regla de la cadena tenemos
v
gR2
dv
= 2 .
dr
r
La solucion de esta EDO usando el metodo de separacion de variables es v 2 = 2gR2 /R + C.

Supongamos que v0 es la velocidad inicial del cuerpo sobre la superficie terrestre, entonces,
la velocidad del cuerpo a cualquier distancia de la tierra viene dada por
v2 =
2gR
+ v02 2gR.
r
Para que nuestra nave escape definitivamente

de la tierra es suficiente que v 0 cuando
r , lo cual nos conduce al valor v0 2gR. Poniendo los datos R = 6400000 metros
g = 9,8m/s2 obtenemos v0 = 11200m/s = 11,2Km/s.
Ejemplo 2.4 La cada de un cuerpo en un medio viscoso se puede modelizar mediante la
ecuaci
on para la velocidad v(t)
v 0 = g v r ,
v(0) = v0,
(2.3)
donde g y son ciertas constantes (la gravedad y la viscosidad).

Resolvamos la ecuacion
dv
= dt
g v r
t t0 =
v
v0
dv
1
=
g v r
g
v
v0
dv
,
1 2 vr
2 =
.
g
Escojamos r = 2, por ejemplo. Entonces

Z v
dv
1
(1 + v) (1 v0 )
=
log
= g(t t0 ).
2
r
2
(1 v) (1 + v0 )
v0 1 v
Despejando v tenemos la solucion

1+v0
2g(tt0)
1
1 1v0 e

,
v(t) =
1+v0 e2g(tt0) + 1
1v0
> 0.
g
Como > 0, entonces si t el cuerpo solo podra alcanzar la velocidad lmite vmax = 1/
independiente del valor v0 inicial.
Ejercicio 2.5 Resolver el caso r = 3.

2.1.2.
El modelo de crecimiento de poblaciones
Imaginemos que tenemos una poblacion de cierta especie (consideraremos que tenemos
un n
umero bastante alto de individuos) y sea p(t) el n
umero de individuos de dicha especie en
el momento t (evidentemente p(t) N). Sea r(t, p) la diferencia entre en ndice de natalidad
y mortalidad de la poblacion. Supongamos que la poblacion esta aislada (o sea, no hay
emigracion ni inmigracion). Entonces la variacion p(t + h) p(t) es proporcional a p(t)h y
el coeficiente de proporcionalidad es r(t, p). Luego
p(t + h) p(t) = r(t, p)p(t)h,
h 0,
p0 (t) = r(t, p)p(t).
La ecuacion mas sencilla posible se obtiene si consideramos r(t, p) = r, constante. As, la

poblacion de individuos de la especie puede ser modelizada mediante el PVI
p0(t) = r p(t),
p(t0) = p0 ,
r > 0,
(2.4)
cuya solucion p(t) = p0 er(tt0) . El modelo anterior se conoce como modelo de Malthus o
modelo maltusiano pues fue propuesto por el economista ingles Thomas R. Malthus (1766
1834). Si r < 0 la especie esta condenada a la extincion y si r > 0 esta crece en proporcion
geometrica.
Aunque el modelo funciona razonablemente bien para poblaciones grandes, hay que hacer
varias correcciones pues si p(t) empieza a crecer demasiado habra muchos otros factores como
la falta de espacio o de alimentos que frenara el crecimiento. Por tanto varios a
nos despues en
1837 un matematico y biologo holandes, P. F. Verhulst, propuso un modelo algo mas realista
conocido como el modelo logstico. Verhulst razono que como estadsticamente el encuentro
de dos individuos es proporcional a p2 (por que?) entonces tendremos que sustraerle al
termino rp un termino cp2 , de forma que la EDO que modeliza una poblacion sera
p0 (t) = r p(t) cp2 (t),
p
p(t0) = p0,
r, c > 0.
(2.5)
En general c ha de ser mucho mas peque

no
que r ya que si r no es muy grande la EDO (2.4)
es una aproximacion bastante buena, pero si p
comienza a crecer demasiado entonces el termino cp2 no se puede obviar y termina frenando
el crecimiento exponencial. Resolviendo la EDO
(2.5) tenemos
r/c
p(t) =
rp0er(tt0)
.
r cp0 + cp0 er(tt0)
(2.6)
Ademas, lmt p(t) = r/c independientemente

de p0 . En el caso cuando 0 < p0 < r/c la evoFigura 2: Evolucion de la poblacion seg
un lucion de la poblacion esta representada en la
el modelo logstico 2.5.
grafica 2.
0
t0
Este modelo se ha comprobado con varias especies y ha dado muy buenos resultados, en particular, el hecho de que la poblacion se
estabilice ha sido comprobado en distintos experimentos con paramecios obteniendose una
gran concordancia entre los resultados teoricos y experimentales.
2.2.
10
Problemas
Problema 2.6 Encuentra a ser posible todas las soluciones y(x) definidas explcitamente si
se puede o implcitamente de las EDOs siguientes
1. (1 + x2)y 0 = 1 + y 2
2. y 0 = xy(y + 2)
3. y(1 + x2)y 0 + x(1 + y 2 ) = 0
4. y 0 = 1 x + y 2 xy 2
5. cotg(y)y 0 = x2 + 2
p
6. (x log x)y 0 + 1 + y 2 = 0
7. cos(y)y 0 + ex+1 tan y = 0

2
8. (xy + y)y 0 + ey (x2 + 2x + 1) = 0

Problema 2.7 Encuentra las soluciones y(x) de los siguientes problemas de valores iniciales:
1. y 0 = y(a + by), y(x0) = y0 > 0, a, b > 0.
2. (1 x)y 0 = (x + 1)y, y(0) = 0
3. yy 0 + x 3xy 2 = 0, y(2) = 1
sen y
4. cos(y)y 0 = x1+x
2 , y(1) = /2
5. 3xy 0 = y cos x, y(1) = 0

6. x2y 0 1 = cos(2y), lmx y(x) = 5/4
11
2.3.
Ecuaciones que se reducen a EDOs lineales o separables
2.3.1.
Ecuaciones reducibles a EDOs lineales: Las EDOs de Bernoulli y Riccati
En 1695 Johann Bernoulli propuso la resolucion de la EDO

y 0 + a(x)y = b(x)y n,
n 6= 0, 1.
(2.7)
La resolvio su hermano Jacob en 1696. Ese mismo a

no Leibniz propuso el cambio z = y 1n
que transformaba la EDO (2.7) en una EDO lineal. En efecto, haciendo
z = y 1n ,
z 0 = (1 n)y n y 0 ,
z 0 + (1 n)a(x)z = (1 n)b(x),
que es lineal y por tanto podemos usar la formula (1.3) para resolverla.
Ejemplo 2.8 Resolver la EDO y 0 1/(3x)y = y 4 log x.
Esta ecuacion es una EDO de Bernoulli con n = 4. Hacemos el cambio z = y 3 , y tenemos
y 0 = y 4 y 0 /3, y = y 4 z, luego la EDO se transforma en
1
z 0 + z = 3 log x,
x
de donde obtenemos
z=
C 3
3
x log x + x,
x
2
4

1/3
C
3
3
y = x log x + x
.
x
2
4
Pasemos a estudiar la EDO de Riccati. En 1724 Jacopo Francesco Riccati estudio la EDO
y 0 + p(x)y + q(x)y 2 = f (x),
(2.8)
que haba considerado a

nos antes Jacob Bernoulli. La ecuacion anterior generalmente es
imposible de resolver analticamente (en cuadraturas) a no ser que se sepa una solucion
particular yp . Supongamos que yp es una solucion particular de (2.8), y hagamos el cambio
z = y yp . Obtenemos
z 0 + [p(x) + 2q(x)]z + q(x)z 2 = 0,
que es una ecuacion de Bernoulli la cual mediante el cambio w = 1/z podemos convertir en
una lineal.
En general, dada una EDO de Riccati (2.8), mediante el cambio y = yp + 1/z, la podemos
convertir en una EDO lineal. Veamos un ejemplo.
Ejemplo 2.9 Resolver la EDO de Riccati y 0 = y 2 2/x2.
La forma de la EDO nos induce a buscar una solucion del tipo y = c/x. Sustituyendo en la
EDO descubrimos que las funciones y = 1/x e y = 2/x son soluciones particulares. Usemos
la primera para resolver la EDO. Hacemos el cambio y = 1/x + 1/z,
y0 =
1
z0
,
x2 z 2
2
z 0 + z = 1.
x
La solucion la encontramos usando la formula (1.3) que nos da

x C
z = + 2,
3 x
y=
3x2
1
+
.
x C x3
12

2.3.2.
Ecuaciones del tipo y 0 = F (x + y)
Sea la EDO
y 0 = F (x + y),
(2.9)
y hagamos el cambio z = x + y, entonces z 0 = + y 0 , luego (2.9) se transforma en la

EDO separable
Z
dz
0
= x + C.
z = + F (z), =
+ F (z)
Ejemplo 2.10 Resolver la EDO y 0 = y x 1 +
1
.
xy+2
Esta ecuacion puede ser escrita en la forma y 0 = F (x + y) si hacemos z = y x, entonces

F (z) = z 1 + 1/(2 z). Como z 0 = y 0 1 tenemos
Z
(z 2)dz
1
0
, =
= x + C,
z = z2
z2
(z 2)2 1
luego la solucion en cuadraturas es
log |(z 2)2 1| = x + C, = (z 2)2 1 = Cex , = z = 2 1 + Cex ,
por tanto y = 2 + x 1 + Cex . Notese que hemos dividido por (z 2)2 1 por lo que
podemos haber perdido soluciones. En efecto, como (z 2)2 1 = 0 se anula en z = 1 y 3,
podemos perder las soluciones y = x + 1 e y = x + 3.
2.4.
Las EDOs homog

eneas
Un tipo especial de EDOs resolubles son las denominadas EDOs homogeneas. Una funcion
f (x, y) se denomina homogenea de orden k si para todo x, y y para todo t R, f (tx, ty) =
tk f (x, y). Ademas, si f es homogenea de orden 0, entonces f (tx, ty) = f (x, y). Sea f una
funcion homogenea de orden 0. Sea y = u x. Entonces
f (x, y) = f (x, ux) = x0f (1, u) = g(u) = g(y/x),
o sea, toda funcion homogenea de orden 0 es una funcion de y/x.
Supongamos que tenemos la EDO y 0 = f (x, y) y f es una funcion homogenea de orden
0, entonces la EDO anterior se transforma en la EDO
y 0 = f (y/x).
(2.10)
A la ecuacion y 0 = f (y/x) anterior se le suele denominar EDO homogenea. Si hacemos el

cambio y = ux, entonces y 0 = xu0 + u y la EDO (2.10) se transforma el la EDO separable
xu0 + u = f (u),
u = y/x,
que se puede resolver en cuadraturas ya que es una EDO separable

Z
du
= log |x| + C.
f (u) u
p
Ejemplo 2.11 Resolver la EDO y 0 = (y + x2 y 2 )/x.
13
p
Sea f (x, y) = (y + x2 y 2 )/x, es facil comprobar que f (tx, ty) = f (x, y), as que hacemos
el cambio y = u x y obtenemos, si u 6= 1,
xu0 =
1 u2 ,
dx
du
=
,
x
1 u2
de donde se deduce que

arc sen u = log |x| + C
arc sen(y/x) = log |x| + C.
Ahora bien, como hemos visto u 6= 1, lo que puede hacernos perder las soluciones y = x.
Sustituyendo y = 1 en la EDO inicial comprobamos que y = x e y = x son tambien dos
soluciones de la EDO original.
2.5.
Otras EDOs de primer orden: la EDO de Clairaut
La EDO
y = xy 0 + f (y 0 ),
f derivable y con primera derivada continua
(2.11)
se denomina EDO de Clairaut en honor a Alexis Clairaut que las estudio en 1734. Vamos a
intentar encontrar alguna solucion de la EDO Clairaut para lo cual derivamos (2.11)
y 0 = xy 00 + y 0 + f 0 (y 0 )y 00
[x + f 0(y)]y 00 = 0,
de donde deducimos que o y 00 = 0 o x + f 0(y 0 ) = 0. La primera condicion nos da una familia

de rectas y = mx + n. Lo curioso de esta EDO es que la envolvente1 de todas las rectas
tambien es solucion. Para descubrir cuales son las rectas solucion basta notar que si y 0 = c,
entonces la EDO nos da la ecuacion y = xc + f (c), c R. Para encontrar la otra solucion
usamos que x = f 0 (y 0 ). Luego si hacemos y 0 = t, siendo t un parametro real tenemos la
siguiente solucion parametrica conocida com
unmente como solucion singular
x = f 0 (t),
y = xt + f (t).
Ejemplo 2.12 Resolver la EDO y = xy 0 + (y 0 )2.

Esta es una EDO de Clairaut con f (z) = z 2, luego las soluciones son las familias de rectas
y = cx + c2 ,
y la solucion singular
x = 2t
1
y = xt + t2
x
t= ,
2
y=
x2
.
4
La envolvente de una familia de rectas (curvas en general) es una curva que es tangente a todas dichas
rectas (curvas).
14
2.6.
Ecuaciones exactas y factores integrantes
Sea una EDO del tipo y 0 = f (x, y). Esta claro que si la EDO anterior la podemos
d
reescribir en la forma dx
((x, y)) = 0, para cierta funcion (x, y), entonces la solucion de la
EDO sera (x, y) = C.
Nuestro objetivo en este apartado es estudiar cuando una EDO se puede escribir de la
forma anterior. Por conveniencia reescribiremos la EDO y 0 = f (x, y) en la forma equivalente
N (x, y)y 0 + M (x, y) = 0.
(2.12)
La EDO (2.12) tendra una solucion en cuadraturas del tipo (x, y) = C si y solo si (2.12)
d
es equivalente a la expresion dx
((x, y)) = 0, o lo que es lo mismo, (x, y) = C es una
d
((x, y)) = 0.
solucion de (2.12) si y solo si (2.12) se puede reescribir de la forma dx
Como
0=
d
(x, y) (x, y) y
(x, y) (x, y) 0
((x, y)) =
+
=
+
y,
dx
x
y x
x
y
d
entonces la EDO (2.12) se puede escribir de la forma dx
((x, y)) = 0 si y solo si, dadas dos
funciones M (x, y) y N (x, y) existe una funcion (x, y) tal que
(x, y)
= M (x, y),
x
(x, y)
= N (x, y).
y
(2.13)
d
Por ejemplo, la EDO x + yy 0 = 0 se puede escribir en la forma dx
[x2 + y 2 ] = 0 y la EDO
d
2
0
2x exp(x + y) + [2y + exp(x + y)]y = 0 se puede escribir como dx [x + y 2 exp(x + y)] = 0.
En general no es trivial deducir si una EDO del tipo (2.12) se puede expresar de la forma
d
((x, y)) = 0. Por ejemplo, no es facil intuir que la EDO
dx
y 3 + yey cos(xy)
se puede escribir como
3
+ [3xy 2 + ey sen(xy) + xey cos(xy)]y 0 = 0
x2

3
d
3
y
xy + e sen(xy) +
= 0.
dx
x
Obviamente no cualquier EDO del tipo (2.12) se puede escribir de la forma

0, por ejemplo, la EDO lineal (1.2) y 0 + [a(x)y b(x)] = 0.
As surge la pregunta cuando la EDO (2.12) se puede escribir de la forma
y por tanto su solucion es (x, y) = C?. La respuesta la da el siguiente
d
((x, y))
dx
d
((x, y))
dx
= 0,
Teorema 2.13 Sean M (x, y) y N (x, y) dos funciones tales que existan todas las derivadas
, N
, M
y N
y sean funciones continuas en cierto dominio2 R2 . Entonces,
parciales M
x
x
y
y
para que exista una funci
on (x, y) tal que se cumpla la condici
on (2.13)
(x, y)
= M (x, y),
x
(x, y)
= N (x, y),
y
es necesario y suficiente que

N (x, y)
M (x, y)
=
,
x
y
2
(x, y) .
Por dominio entenderemos un conjunto abierto de R2 y convexo, o sea, sin agujeros.
(2.14)
15
Definici
on 2.14 Una EDO del tipo (2.12) se llama exacta si N y M son funciones tales
(x,y)
(x,y)
que Nx
= My
.
Corolario 2.15 Para que la EDO (2.12) sea exacta es necesario y suficiente que se cumpla
la condici
on (2.14) en cierto dominio R2. Adem
as, toda EDO exacta tiene una soluci
on
en cuadraturas en , es decir existe una funci
on (x, y) tal que (x, y) = C, define la
soluci
on de (2.12) en .
Ejemplo 2.16 Decidir si la EDO
(2x + y sen x) + (3y 2 + cos y + x)y 0 = 0,
es exacta, y encontrar su soluci
on.
(x,y)
(x,y)
En este caso M (x, y) = 2x + y sen x y N (x, y) = 3y 2 + cos y + x, luego My
= 1 = Nx
,
luego seg
un el corolario 2.15 es exacta. Vamos a resolverla. Como la EDO es exacta entonces
existe (x, y) tal que se cumple (2.13), o sea,
(x, y)
= 2x + y sen x,
x
(x, y)
= 3y 2 + cos y + x.
y
De la primera deducimos
(x, y) = x2 + xy + cos x + h(y).
Para calcular h(y) usamos que (x, y) = C, luego
(x, y)
= x+h0 (y) = 3y 2 +cos y +x,
y
h0(y) = 3y 2 +cos y,
h(y) = y 3 +sen y,
y la solucion, en cuadraturas, es (x, y) = x2 + xy + cos x + y 3 + sen y = C.

Obviamente podamos haber comenzado por la segunda ecuacion
entonces
(x, y) = y 3 + sen y + xy + g(x),
(x,y)
y
= 3y 2 +cos y +x,
pero
(x, y)
= y + g 0 (x) = 2x + y sen x,
x
as (x, y) = y 3 + sen y + xy + x2 + cos x = C.
g(x) = x2 + cos x,
Ejemplo 2.17 Comprobar si la EDO lineal (1.2) es exacta.

En este caso y 0 + [a(x)y b(x)] = 0, luego M (x, y) = a(x)y b(x) y N (x, y) = 1, luego
(x,y)
M (x,y)
6= Nx
, as que no es exacta. Que hacer en este caso?
y
Definici
on 2.18 Una EDO del tipo (2.12) es inexacta (o no es exacta) si
M (x,y)
y
6=
N (x,y)
.
x

2.6.1.
16
Factores integrantes
Definici
on 2.19 En general, dada la EDO (2.12), se dice que (x, y) 6 0 es un factor
integrante de (2.12) si la EDO (x, y)M (x, y) + (x, y)N (x, y)y 0 es exacta.
Ahora bien, una EDO es exacta si y solo si se tiene la condicion (2.14), luego (x, y) ha
de satisfacer la ecuacion
(x, y)M (x, y)
(x, y)N (x, y)
=
y
x
si y solo si
M (x, y)
(x, y)
M (x, y)
(x, y)
N (x, y)
+ (x, y)
= N (x, y)
+ (x, y)
.
y
y
x
x
(2.15)
Es decir, una ecuacion inexacta tiene un factor integrante (x, y) si y solo si (x, y) cumple
con la condicion (2.15).
Por ejemplo consideremos la EDO x2 sen y + xey y 0 = 0. Obviamente no es exacta. Entonces, para que admita un factor integrante (x, y) este debe satisfacer la ecuacion
x2 sen y
(x, y)
(x, y)
+ (x, y)x2 cos y = xey
+ (x, y)ey ,
y
x
la cual es no trivial de resolver. De hecho en la mayora de los casos la ecuacion (2.15) es

mas complicada de resolver que la EDO original, por tanto el uso de esta estara restringido a
aquellos casos en los que (2.15) es facilmente resoluble. Veamos a continuacion dos de ellos:
1. cuando la funcion es una funcion que solo depende de x o sea, = (x)
2. cuando la funcion es una funcion que solo depende de y, o sea, = (y).
En el primer caso (2.15) nos da
(x)
(x)
N (x, y)
M (x, y)
= N (x, y)
+ (x)
,
y
x
x
luego
M (x, y) N (x, y)
1 d(x)
y
x
=
= R(x, y).
(x) dx
N (x, y)
La expresion anterior es sencilla de resolver
si la funcion R(x, y) de la derecha es una funcion
R
solo de x, en cuyo caso (x) = exp( R(x)dx).
En el segundo caso tenemos
M (x, y)
M (x, y)
N (x, y)
(y)
+ (y)
= (y)
,
y
y
x
luego
N (x, y) M (x, y)
1 d(y)
x
y
=
= S(x, y).
(y) dy
M (x, y)
La expresion anterior es sencilla de resolver
si la funcion S(x, y) de la derecha es una funcion
R
solo de y, en cuyo caso (y) = exp( S(y)dy).
17
Ejemplo 2.20 Resolver la EDO (x2 sen2 y) + x sen(2y)y 0 = 0.

M (x, y) N (x, y)
M (x, y) N (x, y)
0
2
= 2 sen(2y), =
/N (x, y) = = ,
y
x
y
x
x
luego (x) = 1/x2. Multiplicando la EDO por 1/x2 obtenemos la EDO exacta

sen2 y
sen(2y)
1
y 0 = 0,
+
2
x
x
as
(x, y)
sen2 y
=1
,
x
x2
(x, y) = x +
sen2 y
+ h(y),
x
y
(x, y)
sen(2y)
sen(2y)
=
+ h0 (y) = N (x, y) =
,
y
x
x
y la solucion es, por tanto, (x, y) = x +
sen2 y
x
h0 (y) = 0,
h(y) = C,
= C.
Ejemplo 2.21 Resuelve la EDO

(x3/y + 5xy)y 0 + (x2 + y 2 ) = 0.
Tenemos
M (x, y) N (x, y)
3
= (x2 + y 2 ),
y
x
y

3
0
N (x, y) M (x, y)
/M (x, y) = = ,
y
x
x
luego (y) = y 3 . Multiplicando la EDO por y 3 obtenemos la EDO exacta

(x3y 2 + 5xy 4)y 0 + (x2y 3 + y 5 ) = 0.
Usando el metodo descrito tenemos
(x, y)
= x2 y 3 + y 5 ,
x
(x, y) =
x3 y 3
+ xy 5 + h(x),
3
y
(x, y)
= x3y 2 + 5xy 4 = N (x, y) = x3y 2 + 5xy 4 ,
y
y la solucion es, por tanto, (x, y) = 31 x3y 3 + xy 5 = C.
h0(x) = 0,
h(x) = C,
18
2.7.
Aproximaciones num
ericas: el m
etodo de Euler
2.7.1.
El m
etodo de Euler
Como ya hemos visto son pocas las EDOs que se pueden resolver analticamente, es por
ello que se necesita de metodos fiables para obtener la solucion de una EDO numericamente.
Supongamos que queremos resolver el problema de valores iniciales
d y(x)
= f (x, y),
dx
y(x0 ) = y0 .
(2.16)
Obviamente usando un ordenador solo podremos resolver el problema en un intervalo acotado, digamos [x0 , x0 + l]. Para ello vamos a dividir el intervalo en N subintervalos
[x0 , x1] [x1 , x2 ] [xN 1 , xN ], xN = x0 + l. Supongamos que hemos encontrado los
valores de y en los puntos x0 , x1, . . . , xN , que denotaremos por y0 , y1 , . . . , yN . Entonces, para
encontrar una solucion aproximada yb(x) podemos unir los puntos (x i , yi ), i = 0, 1, . . . , N
mediante lneas rectas (ver figura 3). Es evidente que si el valor yi es bastante cercano al
valor real y(xi ) para todos los i = 0, 1, . . . , N , entonces, al ser yb e y funciones continuas, la
solucion aproximada yb(x) estara muy cercana a la solucion real y(x) en cada uno de los
intervalos [xi , xi+1 ].
y
^y(x)
y(x)
x0
x1
x2
xk
Figura 3: Construccion de un esquema numerico.

Vamos a usar por simplicidad intervalos iguales, es decir, vamos a escoger los nodos
xi equidistantes. Lo anterior se conoce en la teora de metodos numericos como una red
equiespaciada o uniforme de paso h = l/N . As pues tendremos las siguientes ecuaciones
xk = x0 + kh = x0 + k Nl , k = 0, 1, . . . , N , xk+1 = xk + h. Obviamente la u
nica informacion
que tenemos para calcular los valores yi es la EDO que satisface nuestra incognita y(x).
Como encontrar entonces los valores yi ? La idea es como sigue:
1. Usando la EDO y la condicion inicial calculamos el valor de y1 en el punto x1 = x0 + h
2. A continuacion usando el valor y1 calculamos el valor aproximado y2 de y(x) en x2 , y
as sucesivamente.
3. Conocido el valor yk encontramos el valor yk+1 de y(x) en xk+1 .
Para resolver nuestro problema de encontrar en valor de y(xk+1 ) conocido el valor de
y(xk ) usamos el teorema de Taylor
y(xk+1 ) = y(xk + h) = y(xk ) + y 0 (xk )h +
y 00 (xk ) 2
h + .
2!
(2.17)
19
Pero y 0 (xk ) = f (xk , y(xk )), ademas,

d
d
d
y
f
(x,
y)
y
f
(x,
y)

00
=
y (xk ) =
=
(f (x, y(x)))
+

dx dx
dx
x
y x
x=xk
(x,y)=(xk ,y(xk )
x=xk

f (x, y)
f (x, y)
=
+ f (x, y)
.

x
y
(x,y)=(xk,y(xk )
Luego, (2.17) nos da
2
f
f
h
y(xk+1 ) = y(xk ) + hf (xk, y(xk )) +
(xk , y(xk )) + f (xk , y(xk )) (xk , y(xk ))
+ .
x
y
2!
La aproximacion mas sencilla es por tanto cuando nos quedamos en la serie anterior con
el termino de primer orden, o sea, cuando tenemos el esquema n
umerico
y1 = y0 + hf (x0, y0 ),
y2 = y1 + hf (x1, y1 ),
...,
yk+1 = yk + hf (xk , yk ),
(2.18)
donde obviamente y0 = y(x0 ).

El esquema anterior se conoce por el nombre de esquema o metodo de Euler y constituye
el metodo mas sencillo para resolver n
umericamente una EDO de primer orden. Notese que
dicho esquema necesita en cada paso del valor y(xk ), por tanto cuanto mas cercano sea el
valor yk calculado del y(xk ) real mas preciso sera el metodo. Obviamente en cada paso arrastramos el error del caculo del paso anterior. En efecto, para calcular y1 usamos el valor real
y0 pero cuando calculamos y2 , sustituimos el valor exacto y(x1) desconocido por su valor
aproximado y1, para calcular y3 sustituimos el valor y(x2) por su valor aproximado y2 , y
as sucesivamente.
Veamos algunos ejemplos.
Comenzaremos con una ecuacion que sepamos resolver exactamente. Por ejemplo, estudiemos el problema de valores iniciales
y 0 + y = x,
y(0) = 1,
x [0, 1],
cuya solucion exacta es y(x) = 2ex 1 + x. Escogeremos una discretizacion equidistante

con paso h = 1/20 (20 subintervalos iguales). Los resultado estan escritos en la tabla 1 o
dibujados en la grafica 4 (izquierda).
0.2
0.4
0.6
0.8
0.2
0.95
0.95
0.9
0.9
0.85
0.85
0.8
0.8
0.75
0.75
0.7
0.7
0.4
0.6
0.8
Figura 4: Solucion numerica () y exacta (lnea clara) de y 0 + y = x, y(0) = 1 para N = 20

(izquierda) y N = 40 (derecha)
20

k
0
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
xk
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
0.5
0.55
0.6
0.65
0.7
0.75
0.8
0.85
0.9
0.95
1.
yb(xk )
1.
0.95
0.905
0.86475
0.829012
0.797562
0.770184
0.746675
0.726841
0.710499
0.697474
0.6876
0.68072
0.676684
0.67535
0.676582
0.680253
0.686241
0.694429
0.704707
0.716972
y(xk )
1.
0.952459
0.909675
0.871416
0.837462
0.807602
0.781636
0.759376
0.74064
0.725256
0.713061
0.7039
0.697623
0.694092
0.693171
0.694733
0.698658
0.70483
0.713139
0.723482
0.735759
yb(xk ) y(xk )
0
-0.00245885
-0.00467484
-0.00666595
-0.00844901
-0.0100397
-0.0114527
-0.0127016
-0.0137992
-0.0147575
-0.0155874
-0.0162994
-0.0169031
-0.0174074
-0.0178206
-0.0181506
-0.0184046
-0.0185892
-0.0187107
-0.0187748
-0.018787
Tabla 1: Solucion n
umerica de la ecuacion y 0 + y = x, y(0) = 1 con N = 20.
Comparemos ahora la solucion n
umerica con la exacta (ver figura 4). Para ello primero
resolvemos la ecuacion exactamente y(x) = x 1 + 2ex .
Si hacemos un simple cambio como aumentar en n
umero de subintervalos hasta 40 (el
doble) vemos que la precision mejora notablemente. Los resultados se pueden apreciar en la
grafica 4 (derecha).
Consideremos ahora el problema
y 0 1 y 2 = 0,
y(0) = 0,
40
x 0.
60
40
30
20
20
0.5
1.5
-20
10
-40
0.5
1.5
Figura 5: Soluciones numericas de y 0 1 y 2 = 0, y(0) = 0, x [0, 2] (izquierda) y

comparacion con la solucion exacta (derecha).
Si usamos un esquema de 20 puntos en el intervalo [0, 1] tenemos la solucion representada
en la grafica 5(izquierda). Ademas, como la solucion exacta de esa ecuacion es y(x) = tan x,
podemos ver en la grafica 5 derecha que practicamente coinciden. Que ocurre si aumentamos
el intervalo hasta llegar a x = 2?.
Si repetimos los calculos con 40 puntos (para que el h sea el mismo) pero tomando l = 2
obtenemos los resultados que estan representados en la grafica 5 (derecha).
La principal razon de la divergencia consiste en que la solucion tan x no esta definida en
x = /2. Una pregunta natural es, por tanto, como decidir a priori si el metodo de Euler
nos esta dando la soucion correcta? y en que intervalo podemos asegurar que yb es una buena
aproximacion de y? Eso nos conduce una vez mas a preguntarnos condiciones suficientes que
nos garanticen la existencia y unicidad de las soluciones de una EDO.
21

2.7.2.
El m
etodo de Euler mejorado
El metodo de Euler es el mas sencillo pero tiene un problema, es un metodo de orden

uno, o sea, es poco preciso. Como mejorarlo?
Una posibilidad es truncar la serie de Taylor (2.17) en el tercer orden, de forma que
tengamos
2

h
f
f
(xk , yk ) + f (xk , yk ) (xk , yk )
,
y0 = y(x0 ).
yk+1 = yk + hf (xk , yk ) +
x
y
2
La ecuacion anterior se conoce como el metodo de la serie de Taylor de tres terminos y

aunque es mas preciso que el de Euler (se puede probar que es un metodo de orden 2), es
algo incomodo sobre todo si f es una funcion algo complicada. Por ello se suele usar una
modificacion del mismo.
Para ello escribamos la EDO original y 0 = f (x, y) en el intervalo xk , xk + h en su forma
integral
Z
xk +h
y(xk+1 ) = y(xk ) +
f (x, y(x))dx.
(2.19)
xk
Para resolver este problema aproximamos la integral mediante un rectangulo de altura

f (xk , yk ) (ver figura 6 izquierda)
Z xk +h
f (x, y(x))dx hf (xk, yk ),
xk
lo que nos conduce nuevamente al esquema de euler (2.18)

f(x,y(x))

y

k
xk
x k+1
Figura 6: Regla del rectangulo (izquierda) y del trapecio (derecha) para aproximar una
integral
Esta aproximacion es muy burda. Una mejor aproximacion es usar la regla de los trapecios
(ver figura 6 derecha) para aproximar la integral, es decir
Z xk +h
h
f (x, y(x))dx [f (xk, yk ) + f (xk+1 , yk+1 )] ,
2
xk
de donde se deduce el esquema implcito
h
[f (xk , yk ) + f (xk+1, yk+1 )] ,
k = 0, 1, . . . , N, y0 = y(x0 ).
2
Obviamente este esquema es muy incomodo pues hay que resolver la ecuacion implcita para
hallar yk+1 . Una forma de obviar esta dificultad es usar la prediccion que da el metodo de
Euler yk+1 = yk + hf (xk , yk ), de esta forma obtenemos el metodo de Euler mejorado
yk+1 = yk +
yk+1 = yk +
h
[f (xk , yk ) + f (xk+1 , yk + hf (xk , yk ))] ,
2
k = 0, 1, . . . , N,
y0 = y(x0 ).
(2.20)
22

Veamos algunos ejemplos.
Comenzaremos con la misma primera ecuacion de antes
y 0 + y = x,
y(0) = 1,
x [0, 1],
cuya solucion exacta es y(x) = 2ex 1 + x. Escogeremos una discretizacion equidistante con
paso h = 1/20 (20 subintervalos iguales). Los resultados los vemos en la grafica 7 izquierda)
k
0
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
xk
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
0.5
0.55
0.6
0.65
0.7
0.75
0.8
0.85
0.9
0.95
1.
yb(xk )
1.
0.95125
0.907314
0.867958
0.832957
0.8021
0.775186
0.75202
0.732422
0.716216
0.703238
0.69333
0.686343
0.682134
0.680567
0.681515
0.684853
0.690467
0.698244
0.708079
0.719873
y(xk )
1.
0.952459
0.909675
0.871416
0.837462
0.807602
0.781636
0.759376
0.74064
0.725256
0.713061
0.7039
0.697623
0.694092
0.693171
0.694733
0.698658
0.70483
0.713139
0.723482
0.735759
yb(xk ) y(xk )
0
-0.00120885
-0.00236077
-0.00345845
-0.00450443
-0.00550115
-0.00645092
-0.00735595
-0.00821835
-0.00904012
-0.00982318
-0.0105693
-0.0112803
-0.0119578
-0.0126034
-0.0132186
-0.0138047
-0.0143632
-0.0148955
-0.0154026
-0.0158858
Tabla 2: Solucion n
umerica de la ecuacion y 0 + y = x, y(0) = 1 con N = 20 usando el metodo
de Euler mejorado.
0.2
0.95
0.9
0.85
0.8
0.4
0.6
0.8
0.0175
0.015
0.0125
0.01
0.0075
0.005
0.75
0.0025
0.7
5
10
15
20
Figura 7: Comparacion grafica de la solucion numerica y exacta de y 0 + y = x, y(0) = 1 para

N = 20 (izquierda) usando los metodos de Euler y Euler mejorado. A la derecha vemos la
comparacion de los errores del del metodo de Euler (crculos obscuros) con los del metodo
de Euler mejorado (crculos claros)
23
2.8.
Problemas
Problemas de EDOs de Bernoulli y Riccati

Problema 2.22 Resolver las EDOs de Bernoulli
1. y 0 + y = xy 3 ,
2. xy 0 + y = y 2 log x,
3. y 0 + 2y = ex y 2 ,
4. 4y 3 y 0 + 4xy 4 = 4x,
5. (1 x3)y 0 2(1 + x)y = y 5/2 ,
6. xy 0 y = xk y n ,
n 6= 1, n + k 6= n,
7. x3 sen yy 0 +2y = x (resolverla respecto a x y no a y, para ello usar que y 0 (x) = dy/dx =
1/(dx/dy) = 1/x0(y)).
Problema 2.23 Resolver las EDOs de Riccati
1. y 0 = x3 + 2y/x y 2 /x, yp = x2,
2. y 0 = 1 + y/x + (y/x)2, yp = x,
3. 3y 0 + y 2 + 2/x2 = 0,
4. y 0 + 2yex y 2 = e2x + ex ,
5. y 0 2xy + y 2 = 5 x2.
Problemas de EDOs reducibles a EDOs lineales o separables
Problema 2.24 Supongamos que tenemos la EDO y 0 = f (y/x). Prueba que esta ecuaci
on
es equivalente a la EDO separable
xv 0 + v = f (v),
v = y/x.
A la ecuaci
on y 0 = f (y/x) se le suele denominar EDO homogenea. Resuelve las siguientes
EDOs
1. y 0 = 2(y/x) + (y/x)2
2. (x x y)y 0 = y
3. y 0 = y/x + tan(y/x),
4. (x + y + 2)y 0 = 3x y 6,
5. (4x 3y 6)y 0 + x 2y + 1 = 0,
6. (2x + 4y + 3)y 0 + 2 + 2y + 3 = 0.
7. y 0 = (ax + by)/(cx + ey). Considerar los casos ae 6= cb y ab = cd. Como caso particular
resolver la EDO y 0 = (x + y)/(x y).
24
8. Resolver la EDO y 0 = (ax + by + m)/(cx + ey + n). Para ello prueba que existe un
cambio de variable y = Ay + B y x = Cx + D que transforma la EDO en la EDO
del apartado anterior y 0 = (ax + by)/(cx + ey). Como caso particular resolver la EDO
y 0 = (x + y + 1)/(x y + 2).
Problema 2.25 Resolver las EDOs del tipo y 0 = F (ax + by)
1. y 0 = x + y 1,
2. y 0 = (x y + 5)2,
3. y 0 = 2(y x) + (y x)2,
4. y 0 = sen(x y).
Problema 2.26 Haciendo un cambio de variables o derivando transforma las siguientes
EDOs en EDOs lineales y resuelvelas.
1. (x2 2y + 1)y 0 = x,
2. x(ey y 0 ) = 2,
3. y(x) = x + 1 +
4.
x
0
y(t)dt,
0
(x t)y(t)dt = 2x +
y(t)dt.
0
Problemas de EDOs exactas y factores integrantes

Problema 2.27 Decide si las siguientes ecuaciones ecuaciones son exactas y resuelvelas.
En caso de que no lo sean, encuentra, a ser posible, un factor integrante.
1. (3y 2 + 2xy + 2x) + (6xy + x2 + 3)y 0 = 0,
p
p
2. 2x(1 + x2 y) x2 yy 0 = 0,
3. (x2 + y 2 a)x + (y 2 + x2 + a)yy 0 = 0,

4. 2xy + (x2 y 2 )y 0 = 0,
5. ey (2y + xey )y 0 = 0,
6. y/x + (y 3 + log x)y 0 = 0,
7. 3x2(1 + log y) (2y x3/y)y 0 = 0,
8. (x2 + y 2 + x) + yy 0 = 0,
Problema 2.28 Resuelve los siguientes problemas de valores iniciales

1. 2xy 3 + 3x2y 2 y 0 = 0, y(1) = 1,
2. 3x2 + 4xy + 2(y + x2)y 0 = 0, y(0) = 1,
3. 3xt + y 2 + (x2 + xy)y 0 = 0, y(2) = 1,
4. xy 0 y y 2 = 0, y(2) = 1,
25
Problemas de EDOs de Clairaut

Problema 2.29 Resolver las EDOs de Clairaut
1. (y 0 )2 + x3y 0 2x2y = 0,
2. y = xy 0 + (y 0 )n, n 6= 0, 1,
3. y = xy 0 + log(y 0 ),
p
4. y = xy 0 + 1 + (y 0 )2 ,
0
5. y = xy 0 ey .
Problemas del m
etodo de Euler
Problema 2.30 Encuentra las soluciones y(x) de los siguientes problemas de valores iniciales usando el metodo de Euler y el de Euler mejorado.
2
1. y 0 = ex y, y(2) = 1,
2
2. y 0 = ex y 2 , y(0) = 1,
3. y 0 = 1 + sen x(1 + y 2 ), y(0) = 1,

4. y 0 = k(a y)(b y), a, b, k > 0, y(0) = 0, (toma distintos valores de a, b y k,
5. z 0 2xz = 2, z(0) = 1,
6. y 0 + sen(x)y cos(x)y 3 = 1 + x2, y(0) = 1,
7. y 0 + 2ey = x2 + y 2 , y(0) = 0.
26
3 SISTEMAS DE EDOS
3.
Sistemas de EDOs
Un sistema de ecuaciones diferenciales ordinarias de primer orden (SEDO) es un sistema

de la forma
y1 (x) = f1(x, y1 , y2 , . . . , yn ),
y 0 (x) = f2(x, y1 , y2 , . . . , yn ),
2
(3.1)
..
y 0 (x) = f (x, y , y , . . . , y ),
n
1 2
n
n
donde y1 ,. . . yn son funciones de x desconocidas y f1, . . . fn son ciertas funciones conocidas.
Por comodidad vamos a usar la forma vectorial del sistema anterior, o sea, vamos a denotar
por Y , Y 0 y F son los vectores
y1 (x)
y10 (x)
f1(x, y1 , y2 , . . . , yn )
y2 (x)
y 0 (x)
f2(x, y1 , y2 , . . . , yn )
Y (x) = .. , Y 0 (x) = .. , F (x, Y ) =

,
..
.
.
.
yn (x)
yn0 (x)
fn (x, y1, y2 , . . . , yn )
es decir la derivada de un vector Y la definiremos como el vector que tiene como componentes
las derivadas de cada una de las componentes del vector original. Usando lo anterior podemos
reescribir (3.1) en la forma vectorial
d
Y (x) = Y 0(x) = F (x, Y ).
dx
(3.2)
Evidentemente que el caso n = 1 recuperamos las EDOs de primer orden estudiadas en el

captulo anterior. Esta claro que si el estudio de una EDO de primer orden era bastante
complicado, un sistema de estas es mucho mas complejo, as que nos restringiremos al estudio
de los SEDOs lineales, es decir cuando fk , k = 1, . . . , n es una funcion lineal de la forma
fk (x, y1, y2 , . . . , yn ) =
n
X
akj (x)yj (x) + bk (x),
k = 1, . . . , n,
j=1
lo que nos conduce a los sistemas lineales
y10 (x) = a11 (x)y1(x) + a12 (x)y2(x) + + a1n(x)yn(x) + b1 (x),
y 0 (x) = a21 (x)y1(x) + a22 (x)y2(x) + + a2n(x)yn(x) + b2 (x),

2
,
..
y 0 (x) = a (x)y (x) + a (x)y (x) + + a (x)y (x) + b (x).

n1
1
n2
2
nn
n
n
n
(3.3)
El sistema anterior se puede escribir en forma matricial
Y 0 (x) = A(x)Y (x) + B(x),
(3.4)
donde
A(x) =
a11(x) a12(x) a13(x) a1n (x)

a21(x) a22(x) a23(x) a2n (x)
,
..
..
..
..
...
.
.
.
.
an1(x) an2 (x) an3(x) ann (x)
B(x) =
b1 (x)
b2 (x)
..
.
bn (x)
Cuando B(x) = 0, o sea cuando todas las componentes del vector B son cero, diremos
que SEDO es homogeneo, y si al menos una componente de B es no nula, no homogeneo.
27
3 SISTEMAS DE EDOS
3.1.
La ecuaci
on lineal Y 0 = A(x)Y + B(x)
Comenzaremos enunciando un teorema que demostraremos al final de este captulo.

Teorema 3.1 Sean A(x) Rnn y B(x) Rn una matriz un un vector cuyos elementos
son funciones continuas en R. Entonces el PVI, Y 0 = A(x)Y + B(x), Y (x0) = Y0 tiene una
u
nica soluci
on cualquiera sean las condiciones iniciales Y0 escogidas.
Comenzaremos estudiando el sistema homogeneo, o sea cuando B(x) = 0
Y 0 (x) = A(x)Y (x),
A(x) Rnn y continua en R.
(3.5)
Teorema 3.2 Sea A(x) Rnn . Si Y1 e Y2 son soluciones del sistema Y 0 = A(x)Y , entonces
cualquiera de sus combinaciones lineales son tambien soluci
on.
Teorema 3.3 Sean Y1 (x), . . . , Yk (x) soluciones del sistema Y 0 = A(x)Y . Para que los
vectores (funciones) Y1 (x), . . . , Yk (x) sean linealmente dependientes para todo x R es
necesario y suficiente que lo sean para alg
un t R.
Corolario 3.4 Para que las soluciones Y1 (x), . . . , Yk (x) del PVI, Y 0 = A(x)Y , Yi (x0) =
Y0,i , i = 1, . . . , k sean linealmente independientes es suficiente que las condiciones iniciales,
o sea los vectores, Y0,1 , . . . Y0,k sean linealmente independientes.
El corolario anterior se puede parafrasear de la siguiente forma: conjuntos de condiciones

linealmente independientes generan soluciones linealmente independientes y conjuntos de
condiciones linealmente dependientes generan soluciones linealmente dependientes.
Nota 3.5 Es importante destacar que el resultado que hemos probado en relaci
on con la
dependencia lineal s
olo es cierto para vectores soluci
on de un SEDO lineal lo cual queda de
manifiesto en el siguiente ejemplo. Los vectores (funciones)

2
x
x
,
y
x2
x
son vectores linealmente independientes (lo son los polinomios x y x2) ya que es imposible
obtener una de otro al multiplicar por constantes, no obstante, para x = x0, obviamente son
dependientes pues

2
x0
x0
.
= x0
x0
x20
Teorema 3.6 Sea A(x) Rnn . Entonces, el conjunto de todas las soluciones del sistema
homogeneo Y 0 = A(x)Y es un espacio vectorial de dimensi
on n.
Corolario 3.7 Si Y1 (x), . . . , Yn (x) son soluciones linealmente independientes del sistema
Y 0 = A(x)Y , entonces toda soluci
on de Y 0 = A(x)Y se puede expresar como una u
nica
combinaci
on lineal de dichas soluciones. O sea, existen unos u
nicos coeficientes c1 , . . . cn
tales que
Y (x) = c1 Y1 (x) + c2 Y2 (x) + + ck Yn (x).
En particular, la soluci
on del PVI, Y 0 = A(x)Y , Y (x0) = Y0 se expresa de manera u
nica
como una combinaci
on lineal de las soluciones del sistema homogeneo correspondiente.
Nota 3.8 Juntando los teoremas 3.3 y 3.6 tenemos un criterio para encontrar una base del
espacio S de todas las soluciones de Y 0 = AY : Para que las soluciones Y1 (x), . . . , Yn (x) del
sistema Y 0 = A(x)Y sean linealmente dependientes para todo x R es necesario y suficiente
que para alg
un x0 R
det |Y1 (x0) Y2 (x0) . . . Yn (x0)| 6= 0.
Nota 3.9 Todos estos resultados son ciertos para toda matriz A cuyos elementos son funciones continuas en todo R.
28
3 SISTEMAS DE EDOS
3.2.
Los SEDO lineales con coeficientes constantes
En adelante asumiremos que A es una matriz n n real de coeficientes constantes, es

decir estudiaremos el problema (3.5) cuando la matriz A es de coeficientes constantes
A Rnn .
Y 0(x) = AY (x),
3.2.1.
(3.6)
Autovalores simples
Busquemos la solucion de (3.6) en la forma

Y (x) = ex v,
(3.7)
donde es cierta constante y v un vector constante. Sustituyendo (3.7) en (3.6) tenemos,

como v es constante3
Y 0(x) = (ex v) = exv
exv = A ex v.
Es decir, (3.7) es solucion del sistema homogeneo si y solo si es un autovalor de A y

v su autovector asociado, por tanto para resolver nuestro sistema lineal basta encontrar n
autovectores v1 , . . . , vn linealmente independientes en cuyo caso la solucion general es, seg
un
el teorema 3.3, de la forma
n
X
c k e k v k ,
(3.8)
Y (x) =
k=1
donde c1 , . . . , cn son constantes arbitrarias y k , k = 1, . . . , n, son los autovalores asociados

a los autovectores vk , k = 1, . . . , n.
on general del SEDO

1 12
0
Y =
Y.
3 1
Comenzamos calculando los autovalores y autovectores
det(A I) = 35 2 + 2 = 0
1 = 5,
2 = 7.
Calculamos los autovectores. Comenzamos con el correspondiente a 1 = 5

2
6 12
x1
.
= 0 = x1 = 2x2 , = v1 =
(A I)v = 0 =
1
x2
3 6
Para 1 = 7
(A I)v = 0
6 12
3 6

x1
x2
2
1
=0
x1 = 2x2,
v2 =
Por tanto la solucion general es

Y (x) = c1 e
3
5x
+ c2 e
7x
2
1
Entenderemos que la derivada de un vector o una matriz es la derivada termino a termino.
2
1
29
3 SISTEMAS DE EDOS
on general del SEDO

2 5
0
Y =
Y.
2 4
Calculamos los autovalores y autovectores
det(A I) = 2 + 2 + 2 = 0
1 = 1 i,
2 = 1 + i.
Es decir, son complejos. Que hace en este caso?

Si A es real y es el autovalor complejo asociado al autovector v, entonces el complejo
conjugado es el autovalor asociado al autovector v. Ahora bien, si tenemos
Y (x) = ex v = <Y (x) + i=Y (x),
Y sera solucion de Y 0 = AY si y solo si Y1 (x) = <Y (x) y Y2 (x) = =Y (x) son solucion de
Y 0 = AY , entonces
<Y (x) = eax (<v cos bx =v sen bx),
=Y (x) = eax (<v sen bx + =v cos bx)
son soluciones linealmente independientes de Y 0 = AY .

As pues, en nuestro ejemplo

5
=
1 = 1 i, v1 =
3+i

5
0
5
0
x
x
Y1 (x) = e
cos x +
sen x , Y2 (x) = e
sen x +
cos x ,
3
1
3
1
por tanto
Y (x) = c1 e
3.3.

5
3
cos x +
0
1
sen x + c2 e

5
0
sen x +
cos x .
3
1
La exponencial matricial exp(xA)
Sea A una matriz n n y x R. Definiremos la funcion exp(xA) mediante la serie formal

exp(xA) =
X
xk Ak
k=0
k!
= In + xA +
x2 A2
xn An
+ +
+ ,
2
n!
(3.9)
donde la convergencia la entenderemos elemento a elemento. La serie anterior converge para

todo x R quienquiera sea la matriz A (de hecho converge en todo C).
Proposici
on 3.12 La funci
on exp(xA) satisface las siguientes propiedades:
1. Para toda matriz A, exp(0A) = In y para todo x R exp(xOn) = In , donde On es la
matriz nula.
2. Para toda matriz A,
d
dx
exp(xA) = A exp(xA) = exp(xA)A.
3. Para todos x, t R y toda matriz A, exp[(x + t)A] = exp(xA) exp(tA).

4. Para toda matriz A, la inversa [exp(xA)]1 = exp(xA).
5. Para todas las matrices A, B con AB = BA, exp[x(A + B)] = exp(xA) exp(xB).
30
3 SISTEMAS DE EDOS
6. Para todo x R, exp(xIn) = ex In.
Dado cualquier vector constante v Rn se cumple
d
[exp(xA)v] = A[exp(xA)v],
dx
por tanto exp(xA)v es solucion de la ecuacion homogenea Y 0 = AY y Y (0) = v. Si escogemos

v sucesivamente como ei , i = 1, 2, . . . , n obtenemos n soluciones v1, . . . , vn del PVI, Y 0 =
AY , Y (0) = ei que ademas son linealmente independientes por el teorema 3.3 y por tanto
constituyen una base del espacio de soluciones del sistema homogeneo correspondiente.
Definici
on 3.13 Una matriz V Rnn es una matriz fundamental del sistema Y 0 = AY si
sus n columnas son un conjunto linealmente independiente de soluciones de Y 0 = AY .
De esta definicion y de lo anterior deducimos entonces que exp(xA) es una matriz fundamental del sistema Y 0 = AY . En efecto, como hemos visto, las columnas de exp(xA) son
solucion de los PVI, Y 0 = AY con Yi (0) = ei , siendo (ei)i la base canonica de Rn .
Corolario 3.14 (de existencia y unicidad de la soluci
on del SEDO homogeneo)
nn
0
El sistema homogeneo Y = AY , con A R
siempre tiene n soluciones linealmente
independientes, y por tanto el PVI, Y 0 = AY , Y (x0) = Y0 siempre tiene una u
nica soluci
on
n
cualquiera sea Y0 R y es de la forma Y (x) = exp[(x x0)A]Y0 .
As pues, para encontrar la solucion general del sistema Y 0 = AY basta saber calcular la
exponencial de xA. Comencemos por el caso mas sencillo cuando la matriz es diagonalizable.
En este caso existe una matriz P tal que A = P DP 1, siendo D una matriz diagonal.
Entonces como para todo k N, Ak = P D k P 1 tenemos
!
k
k
k
X
X
X
kx
k 1 x
kx
=
=P
D
P 1 = P [exp(xD)]P 1,
PD P
exp(xA) =
A
k!
k!
k!
k=0
k=0
k=0
pero, como
D=
1 0 0
0 2 . . . 0
..
.. . .
.
. ..
.
.
..
0 0
. n
exp(xD) =
e 1 x 0 0
0 e 2 x . . . 0
..
..
..
..
.
.
.
.
..
0
0
. exn
de donde se deducen nuevamente las soluciones del sistema. Notese que el caso de n autovalores distintos se puede resolver por este metodo.
Como ejemplo calculemos la matriz exponencial de la matriz

1 6
A=
.
1 2
Ante todo tenemos que el polinomio caracterstico de A es

1 6
2

1 2 = 4 3 + = 0, = 1 = 1, 2 = 4.
31
3 SISTEMAS DE EDOS
Calculamos los autovectores. Para 1 = 1 tenemos

x1
0
2 6
, = x1 = 3x2,
=
0
1 3
x2
v1 =
Analogamente, para 2 = 4 obtenemos v2 = (2, 1)T , luego

x

1
e
0
3 2
1
5
exp(xD) =
,
P =
, P =
0 e4 x
15
1 1
Luego
exp(xA) = P exp(xD)P
3.4.
4x
3
+ 2 e5
5 ex
4x
1
e5
5 ex
6
5 ex
2
5 ex
6 e4 x
5
3 e4 x
5
3
1
2
5
3
5
El caso de autovalores m
ultiples
Vamos a explotar las propiedades de la matriz exponencial. Usando la propiedad 5 de

exp(xA) tenemos
exp(xA)v = exp[(A In)x] exp(Ix)v,
pero
exp(Ix)v = ex v
Es decir,
exp(xA)v = e
exp(xA)v = ex exp[(A In)x]v.

x2
xk
2
k
v + x(A In)v + (A In) v + . . . + (A In ) v + . . . .
2
k!
En el caso de un autovalor simple tenemos obviamente (A In)v = 0 si v es el correspondiente autovector, luego exp(xA)v = ex v que es lo mismo que tenamos antes. Si tenemos
entonces n autovectores v1 , . . . vn linealmente independiente entonces encontramos n soluciones linealmente independientes Yi = ek x vk , k = 1, . . . , n.
Que hacer cuando hay una raz m
ultiple, o mas exactamente si la matriz A no es diagonalizable?
Supongamos, por ejemplo, que el autovalor es doble y que tiene asociado un u
nico
autovector (el autoespacio asociado es de dimension 1). Una solucion es por tanto e x v1,
donde v1 es el autovector asociado a . El otro vector v2 que necesitaremos lo buscaremos
de forma que (A In)v2 6= 0 pero (A In)2v2 = 0. Entonces otra solucion, independiente
de la anterior es

xk
x2
2
k
x
(A In) v2 + . . . +
(A In ) v + . . .
exp(xA)v2 = e v2 + x(A In )v2 +
{z
}
{z
}
2 |
k! |
= ex v + ex x(A In)v2 .
=0
=0
En el caso que la multiplicidad de sea de orden mayor seguimos el siguiente procedimiento para resolver el sistema homogeneo
1.) Calculamos todos los autovalores i y los correspondientes autovectores vi , i = 1, 2, . . . , k
y formamos k soluciones linealmente independientes de nuestro sistema Y i (x) = eix vi ,
i = 1, . . . , k. Si k = n entonces las Yi (x) generan a todo el espacio solucion.
2.) Si k < n entonces hay autovalores m
ultiples. Sea uno de tales autovalores y sea m a
la multiplicidad algebraica de dicho autovalor y mg la multiplicidad geometrica (o sea la
32
3 SISTEMAS DE EDOS
dimension de autoespacio asociado a ). Si ma = mg entonces los vectores Yi (x) = ei x vi

i = 1, . . . , aa generan todo el subespacio correspondiente a . Supongamos que ma > mg , entonces para completar el espacio solucion asociado al autovalor (nos falta encontrar m a mg
soluciones linealmente independientes) buscamos los vectores v1 , . . . , vl (l ma mg ) tales
que (AIn )v 6= 0 pero que (AIn )2v = 0, luego los los vectores v tales que (AIn )v 6= 0
y (A In)2 v 6= 0, y (A In)3 v = 0, y as sucesivamente hasta completar el subespacio. Y
as con cada uno de los autovalores m
ultiples.
Veamos un ejemplo:
1 1 0
Y 0 = 0 1 0 Y.
0 0 2
Obviamente los autovalores son 1 = 2 y 1 = 1 siendo este u

ltimo de multiplicidad 2.
Ademas, los autovectores correspondientes son v1 = (0, 0, 1)T y v2 = (1, 0, 0)T , respectivamente. Luego tenemos dos soluciones independientes

0
1
2x
x
0 ,
0 ,
Y1 (x) = e
Y2 (x) = e
1
0
y necesitamos una tercera solucion. Aplicando el metodo antes descrito buscamos un tercer
vector v3 que no sea autovector de A asociado a 2 = 1 y tal que (A I3 )2v = 0, es decir
x1
0 0 0
(A I)2 v = 0, 0 0 0 x2 = 0, = x1 = 0, x2 , x3 R,
x3
0 0 1
o sea
0
1
v3 = 0 + 1 ,
0
0
pero como (A I)v3 = (, 0, 0)T 6= 0, deducimos que 6= 0, luego tomando4 = 1, = 0

obtenemos la tercera solucion que buscabamos

x
0
0
x
x
x
1 .
=e
= e [I3 + x(A I3 )] 1
Y3 (x) = e exp(A I3 ) 1
0
0
0
As pues
x
1
0
x
x
2x
1 .
0
0
+ c3 e
+ c2 e
Y (x) = c1 e
0
0
1
El metodo anterior nos indica un procedimiento general para resolver el SEDO (3.6) en
general conocido como metodo de Euler que consiste en lo siguiente:
1. Calculamos los autovalores k de la matriz A Rnn del sistema Y 0 = AY y sea mk
la multiplicidad algebraica del autovalor.
2. Para cada autovalor, buscamos la solucion del correspondiente subespacio (o sea, la
solucion generada por el autovalor) en la forma
Yk (x) = e
k x
m
k 1
X
Aj xj ,
j=0
Cualquier eleccion de y es posible siempre que 6= 0.
Aj Rn ,
(3.10)
33
3 SISTEMAS DE EDOS
donde puede ocurrir que alguno de los vectores Aj , j = 0, 1, . . . , mk 1 sean nulos.
Veamos como funciona este metodo en el
1
0
Y = 0
0
ejemplo anterior.
1 0
1 0 Y.
0 2
Tenemos que 1 = 2 y 1 = 1 siendo este u

ltimo de multiplicidad 2. Para el primero tenemos
al igual que antes Y1 (x) = e2x (0, 0, 1)T y para el segundo buscamos las soluciones en la forma

a1
a4
Y2 (x) = ex a2 + a5 x .
a3
a6
Sustituyendo en el sistema tenemos
a1 + a2 + (a4 + a5)x
a4
a4
a1
.
a2 + a 5 x
Y20(x) = ex a2 + a5 x + a5 =
2a3 + 2a6x
a6
a6
a3
Igualando componentes
a4
a5
a6
tenemos el sistema
= a2 + a5
= 0
= a3 + a6 x
a3 = a5 = a6 = 0, a4 = a2 ,
con a1 y a2 cualesquiera, es decir,

x
1
a2
a1
Y2 (x) = a2 + 0 x ex = ex a1 0 + a2 1 x ,
0
0
0
0
que coincide con la solucion encontrada por el metodo anterior.
3.4.1.
La matriz fundamental de soluciones y la matriz exp(xA)
Sea V (x) una matriz fundamental, entonces si definimos el vector c = (c 1, . . . , cn )T , la

solucion general de Y 0 = AY se puede escribir de la forma Y (x) = V (x)c. Sea ahora el PVI,
Y 0 = AY con Y (x0) = Y0 , entonces tenemos Y (x0) = Y0 = V (x0)c, luego c = V 1 (x0)Y0 ,
por tanto la solucion es
Y (x) = V (x)V 1 (x0)Y0 .
(3.11)
Lo anterior nos permite encontrar una expresion para la matriz exponencial conocida
una matriz fundamental. En efecto, usando que la matriz exp(xA) es la solucion del sistema
matricial V 0 = AV con las condiciones iniciales V (0) = In deducimos,
exp(xA) = V (x)V 1 (0)I = V (x)V 1 (0).

1 12
Ejemplo 3.15 Calcular exp(xA) para la matriz A =
del ejemplo 3.10.
3 1
(3.12)
34
3 SISTEMAS DE EDOS
Los autovalores y autovectores son 1 = 5, v1 = (2, 1)T y 2 = 7 y v2 = (2, 1)T y por

tanto una matriz fundamental es

2e5x 2e7x
,
V (x) =
e5x
e7x
luego
exp(xA) = V (x)V
=
3.5.
(0) =
1 5x
e
+ 21 e7x
2
41 e5x + 14 e7x
2e5x 2e7x
e5x
e7x
e5x + e7x
1 5x
e
+ 12 e7x
2

2 2
1 1
1
2e5x 2e7x
e5x
e7x

41
1
4
1
2
1
2
El SEDO lineales no homog

eneo
Pasemos a estudiar el sistema no homogeneo

Y 0(x) = AY (x) + F (x).
(3.13)
Para resolverlo usaremos la linealidad.

Proposici
on 3.16 La soluci
on general del SEDO (3.13) es de la forma Y (x) = Yh(x) +
Yp (x), donde Yh es la soluci
on general del SEDO homogeneo Y 0 = AY y Yp es cualquier
soluci
on particular de (3.13), es decir Yp0(x) = AYp (x) + F (x). En particular, si V (x) es una
matriz fundamental Y (x) = V (x)C + Yp (x), donde C Rn .
Teorema 3.17 La soluci
on del problema de valores iniciales Y 0 (x) = AY (x)+F (x), Y (x0) =
Y0 , cualquiera sea Y0 Rn existe y es u
nica y se expresa mediante la f
ormula
Z x
exp[(x t)A]F (t)dt.
(3.14)
Y (x) = exp[(x x0 )A]Y0 +
x0
Ejemplo 3.18 Resolver el siguiente sistema lineal de EDOs

0
0
1 12
0
Y =
Y +
,
Y (0) =
.
3 1
ex
1
En este caso la matriz exponencial es la matriz del ejemplo 3.15, luego aplicamos (3.14).
Comenzamos por

Z x
Z x 1 5(xt) 1 7(xt)
0
e
+ 2e
e5(xt) + e7(xt)
2
exp[(x t)A]F (t)dt =
dt =
et
14 e5(xt) + 41 e7(xt) 21 e5(xt) + 21 e7(xt)
0
0
!
!
Z x
31 ex + 16 e5x (1 + e12x )
e6t5x + e6t+7x
dt =
.
=
1 5x 12x
1 6t+7x
1 6t5x
0
e
+
e
e
(e
1)
2
2
12
!

1 5x 1 7x
e5x + e7x
5x
7x
0
e
+
e
e
+
e
2
2
=
,
exp[(x x0)A]Y0 =
1 5x
1
41 e5x + 14 e7x 12 e5x + 21 e7x
e
+ 1 e7x
2
luego la solucion del PVI es

Y (x) =
56 e5x 31 ex + 67 e7x
5 5x
e
12
7 7x
e .
12
35
3 SISTEMAS DE EDOS
3.6.
Problemas

on general del sistema hom
ogeneo Y 0(x) = AY (x) y,
en su caso, del problema de valores iniciales en los siguientes casos:

4 1
2 5
1. a) A =
,
b) A =
,
4 4
2 4

2
1 12
2
4 1
, Y (0) =
,
b) A =
, Y (0) =
2. a) A =
1
3 1
3
8 8

1 1 4
1 0 0
1
3 2 1 ,
0 1 1 , Y (0) =
1 ,
3. a) A =
b) A =
2 1 1
0 1 1
1
1 2 1
1
1 1 0
4. a) A = 0 1 2 , Y (0) = 2 ,
b) A = 0 1 0 .
0 1 2
1
0 0 2
Problema 3.20 Prueba las siguientes propiedades de la matriz exA con A Rnn :
1. e0A = In , In es la matriz identidad n n.
2.
d xA
e
dx
= AexA .
3. e(x+t)A = exA etA , x, t R.

4. Para todo x R, exA es invertible y su inversa (exA )1 = exA .
5. Si A y B conmutan, o sea AB = BA, entonces ex(A+B) = exA exB = exB exA .
6. exI = ex I.
Problema 3.21 Sean las matrices A =
0 1
1 0
B=
0 1
1 0
1. Prueba que A2n+1 = A, A2n = I2 , B 2n+1 = (1)n B, y B 2n = (1)nI2 .

2. Usando lo anterior calcula las matrices exA y exB .

a b
xC
.
3. Como aplicaci
on calcula e con C =
b a
Problema 3.22 Usando las propiedades de la matriz exA con A Rnn encuentra la soluci
on de los SEDO del ejercicio (3.19).
Problema 3.23 Resuelve los sistemas hom
ogeneos
0
0
0
y1 = y 1 y 2
y1 = y1 5y2
y1 = y1 + 2y2
, c)
, b)
1. a)
0
0
y20 = y1 + 3y2
y2 = 2y1 y2
y2 = 4y1 + 3y2
2 1 3
1 1 0
2. Y 0 = AY , con a) A = 0 1 0 , b) A = 0 2 1 ,
0 0 2
0 0 2
Problema 3.24 Encuentra una matriz fundamental de soluciones de los sistemas Y 0 = AY ,

cuya matriz de coeficientes es
36
3 SISTEMAS DE EDOS

1 12
2 5
1. a) A =
,
b) A =
,
c) A =
,
3 1
2 4
1 1 4
1 1 1
1 0 0
2. a) A = 3 2 1 ,
b) A = 0 3 2 ,
c) A = 2 1 2 .
2 1 1
0 0 5
3 2 1
1 5
0 1

on general del sistema de EDOs no homogeneo Y 0 (x) =
AY +B(x) y, en su caso, la correspondiente soluci
on del problema de valores iniciales cuando

1 12
x
2
1. A =
, B(x) =
, Y (0) =
3 1
ex
1

2 5
1
0
2. A =
, B(x) =
, Y (0) =
2 4
sen x
0

1 1 4
0
2
3. A = 3 2 1 , B(x) = 0 , Y (0) = 1
2 1 1
ex
1

1 0 0
0
0
4. A =
2 1 2 , B(x) =
0
, Y (0) =
1
x
3 2 1
e cos(2x)
1
Problema 3.26 Resuelve los sistemas lineales
( 0
y1 = 2y1 + y2 7xex 3
1.
, sabiendo que su soluci
on es acotada si x +.
y20 = y1 + 2y2 1
0
x =v
2.
, con x(0) = x0, v(0) = 0, < . Este sistema modeliza el
v 0 = 2 x 2v + f (t)
movimiento de un pendulo con rozamiento y una fuerza externa f .
3. Se considera el siguiente circuito electrico
L
Uc
i1
+
L
1
i2
Las intensidades i1, i2 y las tensiones Uc y V satisfacen el siguiente sistema diferencial

0
10
0 20
i1
V
i1
i02 =
0 10
20 i2 + 20 0 .
0
Uc
50 50 50
Uc
0
Se pide determinar i1, i2, Uc en los siguientes casos:
(a) V (t) = 0, i1(0) = i2(0) = 0, Uc(0) = 10.
37
3 SISTEMAS DE EDOS
(b) V (t) = 10, i1(0) = i2(0) = 0 = Uc(0) = 0.
Problema 3.27 Demuestra que si la matriz A(x) es tal que
Z x
Z x
A(t)dt A(x),
A(t)dt =
A(x)
0
0
entonces, la soluci
on del
R x SEDO Y = A(x)Y , Y (0) = Y0 se puede expresar mediante la
on calcula la soluci
on general del sistema
expresi
on Y (x) = exp( 0 A(t)dt)Y0. Como aplicaci
y10 = cos x y1 + sen x y2
y20 = sen x y1 + cos x y2
Problema 3.28 Demuestra el siguiente

on: La soluci
on del sistema
Pm principio de superposici
n
0
de EDOs
lineales
Y
=
A(x)Y
+
f
(x),
k
=
1,
2,
.
.
.
,
m,
Y,
f
R
,
A
Rnn es la
k
k=0 k
Pm
suma k=0 Yk de las soluciones Yk de las ecuaciones Yk0 = A(x)Yk + fk (x), k = 1, 2, . . . , m.
LINEAL DE ORDEN N
4 LA ECUACION
4.
38
La ecuaci
on lineal de orden n
Vamos a continuacion a aplicar los resultados obtenidos a un grupo de EDOs muy importante: las EDOs lineales con coeficientes constantes de orden mayor que 1 definida por la
ecuacion:
y (n) (x) + an1 (x)y (n1)(x) + + a1(x)y 0 (x) + a0(x)y(x) = f (x).
(4.1)
Cuando f (x) 0, diremos que la EDO (4.1) es homogenea, en caso contrario es no homogenea.
Si ademas imponemos que la solucion y sea tal que
y(x0 ) = y0 ,
y 0 (x0) = y00 ,
...
(n1)
y (n1) (x0) = y0
entonces diremos que y es la solucion del correspondiente problema de valores iniciales.

Por comodidad introduciremos el operador L[y] definido sobre el espacio de las funciones
n veces derivables con n-`esima derivada continua definido por
L[y] = y (n) (x) + an1 (x)y (n1) (x) + + a1(x)y 0 (x) + a0(x)y(x).
(4.2)
Usando esta notacion podemos escribir (4.1) como L[y] = f (x) y el correspondiente problema
homogeneo sera L[y] = 0.
Proposici
on 4.1 La EDO
y (n) (x) + an1 (x)y (n1) (x) + + a1(x)y 0(x) + a0(x)y(x) = 0,
(4.3)
es lineal, es decir, que si tenemos dos soluciones y1 e y2 de la ecuaci

on, para cualesquiera
que sean , y R, y1 + y2 tambien es soluci
on.
Para estudiar las propiedades de las EDOs lineales de orden n vamos a introducir unas
nuevas funciones z1 (x), . . . zn (x) de forma que
dzn
z1(x) = y(x)
= an1 zn an2 zn1 a0z1 + f,
dx
z2(x) = y (x)
dzn1
z3(x) = y 00 (x)
= zn ,
dx
..
..
zn1 (x) = y (n2) (x)
dz1
= z2 .
zn(x) = y (n1) (x)
dx
Es decir, una EDO del tipo (4.1) es equivalente al siguiente sistema lineal de ecuaciones
0
1
0
0
0
0
z
z1
1
0
1
0
0
z2 0
z2 0
..
..
..
..
..
d . ...
.. ..
.
.
.
.
.
.
. + . , (4.4)
=
dx . 0
0
0
0
1
zn1 0
zn1
0
0
0
0
1
f (x)
zn
zn
a0 a1 a2 an2 an1
o en forma matricial Z 0 (x) = AZ(x) + F (x). Notese que cuando f (x) 0, el sistema anterior
se transforma en un sistema homogeneo. Lo anterior tiene una implicacion evidente: toda la
teora de las ecuaciones lineales (4.1) se puede construir a partir de la teora de los sistemas
lineales que estudiamos antes.
LINEAL DE ORDEN N
4 LA ECUACION
39
Teorema 4.2 Sean a0 (x), . . . , an1 (x) funciones continuas en R. Entonces el P.V.I. asociado a (4.1) siempre tiene soluci
on y es u
nica cualquiera sean las las condiciones iniciales
(n1)
0
0
(n1)
y(x0 ) = y0 , y (x0) = y (0), . . . , y
(x0) = y0
que escojamos.
Teorema 4.3 El conjunto de soluciones de la EDO homogenea (4.3) es un espacio vectorial
de dimensi
on n.
Teorema 4.4 Dadas n soluciones y1 , . . . , yn de la EDO (4.3), estas son linealmente independientes si y s
olo si el wronskiano W [y1 , . . . , yn ](x), definido por

y1 (x)
y2 (x)
yn (x)

y10 (x)
y20 (x)
yn0 (x)

(4.5)
W [y1 , . . . , yn ](x) =
6= 0 x,
..
..
..
...

.
.
.

(n1)
(n1)
(n1)
y1
(x) y2
(x) yn
(x)
es distinto de cero para alg
un x R, en cuyo caso el Wronskiano es distinto de cero para
todo x R.
Finalmente, notemos que conocida la solucion general yh(x) de la EDO homogenea podemos dar la solucion general de la EDO (4.1) en la forma y(x) = yh(x) + yp (x), siendo yp
una solucion particular de (4.1).
4.1.
Soluci
on de la ecuaci
on lineal homog
enea
Para resolver la EDO (4.3) con coeficientes constantes seguiremos la misma idea que
para los sistemas, es decir buscaremos la solucion en la forma y(x) = e x . Sustituyendo esta
funcion en la EDO (4.3) obtenemos que debe satisfacer la ecuacion
n + an1 n1 + a1 + a0 = 0.
(4.6)
La ecuacion anterior se denomina ecuacion caracterstica de la EDO (4.3). Es facil probar

que el polinomio caracterstico de la matriz A asociada a la EDO (4.3) coincide con (4.6).
Lo anterior nos indica una estrategia para resolver el problema:
1. Si tenemos valores reales 1 6= 2 6= 6= n entonces las funciones yk (x) = ek x ,
k = 1, . . . , n generan el espacio solucion de la la EDO (4.3).
En el caso que tengamos races complejas hay que proceder como en el caso de los
sistemas: tomar partes reales y complejas de cada una de ellas. Es decir, si = + i,
entonces las dos soluciones independientes son <[e(+i)x ] = ex cos(x) y =[e(+i)x ] =
ex sen(x).
2. Si alg
un k es m
ultiple de multiplicidad m n, entonces la solucion habra que buscara
en la forma
y(x) = ek x pm1 (x),
(4.7)
donde pm1 es un polinomio de grado m 1 en x, es decir la solucion asociada a dicha
raz tendra la forma
y(x) = c1 ek x + c2 xek x + + cm xm1 ek x ,
c1 , c2 , . . . , cm R.
Obviamente si k es complejo, tenemos que tomar partes reales y complejas que nos
generan todo el espacio solucion.
LINEAL DE ORDEN N
4 LA ECUACION
40
Por simplicidad mostraremos como resolver la ecuacion homogenea de segundo orden.

El caso general es completamente analogo. La ecuacion diferencial lineal homogenea con
coeficientes constantes tiene la forma:
y 00 (x) + py 0 (x) + qy(x) = 0,
p, q R.
(4.8)
La ecuacion caracterstica (4.6) de la ecuacion (4.8) tiene la forma

2 + p + q = 0.
(4.9)
Las soluciones de la ecuacion caracterstica (4.9) seran

p
p
p + p2 4q
p p2 4q
1 =
, 2 =
.
2
2
Caso de dos races reales y distintas. Sea p2 > 4q, entonces la ecuacion caracterstica
(4.9) tiene dos soluciones reales y distintas:
p
p
p p2 4q
p + p2 4q
,
,
1 =
2
2
y la ecuacion homogenea (4.8) tendra dos soluciones linealmente independientes
y1 (x) = e1x ,
y2 (x) = e2x .
Luego, la solucion general de (4.9) se expresara de la forma

y(x) = Ae1 x + Be2x ,
A, B R.
Caso de dos races reales iguales. Sea p2 = 4q, entonces la ecuacion caracterstica (4.9)
tiene una u
nica solucion real = p/2. Esto significa que aparentemente solo tenemos una
funcion que genera al espacio solucion de la EDO homogenea, sin embargo dicho espacio es
de dimension 2 como nos asegura el teorema 4.3 y la ecuacion homogenea (4.8) tendra dos
soluciones linealmente independientes de la forma y1(x) = ex y y2(x) = xex . En efecto,
usando (4.7) tenemos que la solucion generada por es, en este caso,
y(x) = ex p1 (x) = ex (c1 + c2 x) = c1 ex + c2 xex ,
como se pretenda probar.
Caso de races complejas. Sea p2 < 4q, entonces la ecuacion caracterstica (4.9) tiene dos
soluciones complejas:
p
p
p i 4q p2
p + i 4q p2
,
, i = 1,
1 =
2
2
y la ecuacion homogenea (4.8) tendra dos soluciones linealmente independientes
y1 (x) = e1x ,
y2 (x) = e2x .
Luego, la solucion general de (4.9) se expresara de la forma

y(x) = Ae1 x + Be2x ,
A, B R.
(4.10)
Llamemos a la parte real de 1 (o 2) y a la parte imaginaria de 1 (o 2 ). Entonces,

1 = + i,
2 = i,
, R.
Si ahora utilizamos la formula de Euler ei = cos +i sen , R, obtenemos que la solucion

general de (4.10) se puede escribir de la forma
y(x) = ex (A cos x + B sen x) ,
A, B R,
o, equivalentemente,
y(x) = A ex cos (x + ) ,
A, R.
LINEAL DE ORDEN N
4 LA ECUACION
4.2.
41
La EDO lineal de segundo orden no homog

enea con coeficientes constantes
Vamos a estudiar la EDO

y 00 (x) + py 0 (x) + qy(x) = f (x),
f (x)
continua,
p, q R.
(4.11)
En general no es trivial resolverla aunque en muchos casos es facil adivinar la solucion.
4.2.1.
Caso f (x) = pn (x)
En general si tenemos la EDO

y 00 + py 0 + qy = pn (x),
q 6= 0,
(4.12)
siendo pn un polinomio de grado n, la solucion particular siempre es de la forma

yp (x) = a0 + a1 x + + an xn,
an 6= 0.
En efecto, si sustituimos la solucion anterior en la EDO (4.12) obtenemos

qan xn + (qan1 + pnan )xn1 + + (qak + p(k + 1)ak+1 + (k + 1)(k + 2)ak+2 )xk +
+(qa0 + pa1 + 2a2) = pn (x),
de donde igualando coeficientes obtenemos un sistema compatible de ecuaciones ya que
hemos supuesto que el grado de pn es exactamente n.
Este metodo obviamente funciona si q 6= 0 (por que?), pero que ocurre si q = 0?, o sea,
si tenemos la EDO
y 00 + py 0 = pn (x),
a 6= 0,
(4.13)
siendo pn un polinomio de grado n. Entonces el metodo anterior no funciona pues si sustituimos yp (x) = a0 + a1x + + anxn , obtenemos que L[yp ] es un polinomio de grado n 1
mientras que el derecho es de grado n. Para resolver el problema buscamos la solucion de la
forma
yp (x) = a0 + a1x + + anxn + an+1 xn+1 .
Ahora bien, como la EDO homogenea es y 00 + py 0 = 0, entonces cualquier constante es
solucion, por tanto a0 en la expresion anterior puede ser cualquiera, as que sin perdida de
generalidad la tomaremos igual a cero, luego la solucion particular la podemos buscar en la
forma yp (x) = xrn(x) y los coeficientes de rn los encontramos sustituyendo dicha solucion
en (4.13) e igualando coeficientes.
4.2.2.
Caso f (x) = pn (x)ecx
Veamos ahora las EDOs del tipo

y 00 + py 0 + qy = ecx pn (x),
(4.14)
siendo pn un polinomio de grado n. Para resolverlo hacemos el cambio y(x) = ecx v(x), que
nos conduce a
L[y] = ecx {v 00 + (2c + p)v 0 + (q + pc + c2 )v},
luego
v 00 + (2c + p)v 0 + (q + pc + c2 )v = pn (x),

por lo que nuestra EDO (4.14) se reduce al caso anterior (4.12).
LINEAL DE ORDEN N
4 LA ECUACION
4.2.3.
42
Caso f (x) = pn (x)ecx sen(x) y pn (x)ecx sen(x)
Veamos ahora como resolver los casos

y 00 + py 0 + qy = pn (x)ecx sen(x),
y 00 + py 0 + qy = pn (x)ecx cos(x),
(4.15)
siendo pn un polinomio de grado n.

Para resolver este caso notemos que si y(x) = u(x) + iv(x), u, v, funciones reales es una
solucion de
L[y] = y 00 + py 0 + qy = f (x) = f1(x) + if2(x),
f1, f2 funciones reales,
entonces L[u] = f1 y L[v] = f2], lo cual es consecuencia de la linealidad L.

Sea entonces yp (x) = u(x) + iv(x) una solucion particular de
L[y] = y 00 + py 0 + qy = pn (x)eix = pn (x) cos(x) + ipn(x) sen(x).
Entonces <[yp ] = u(x) es solucion de y 00 + py 0 + qy = pn (x) cos(x) y =[yp ] = v(x) de
y 00 + py 0 + qy = pn(x) sen(x).
4.2.4.
El m
etodo de los coeficientes indeterminados
Sea la EDO lineal no homogena (4.11) y 00 (x) + py 0 (x) + qy(x) = f (x) y sean y1(x) e y2 (x)
dos soluciones linealmente independientes. Entonces vamos a buscar la solucion de la EDO
en la forma
yp (x) = c1 (x)y1(x) + c2 (x)y2(x),
con c1 y c2 tales que
c01 y1 + c02 y2 = 0,
c01 y10
c02 y20
(4.16)
= f (x).
(4.17)
De esa forma tenemos que resolver dos EDOs de primer orden. Para ello multiplicamos la
primera por y10 , la segunda por y1 y las restamos lo que nos da c02 [y1 y20 y10 y2 ] = f y1 , o bien,
la primera por y20 y la segunda por y2 , para obtener c01 [y1 y20 y10 y2 ] = f y2 . Ahora bien,
[y1 y20 y10 y2 ] = W [y1 , y2 ](x) 6= 0 cualquiera sea x R pues el Wronskiano de dos soluciones
linealmente independientes de la EDO homogenea nunca se anula (ver el teorema 4.4), de
donde obtenemos que c1 y c2 satisfacen las EDOs
c01 (x) =
f (x)y2(x)
,
W [y1 , y2 ](x)
c02 (x) =
f (x)y1(x)
.
W [y1 , y2 ](x)
(4.18)
El metodo anterior se denomina metodo de Lagrange de reduccion del orden de la EDO

de segundo orden o metodo de los coeficientes indeterminados. Obviamente este metodo se
puede generalizar facilmente para el caso de orden n.
Ejemplo 4.5 Resolver y 00 y = e2x .
La solucion general del problema homogeneo es yh (x) = c1 ex + c2 ex , entonces buscamos la solucion particular en la forma5 yp (x) = c1 (x)ex + c2 (x)ex. Como W [y1 , y2 ](x) =
W [ex , ex ] = 2, la formula (4.18) nos da
ex
e3x
, c02 =
=
2
2
Por tanto, la solucion general es
c01 =
c1 (x) =
ex
,
2
c3 (x) =
y(x) = c1 ex + c2 ex +
5
ex
,
6
yp (x) =
e2x
.
3
e2x
.
3
De aqu el nombre de metodo de variaci

on de las constantes, pues se cambian las constantes que aparecen
en la solucion general del problema homogeneo por funciones indeterminadas.
LINEAL DE ORDEN N
4 LA ECUACION
4.3.
43
Aplicaciones
Ejemplo 4.6 Vibraciones mec

anicas
Como primer ejemplo consideraremos un carro de masa m que se mueve bajo la accion
de una fuerza F y que esta sujetado a la pared mediante un resorte de constante elastica
k (ver figura 8). Si suponemos ademas que la fuerza de rozamiento es proporcional a su
velocidad entonces la segunda ley de Newton nos conduce a la EDO mx00 + ax0 + kx = F (x),
o equivalentemente,
x00 + 2x0 + 2 x = f (t),
a
k
F (t)
> 0, 2 = , f (t) =
.
2m
m
m
(4.19)
con las condiciones iniciales para t = 0 de la posicion x(0) = x0 y la velocidad x0(0) = v0 .

Vamos a estudiar los distintos ca
sos

1. El primer caso corresponde cuando no tenemos fuerza externa ni rozamiento, o sea,

f = 0 y = 0. Entonces la EDO (4.19) es
x00 + 2 x = 0 y por tanto la solucion general
es
x(t) = c1 sen(t) + c2 cos(t),
m
k
F

PSfrag replacements

Figura 8: Carro del ejemplo 4.6.
que al usar las condiciones iniciales se transforma en

q
x(t) = x0 cos(t) + v0 / sen(t) = x20 + v02 / 2 cos(t ),
= arctan(x0 /v0).
la solucion en este caso es periodica con periodo T = 2/ por lo que el movimiento se

denomina movimiento arm
onico simple (ver figura 9 izquierda).
En la u
ltima igualdad hemos usado la identidad
a cos(t) + b sen(t) = A cos(t ),
A=
a2 + b2, = arctan(b/a),
(4.20)
cuya demostracion es inmediata, basta aplicar la formula para el coseno de una suma e
identificar los coeficientes del seno y el coseno.
x
PSfrag replacements
Figura 9: El movimiento armonico simple y el movimiento amortiguado.

2. Supongamos ahora que eliminamos solamente la fuerza externa, entonces la solucion es
x(t) = c1 ex+
Tenemos que considerar tres casos:
2 2 x
+ c2 ex
2 2 x
LINEAL DE ORDEN N
4 LA ECUACION
2a. Si > , entonces, llamando =
44
2 2 < tenemos la solucion
x(t) = c1 e()t + c2 e(+)t ,

que decrece exponencialmente a cero. En este caso se dice que el movimiento es sobreamortiguado ya que en un breve espacio de tiempo el carro se para.
2b. Si = , entonces la solucion es
x(t) = (c1 t + c2 )et ,
que tambien decrece exponencialmente a cero.
2c. Si < , entonces, llamando =
|2 2 | < tenemos la solucion
x(t) = et [c1 cos(t) + c2 sen(t)] ,

que decrece oscilando exponencialmente a cero (ver figura 9 derecha). En este caso se dice
que el movimiento es amortiguado ya que aunque oscila, las oscilaciones terminan en un
breve espacio de tiempo y el carro se para.
3. Veamos el caso general y, por simplicidad, consideremos el caso de una fuerza periodica
muy frecuente en la naturaleza. En este caso la ecuacion es de la forma
x00 + 2x0 + 2 x = f0 cos(t).
Obviamente la solucion general es la suma de una solucion particular mas la solucion general
de la EDO homogenea que acabamos de considerar. Para encontrar una solucion particular
usamos el metodo aprendido antes, lo que nos da
yp (t) =
f0eit
2 2 + i2
xp (t) = <[yp ] =
( 2 2) cos(t) + 2 sen(t)
f0 ,
( 2 2 )2 + 42 2
de donde deducimos la solucion

x(t) = xh(t) +
|A()|
( 2 2 ) cos(t) + 2 sen(t)
f0 .
( 2 2)2 + 42 2
(4.21)
Notese que en todos los casos xh(t) tiende exponencialmente a cero por lo que si t es suficiente
grande x(t) xp(t). Si usamos la identidad (4.20)
obtenemos para t suficientemente grande la solucion
f0
x(t) xp(t) = p
cos(t ),
2
Sfrag replacements
( 2 )2 + 42 2

2
.
donde
=
arctan
2
2

Como se ve en la formula anterior, las osciFigura 10: Amplitud de las vibraciones laciones tienen una amplitud que depende de la
propia frecuencia de oscilacion. Obviamente para
forzadas: resonancia.
= la amplitud es maxima, es decir cuando la
frecuencia de la fuerza exterior es igual a
como solo depende de las caractersticas de sistema, en este caso m y k, se suele denominar
LINEAL DE ORDEN N
4 LA ECUACION
45
frecuencia propia. En la figura 10 representamos el valor de la amplitud (eje y en funcion

de la frecuencia exterior (eje x) para distintos valores de . La grafica mas alta corresponde
al menor valor de (menor viscosidad) y la mas peque
na al mayor. Si = 0 es facil ver
que para = la amplitud es no acotada. Este fenomeno de amplificacion de la amplitud
de las oscilaciones se conoce como resonancia.
Veamos ahora que ocurre si = 0, o sea si no hay rozamiento. En este caso la EDO es
x00 + 2 x = f0 cos(t).
Si 6= entonces simplemente tomamos el lmite cuando 0 en (4.21) que nos da,
x(t) = c1 cos(t) + c2 sen(t) +
PSfrag replacements
f0
cos(t).
2 2
Si = entonces la solucion anterior no vale como se

puede comprobar facilmente (pues f0/( 2 2 ) cos(t) deja
de tener sentido). En este caso tenemos que repetir el proceso
anterior lo que nos da, para la solucion particular la expresion

f0 t
f0t it
=
e
sen(t),
xp(t) = <
2i
2
y por tanto,
Figura 11: Resonancia en un

sistema sin rozamiento.
x(t) = c1 cos(t) + c2 sen(t) +
f0
t sen(t).
2
Notese que a diferencia del caso con rozamiento, en este, si t , la solucion es no acotada pues f0t/(2) , es decir nuestro sistema presenta un movimiento oscilatorio con
frecuencia fija pero con amplitud que aumenta linealmente con el tiempo.
El fenomeno de la resonancia es conocido desde hace muchos a
nos y es el causante de
mas de un desastre en sistemas mecanicos. Por ejemplo, en 1831, un grupo de soldados
intento cruzar marchando en puente de Broughton (cerca de Manchester, Inglaterra). La
fuerza periodica que ejercieron al marchar entro en resonancia con la frecuencia propia del
puente y este se vino abajo. A partir de ese momento se prohibio a los soldados marchar
cuando fuesen a cruzar un puente.
Figura 12: El desastre del puente de Tacoma.

Otro famoso desastre fue el puente de Tacoma en el estado norteamericano de Washington. Este puente se abrio al p
ublico el 1 de julio de 1940. Desde ese mismo da, se observo que
LINEAL DE ORDEN N
4 LA ECUACION
46
el puente comenzaba a oscilar (ver figura 12 izquierda) lo que lo convirtio en una atracci
on
turstica local pues cientos de conductores iban solo para disfrutar de este extra
no fenomeno.
El puente pareca aguantar bien, es mas varios expertos aseguraban que todo estaba bajo
control, pero el 7 de noviembre de 1940 las oscilaciones empezaron a hacerse mayores y sobre
las 10:00 am alcanzaban los 7 metros. Obviamente el puente haba entrado en resonancia
con el aire debido a un fenomeno aerodinamico y termino por derrumbarse a las 11:10am
(ver figura 12 derecha), afortunadamente sin ninguna vctima humana (solo murio el perrito
de un periodista que hasta u
ltima hora estuvo sobre el puente y logro escapar de milagro
pero olvido su perro en el interior de su coche atrapado en el medio del puente).
Ejemplo 4.7 Vibraciones electricas
Consideremos ahora el circuito electrico representado el la figura 13 donde R es una
resistencia, L una inductancia y C un capacitor conectados en seria a una fuente de corriente
U (t).
Denotemos por q(t) la carga que hay en
L
el capacitor en el momento de tiempo y por
0
i(t) = q (t) la corriente, o sea, la carga por
unidad de tiempo. Entonces, la Ley de Kirchov nos da la siguiente ecuacion que determina la carga q(t)
C
R
U (t) = Li0(t) + Ri + C 1 q(t),

q00 + 2rq 0 + 2 q(t) = u(t),
donde r = R/(2L), 2 = 1/(LC) y u(t) =
U (t)/L.
U(t)
Figura 13: Circuito RLC del ejemplo 4.7.
Obviamente la EDO anterior es totalmente analoga a la EDO (4.19). En particular la

solucion general de esta en el caso cuando u(t) = u0 cos(t) es
q(t) = qh (t) +
donde
siendo =
( 2 2 ) cos(t) + 2r sen(t)
u0 ,
( 2 2)2 + 4r 22
(4.22)
c1 e()t + c2 e(+)t ,
r>
(c1t + c2 )et ,
r=
qh (t) =
t
e [c1 cos(t) + c2 sen(t)] , r <
p
|r 2 2 |.
En particular, si = tenemos la solucion

u0
t sen(t),
2
que es no acotada. Lo anterior nos indica que el analisis de un circuito RLC es analogo al de
un oscilador, en particular tendremos el mismo fenomeno de resonancia cuando . De
hecho, en este fenomeno se basan los equipos de radio actuales.
q(t) = c1 cos(t) + c2 sen(t) +
Ejemplo 4.8 Los osciladores acoplados
LINEAL DE ORDEN N
4 LA ECUACION
47
En el ejemplo anterior hemos estudiado el movimiento de un oscilador armonico y hemos descubierto que este se puede describir facilmente con
una EDO lineal de orden dos. Vamos a ver a
continuacion el caso de varios osciladores acoplados.

k
m
m
k
k

En la figura 14 vemos dos osciladores acoplados. Figura 14: Dos osciladores acoplados.
Obviamente si no existiera el resorte k3 que los une
cada uno oscilara seg
un la ley que hemos visto antes. Veamos que ocurre al incluir este
resorte. Llamemos x1 y x2 a los desplazamientos de la posicion de equilibrio de los carros m1
y m2 respectivamente, entonces la segunda Ley de Newton nos da
m1 x001 = k1 x1 + k3 (x2 x1) = (k1 + k3 )x1 + k3 x2 ,
m2 x002
(4.23)
= k3 (x2 x1) k2 x2 = k3 x1 (k2 + k3 )x2.
Para resolver el problema vamos a despejar x2 en la primera ecuacion y sustituirla en la

segunda. Eso nos conduce a la siguiente EDO lineal de cuarto orden

k32
k2 + k 3
k1 + k 3
k1 + k 3 k2 + k 3
(4)
00
x1 +
x1 = 0.
(4.24)
+
x1 +
m1
m2
m1
m2
m1 m2
Por simplicidad escojamos m1 = m2 y k1 = f2 = k3 . Entonces (4.24) nos da
(4)
x1 + 4 2 x001 + 3 4 x1 = 0,
2 =
k
.
m
La ecuacion caracterstica es
4 + 4 2 2 + 3 4 = 0
= 3i, i,
de donde deducimos que la solucion tiene la forma
x1 (t) = c1 cos( 3t) + c2 sen( 3t) + c3 cos(t) + c4 sen(t)
= A1 cos( 3t 1 ) + A2 cos(t 2 ).
De la solucion podemos ver que en funcion de las condiciones iniciales puede ocurrir que A 1
o
A2 se anulen. En este caso el sistema tiene un movimiento oscilatorio con frecuencias
y 3, conocidas como frecuencias propias del sistema. Analogamente se puede obtener la
expresion para x2.
x2(t) = c1 (2 2 ) cos(t) + c3 (2
3 2 ) cos( 3t) +
2c2 sen(t)
2
2
c2 sen(t) + 2c4 sen( 3t) 3c4 sen( 3t)
Escojamos k = m = 1 de forma que = 1. Entonces
x1(t) = c1 cos( 3t) + c2 sen( 3t) + c3 cos t + c4 sen t,
x2 (t) = c1 cos t + c2 sen t c3 cos( 3t) + c4 sen( 3t).

Supongamos que x1 (0) = 1, x01(0) = 0, x2(0) = 1 y x02(0) = 0, entonces obtenemos
x1(t) = cos t
x2(t) = cos t.
LINEAL DE ORDEN N
4 LA ECUACION
48
Figura 15: Caso x1(0) = 1, x01(0) = 0, x2 (0) = 1 y x02(0) = 0.
Figura 16: Caso x1(0) = 1, x01(0) = 0, x2(0) = 1 y x02(0) = 0.

Si x1(0) = 1, x01(0) = 0, x2 (0) = 1 y x02(0) = 0, tenemos
x2(t) = cos( 3t),

x1(t) = cos( 3t),
o sea, tenemos que las oscilaciones son con las frecuencias propias.
Pero si escogemos, por ejemplo, x1(0) = 1/2, x01 (0) = 1, x2(0) = 1 y x02(0) = 1/2,
obtenemos
cos(t) 3 cos( 3 t) 3 sin(t) sin( 3 t)
,
+
+
+
x1(t) =
4
4
4
4 3
cos(t) 3 cos( 3 t) 3 sin(t) sin( 3 t)
,
x2(t) =
4
4
4
4 3
es decir, es una combinacion de las frecuencias.
Figura 17: Caso x1(0) = 1/2, x01(0) = 1, x2(0) = 1 y x02(0) = 1/2.
LINEAL DE ORDEN N
4 LA ECUACION
4.4.
49
Problemas
Problema 4.9
Encontrar la solucion general de las siguientes ecuaciones diferenciales y la solucion correspondiente a las condiciones iniciales indicadas:
1. y 00 y 0 6y = 0, y(2) = 0, y 0 (2) = 1.
2. y 00 + 12y 0 + 36y = 0, y(0) = y 0 (0) = 2.
3. y 00 4y 0 + 13y = 0, y(0) = 1, y 0 (0) = 0.
Problema 4.10
Resolver las EDOs
1. y 00 4x = 4x2 + 2x.
2. y 00 + y 0 + y = 1 + 2x + 3x3.
3. y 00 y = x2ex con y(0) = y 0 (0) = 0.
4. y 00 + 2y + 1 = xex sen(2x) con y(0) = 1, y 0 (0) = 0.
5. y 00 + 2y 0 = 1 + x2 + e2x .
6. y 00 + y 0 6y = sen x + xe2x .
Problema 4.11
El oscilador armonico simple y el pendulo simple se representan esquematicamente en la
grafica 18 a la izquierda y derecha respectivamente.

ky

h

mg
Figura 18: El oscilador y el pendulo simple.

Las EDOs que gobiernan estos sistemas son
my 00 + ky = 0,
l 00 + g = 0,
respectivamente, donde y(t) es distancia a que se encuentra el cuerpo de masa m de su

posicion de equilibrio (figura 18 izquierda) y (t) es el angulo que forma el pendulo con la
horizontal (figura 18 derecha).
1. Encuentra la solucion general de ambas EDOs.
LINEAL DE ORDEN N
4 LA ECUACION
50
2. Si el oscilador se encontraba en el inicio en su posicion de equilibrio (y(0) = 0) y tena

una velocidad inicial y 0 (0) = v0 , que posicion ocupa al cabo de 1 segundo? y al cabo
de t segundos?
3. Si suponemos que inicialmente el pendulo se deja caer desde una altura h = l/10, sin
velocidad inicial, a que altura se encuentra el mismo al cabo de 1 segundo y al cabo
de t segundos?
Problema 4.12
Resuelve las EDOs
1. y 000 + 8y = x2 ,
2. y 000 6y 00 + 11y 0 6y = xex + x2, 3. y (4) 16y = 3 cos(x).
Problema 4.13
Encuentra la EDO que gobierna un sistema de dos osciladores acoplados como el del ejemplo
4.8 incluyendo rozamiento. Haga el estudio analogo si sobre el primer carro act
ua una fuerza
externa del tipo F (t) = F0 cos(t).
En ambos casos resuelva la EDO correspondiente. Analice los casos: 1.) m1 = m2 y
k1 = k2 = k3 , 2.) m1 = m2 y k1 = k2 , k3 = 2k1 y 3.) m1 = 2m2 y k1 = k2 = k3 .
Problema 4.14
Encuentra la EDO que gobierna un sistema de tres osciladores como el que se muestra en la
figura 19 y resuelvela.

k1
m1
k4
m2
k2
m3

k

Figura 19: Tres osciladores acoplados.
51
5 SOLUCIONES DE EDOS EN SERIE DE POTENCIAS
5.
Soluciones de EDOs en serie de potencias

Sea la EDO
y 00 + p(x)y 0 + q(x)y = f (x).
(5.1)
El objetivo es resolver la EDO anterior cuando las funciones p(x), q(x) y f (x) dependen de x.
Para ello vamos a suponer que dichas funciones son razonablemente buenas en un entorno
de cierto punto x0 de la recta real y buscaremos la solucion como una serie de potencias, es
decir en la forma
X
y(x) =
ak (x x0)k ,
ak R.
(5.2)
k=0
Las funciones que se pueden expresar mediante una serie de potencias convergentes en todo
un entorno de x = x0 como la anterior se denominan funciones analticas en x = x0. Por
sencillez supondremos x0 = 0, ya que en caso que x0 6= 0 siempre podemos realizar el cambio
de variable z = x x0 de forma que en la nueva variable z0 = 0.
La idea del metodo es sustituir la serie y(x) (5.2) en (5.1) e igualar los coeficientes de
las potencias. De esta forma obtenemos un sistema de ecuaciones para los coeficientes a n en
(5.2). Es importante que la serie converja en todo un entorno de x0, de esta forma tenemos
asegurada la existencia de la solucion al menos en cierta region. Antes de enunciar nuestros
primeros resultados veamos un ejemplo:
Ejemplo 5.1 Resolver la EDO y 00 2x0 2y = 0.
Buscamos la solucion y(x) =
k=0
ak xk , la sustituimos en la EDO y usamos que
X
X
X
d X
k1
k 0
k
y (x) =
(n + 1)an+1 xn ,
kak x
=
(ak x ) =
ak x =
dx k=0
n=0
k=0
k=0
X
X
X
d 0
d
00
k2
k1
y (x) =
(n + 1)(n + 2)an+2 xn
k(k 1)ak x
=
kak x
=
y (x) =
dx
dx k=0
n=0
k=0
0
lo que nos da
X
k=0
que equivale a
k(k 1)ak x
X
n=0
k1
X
k=0
kak x 2
ak xk = 0,
k=0
[(n + 1)(n + 2)an+2 (2n + 2)an] xn = 0.
Como (x )n es una sucesion de funciones linealmente independientes la igualdad a cero tiene

lugar si y solo si (n + 1)(n + 2)an+2 (2n + 2)an = 0, de donde tenemos
an+2 =
2
an ,
n+2
n 0.
Obviamente la ecuacion anterior define todos los valores de an en funcion de a0 y a1. En

efecto, si sabemos a0 , la recurrencia anterior permite calcular los valores a2, a4 , . . . a2k , k N
y si conocemos a1 entonces podemos calcular a3, a5 , . . . a2k+1 , k N. As, tenemos

2
2n
2
a0
2
a2n4 = =
a2n2 =
a0 = ,
a2n =
2n
2n
2n 2
(2n)(2n 2) 2
n!
52

2
2n
2
2
a2n+1 =
a2n3 = =
a2n1 =
a1 ,
2n + 1
2n + 1
2n 1
(2n + 1)(2n 1) 3 1
es decir 2n /(2n + 1)!! a1, donde (2n + 1)!! = 1 3 5 (2n + 1). De esta forma obtenemos dos
soluciones linealmente independientes (una tiene solo potencias pares y la otra solo impares)
y(x) = a0
X
2n x2n+1
+ a1
.
n!
(2n + 1)!!
n=0
X
x2n
n=0
Obviamente la primera suma es facilmente reconocible como la serie de potencias de la fun2

cion ex , no as la segunda que en general no se expresa como combinacion de funciones
elementales. De la expresion explcita de las dos sumas anteriores es facil comprobar que el
radio de convergencia es infinito.
Esta claro que el metodo anterior no siempre funciona. Por ejemplo, consideremos la
EDO
2
2
x2y 00 + 2xy 0 2y = 0 y 00 + y 0 2 y = 0.
x
x
Si sustituimos la serie de potencias tenemos
X
k=0
de donde se deduce
a0 = 0,
k(k 1)ak xk +
(n 1)(n + 2)an = 0,
X
k=0
2kak xk
nN
2ak xk = 0
k=0
an = 0,
n N,
n 6= 1
es decir, solo podemos encontrar una solucion: y1(x) = x. Ello es facil de entender pues la
otra solucion de esta EDO es y2 (x) = 1/x2 que obviamente no esta definida en x = 0.
5.1.
El m
etodo de reducci
on de orden
Supongamos que conocemos una solucion y1(x) no nula de la EDO y 00 +p(x)y 0 +q(x)y = 0.
Busquemos la segunda solucion independiente y2 (x) en la forma y2(x) = v(x)y1(x). Sustituyendo y2 en la EDO y usando que y100 + p(x)y10 + q(x)y1 = 0 tenemos para v la EDO
y1v 00 + (2y10 + p(x)y1)v 0 = 0
de donde deducimos
u(x) = C
y1 u0 + (2y10 + p(x)y1)u,
p(x)dx
y12
v(x) = C
u = v0 ,
p(x)dx
y12
+ D.
Como y(x) = c1 y1 (x) + c2y2 (x) podemos escoger, sin perdida de generalidad C = 1 y D = 0.
Ejemplo 5.2 Encontrar la segunda soluci
on linealmente independiente de la ED y 00 +p0 /xy 0 +
(p0 1)2/(4x2)y = 0 si una soluci
on es y1 (x) = xp0/2+1/2.
Como y1 (x) = xp0/2+1/2 y p(x) = p0 /x, entonces
R
C
e p0/xdx
u(x) = v 0 (x) = C p0+1 = Cep0 log x xp01 =
x
x
v(x) = log x
de donde y2 (x) = xp0/2+1/2 log x.

Es facil ver que si aplicamos el metodo de reduccion de orden a la ecuacion x2y 00 + 2xy
2y = 0 estudiada en el apartado anterior obtenemos que la segunda solucion linealmente
independiente es y2 (x) = 1/x2.
53
5.2.
Puntos regulares y singulares de una EDO
Definici
on 5.3 Dada la EDO (5.1), el punto x0 se denomina punto regular de (5.1) si
p(x), q(x) y f (x) son funciones analticas en x = x0, o sea, si p(x), q(x) y f (x) admiten
una representaci
on en serie de potencias en un entorno de x0 . En caso contrario se dice que
x0 es un punto singular.
Por ejemplo, el punto x0 = 0 es un punto regular de la EDO xy 00 + (sen x)y 0 + x3y = 0,
mientras que x0 = 0 es un punto singular de y 00 + x2y 0 + x2/3y = 0.
Teorema 5.4 Sea x0 un punto regular de la EDO y 00 + p(x)y 0 + q(x)y = f (x). Entonces:
1. Para f (x) = 0 (problema homogeneo) la EDO anterior tiene como soluciones linealmente independientes dos funciones analticas.
2. La soluci
on del problema de valores iniciales y(x0) = y0 , y 0 (x0) = y00 existe y es u
nica
y se expresa mediante una serie de potencias (es decir es una funci
on analtica).
Es posible, ademas, probar que el radio de convergencia de la solucion de la EDO (5.1)
es el menor de los radios de convergencia de p, q y f .
Esta claro que el punto x = 0 es singular para la EDO y 00 + x2y 0 + x2/3y = 0. Una opcion
es resolver entonces la ecuacion usando una serie en torno a otro punto, por ejemplo x = 1.
No obstante muchas veces es necesario ver lo que ocurre en el entorno del punto singular.
Ello no siempre es posible, aunque en algunos casos, si lo es.
Definici
on 5.5 Un punto x0 se denomina punto singular regular de la EDO (5.1), si las
funciones (x x0)p(x) y (x x0)2 q(x) son analticas en x = x0 .
Lo anterior equivale a que
(xx0)p(x) =
X
k=0
pk (xx0) = p0+p1 x+ ,
(xx0) q(x)
X
k=0
qk (xx0)k = q0 +q1 x+ .
Usualmente la EDO homogenea (f (x) 0) (5.1) con un punto singular en x 0 se escribe

de la forma
(x x0 )2y 00 + (x x0)[(x x0)p(x)] + [(x x0 )2q(x)]y = 0.
(5.3)
Definici
on 5.6 La ecuaci
on r(r 1) + p0 r + q0 = 0 se denomina ecuaci
on indicial de la
EDO (5.3) con un punto singular en x0.
En lo que sigue, por simplicidad, asumiremos x0 = 0.
Un ejemplo muy sencillo de EDO con un punto singular regular en el cero es la EDO de
Euler
x2 y 00 + xp0 y 0 + q0 y = 0.
(5.4)
P
Si buscamos la solucion en forma de serie y(x) = k=0 ak xk y sustituimos en la EDO anterior
deducimos
[n(n 1) + np0 + q0 ]an = 0,
n 0,
luego, en general, an = 0 lo cual indica que la EDO anterior no tiene como solucion ninguna
serie de potencias. Es facil ver que la solucion se puede buscar en la forma y(x) = x r , para
x > 0. El caso x < 0 se deduce facilmente de este sin mas que hacer el cambio x = z,
54
z > 0. Sustituyendo y(x) = xr en (5.4) tenemos que r ha de satisfacer la ecuacion indicial

r(r 1) + p0 r + q0 = 0. Sean r1 y r2 las soluciones de la ecuacion indicial,
p
(p0 1)2 4q0
p0 1
r1,2 =
.
2
2
Entonces se tienen los siguientes casos para x > 0
1. Caso (p0 1)2 4q0 > 0, r1 < r2 R (dos races reales y distintas)
y(x) = c1 xr1 + c2 xr2 ,
x > 0.
(5.5)
2. Caso (p0 1)2 4q0 = 0, r1 = r2 R (dos races reales iguales)

y(x) = c1 xr1 + c2 xr1 log(x),
x > 0.
(5.6)
3. Caso (p0 1)2 4q0 < 0, r1, r2 C (dos races complejas). Sea r1 = a + bi, entonces
la solucion es
y(x) = c1 xa cos(b log x) + c2 xa sen(b log x),
x > 0.
(5.7)
Si queremos tener la solucion tambien para x < 0 basta sustituir en las expresiones el valor
de x por |x|.
Veamos que ocurre en el caso general. En este caso la l
ogica indica que quiza la solucion
6
tenga la forma
X
y(x) = xr
ak x k .
k=0
Entonces si sustituimos en la EDO (5.3) e igualamos potencias nos queda,
X
n=0
[(n + r)(n + r 1) + (n + r)p0 + q0 ]an +
n1
X
[(k + r)pnk + qnk ]ak = 0,
k=0
de donde, al igualar la potencia xr , se sigue que r ha de satisfacer la ecuacion indicial

r(r 1) + p0 r + q0 = 0, y ademas se deduce una relacion de recurrencia para cada uno de
los coeficientes an en la expresion de la serie. No obstante tenemos que ser cuidadosos pues
puede ocurrir que la relacion recurrente para los coeficientes an no tenga solucion. En general
se tiene el siguiente
Teorema 5.7 Sea la EDO x2y 00 + x[xp(x)] + [x2 q(x)]y = 0, y las funciones p(x) y q(x) tales
que xp(x) = p0 + p1 x + y x2q(x) = q0 + q1 x + sean funciones analticas en x0 = 0.
Dada la ecuaci
on indicial r(r 1) + p0 r + q0 = 0, entonces las dos soluciones linealmente
independientes soluciones de la EDO anterior son de la forma
1. Caso (p0 1)2 4q0 > 0, r1 < r2 R con r2 r1 6 Z (dos races reales y distintas que
no difieran en un entero)
y(x) =
c1 xr1
X
k=0
Recordar que estamos suponiendo x0 = 0.
ak x +
c2 xr2
X
k=0
bk x k ,
x > 0.
(5.8)
55
2. Caso (p0 1)2 4q0 < 0, r1, r2 C,r2 r1 6 Z (dos races complejas que no difieran
en un entero). Sea r1 = a + bi, entonces la soluci
on es
a
y(x) = c1 x cos(b log x)
ak x + c2 x sen(b log x)
k=0
bk x k ,
(5.9)
k=0
3. Caso (p0 1)2 4q0 = 0, r1 = r2 R (dos races reales iguales)

#
!
"
X
X
X
bk x k ,
y(x) = c1 xr1
x r1
ak x k + c 2
ak xk log x + xr1
k=0
x > 0.
x > 0. (5.10)
k=0
k=0
4. Caso (p0 1)2 4q0 = 0, r1 = r2 N R, N Z (dos races reales que difieren en

un entero)
"
!
#
X
X
X
y(x) = c1 xr1
ak x k + c 2 A x r 1
x > 0,
ak xk log x + xr1+N
bk x k ,
k=0
k=0
k=0
(5.11)
donde A es cierta constante que puede ser nula.

En todos los casos las series convergen en un entorno de x0 = 0.
Esta claro del teorema anterior que este caso es mucho mas complicado que el anterior.
Aqu solo nos limitaremos a mostrar un ejemplo del primer caso por ser este el mas sencillo.
5.3.
La ecuaci
on hipergeom
etrica de Gauss
Como ejemplo consideraremos la ecuacion hipergeometrica de Gauss

x(1 x)y 00 + [ (1 + + )x]y 0 y = 0.
(5.12)
Por sencillez asumiremos que 6 Z.

Obviamente x = 0 es un punto singular regular. En efecto, dividiendo por x(1 x)
tenemos
(1 + + )x
p(x) =
,
q(x) =
,
x(1 x)
x(1 x)
luego
xp(x) = (1 + + )x + ,
x2q(x) = x + ,
entonces p0 = y q0 = 0 y la ecuacion indicial es r(r 1) + r = 0, de donde tenemos

dos soluciones r = 0 y r = 1 . Como hemos supuesto que 6 Z, entonces tenemos dos
soluciones
X
X
y1 (x) =
an x n ,
y2 (x) = x1
bn x n .
n=0
n=0
Comencemos por la primera. Sustituyendo y1 en (5.12) obtenemos

(n + 1)(n + )an+1 = [n2 + ( + )n + ]an ,
por tanto,
an =
(n + 1)(n + 1)
an1 ,
n(n + 1)
n 1.
56

Si denotamos por (a)n el producto
(a)0 = 1,
(a)n = a(a + 1) (a + n 1),
entonces obtenemos
an =
por tanto
y(x) = 2 F1
n 1,
(5.13)
()n ()n
,
()nn!
X
()k ()k xk
,
,
x
=

()k k!
(5.14)
k=0
conocida como funci

on hipergeometrica de Gauss. Es facil comprobar que el radio de convergencia de la serie anterior es R = 1.
Si ahora sustituimos la segunda solucion obtenemos
an =
(n + )(n + )
an1 ,
n(n + 1)
de donde tenemos
y2 (x) = x
2 F1
=

an =
( + 1)n( + 1)n
, n 1.
(2 )n n!
+ 1, + 1
2

x .

Noese que si Z entonces una de las soluciones deja de estar definida. En este caso
hay que buscar la solucion incluyendo el correspondiente termino logartmico.
5.4.
Problemas
Problema 5.8 Resuelve las EDOs siguientes usando series de potencias, si es posible, e
indica la regi
on de convergencia de las mismas
1. x2y 0 = y + x2 + 1,
2. xy 0 = 2y + xex,
3. y 00 + 2y 0 + y = x,
4. (x4 4)y 00 + 3xy 0 + y = 0.
Problema 5.9 Sea la EDO (1 + x)y 0 = py, y(0) = 1, p R.
P
n
1. Busca su soluci
on en serie de potencias
n=0 an x , y prueba que an = p(p 1)(p
2) (p n + 1)/n!.
2. Encuentra la regi
on de validez de la doluci
on anterior.
3. Comprueba que la funci
on y(x) = (1 + x)p es soluci
on de la misma.
Como consecuencia del teorema de existencia y unicidad, en la regi
on de convergencia de la
serie tendremos
p
(1 + x) =
X
p(p 1)(p 2) (p n + 1)
n=0
n!
xn ,
que no es m
as que el teorema del binomio encontrado por Newton.
p R,
57

Problema 5.10 Resolver las EDOs usando series alrededor del cero (punto regular)
1. (1 x2)y 00 xy 0 + p2 y = 0, (EDO de Chebyshev)
2. (1 x2)y 00 2xy 0 + p(p + 1)y = 0, (EDO de Legendre)
3. y 00 2xy 0 + 2py = 0, (EDO de Hermite)
4. y 00 + xy = 0, (EDO de Airy). Usando la soluci

on de la EDO de Airy resolver la EDO
00
y xy = 0.
Problema 5.11 Prueba que la EDO de Euler
ax2y 00 (x) + bxy 0 (x) + cy(x) = 0,
a, b, c R
se transforma, con el cambio x = ez en una EDO con coeficientes constantes:

ay 00 (z) + (b a)y 0 (z) + cy(z) = 0.
Problema 5.12 Resuelve las siguientes EDOs de Euler
1. x2y 00 + 2xy 0 6y = 0,
2. x2y 00 + xy 0 5y = 0,
3. (x 1)2y 00 2(x 1)y 0 + 2y = 0,
4. x2y 00 + 3xy 0 + 2y = 0.
Problema 5.13 Resueve las siguientes EDOs alrededor de x = 0 (punto singular regular)
1. xy 00 + (1 x)y 0 + py = 0, (EDO de Laguerre)
2. xy 00 + (1 + x)y 0 + py = 0, (EDO de Laguerre generalizada)
3. x2y 00 + xy 0 + (x2 p2 )y = 0, (EDO de Bessel)
Problema 5.14 La EDO
x(1 x)y 00 + [c (a + b + 1)x]y 0 aby = 0,
a, b, c R
se denomina ecuaci
on hipergeometrica de Gauss (aunque fue introducida por Euler en 1769).
Encuentra dos soluciones linealmente independientes de la misma. Usando un cambio apropiado de variables demuestra que las soluciones de las EDO de Chebyshev y Legendre se
pueden expresar en funci
on de las soluciones de la EDO hipergeometrica de Gauss.
Problema 5.15 Encuentra dos soluciones linealmente independientes de la EDO hipergeometrica confluente definida por
xy 00 + [c x]y 0 ay = 0,
a, c R.

6 LOS POLINOMIOS ORTOGONALES CLASICOS
6.
6.1.
58
Los polinomios ortogonales cl

asicos
La ecuaci
on diferencial hipergeom
etrica.
Nuestro objetivo sera estudiar los polinomios ortogonales clasicos definidos sobre el eje
real los cuales vamos a definir como las soluciones polinomicas de la siguiente EDO
(x)y 00 + (x)y 0 + y = 0,
(6.1)
donde y son polinomios de grados a lo mas 2 y 1, respectivamente. Esta ecuacion (6.1)

usualmente se denomina ecuaci
on diferencial hipergeometrica y sus soluciones y cumplen con
la propiedad, conocida como propiedad de hipergeometricidad: Si y es una soluci
on de (6.1)
sus m-esimas derivadas y (m) ym satisfacen una ecuaci
on del mismo tipo.
Teorema 6.1 Si y es una soluci

on de (6.1) sus m-esimas derivadas y (m) ym satisfacen la
ecuaci
on
0
00
+ m ym = 0,
+ m (x)ym
(x)ym
m (x) = (x) + m (x),
m = +
m1
X
(6.2)
i0(x)
= + m (x) +
m(m1) 00
(x)
2
i=0
La propiedad de hipergeometricidad es es muy importante pues nos permite encontrar una

formula explcita para los polinomios que satisfacen la ecuacion (6.1). Para ello usualmente
se escriben (6.1) y (6.2) en su forma simetrica o autoconjugada:
[(x)(x)y 0]0 + (x)y = 0,
0 0
[(x)m (x)ym
] + m m (x)ym = 0,
(6.3)
donde y m son funciones de simetrizacion que satisfacen las ecuaciones diferenciales de

primer orden (conocidas como ecuaciones de Pearson):
[(x)(x)]0 = (x)(x),
[(x)m (x)]0 = m (x)m (x).
Conocida encontramos, utilizando las ecuaciones anteriores, que

m (x) = m (x)(x).
(6.4)
Teorema 6.2 Si para todo k N {0}, 0 + k 00 /2 6= 0, entonces para las soluciones

polin
omicas de la ecuaci
on (6.2) se tiene la siguiente f
ormula de Rodrigues:
Pn(m) (x) =
Anm Bn dnm
[n (x)],
m (x) dxnm
Anm = Am () |=n
Adem
as, el autovalor n de (6.1) es
(n)
Bn =
Pn
,
Ann
m1
Y
n!
[ 0 + 21 (n + k 1) 00 ].
=
(n m)! k=0
n = n 0
n(n 1) 00
.
2
(6.5)
(6.6)
(6.7)
Cuando m = 0 la formula (6.5) se convierte en la f

ormula de Rodrigues para los polinomios
clasicos
B n dn n
[ (x)(x)], n = 0, 1, 2, ... .
(6.8)
Pn(x) =
(x) dxn
Si imponemos unas sencillas condiciones adicionales se tiene que las soluciones de (6.1)
son ortogonales dos a dos:


Teorema 6.3 Supongamos que xk (x)(x)
x=a,b
59
= 0, para todo k 0. Entonces las solu-
ciones polin
omicas Pn de la ecuaci
on (6.1) constituyen una SPO respecto a la funci
on peso
0
definida por la ecuaci
on [(x)(x)] = (x)(x), o sea, se cumple que:
Z
b
a
Pn (x)Pm(x)(x)dx = nm d2n ,
(6.9)
donde nm es el smbolo de Kronecker y dn denota la norma de los polinomios Pn.

Corolario 6.4 Si (Pn)n es una familia de polinomios ortogonales respecto a entonces para
Z b
xk Pn (x)(x)dx = 0.
todo k entero con 0 k n 1 se tiene que
a
Para calcular d2n , podemos utilizar la formula de Rodrigues que, sustituyendola en (6.9)
e integrando por partes, nos da:
Z b
2
n
n (x)(x)dx.
(6.10)
dn = Bn (1) n!an
a
Una consecuencia de la propiedad de ortogonalidad es el siguiente

Teorema 6.5 Los polinomios ortogonales satisfacen una relaci
on de recurrencia a tres terminos de la forma
xPn(x) = n Pn+1 (x) + n Pn(x) + n Pn1 (x),
(6.11)
donde
n =
an
,
an+1
n =
bn
bn+1
,
an an+1
n =
cn n cn+1
bn
an1 d2n
n =
,
an1
an1
an d2n1
(6.12)
siendo an , bn y cn los coeficientes del desarrollo Pn(x) = anxn + bn xn1 + cn xn2 + , y dn

es la norma de los polinomios.
Generalmente se impone que P1(x) = 0 y P0(x) = 1, con lo que la sucesion de polinomios
ortogonales queda determinada de forma u
nica conocidas las sucesiones ( n)n , (n )n y (n )n.
Para calcular los coeficientes principales an y bn podemos usar la formula de Rodrigues
(n1)
(x) = Ann1 Bn n1 (x),de donde obtenemos la
para la n 1-esima derivada de Pn: Pn
igualdad:
Pn(n1) (x) = n!an x + (n 1)!bn = Ann1 Bn n1 (x).
Luego,
an =
n1
Y
Bn Ann
= Bn
[ 0 + 21 (n + k 1) 00 ],
n!
k=0
bn =
nn1 (0)
an .
0
n1
(6.13)
Como un corolario de (6.11) se obtiene la conocida formula de Christoffel-Darboux:

Teorema 6.6 Si (Pn)n es una sucesi
on de polinomios ortogonales que satisface la relaci
on
de recurrencia a tres terminos (6.11). Entonces se cumple que:
n
X
Pm (x)Pm (y)
n Pn+1 (x)Pn(y) Pn+1 (y)Pn (x)
Kern (x, y)
,
= 2
2
dm
dn
xy
m=0
n 1.
(6.14)

60
Si hacemos tender y x, obtenemos la formula confluente de Christoffel-Darboux:

Kern (x, x)
n
X
Pm2 (x)
n 0
(x)Pn(x) Pn+1 (x)Pn0 (x)]
= 2 [Pn+1
2
d
d
m
n
m=0
n 1.
(6.15)
De la formula de Rodrigues se deducen una serie de consecuencias muy interesantes

1. es un polinomio de grado exactamente uno.
2. Tomando m = 1 en la formula (6.5) se deduce que
Pn0 (x) =
nBn
n1 Pn1 (x),
B
(6.16)
donde Pn1 denota al polinomio ortogonal respecto a la funcion peso 1 (x) = (x)(x).
3. Si escribimos la formula (6.5) para el polinomio de grado n + 1 obtenemos una formula
de diferenciacion

n
Bn
0
(x)Pn(x) =
Pn+1 (x) .
(6.17)
n (x)Pn(x)
nn0
Bn+1
de la cual se deduce una relacion de estructura
n Pn+1 (x) + n Pn (x) + n Pn1 (x),
(x)Pn0 (x) =
n 0,
(6.18)
donde

Bn
n
0
n n
,
n =
nn0
Bn+1
P0
n
n = 0 [n n0 + n (0)] ,
nn
n =
n n
.
n
(6.19)
(x)
4. Si definimos Qn (x) n+1

, entonces los polinomios ortogonales monicos Pn (x) =
n+1
xn + , soluciones de la ecuacion (6.1), satisfacen la siguiente relacion de estructura:
Pn(x) = Qn + n Qn1 + nQn2 .
6.2.
Los Polinomios de Hermite, Laguerre y Jacobi.
6.2.1.
Par
ametros Principales.
(6.20)
Comenzaremos escribiendo los principales parametros de las sucesiones de polinomios

ortogonales monicos clasicos, es decir, tales que su coeficiente principal an = 1, i.e., Pn (x) =
xn + bn xn1 + . Estos
se pueden clasificar en tres grandes familias en funcion del grado del
polinomio ( siempre es un polinomio de grado 1). Cuando es un polinomio de grado
cero los polinomios correspondientes se denominan Polinomios de Hermite H n(x), cuando
es de grado 1, Polinomios de Laguerre Ln (x) y cuando es de grado 2, Polinomios de Jacobi
Pn, (x), respectivamente. En las tablas 3 y 4 estan representados los principales parametros
de dichas familias, en las cuales (a)n denota al smbolo de Pochhammer (6.30).

61
Tabla 3: Clasificacion de las SPO Clasicas.

Pn(x)
Hn(x)
Ln (x)
Pn, (x)
(x)
1 x2
(x)
2x
2n
(x)
ex
x + + 1 ( + + 2)x +
n(n + + + 1)
x ex
(1 x) (1 + x)
> 1
n (x)
6.2.2.
ex
, > 1
xn+ ex
(1 x)n+ (1 + x)n+
Representaci
on hipergeom
etrica.
De la formula de Rodrigues, o usando el metodo de las series de potencias, (6.5) se

puede obtener la representacion de los polinomios de Hermite, Laguerre y Jacobi en terminos
de la funcion hipergeometrica de Gauss 2 F1 definida en el caso mas general de forma:

X
(a1)k (a2)k (ap)k xk
a1, a2 , ..., ap
x
=
F
.
(6.21)
p q
b1 , b2 , ..., bq
(b
1 )k (b2 )k (bq )k k!
k=0
De esta manera encontramos que:

1
m
m
H2m (x) = (1)
1 F1
1
2 m
2

2
m 2
x , H2m+1 (x) = (1)m 3
x 1 F1
3

x ,
2 m
2
(6.22)

n

(1)
(n
+
+
1)
n
x ,
(6.23)
Ln (x) =
1 F1
+1
( + 1)

2n ( + 1)n
n, n + + + 1 1 x
,
Pn (x) =
.
(6.24)
2 F1
2
+1
(n + + + 1)n
6.2.3.
Casos particulares.
1. Los polinomios de Legendre Pn(x) = Pn0,0(x).

2. Los polinomios de Chebyshev de primera especie Tn(x):
21 , 12
Tn(x) = Pn
(x) =
1
2n1
cos[n arccos (x)].
3. Los polinomios de Chebyshev de segunda especie Un (x):

1 1
Un(x) = Pn2 2 (x) =
1 sen[(n + 1) arccos (x)]

.
2n
sen[ arccos (x)]
4. Los polinomios de Gegenbauer Gn (x):

21 , 21
Gn (x) = Pn
(x),
> 12 .

62
Tabla 4: Parametros de las SPO Monicas (an = 1).

Pn (x)
Hn (x)
L
n (x)
Pn, (x)
Bn
(1)n
2n
(1)n
(1)n
(n + + + 1)n
bn
n(n + )
n( )
2n + +
d2n
n!
2n
(n + + 1)n!
2++2n+1 n!(n + + 1)(n + + 1)

(n + + + 1)(2n + + + 1)(n + + + 1)2n
2n + + 1
2 2
(2n + + )(2n + 2 + + )
n
2
n(n + )
4n(n + )(n + )(n + + )

(2n + + 1)(2n + + )2 (2n + + + 1)
2( )n(n + + + 1)
(2n + + )(2n + 2 + + )
n(n + )
4n(n + )(n + )(n + + )(n + + + 1)

(2n + + 1)(2n + + )2 (2n + + + 1)
2n( )
(2n + + )(2n + 2 + + )
n
6.2.4.
4n(n 1)(n + )(n + )

(2n + + 1)(2n + + )2 (2n + + + 1)
Otras caractersticas.
Como consecuencia de las formulas anteriores podemos obtener los valores de los polinomios en los extremos del intervalo de ortogonalidad.
H2m (0) =
(1)m (2m)!
,
22m m!
H2m+1 = 0,
2n ( + 1)n
Pn, (1) =
,
(n + + + 1)n
Ln (0) =
(1)n(n + + 1)
,
( + 1)
(1)n 2n ( + 1)n
Pn, (1) =
.
(n + + + 1)n
(6.25)
Utilizando la formula (6.16) encontramos las ecuaciones ( = 1, 2, 3, ..., n = 0, 1, 2, ...):

(Hn(x))() =
n!
Hn (x),
(n )!
(Pn, (x))() =
(Ln (x))() =
n!
L+ (x),
(n )! n
n!
+,+
Pn
(x),
(n )!
donde (Pn(x))() denota la esima derivada de Pn(x).
(6.26)
(6.27)

63
Directamente a partir de las correspondientes EDOs se puede probar que los polinomios de
Hermite y Gegenbauer se relacionan con los de Hermite y Jacobi, respectivamente mediante
las siguientes relaciones:
1
H2m (x) = Lm2 (x2),

1 , 21
G2m (x) = P2m 2
2
H2m+1 (x) = xLm
(x2) ,
(x) =
1 21 , 12
(2x2 1),
Pm
2m
(6.28)
1
21 , 21
x
P
(2x2 1).
m
2m
Ademas, de la formula de Rodrigues se puede encontrar la siguiente propiedad de simetra
para los polinomios de Jacobi:
1 , 21
2
G2m+1 (x) = P2m+1
(x) =
Pn, (x) = (1)nPn, (x).
(6.29)
Ap
endice: La funci
on Gamma de Euler
Una de las funciones que con mas frecuencia encontraremos es la funcion Gamma de
Euler o , definida, en general, mediante la integral de Euler
Z
et tz1 dt, <(z) > 0.
(z) =
0
Esta funcion fue definida por Euler en 1729 como lmite de un producto de donde se puede
deducir la integral anterior (considerada tambien por Euler en 1772) aunque su nombre
y notacion se deben a Legendre quien la estudio en detalle en 1814. En particular, Euler
probo que

z

z 1
1 2 (n 1)
1
1Y
1+
= lm
zn.
1+
(z) =
n z(z + 1) (z + n 1)
z n=1
n
n
Dicha funcion satisface las ecuaciones funcionales
(z + 1) = z(z),
(1 z)(z) =
,
sen z
y ademas, cumple la propiedad
12z
2
(2z).
Utilizando las expresiones anteriores se concluye que ( 21 ) = . Ademas,

(z)(z + 12 ) =
(n + 1) = n! = n(n 1) (2)(1),
n N.
La siguiente formula asintotica de la funcion es de gran utilidad
1
(ax + b) 2eax (ax)ax+b 2 , x >> 1,
a(x)
= 1. Otra funci
on muy relacionada con la
x b(x)
funcion es el smbolo de Pochhammer (a)k (5.13)
donde por a(x) b(x) entenderemos lm
(a)0 = 1, (a)k = a(a + 1)(a + 2) (a + k 1), k = 1, 2, 3, . . . .
Es muy sencillo comprobar que
(a + k)
.
(a)
Finalmente, definiremos los coeficientes binomiales

n
(1)k (n)k
n!
=
.
=
(n k)!k!
k!
k
(a)k =
(6.30)

6.3.
64
Los momentos de los polinomios cl

asicos
En este apartado vamos a considerar brevemente una forma de obtener una relacion para
los momentos.
Teorema 6.7 Sea C. Se definen los momentos como
Z b
C, (z) =
(s z) (s)ds.
(6.31)
Si se cumple la condici
on de frontera
b

(s) (s)(s z) = 0,

(6.32)
entonces los momentos generalizados verifican la siguiente relaci

on de recurrencia a tres
terminos

1 00
0
0
(z)C,1 (z) + [ (z) + (z)] C, (z) + + C,+1 (z) = 0.
(6.33)
2
En particular, para = 0, = p N, z = 0 obtenemos, de (6.33), la siguiente relacion
de recurrencia a dos terminos

1 00
0
0
(0)Cp1 + [ (0) + p (0)]Cp + + p Cp+1 = 0.
(6.34)
2
para los momentos clasicos
Cp C0,p (0) =
sp (s)ds.
a
Vamos a aplicar los resultados anteriores a los polinomios clasicos.

Para obtener los momentos de los polinomios de Jacobi usaremos las expresiones (6.33)
y (6.34).
Ejemplo 6.8 Calcula los momentos de los polinomios de Laguerre y Hermite usando el
metodo anterior.
En el caso Laguerre tenemos que la relacion de recurrencia (6.34) es
Z
( + n + 1)Cn Cn1 = 0, luego Cn = ( + 1)nC0 ,
C0 =
x ex dx = ( + 1),
0
de donde deducimos que Cn = ( + n + 1).

Finalmente,
que usar (6.33)
deducimos que,
evidente ya que
para los polinomios de Hermite tenemos que (0) 6= 0, as que tenemos

cuando z = 0. Ello nos conduce a la relacion pCp1 2Cp+1 = 0. De ella
como C1 = 0, entonces todos los momentos impares sonnulos, lo cual es
la funcion peso es una funcion par. Ademas, como C0 = , entonces
C2m =
(2m 1)!!
(2m)!
=
,
2m
22m m!
C2m+1 = 0.

6.4.
65
Las funciones generatrices
El objetivo de este apartado es encontrar las funciones generatrices de los polinomios

clasicos. En general el problema se puede plantear como sigue: Dada una sucesion n
umerica
(An )n y una sucesion de polinomios (Pn)n encontrar una funcion (x, t) tal que,
(x, t) =
An Pn (x)tn.
(6.35)
n=0
Obviamente la serie anterior puede no converger prefijado un valor cualquiera del parametro
t, por ello asumiremos que t es lo suficientemente peque
no para que la serie converja en una
region de las x lo suficientemente amplia.
Para los polinomios clasicos se tienen las siguientes identidades.
X
2n
n=0
n!
Hn (x)t = e
2xtt2
X
(1)n
n!
n=0
X
(1)n ( + + 1)n
n!
n=0
Pn, (x)tn =
p
con R = 1 + 4t(t + x).
tx
Ln (x)tn
e 1t
=
,
(1 t)+1
2+
,
R(1 2t + R) (1 + 2t + R)
(6.36)
(6.37)
Para probar las mismas usualmente se hace uso del teorema integral de Cauchy. No obstante daremos la prueba de las mismas usando metodos mas elementales.
Comenzaremos con los polinomios de Hermite al ser estos los mas sencillos. Daremos tres
pruebas distintas para mostrar los distintos trucos que se suelen usar.
Caso Hermite Hn (x): Primera prueba
2
Sea (x, t) = e2xtt . Al ser esta funcion analtica en R podemos usar la serie de Taylor

X
1 n
(x, t) =
tn .
n! tn
k=0
t=0
Pero

tn
n
luego
=e
t=0
x2
n (xt)2
e
tn
=
t=0
= xt
d = dx
2xtt2
X
2n
n=0
n!
n x2
(1) e
e
n
Hn(x)tn.
Caso Hermite Hn (x): Segunda prueba

Vamos a usar la relacion de recurrencia a tres terminos
Hn+1 (x) +
n 2
n
Hn1 (x) xHn(x) = 0.
2
=x
(1)n
=
Hn(x),
Bn

66
Multiplicamos por 2n+1 tn /n!

2n+1
2n
2n+1
Hn+1 (x)tn +
Hn1 (x)tn x
Hn(x)tn = 0,
n!
(n 1)!
n!
o equivalentemente
2n1
2n
2n+1
Hn+1 (x)tn+1 + 2t
Hn1 (x)tn1 2x Hn (x)tn = 0,
t (n + 1)!
(n 1)!
n!
y sumamos en n = 0 hasta y usamos que 1/(1)! = 0 y obtenemos
X
X
X 2n+1
2n1
2n
Hn+1 (x)tn+1 + 2t
Hn1 (x)tn1 2x
Hn(x)tn = 0.
t n=0 (n + 1)!
(n
1)!
n!
n=1
n=0
Ahora bien, como (x, t) =
2n
n
n=0 n! Hn (x)t ,
obtenemos la ecuacion
(x, t) + 2(t x)(x, t) = 0,

t
2
cuya solucion es (x, t) = e2xtt .

Caso Hermite Hn (x): Tercera prueba
Vamos a dar una tercera prueba que escencialmente es la inversa de la anterior, es decir a
partir de la expresion explcita de la funcion generatrz deducimos una relacion de recurrencia para los correspondientes polinomios (en este caso los de Hermite). La razon fundamental
es que este metodo es muy general y nos permitira probar el resto de las expresiones.
2
Sea la funcion generatrz (x, t) = e2xtt que escribiremos mediante la expresion

(x, t) =
X
2n
n=0
n!
gn (x)tn,
(6.38)
donde (gn)n es una sucesion de polinomios a determinar.

Un sencillo calculo nos muestra que
2
(x, t) = (2x 2t)e2xtt = 2(x t)(x, t).
t
De aqu deducimos que (x, 0) = 1 y t(x, 0) = 2x, por tanto, usando el desarrollo en serie
de Taylor en t para (x, t) y comparandolo con (6.38) deducimos que g0(x) = 1 y g1(x) = x.
Ahora sustituimos (6.38) en la ecuacion diferencial anterior lo que nos da
X
2n
n=0
n!
gn(x)nt
n1
2(x t)
X
2n
n=0
n!
gn(x)tn = 0,
X
n=1
X
X
2n
2n+1
2n
n1
n
gn(x)t
2x
gn(x)t +
gn(x)tn+1 = 0.
(n 1)!
n!
n!
n=0
n=0

67
Igualando coeficientes de las potencias de t a cero tenemos

t0 :
2g1(x) 2xg0(x) = 0,
t1 :
2g2(x) 4xg1(x) + 2g0(x) = 0,
tn :
2gn+1 (x) 2xgn(x) + ngn1 (x) = 0.
Ahora bien, como g0(x) = 1 = H0(x) y g1(x) = x = H1(x), entonces comparando las relaciones anteriores con la relacion de recurrencia a tres terminos para los polinomios monicos
de Hermite obtenemos que gn (x) = Hn(x) que era lo que pretendamos probar.
6.5.
Problemas
Problema 6.9 Calcula todas las car

actersticas de los polinomios cl
asicos que aparecen en
la tabla 4.
Problema 6.10 Probar la ortogonalidad de las kesimas derivadas de los polinomios hi(k)
pergeometricos yk Pn , es decir,
Z b
Pn(k) (x)Pm(k)(x)k (x)dx = nm d2kn .
(6.39)
a
Problema 6.11 Prueba que los polinomios n

ucleos satisfacen la siguiente propiedad reproductora
Z b
p(x)Kern (x, y)dx = p(y),
p(x) Pn .
(6.40)
a
Problema 6.12 Encontrar la relaci

on de recurrencia para los momentos Cn := C0,n (0) de
los polinomios de Jacobi. N
otese que
Z 1
2++1 ( + 1)( + 1)
C0 =
(1 x) (1 + x) dx =
.
( + + 2)
1
H
agase lo mismo pero para los momentos Cn0 := C0,n (1), es decir, si en vez de sustituir
en (6.33) z = 0 sustituimos el valor z = 1.
Un caso de especial relavancia son los polinomios de Gegenbauer que corresponden al caso
= = 1/2. Encontrar la relaci
on de recurrencia para los momentos Cn := C0,n (0) en
este caso y resuelvela. A partir de esta encuentra los momentos de los polinomios de Legendre
1 , 1
Pn(x) = Pn0,0(x), los polinomios de Chebyshev de primera especie Tn(x) = Pn 2 2 (x) y los
1 1
polinomios de Chebyshev de segunda especie Un (x) = Pn2 2 (x), respectivamente.

Problema 6.13 Demuestra que la funci
on generatrz para los polinomios de Laguerre viene
1 , 1
dada por (6.36). Sean los polinomios de Gegenbauer Cn (x) := Pn 2 2 (x) que son un caso
particular de los polinomios de Jacobi. Prueba que en este caso
X 2n ()n
1
=
Cn (x)tn,
(1 2xt + t2 )
n!
n=0
(6.41)
donde ()n es el smbolo de Pocchamer. Como casos particulares deducir la de los polinomios
de Chebychev de primera y segunda especie y la de los polinomios de Legendre.

68
Problema 6.14 Prueba las relaciones

,+1
Pn1
(x) =
(2n + + )(1 x) d Pn,

(2n + + ) ,
(x) +
Pn (x),
2n( + n)
dx
2( + n)
(6.42)
+1,
Pn1
(x) =
(2n + + )(x + 1) d Pn,

(2n + + ) ,
(x)
Pn (x).
2n( + n)
dx
2( + n)
(6.43)
Problema 6.15 Los polinomios n

ucleos Ker n1 (x, y) se definen mediante la expresi
on
n1
X
Pm (x)Pm(y)
.
Kern1 (x, y) =
d2m
m=0
Usando la f
ormula de Christoffel-Darboux (6.14), los valores en los extremos (6.25) y las
f
ormulas de diferenciaci
on (6.17), prueba las siguentes f
ormulas:
N
ucleos de los polinomios de Hermite:
0
1
(1)m1 H2m
(1)m1
(x)
2
2
(x
)
=
KerH
(x,
0)
=
L
,
m1
2m1
(m 1)!
2 (m 1)!
x
1
(1)m H2m (x)
(1)m
2
2
(x
)
=
,
L
KerH
(x,
0)
=
m
2m
(m)!
(m)! x
KerH
2m1 (0, 0) =
2 (m + 32 )
2 (m + 21 )
(2m 1)!
(2m + 1)!
H
,
Ker
(0,
0)
=
.
= 2m2
= 2m
2m
2
(m)
(m + 1)
2
(m 1)!
2
m!2
N
ucleos de los polinomios de Laguerre:
KerLn1 (x, 0) =
(1)n1
(Ln )0 (x),
( + 1)n!
KerLn1 (0, 0) =
( + 1)n
.
( + 2)(n 1)!
N
ucleos de los polinomios de Jacobi:
,+1
, d
1,
KerJ,,
(x) = nn, Pn1
(x),
n1 (x, 1) = n dx Pn
+1,
n+1 , d
(x),
n dx Pn,1 (x) = n(1)n+1 n, Pn1
KerJ,,
n1 (x, 1) = (1)
donde por n, y n, denotaremos las cantidades

n, =
(1)n1 (2n + + )
,
2++n n!( + n)( + 1)
n,
(1)n1 (2n + + )
.
2++n n!( + 1)( + n)
Usando (6.44)-(6.45) tenemos

KerJ,,
n1 (1, 1) =
( + n + 1)( + + n + 1)
,
2++1 (n 1)!( + 1)( + 2)( + n)
KerJ,,
n1 (1, 1) =
(1)n1 ( + + n + 1)
.
2++1 (n 1)!( + 1)( + 1)
Utilizando la relaci
on de simetra (6.29) para los polinomios de Jacobi prueba que
J,,
KerJ,,
n1 (1, 1) = Kern1 (1, 1).
(6.44)
(6.45)
7 EL TEOREMA DE EXISTENCIA Y UNICIDAD PARA LAS EDOS
7.
69
El teorema de existencia y unicidad para las EDOs
Vamos a resolver uno de los problemas pendientes mas importantes: la existencia y unicidad de soluciones para una EDO de primer orden. Sea el problema de valores iniciales
y 0 = f (x, y),
y(x0 ) = y0 .
(7.1)
En el apartado 2.7.1 de aproximaciones n

umericas vimos algunos ejemplos donde la solucion
o bien no era u
nica o bien no corresponda con la solucion exacta. Vamos a dar aqu algunas
condiciones bajo las cuales podemos garantizar que el PVI (7.1) tiene solucion u
nica.
Lo primero que asumiremos es que la funcion f (x, y) es continua en el rectangulo R
definido por
R = {(x, y) : |x x0| a, |y y0 | b},
a, b > 0.
(7.2)
Proposici
on 7.1 El PVI (7.1) es equivalente a la siguiente ecuaci
on integral
Z x
y(x) = y0 +
f (, y())d.
(7.3)
x0
Definici
on 7.2 Diremos que una funci
on f (x, y) es de la clase de Lipschitz o lipschitziana
(en la variable y) en R si existe cierta constante positiva K > 0 tal que para todos (x, y) R
y (x, z) R se cumple
|f (x, y) f (x, z)| K|y z|.
(7.4)
Es facil comprobar que toda funcion f (x, y) de la clase de Lipschitz seg

un la definicion
anterior es continua en y. Ademas, una condicion suficiente para que una funcion f (x, y) sea
de la clase de Lipschitz es que su derivada parcial f
sea continua en R.
y
Definici
on 7.3 Dada una funci
on u(x) definida en un intervalo cerrado y acotado I R,
definiremos la norma de u(x) a la cantidad
kuk = sup |u(x)|.
xI
Para la norma tenemos la desigualdad evidente kuk 0, y kuk = 0 si y solo si u(x) = 0 en

I. Ademas, se tiene la desigualdad triangular
ku + vk kuk + kvk.
(7.5)
Obviamente si u(x) es continua kuk < +.

Proposici
on 7.4 (Teorema de unicidad local de soluciones)
Sea f (x, y) una funci
on de la clase de Lipschitz con constante K y sea d (0, 1/K). Si y 1 (x)
e y2 (x) son dos soluciones del PVI (7.1) definidas en Id = {x : |x x0| < d} tales que
y1 (x0) = y2 (x0) = y0 , entonces y1 (x) = y2(x) en todo Id .
Sea
M = max |f (x, y)|.
(x,y)R
Como f es continua en R, M siempre esta definida.
Sea y0 (x) una funcion continua definida en un entorno de x0 tal que la imagen de y0 (x)
este contenida en R. Vamos a definir una sucesion de funciones yn (x) de la siguiente forma
Z x
f (, yn ())d,
n = 0, 1, 2, . . . .
(7.6)
yn+1 (x) = y0 +
x0
La sucesion anterior se conoce como sucesion de Picard.
70
Proposici
on 7.5 Sea y0(x) una funci
on continua definida en Id = {x : |x x0| < d =
mn(a, b/M )} tal que su imagen este contenida en R. Entonces, para todo n 0, las im
agenes
de yn (x) est
an contenidas en R.
Proposici
on 7.6 (Teorema de existencia local de soluciones)
Sea y0 (x) una funci
on continua definida en Id = {x : |x x0| < d = mn(a, b/M, 1/K)} tal
que su imagen este contenida en R, i.e., |y0 (x) y0 | b. Entonces, la sucesi
on de Picard
(7.6) converge cuando n tiende a infinito a una funci
on y(x) que es soluci
on del PVI (7.1)
en Id .
Corolario 7.7 (Teorema local de existencia y unicidad)
Sea el PVI (7.1) con f lipschitziana de constante K en R (7.2), y M = max(x,y)R |f (x, y)|.
Entonces, el PVI (7.1) tiene soluci
on u
nica en el intervalo Id = {x : |x x0 | < d =
mn(a, b/M, 1/K)}, es decir existe una u
nica funci
on y(x) tal que y 0 (x) = f (x, y(x)) e
y(x0 ) = y0 .
Los teoremas anteriores son solo condiciones suficientes. Por ejemplo si consideramos la
EDO lineal y 0 = y sabemos que su solucion existe y es u
nica en todo R (es la exponencial)
sin embargo si escogemos x R cualquiera y tomamos b > 0 cualquiera tenemos f (x, y) = y,
luego f es lipschitziana con constante K = 1, M = b, y el teorema anterior nos garantiza
solo la solucion en el intervalo Id = {x : |x x0| < d = mn(a, b/b, 1/1) = 1}.
Como u
ltimo ejemplo veamos el caso de la EDO y 0 = 1 + y 2 con y(0) = 0. En este caso
la solucion es y = tan x definida solo en [0, /2). Como f (x, y) = 1 + y 2 , entonces
|f (x, y) f (x, z)| = y 2 z 2 = |y + z||y z|.
Sea x R por ejemplo. Escojamos un valor cualquiera para y, digamos que |y| b > 0.
Entonces K = 2b y M = 1 + b2 , por tanto d = mn(a, b/M, 1/K) = mn(a, b/(1 + b2 ), 1/b).
Ahora bien, max b/(1 + b2) = 1/2 y se alcanza en b = 1, por lo que como mucho asegurar
que la solucion existe en el intervalo |x| < 1/2. Notese que en este caso el teorema es u
til
pues para x > 1/2 no nos garantiza la existencia de la solucion como ocurre en la practica.
El procedimiento anterior es facilmente extensible a sistemas. Para ello basta definir una
norma enP
RN y el valor absoluto de un vector. Para este u
ltimo podemos usar la definicion
|y
|.
Si
ahora
usamos,
por
ejemplo,
la
norma
|Y (x)| = N
k=1 k
kY k =
N
X
k=1
kyk k,
entonces las demostraciones anteriores se adaptan perfectamente para el caso general. Notese
que con esta eleccion se tiene que si |Y (x)| M entonces kY k N M . Las correspondientes
demostraciones se dejan como ejercicio.
7.1.
Problemas
Problema 7.8 Prueba las propiedades anteriores para la norma kuk.

Problema 7.9 Sea la EDO y 0 = x y 2 con y(0) = 0. Encuentra el intervalo donde se puede
garantizar la existencia y unicidad de la soluci
on. Encuentra las tres primeras aproximaciones de la soluci
on.
71
Problema 7.10 Prueba que la soluci

on de cada uno de los siguientes PVI existe en el
intervalo indicado
1. y 0 = y 2 + cos x2 , y(0) = 0, x [0, 1/2]
2. y 0 = y 3 + e5x , y(0) = 2/5, x [0, 3/10]
3. y 0 = x + y 2 , y(0) = 0, x [0, 1/2]
Problema 7.11 Encuentra las tres primeras iteraciones de la sucesi
on de Picard para el
0
2
x
PVI y = y + e , y(0) = 0.
Problema 7.12 Encuentra las cuatro primeras iteraciones de la sucesi
on de Picard para el
PVI y 0 = 1 + y 2 , y(0) = 0. Comp
aralas con la soluci
on exacta.
72
8 LA TRANSFORMADA DE LAPLACE
8.
La transformada de Laplace
Definici
on 8.1 Sea f una funci
on definida en [0, ). La transformada de Laplace [f ] o
F(t) es la transformada integral
Z
F(t) = [f ](t) =
etx f (x)dx,
(8.1)
0
donde la integral se entiende en el sentido impropio, o sea

Z z
Z
tx
etx f (x)dx.
e f (x)dx = lm
z
Definici
on 8.2 Diremos que una funci
on f es de orden exponencial si existen dos constantes
no negativas c y M tales que |f (x)| M ecx para todo x 0.
Teorema 8.3 Si f es una funci
on continua a trozos de orden exponencial entonces f tiene
transformada de Laplace para todo t suficientemente grande.
En la siguiente tabla incluimos algunas de las transformadas de Laplace mas comunes incluida
la de la funcion escalon c (s) definida como 1 si x [0, c] y 0 en el resto.
f (x)
F(t) = [f ](t)
c
t
n!
c
xn
eax
sen(ax)
cos(ax)
senh(ax)
cosh(ax)
x1/2
c (x)
tn+1
1
, t>a
ta
a
t2 + a 2
t
2
t + a2
a
, t>a
t2 a 2
t
, t>a
t2 a 2
r
, t>0
t
ect
, t>0
t
Tabla 5: Transformadas de Laplace de algunas funciones

Proposici
on 8.4 Si F(t) = [f ](t) entonces
1. [f 0 ](t) = t [f ](t)f (0) = tF(t)f (0) y en general [f (n) ](t) = tn F(t)
2. [eax f (x)](t) = F(t a)
Pn1
k=0
tk f (nk1) (0)
73
3. [xf (x)](t) = F 0(t) y en general,
[xnf (x)](t) = (1)n F(n) (t).
4. [c (x)f (x c)] = ect F(t).

5. Definiremos la convoluci
on de dos funciones f y g como la funci
on h(x) = (f g)(x)
definida por
Z x
f (x z)g(z)dz.
(8.2)
(f g)(x) =
0
Entonces, [(f g)(x)](t) = [f (x)](t) [g(x)](t).
8.1.
Problemas
Problema 8.5 Calcula las transformadas de Laplace de las funciones de la tabla 8.

Problema 8.6 Calcula las transformadas de Laplace de las funciones x cos(x) y x sen(x).
Usando lo anterior encuentra la transformada de las funciones
t2
,
(t2 + 2 )2
(t2
1
+ 2 )2
Problema 8.7 Usando los resultados del problema anterior encuentra, usando la transformada de Laplace la soluci
on de la EDO
y 00 + 2 y = f0 sen(x),
y(0) = y 0 (0) = 0.
Problema 8.8 Usa la transformada de Laplace para resolver las EDOs

1. y 00 5y 0 + 4y = 0, y(0) = 1, y 0 (0) = 0,
2. y 00 4y 0 + 4y = 0, y(0) = 0, y 0 (0) = 1,
3. y 00 + y = xex , y(0) = y 0 (0) = 0,
4. y 00 + 2y 0 + 5y = 3ex sen x, y(0) = 0, y 0 (0) = 1,
5. y 00 + 2y 0 + y = [1 /2 (x)] sen(2x), y(0) = 1, y 0 (0) = 0,
6. y 00 + 3y 0 + 2y = /2 (x)e3x, y(0) = 1, y 0 (0) = 1.
Resuelve los mismos problemas usando las tecnicas aprendidas en el captulo 4.
Problema 8.9 La EDO xy 00 + y 0 + xy = 0, se conoce como ecuaci
on de Bessel de orden 0.
Prueba que si Y(t) es la transformada de Laplace de la soluci
on de esta EDO con y(0) = 1,
prueba que entonces Y satisface la EDO
(t2 + 1)Y0 (t) + tY(t) = 0.
Prueba que la soluci
on de la EDO anterior se puede expresar en serie como
Y(t) = c
X
(1)n (2n)! 1
.
2n (n!)2 t2n+1
2
n=0
A partir de lo anterior deduce la funci

on y(x) soluci
on de la EDO de Bessel.
74
Problema 8.10 Usar la transformada de Laplace para resolver los siguientes PVI de SEDO:

0
1 3
0
,
Y,
Y (0) =
Y =
5
2 2

2
1
1 4
x
0
,
e ,
Y (0) =
Y +
Y =
1
1
1 1

0
1 (x)
3 2
0
.
,
Y (0) =
Y +
Y =
0
0
2 2
Resuelve los mismos problemas usando las tecnicas aprendidas en el captulo 3.

A ANEXO: CALCULO
DE PRIMITIVAS
A.
75
Anexo: C
alculo de primitivas
Definici
on A.1 Se dice que una funci
on F (x) es una primitiva de otra funci
on f (x) sobre un
intervalo (a, b) si para todo x de (a, b) se tiene que F 0 (x) = f (x).
Por ejemplo, la funci
on F (x) = x2 es una primitiva de f (x) = 2x en todo R pues (x2 )0 = 2x.
El siguiente teorema es una consecuencia trivial del teorema del valor medio de Lagrange.
Teorema A.2 Sean F1 (x) y F2 (x) dos primitivas de la funci
on f (x) en (a, b). Entonces, para todo
x de (a, b), F1 (x) F2 (x) = const. Es decir dada una funci
on f (x) sus primitivas difieren en una
constante (en adelante denotaremos por C a una constante cualquiera).
Definici
on A.3 El conjunto de todas las primitivas Zde una funci
on f (x) definida en (a, b) se
denomina integral indefinida de f (x) y se denota por
f (x) dx. De manera que, si F (x) es una
primitiva de f (x),
f (x) dx = F (x) + C
Mediante una simple derivaci

on es sencillo comprobar el siguiente
Teorema A.4 (Propiedades de la integral indefinida.)

Z
d
1.
f (x) dx = f (x)
dx
Z
2.
dF (x) = F (x) + C
3.
4.
[f (x) g(x)] dx =
[A f (x)] dx = A
f (x) dx
g(x) dx
f (x) dx
Teorema A.5 Tabla de Integrales

Z
1.
0 dx = C
2.
3.
4.
5.
6.
7.
8.
1 dx = x + C
x dx =
x+1
+ C,
+1
R,
6= 1
1
dx = log |x| + C
x
ax dx =
ax
+ C,
log a
sen x dx = cos x + C
cos x dx = sen x + C
1
dx = tan x + C
cos2 x
a > 0, a 6= 1
(A.1)

A ANEXO: CALCULO
DE PRIMITIVAS
9.
10.
11.
12.
13.
14.
15.
16.
17.
76
1
dx = cotan x + C
sen2 x

1
arc sen x + C
dx =
arc cos x + C
1 x2

1
arctan x + C
dx
=
arcctg x + C
1 + x2

p
1

dx = log x + x2 1 + C
2
x 1

x + 1
1
1
+C
dx = log
1 x2
2
x 1
sinh x dx = cosh x + C
cosh x dx = sinh x + C
1
dx = tanh x + C
cosh2 x
1
dx = coth x + C
sinh2 x
A.1.
M
etodos de integraci
on.
A.1.1.
Integraci
on por cambio de variable.
Teorema A.6 Sea t = (x) una funci

on derivable en x y sean X = (a, b) el dominio y T = [(a, b)]
la imagen de (x). Supongamos que sobre el conjunto T existe la primitiva de la funci
on g(t), o
sea,
Z
g(t)dt = G(t) + C.
Entonces sobre todo el conjunto (a, b) la funci

on g[(x)]0 (x) tiene una primitiva y adem
as
Z
g[(x)]0 (x) dx = G[(x)] + C.
Demostraci
on: Basta notar que (G[(x)])0 = G0 [(x)]0 (x) = g[(x)]0 (x).
Ejemplo A.7
Z
a) Calcular
cos(2x) dx. Como la integral no es de la tabla es necesario convertirla en una de la
tabla. Para ello hacemos:

Z
Z
1
1
dy
y = 2x
= sen y + C = sen(2x) + C
cos(2x) dx =
= cos(y)
dy = 2 dx
2
2
2
Z
b) Calcular
ecos x sen x dx. Como la integral no es de la tabla es necesario convertirla en una de
la tabla:
cos x
sen x dx =
t = cos x
dt = sen dx
ey dy = ey + C = ecos x + C

A ANEXO: CALCULO
DE PRIMITIVAS
A.1.2.
77
Integraci
on por partes.
Supongamos que las funciones u(x) y v(x) son derivables en un intervalo (a, b) y existe la
primitiva de la funci
on v(x)u0 (x) en (a, b). Entonces, sobre (a, b) existe la primitiva de u(x)v 0 (x) y
se cumple que
Z
Z
0
u(x)v (x) dx = u(x)v(x) v(x)u0 (x) dx,
(A.2)
o en forma diferencial
u(x)dv(x) = u(x)v(x)
v(x)du(x).
(A.3)
Demostraci
on: Para probarlo es suficiente notar que [u(x)v(x)] 0 = u0 (x)v(x) + u(x)v 0 (x) y la
propiedad 1 del teorema A.4.
Ejemplo A.8
Z
a) Calcular
xn log x dx. Como la integral no es de la tabla es necesario convertirla en una de la
tabla. Utilicemos la integraci
on por partes:
(
)
Z
Z
1
u(x)
=
log
x,
du(x)
=
dx
xn
xn+1
n
x
x log x dx =
log
x
dx =
=
n+1
dv(x) = xn dx, v(x) = xn+1
n+1
n+1
xn+1
=
n+1
b) Calcular I =
1
log x
n+1
+C
eax cos bx dx. Como la integral no es de la tabla es necesario convertirla en una
de la tabla. Utilicemos la integraci

on por partes:

Z
Z
eax sen bx a
u(x) = eax ,
du(x) = aeax dx
ax
I = e cos bx dx =
eax sen bx dx.
=
dv(x) = cos bx dx, v(x) = 1b sen bx
b
b
Z
La integral
eax sen bx dx es de la misma forma que la original as que volveremos a aplicar
integraci
on por partes:

Z
Z
eax cos bx a
u(x) = eax ,
du(x) = aeax dx
ax
=
eax cos bx dx.
+
e sen bx dx =
dv(x) = sen bx dx, u(x) = 1b cos bx
b
b
Juntando las dos f
ormulas anteriores concluimos que
eax sen bx
a
a2
+ 2 eax cos bx 2 I,
b
b
b
de donde, resolviendo la ecuaci
on respecto a I obtenemos:
Z
b sen bx + a cos bx ax
e + C.
I = eax cos bx dx =
a2 + b 2
Algunas de las integrales que pueden ser calculadas utilizando la integraci
on por partes son:
I=
1.
2.
3.
Las integrales donde aparezcan las funciones log x, arc sen x, arc cos x, log (x), potencias
enteras de las funciones anteriores, entre otras donde tendremos que escoger como funci
on
u(x) a alguna de las funciones anteriores (ver ejemplo a).
Z
Z
Z
n
n
Las integrales (ax + b) sen cx dx, (ax + b) cos cx dx y (ax + b)n ecx dx. Donde para
encontrar las primitivas hay que utilizar la f
ormula de integraci
on por partes n veces tomando
cada vez u(x) = (ax + b)n , u(x) = (ax + b)n1 , ...., respectivamente.
Z
Z
Z
Z
Las integrales de la forma eax sen bx dx, eax cos bx dx, sen(log x) dx y cos(log x) dx.
Para encontrar las primitivas hay que denotar por I a cualquiera de las integrales anteriores,
aplicar dos veces integraci
on por partes y resolver la ecuaci
on resultante respecto a I (ver
ejemplo b).

A ANEXO: CALCULO
DE PRIMITIVAS
A.2.
78
Integraci
on de funciones racionales.
Pn (x)
es simple si el grado del poliQm (x)
nomio Pn (x) es menor que el del polinomio Qm (x), o sea, si n < m.
Definici
on A.9 Diremos que una funci
on racional f (x) =
Si n > m entonces podemos dividir los polinomios Pn (x) y Qm (x) de tal forma que
Pn (x)
Rk (x)
= pnm (x) +
,
Qm (x)
Qm (x)
donde
k < m.
Pn (x)
es una fracci
on simple, y que el polinomio denominador
Qm (x)
se puede factorizar de la siguiente forma
Teorema A.10 Supongamos que
Qn (x) = (x x1 )n1 (x xp )np (x2 + p1 x + q1 )m1 (x2 + pk x + qk )mk ,
(A.4)
donde x1 , ..., xp son las races reales de Qm (x), y los factores x2 + pi x + qi , i = 1, .., k no tienen
Pn (x)
races reales. Entonces, la fracci
on simple
se puede descomponer en las siguientes fracciones
Qm (x)
elementales simples:
Pn (x)
=
Qm (x)
A n1
An1 1
A1
+
+ +
+ +
(x x1 )n1
(x x1 )n1 1
(x x1 )
+
Bn p
Bnp 1
B1
+
+
+
+ +
n
n
1
(x xp ) p
(x xp ) p
(x xp )
(A.5)
M1 x + N 1
Mm x + N m1
+ + 2
+ +
+ 2 1
m
1
(x + p1 x + q1 )
(x + p1 x + q1 )
+
L1 x + K 1
L mk x + K mk
,
+ + 2
m
k
+ pk x + q k )
(x + pk x + qk )
(x2
donde Ai , Bi , Mi , Ni , Li y Ki son ciertas constantes reales.

Para determinar dichas constantes sumamos los terminos de la derecha. N
otese que el denominador
com
un coincide con (A.4) y el numerador es un polinomio de grado a lo sumo n. Luego comparamos
el polinomio numerador que se obtiene al sumar las fracciones m
as simples en (A.5) con P n (x).
Igualando los coeficientes de ambos obtendremos un sistema de n ecuaciones con n inc
ognitas
que podemos resolver para encontrar los coeficientes indeterminados A i , Bi , Mi , Ni , Li y Ki . No
obstante es posible encontrar el coeficiente Ani de los sumandos correspondientes a uno de los ceros
reales xi , o sea, el Ani de
A ni
Ani 1
A1
+
+ +
,
n
n
1
(x xi ) i
(x xi ) i
(x xi )
utilizando la propiedad que
lm
xxi
Pn (x)(x xi )ni
= A ni .
Qm (x)
(A.6)
Como consecuencia de lo anterior, si Qm (x) tiene m ceros reales y simples, o sea, si su factorizaci
on
es de la forma
Qn (x) = (x x1 )(x x2 ) (x xm1 )(x xm ),
(A.7)
entonces,
Pn (x)
se puede descomponer en las fracciones elementales simples:
Qm (x)
Pn (x)
A1
A2
Am1
Am
=
+
+ +
+
,
Qm (x)
(x x1 ) (x x2 )
(x xm1 ) (x xm )
(A.8)

A ANEXO: CALCULO
DE PRIMITIVAS
79
donde A1 ,..., Am se calculan por la f

ormula
Ak = lm
xxk
Pn (x)(x xk )
,
Qm (x)
k = 1, 2, ..., m.
(A.9)
Teorema A.11 (Primitivas de las fracciones simples m

as elementales) 7
Z
A
1)
dx = A log |x a| + C;
xa
Z
B
1
B
dx =
+ C, k > 1;
2)
k
(x a)
1 k (x a)k1
Z
M
2N M p
Mx + N
2x + p
dx =
log |x2 + px + q| + p
3)
arctan p
+ C.
2
x2 + px + q
2
4q p
4q p2
(A.10)
Ejemplo A.12
Z
x
dx. Primero encontraremos las fracciones simples mas elementales:
a) Calcular
2
x 3x + 2
x2
x
x
A
B
=
=
+
.
3x + 2
(x 1)(x 2)
x1 x2
Luego, utilizando (A.9) obtenemos

A = lm
x1
x(x 1)
= 1,
(x 1)(x 2)
B = lm
x2
x(x 2)
= 2.
(x 1)(x 2)
Finalmente, utilizando (A.10) obtenemos

Z
Z
1
2
x
dx = log |x 1| + 2 log |x 2| + C.
dx
=
+
x2 3x + 2
x1 x2
Z
x
a) Calcular
dx. Primero encontraremos las fracciones simples mas elementales:
(x 1)2 (x2 + 1)
x
(x 1)2 (x2 + 1)
=
=
A
B
Cx + D
+
+ 2
(x 1)2 x 1
x +1
A(x2 + 1) + B(x2 + 1)(x 1) + (Cx + D)(x 1)2

.
(x 1)2 (x2 + 1)
Para encontrar los coeficientes A, B, C, D igualamos los polinomios de los numeradores:

x = A(x2 + 1) + B(x2 + 1)(x 1) + (Cx + D)(x 1)2 .
Dos polinomios de grado 3 son iguales si los coeficientes de las potencias x 3 , x2 , x y x0 son iguales,
por lo que igualando dichos coeficientes obtenemos el sistema de ecuaciones:
x3
x2
x1
x0
:
B+C =0
: A B 2C + D = 0
:
B + C 2D = 1
:
AB +D = 0
cuya soluci
on es
A = 21
B=0
C=0
D = 12
Tambien es posible utilizar otra propiedad de los polinomios: dos polinomios de grado n que toman
n 1 valores iguales en n + 1 puntos dados son identicamente iguales, es decir, si P n (xk ) = Qn (xk )
para ciertos x1 , ..., xn+1 (distintos entre si), entonces Pn (x) Qn (x) para todo x R. En nuestro
7
Se supone que x2 + px + q no tiene races reales.

A ANEXO: CALCULO
DE PRIMITIVAS
80
ejemplo es conveniente tomar como los xk los ceros de los polinomios denominadores y luego el
resto de los valores tomarlos los m
as sencillos posibles:
x=1:
A = 21
x = 1 : 2A 4B 4C + 4D = 1
x=2:
5A + 5B + 2C + D = 2
x=0:
AB +D = 0
cuya soluci
on es
A = 12
B=0
C=0
D = 21
que coincide con la encontrada por el metodo anterior. Luego,

Z
Z
x
1
1
1
1
1
dx =
dx
=
arctan x + C.
(x 1)2 (x2 + 1)
2
(x 1)2 x2 + 1
2(x 1) 2
A.3.
Integrales trigonom
etricas.
En este apartado vamos a estudiar las integrales de la forma
f (sen x, cos x) dx las cuales se
convierten en integrales racionales mediante la sustituci

on trigonometrica t = tan x2 ,
Z
f (sen x, cos x) dx =
t = tan x2
sen x =
2t
1 + t2
2dt
1 + t2
1 t2
cos x =
1 + t2
dx =
que es un integral de una funci

on racional.
2t 1 t2
,
1 + t2 1 + t2
2
dt,
1 + t2
Ejemplo A.13
Calcular la integral
Z
dx
=
sen x
dx
.
sen x
t = tan x2
2t
sen x = 1+t
2
2dt
dx = 1+t
2
2
cos x = 1t
1+t2

x
dt

= log |t| + C = log tan + C.
t
2
Existen varios tipos de integrales trigonometricas que se pueden racionalizar con cambios m
as
sencillos. Ellas son las siguientes:
Z
1.
f (sen x, cos x) dx, donde f ( sen x, cos x) = f (sen x, cos x), cambio t = cos x
2.
3.
f (sen x, cos x) dx, donde f (sen x, cos x) = f (sen x, cos x), cambio t = sen x
f (sen x, cos x) dx, donde f ( sen x, cos x) = f (sen x, cos x), cambio t = tan x
Ejemplo A.14
Z
dx
. Esta integral es del tipo 1. Luego,
sen x
(
)

Z
Z

dt
1 + t
t = cos x
dx = 1t
1
dt
dx
2
+C = log tan x +C.

=
=
log
=
1 t
sen x
1 t2
2
2
sen x = 1 t2 cos x = t
a) Calcular la integral
que coincide con el resultado obtenido al utilizar la sustituci

on t = tan
x
2

A ANEXO: CALCULO
DE PRIMITIVAS
b) Calcular la integral
Z
cos x dx =
cos3 x dx. Esta integral es del tipo 2. Luego,

)
dt
t = sen x
dx = 1t
2
cos x = 1 t2 sen x = t
c) Calcular la integral
(
81
sen3 x
1
+C.
1 t2 dt = t t3 +C = sen x
3
3
tan3 x dx. Esta integral es del tipo 3. Luego,

)
Z

t
t
dt =
1 + t2
tan x dx =
t2 1
tan2 x 1
tan2 x
log(1 + t2 ) + C =
log(1 + tan2 x) + C =
+ log | cos x| + C.
2
2
2
2
2
A.4.
t = tan x
1
cos x = 1+t
2
dt
dx = 1+t
2
t
sen x = 1+t
2
t3
dt =
1 + t2
Integrales irracionales.
En este apartado vamos a estudiar las integrales de la forma

R q
y f x, n ax+b
cx+d dx.
A.4.1.
Las integrales
R
f (x, x2 a2 ) dx, f (x, a2 x2 ) dx
f (x, x2 a2) dx y
f (x, a2 x2) dx.
Estas integrales irracionales se convierten en integrales trigonometricas mediante los cambios:

Z
p
1.
f (x, a2 x2 ) dx, cambio x = a sen t
2.
3.
f (x,
f (x,
p
x2 a2 ) dx, cambio x =
a
sen t
x2 + a2 ) dx, cambio x = a tan t
Ejemplo A.15
Z p
a2 x2 dx. Esta integral es del tipo 1. Luego,
a) Calcular la integral
Z p
a2
x2 dx
x = a sen t
dx = a cos tdt
pero, sen 2t = 2sent cos t = 2 sen t 1 sen2 t =
=a
2x
a2
cos2 tdt =
a2
a2
t+
sen 2t + C,
2
4
a2 x2 , por tanto
Z p
a2
x xp 2
a2 x2 dx =
a x2 + C.
arc sen +
2
a 2
Z p
b) Calcular la integral
x2 a2 dx. Esta integral es del tipo 2. Luego,
)
(
a
Z
Z p
x=
y = cos t
dt = dy 2
cos2 t
2
sen
t
2
2
1y
= a
x a dx =
dt =
p
dx = a cos t dt
sen3 t
1 y 2 cos t = y
sen
t
=
sen2 t

Z
Z
y1
a2
1
1
1
a2
1
2y
y2
2

+ C,
dt =
+log
dt =
=a
(1y 2 )2
4
(1y)2 (1y) (1+y)2 (1+y)
4 1y 2
y+1

A ANEXO: CALCULO
DE PRIMITIVAS
pero, y = cos t =
1 sen2 t =
82
x2 a2
,
x
por tanto

Z p
x x 2 a 2

2
p
p
xp 2
x
a
a2

+C =
x2 a2 dx =
x2 a2 log
x a2 log x + x2 a2 +C.

2
2
x + x a
2
4
2
2
Z p
x2 + a2 dx. Esta integral es del tipo 3. Luego,
c) Calcular la integral
(
)
(
)
Z p
Z
x = a tan t
dy
y
=
sen
t
dt
=
1
2
1y
dt =
= a2
x2 + a2 dx =
dt
p
3t
2 sen t = y
cos
dx =
cos
t
=
1
y
cos2 t

Z
Z
y + 1
2y
a2
a2
1
1
1
1
1
2
+ C,

dt =
dt =
+
+
+
+ log
=a
(1 y 2 )2
4
(1y)2 (1y) (1+y)2 (1+y)
4 1y 2
y 1
pero, y = sen t =
tan t
1+tan2 t
x
,
x2 +a2
por tanto

Z p

x + x 2 + a 2
2
p
p
x
a
a2
xp 2

2
2
2
x2 + a2 dx =
x2 + a2 + log
x
+
a
+
x
+
a
+C
=
x
+
log
+C.

x x 2 + a2
2
4
2
2
A.4.2.
Las integrales
x,
Las integrales del tipo
r
n
se racionalizan mediante el cambio t =

Ejemplo A.16
ax + b
cx + d
r
n
x,
ax+b
cx+d .
dx.
ax + b
cx + d
dx,
dx
. Esta integral se racionaliza con el cambio t = 3 x + 1. Luego,

3
1+ x+1

Z
Z
Z
Z 2
dx
3
dt
t dt
t= 3x+1
= 3 (t1)dt+3
= t(t2)+3 log(1+t)+C,
=3
=
2 dt
3
dx
=
3t
1+t
t+1
2
1+ x+1
de donde, deshaciendo el cambio t = 3 x + 1, obtenemos
Calcular la integral
3
3
x + 1( 3 x + 1 2) + 3 log(1 + 3 x + 1) + C.
2
El c
alculo de primitivas es necesario para calcular integrales definidas de funciones continuas.
Teorema A.17 Teorema fundamental del c
alculo y F
ormula de Newton-Leibniz. Sea f : [a, b] 7 R
continua en [a, b]. Entonces f tiene primitiva en [a, b] y una de ellas es la funci
on
Z x
F (x) =
f (t) dt,
c (a, b).
(A.11)
c
Adem
as, f (x) es integrable en [a, b] y
Z
b
a
b

f (x) dx = (x) = (b) (a),

siendo (x) una primitiva cualquiera de f (x).
(A.12)

B ANEXO: ALGEBRA
LINEAL
B.
B.1.
83
Anexo: Algebra
lineal
Sistemas lineales y matrices.
Diremos que un sistema de n ecuaciones y m inc

ognitas es un sistema lineal si dicho sistema
tiene la forma:
a11 x1 + a12 x2 + a13 x3 + + a1m xm = b1
a21 x1 + a22 x2 + a23 x3 + + a2m xm = b2

(B.1)
..
an1 x1 + an2 x2 + an3 x3 + + anm xm = bn

Una matriz de dimensiones nm no es m
as que una caja rectangular con n filas y m columnas.
El sistema de ecuaciones (B.1) est

a completamente caracterizado por su matriz asociada que no
es m
as que la matriz en cuya fila i (i = 1, 2, ..., n) est
an colocados los coeficientes a ij (j = 1, 2, ..., m)
y el termino independiente bi correspondientes a la i-esima ecuaci
on del sistema (B.1). De esta forma
la matriz asociada al sistema (B.1) tendr
a la forma
a11 a12 a13 a1m b1

a21 a22 a23 a2m b2
(B.2)
..
..
..
.. ,
..
..
.
.
.
.
.
.
an1 an2 an3 anm bn
y se denomina matriz ampliada del sistema. A
a11 a12
a21 a22
..
..
.
.
an1 an2
la matriz
a13 a1m
a23 a2m
..
..
..
.
.
.
an3 anm
se le denomina matriz de coeficientes del sistema.
(B.3)
Un sistema lineal de la forma (B.1) es compatible si existen los valores de x 1 , x2 , ..., xm tales que
se cumplan todas y cada una de las ecuaciones del sistema (B.1). Si existen dichos valores diremos
que el sistema tiene soluci
on. Si un sistema lineal de la forma (B.1) no tiene soluci
on decimos que es
un sistema incompatible. Un sistema compatible que tiene una u
nica soluci
on se llama determinado
y si tiene infinitas soluciones indeterminado.
Dos sistemas de ecuaciones se denominan equivalentes si tienen el mismo conjunto de soluciones.
Un sistema de ecuaciones lineales se puede transformar en otro sistema equivalente mediante
las siguientes operaciones elementales:
1.
Intercambiar dos ecuaciones.
2.
Multiplicar por una constante no nula una ecuaci

on cualquiera.
3.
Reemplazar una ecuaci

on por la suma de esta mas un m
ultiplo de cualquier otra ecuaci
on.
Dada la equivalencia de los sistemas lineales con sus matrices asociadas (las matrices ampliadas)
las operaciones anteriores tienen su an
alogo al operar con las matrices. De forma que a cada una
le corresponden las siguientes operaciones por filas
1.
Intercambiar dos filas.
2.
Multiplicar por una constante no nula una fila cualquiera.

B ANEXO: ALGEBRA
LINEAL
3.
84
Reemplazar una fila por la suma de esta mas un m

ultiplo de cualquier otra fila.
Las operaciones anteriores se denominan operaciones elementales de filas.

Diremos que dos matrices son equivalentes por filas si a cualquiera de ellas la podemos transformar en la otra utilizando s
olo operaciones elementales de filas. Es importante recordar que las
operaciones elementales de filas son reversibles y por tanto las operaciones elementales descritas no
cambian la soluci
on del sistema original de ecuaciones.
B.2.
Formas escalonadas y el algoritmo de reducci

on por filas.
En adelante diremos que una fila es una fila no nula si tiene al menos un elemento diferente
de cero. Definiremos elemento gua de una fila al primer elemento (por la izquierda) no nulo de la fila.
Diremos que una matriz est
a en forma escalonada si:
1.
Todas las filas no nulas est

an por encima de las nulas.
2.
El elemento gua de cada fila se encuentra siempre en una columna a la derecha del elemento
gua de la fila anterior.
3.
Debajo de cada elemento gua s

olo puede haber ceros.
Las matrices escalonadas tienen
0 0 0
0 0 0
0 0 0
tpicamente la forma:
0

,
0 0
0 0 0 0
0
0
0
0
0
0
0
0
0
(B.4)
denota a los elementos guas de cada fila. Si exigimos ahora que los elementos guas
donde
sean todos iguales a 1, y que adem
as sean los u
nicos elementos diferentes de cero de la columna
entonces diremos que la matriz escalonada est
a en forma reducida. Utilizando las formas escalonadas
anteriores (B.4) tenemos que sus correspondientes formas reducidas son:
1 0 0 0 0
1 0 0 0
0 1 0 0 0
0 1 0 0
0 0 0 0 1 0 , 0 0 1 0 0 .
(B.5)
0 0 0 1 0
0 0 0 0 0 1
0 0 0 0 1
0 0 0 0 0 0 0
Cualquier matriz puede ser transformada mediante transformaciones elementales de fila en una
matriz con forma escalonada no teniendo siempre esta u
ltima una forma u
nica. Por el contrario las
formas escalonadas reducidas son u
nicas, es decir se cumple el siguiente teorema:
Teorema B.1 Cualquier matriz es equivalente por filas a una u
nica matriz con forma escalonada
reducida.
Una consecuencia del teorema anterior es que los elementos guas est
an siempre en la misma
posici
on en cualquiera de las formas escalonadas obtenidas de una matriz dada mediante transformaciones elementales de fila. Dichas posiciones se denominan pivotes y las columnas donde se

B ANEXO: ALGEBRA
LINEAL
85
encuentran se denominan columnas pivotes. As, por ejemplo

pivote
0 0 0 0
0 0 0 0 0
0 0 0 0 0 0

columnas pivote
(B.6)
Algoritmo de reducci
on por filas.
El algoritmo de reducci
on por filas consta de dos fases (partes). La primera consiste en transformar una matriz cualquiera en una equivalente por filas con forma escalonada. Esta fase se le
denomina fase hacia abajo o subproceso hacia abajo. La segunda parte consiste en transformar la
forma escalonada en la forma reducida. A la segunda parte se le denomina fase hacia arriba o
subproceso hacia arriba.
Para obtener la matriz en forma escalonada realizamos lo siguiente:
Subproceso hacia abajo. Este proceso consta de cuatro pasos:
1.
Se comienza por la primera columna de la izquierda (generalmente es una columna pivote) y

se selecciona un elemento diferente de cero. Este ser
a el primer pivote.
2.
Se coloca el elemento seleccionado en el extremo superior izquierdo intercambiando, si es

preciso, las filas de la matriz hasta que dicho elemento se encuentre en la posici
on de pivote.
3.
Utilizando las operaciones elementales de filas crear ceros debajo del pivote.
4.
Tapamos la fila (o filas si hay m

as de una) con la posici
on pivote creada en los pasos anteriores (1-3) y aplicamos los pasos 1-3 a la submatriz que nos queda (constituida por las filas
restantes). Este paso se repite hasta que no queden m
as filas no nulas.
Para obtener la matriz en forma escalonada reducida a partir de la forma reducida obtenida mediante los pasos 1-4 debemos realizar lo siguiente:
Subproceso hacia arriba. Este proceso consta del siguiente paso:
5. Comenzando por el primer pivote de la derecha creamos, mediante operaciones elementales
de filas, ceros encima del mismo. Si el pivote no es uno dividimos por su valor para que lo sea.
Continuamos el proceso hacia la izquierda hasta terminar con el primer pivote de la izquierda.
B.3.
Soluci
on de un sistema de ecuaciones lineales.
La soluci
on de un sistema de ecuaciones lineales la podemos encontrar a partir de la matriz
asociada al sistema. Para ello primero transformamos la matriz en una equivalente por filas que
tenga forma escalonada o escalonada reducida. Las variables correspondientes a las columnas pivote
se denominan variables principales o b
asicas. El resto de las variables se denominan variables libres.
El significado de una variable libre es que dicha variable puede tomar cualquier valor. La soluci
on
de un sistema viene dada al escribir el valor de las variables principales, las cuales pueden venir
expresadas en funci
on de las variables libres.

B ANEXO: ALGEBRA
LINEAL
86
Por ejemplo, consideremos la matriz del sistema (B.6). Dicha matriz representa un sistema de
5 ecuaciones con 6 inc
ognitas. Las variables principales ser
an x 1 , x2 , x5 , x6 y las libres x3 , x4 . De
la forma de la matriz observamos que x5 , x6 est
an completamente determinados por los terminos
independientes (recordar que la u
ltima columna est
a compuesta por los terminos independientes
de las ecuaciones) pero x1 , x2 dependen tanto de los terminos independiente como de las variables
libres x3 , x4 . Es decir fijando diferentes valores de x3 , x4 obtenemos diferentes valores de x1 , x2 . Por
ejemplo, el sistema (x1 depende de la variable libre x3 )
1 0 5 1
x1 = 1 + 5x3
0 1 0 4 tiene la soluci
on
x2 = 4
(B.7)
x3 es libre
0 0 0 0
De todo lo anterior deducimos el siguiente teorema de existencia y unicidad:
Teorema B.2 Un sistema de ecuaciones lineales en compatible si y s

olo si la primera columna de
la derecha de la matriz ampliada del sistema no es una columna pivote, o sea, no existe ninguna
fila de la forma (0 0 0 0 ) con diferente de cero. Si el sistema es compatible entonces tiene
soluci
on u
nica (sistema compatible determinado) si no hay ninguna variable libre y tiene infinitas
soluciones (sistema compatible indeterminado) si existe al menos una variable libre.
Por ejemplo, los sistemas correspondientes a las dos matrices (B.4) son compatibles siendo
el correspondiente a la primera matriz indeterminado (tiene dos variables libres) y el segundo
determinado (no tiene variables libres). Por el contrario el sistema correspondiente a la matriz
0 0 0 0
(B.8)

,
0 0 0 0 0 0
0 0 0 0 0 0 0
es incompatible al ser la u
ltima columna una columna pivote, o lo que es igual, al tener la fila
(0 0 0 0 ) (recordar que denotaba al elemento gua que por definici
on es diferente de cero).
B.4.
Vectores y ecuaciones matriciales.
B.4.1.
Vectores de Rn
Un vector de Rn no es m
as que un conjunto de n n
umeros ordenados de la forma
x1
x2
x = . ,
donde x1 , ..., xn son n
umeros reales.
..
xn
es decir un vector es una matriz de

componentes) del vector x. Diremos
iguales, o sea
x1
x2
x=y
..
.
xn
n 1. Los valores x1 , ..., xn se denominan coordenadas (o

que dos vectores son iguales si todas sus componentes son
y1
y2
..
.
yn
x1 = y1 , ..., xn = yn .
Llamaremos vector nulo 0 al vector cuyas componentes son todas iguales a cero.

B ANEXO: ALGEBRA
LINEAL
B.4.2.
87
Operaciones con vectores.
Sean x, y, z, w vectores de Rn y , n
umeros reales. Definiremos la suma de dos vectores
x e y al vector z de Rn cuyas coordenadas son la suma de las coordenadas de x e y, o sea,
x1 + y1
y1
x1
z1
z2 x 2 y 2 x 2 + y 2
z = x+y
=
,
.. = .. + .. =
..
. . .
.
xn
zn
yn
xn + yn
y definiremos la multiplicaci
on de un vector x por un escalar (n
umero) al vector w cuyas componentes se obtienen al multiplicar las componentes de x por , o sea,

w1
x1
w2 x2

w = x
=
.. = .. .
. .
wn
xn
Dichas operaciones cumplen las propiedades

1.
x+y = y+x
2.
(x + y) + z = x + (y + z)
3.
x+0 = 0+x = x
4.
x + (x) = (x) + x = 0 donde (x) denota al vector (1) x
5.
(x + y) = x + y
6.
( + )x = x + x
7.
(x) = ()x
8.
1x = x
Diremos que un vector x de Rm es combinaci

on lineal de los vectores a1 , a2 , ..., an de Rm con
pesos 1 , ..., n , n
umeros reales, respectivamente si x se expresa de la forma
x = 1 a1 + 2 a2 + + n an .
Definiremos espacio generado por los vectores a1 , a2 , ..., an de Rm y lo denotaremos como
span (a1 , ..., an ) = L(a1 , ..., an ) al subespacio de Rm constituido por todos las combinaciones lineales de los vectores a1 , a2 , ..., an , es decir, al conjunto de todos los vectores de la forma
L(a1 , ..., an ) = span (a1 , ..., an ) = 1 a1 + 2 a2 + + n an ,
quienes quiera sean 1 , ..., n n
umeros reales.
Definiremos una ecuaci
on vectorial a la ecuaci
on de la forma
x1 a1 + x2 a2 + + xn an = b,
donde b es un vector dado de Rm y x1 , x2 , ..., xn son las inc
ognitas que se quieren encontrar. Es f
acil
comprobar que la ecuaci
on vectorial anterior tiene la misma soluci
on que el sistema de ecuaciones
lineales cuya matriz ampliada tiene la forma
[a1 a2 an b].
Adem
as b est
a en span (a1 , ..., an ) si y s
olo si el sistema [a1 a2 an b] es compatible.

B ANEXO: ALGEBRA
LINEAL
B.4.3.
88
La ecuaci
on Ax = b.
Sea A una matriz m n con columnas a1 , a2 , ..., an (vectores de Rm ) y x un vector de Rn .

Definiremos la multiplicaci
on de una matriz A de m n por un vector x de R n al vector z de Rm
definido por
x1
x2
z = Ax = [a1 a2 an ] . = x1 a1 + x2 a2 + + xn an .
..
xn
Teorema B.3 Sea A una matriz mn con columnas a1 , a2 , ..., an y b un vector de Rm . La ecuaci
on
matricial
Ax = b
tiene la misma soluci

on que la ecuaci
on vectorial
x1 a1 + x2 a2 + + xn an = b,
la cual a su vez tiene la misma soluci
on que el sistema cuya matriz ampliada tiene la forma
[a1 a2 an b].
Una consecuencia de este teorema es que la ecuaci

on A x = b tiene soluci
on si y s
olo si b es una
combinaci
on lineal de las columnas de A.
Teorema B.4 Sea A una matriz mn con columnas a1 , a2 , ..., an . Las siguientes tres afirmaciones
son equivalentes:
1) Para todo b vector de Rm , la ecuaci
on A x = b tiene soluci
on.
2) Las columnas de A generan Rm , o sea, Rm = Span(a1, a2 , ..., an ).
3) A tiene una posici
on pivote en cada fila.
Regla para el c
alculo de Ax. Para calcular la iesima componente del vector Ax (si este
est
a definido) tenemos que sumar los productos de la iesima fila de A por las coordenadas de x,
o sea,
a11 a12 a13 a1n

x1
a11 x1 + a12 x2 + + a1n xn
a21 a22 a23 a2n x2 a21 x1 + a22 x2 + + a2n xn
..
..
..
.. .. =
..
.
.
.
.
.
.
. .
.
am1 am2 am3 amn
xn
am1 x1 + am2 x2 + + amn xn
Teorema B.5 Sea A una matriz m n con columnas a1 , a2 , ..., an , x, y vectores de Rn y un

n
umero real cualquiera. Las siguientes propiedades son v
alidas:
1) A (x + y) = A x + A y,
2) A( x) = (A x)

B ANEXO: ALGEBRA
LINEAL
B.4.4.
89
Conjunto soluci
on de los sistemas lineales.
Todo sistema lineal de m ecuaciones con n inc

ognitas se puede escribir en forma matricial
A x = b donde la matriz de coeficientes A es una matriz m n, x es un vector de R n y b es un
vector de Rm .
1.
El sistema lineal A x = 0 se denomina sistema homogeneo. Dicho sistema siempre tiene la

soluci
on trivial x = 0. Adem
as se cumple que el sistema homogeneo tiene soluciones no triviales si y s
olo si el sistema tiene al menos una variable libre, o sea la matriz A tiene al menos
una columna que no es pivote.
El conjunto soluci
on de un sistema homogeneo se escribe como el conjunto de todas las
combinaciones lineales de ciertos vectores s1 , s2 , ..., sp cuyo n
umero coincide con el de las
variables libres del sistema. Para obtener los vectores s1 , s2 , ..., sp se puede hacer lo siguiente:
1) Escribir el vector soluci
on x expresando las variables principales en funci
on de las libres.
2) El vector s1 se obtiene del vector x anterior al sustituir la primera variable libre por 1 y las
dem
as por cero. El segundo vector s2 se obtiene del vector x anterior al sustituir la segunda
variable libre por 1 y las dem
as por cero. Y as sucesivamente.
Por ejemplo si la soluci
on x de A x = 0 viene dada por (dos variables libres x 2 , x3 )
3
1
x1
x 21 x3
2
2 2
2
, entonces x2 = x2 1 +x3 0
x2
x3
x3
0
1
| {z }
| {z }
s1
2.
s2
El sistema lineal A x = b con b 6= 0 se denomina sistema no homogeneo.
Teorema B.6 Supongamos que A x = b tiene soluci

on para cierto b de R m . Sea p una
soluci
on de A x = b (soluci
on particular). Entonces el conjunto soluci
on del sistema no
m
homogeneo A x = b es el conjunto de todos los vectores de R de la forma
x = p + xh ,
(B.9)
donde xh es la soluci
on general del sistema homogeneo correspondiente A x h = 0.
B.4.5.
Dependencia e independencia lineal.
Un conjunto de vectores a1 , a2 , ..., an de Rn se denomina linealmente independiente si la

ecuaci
on vectorial
x1 a1 + x2 a2 + + xn an = 0,
tiene como u
nica soluci
on la trivial x1 = = xn = 0.
Un conjunto de vectores a1 , a2 , ..., an se denomina linealmente dependiente si existen los valores
x1 , x2 , , xn no todos iguales a cero tales que se verifique la ecuaci
on vectorial
x1 a1 + x2 a2 + + xn an = 0.
Teorema B.7 Un conjunto S = {a1 , a2 , ..., ap } de dos o m
as vectores es linealmente dependiente
si y s
olo si al menos uno de los vectores del conjunto es combinaci
on lineal de los dem
as.
Como consecuencia del teorema anterior se deduce que:
1) Dos vectores a1 y a2 son linealmente dependientes si y s
olo si son proporcionales, es decir, si
existe un n
umero real tal que a1 = a2 o a2 = a1 .

B ANEXO: ALGEBRA
LINEAL
90
2) Si a1 , a2 , ..., an son vectores linealmente dependientes y a1 6= 0 entonces para cierto j > 1 el

vector aj es combinaci
on lineal de los anteriores, es decir,
aj = x1 a1 + x2 + a2 + + xj1 aj1 .
NOTA: Esto no implica que si tenemos un conjunto de vectores linealmente dependientes a 1 , a2 , ..., an
necesariamente cada vector es combinaci
on de los anteriores.
Teorema B.8 Un conjunto S = {a1 , a2 , ..., an } de dos o m
as vectores de Rm con n > m es
necesariamente un conjunto linealmente dependiente.
Teorema B.9 Un conjunto S = {a1 , a2 , ..., an } de dos o m
as vectores de Rm con alguno de los
vectores ai = 0 (1 i n) es necesariamente un conjunto de vectores linealmente dependientes, o
sea si alguno de los vectores de S es el vector nulo entonces S es un conjunto de vectores linealmente
dependientes.
Algebra
de matrices.
B.5.
Vamos a estudiar las operaciones elementales de las matrices. El elemento a ij de una matriz
A es el que se encuentra situado en la intercepci
on de la fila i con la columna j:
a11
a21
..
.
a12
a22
..
.
fila i
ai1 ai2
.
..
..
.
am1 am2
B.5.1.
columna j
a1j a1n
a2j a2n
..
..
..
..
.
.
.
.
aij ain
..
..
..
..
.
.
.
.
amj amn
(B.10)
Suma de matrices y multiplicaci

on por un escalar.
Sean A = [a1 a2 an ] y B = [b1 b2 bn ] matrices de dimensiones mn, donde a1 , a2 , ..., an

y b1 , b2 , ..., bn son vectores de Rm . Definiremos la suma de dos matrices A y B a la matriz C cuyos
vectores columnas coinciden con la suma de los correspondientes vectores columnas de A y B, es
decir:
C = A + B = [a1 a2 an ] + [b1 b2 bn ] = [a1 + b1 a2 + b2 an + bn ],
o en terminos de los elementos matriciales: C ||cij || = ||aij +bij ||. Sea un n

umero real cualquiera
y A = [a1 a2 an ] una matriz de m n. Definiremos el producto de una matriz por un escalar a
la matriz cuyas columnas coinciden con las de A multiplicadas por , es decir:
A = [a1 a2 an ] = [a1 a2 an ],
o bien A ||aij || = || aij ||.
Teorema B.10 Sean A, B y C matrices de m n y , n
umeros reales. Entonces:
1.
A + B = B + A.
2.
(A + B) + C = A + (B + C).
3.
A + 0 = 0 + A = A, donde 0 ||0|| es la matriz nula.
4.
(A + B) = A + B.
5.
( + )A = A + A.
6.
( A) = ( ) A.

B ANEXO: ALGEBRA
LINEAL
B.5.2.
91
Multiplicaci
on de matrices.
Sea A = [a1 a2 an ] matriz de m n y B = [b1 b2 bp ] de n p. Se define la matriz

producto C = A B a la matriz de m p definida por:
A B = A[b1 b2 bp ] = [Ab1 Ab2 Abp ],
o elemento a elemento:
||(A B)ij || =
n
X
(B.11)
aik bkj .
k=1
N
otese que cada columna de A B es una combinaci
on lineal de las columnas de A:
A B = [Ab1 Ab2 Abp ] = [
n
X
k=1
bk1 ak
n
X
k=1
bk2 ak
n
X
bkp ak ].
k=1
Una interpretaci
on de la multiplicaci
on de matrices se puede dar a partir de la composici
on de las
n
m
aplicaciones lineales: Sea T : R R una aplicaci
on lineal con matriz A de mn y S : Rp Rn
una aplicaci
on lineal con matriz B de n p, entonces a la aplicaci
on Q : R p Rm definida por
Q(x) = T (S(x)) (composici
on de T y S) le corresponde la matriz A B de m p.
Teorema B.11 Sean A de m n, B y C matrices de dimensiones apropiadas para que esten
definidas las operaciones y , n
umeros reales. Entonces:
1.
(A B) C = A (B C).
2.
A 0 = 0 A = 0, donde 0 ||0|| es la matriz nula.
3.
A (B + C) = A B + A C.
4.
(B + C) A = B A + C A.
5.
(A B) = ( A) B.
6.
Im A = A In = A, donde Ik es la matriz identidad de k k.
Es importante recordar que la multiplicaci

on de matrices no es conmutativa, es decir para cualquiera sean las matrices A y B tenemos que A B 6= B A .
Si A es una matriz cuadrada n n y k es un n
umero entero no negativo (k = 0, 1, 2, ...),
definiremos la potencia k esima de A por la f
ormula
B.5.3.
Ak = A
| A{z A} In ,
k veces
donde A0 In .
Transposici
on de matrices.
Dada una matriz A de m n, la matriz transpuesta de A, que denotaremos por A T , es la

matriz de n m cuyas filas coinciden con las columnas de A. Si A = ||a ij ||, entonces AT = ||aji ||.
Teorema B.12 Sean A de mn, B una matriz de dimensiones apropiadas para que esten definidas
las operaciones y un n
umero real. Entonces:
1.
(AT )T = A.
2.
(A + B)T = AT + B T .
3.
( A)T = AT .
4.
(A B)T = B T AT .
Como consecuencia de este teorema tenemos que

(A1 A2 An )T = ATn ATn1 AT1 .

B ANEXO: ALGEBRA
LINEAL
B.5.4.
92
La inversa de una matriz cuadrada.
Sea A una matriz de n n. Si existe una matriz C tal que

A C = In ,
C A = In ,
entonces a C se le denomina matriz inversa de A y se le denota A 1 . Las matrices A para las cuales
existe la inversa A1 se denominan invertibles. Si A es invertible entonces A1 es u
nica.
Teorema B.13 Sea A una matriz cuadrada de 2 2 invertible

1
a b
d b
1
,
entonces
A =
A=
.
c d
ad bc c a
El n
umero ad bc se llama determinante de la matriz A de 2 2 y se le denota por det A. N
otese
que una matriz A de 2 2 tiene inversa si y s
olo si det A 6= 0.
Teorema B.14 Sea A una matriz cuadrada de n n invertible. Entonces el sistema A x = b es
compatible determinado para cualquiera sea b vector de R n , y su soluci
on se expresa por la f
ormula
1
x = A b.
Teorema B.15 Sean A y B matrices cuadradas de n n invertibles. Entonces:
1.
(A1 )1 = A.
2.
(A B)1 = B 1 A1 .
3.
AT es invertible y (AT )1 = (A1 )T .
Como consecuencia de este teorema tenemos que

1
1
(A1 A2 An )1 = A1
n An1 A1 .
B.5.5.
Matrices elementales.
Una matriz elemental de n n es aquella que se obtiene al realizar una operaci

on elemental
de filas sobre la matriz identidad de n n, es decir son las que se obtienen al intercambiar dos
filas, al multiplicar por una constante no nula una fila cualquiera y al reemplazar una fila por
la suma de esta mas una combinaci
on lineal de cualquier otra. Por ejemplo, la matriz elemental
correspondiente al intercambio de la 1 y 2 filas de una matriz de 3 3 ser
a
0 1 0
1 0 0 ,
E1 =
0 0 1
la que corresponde a cambiar la 3 fila por la 3 m
as
1 0
0 1
E2 =
0
veces la primera ser

a
0
0 ,
1
y la que multiplica la 2 fila por el n

umero ser
a
1 0 0
E3 = 0 0 .
0 0 1
Se puede comprobar que si multiplicamos la matriz E1 por una matriz cualquiera A de 3 p la

matriz E1 A coincide con la matriz que se obtiene a partir de A al intercambiar la 1 y 2 filas.

B ANEXO: ALGEBRA
LINEAL
93
An
alogamente, E2 A coincide con la matriz que se obtiene de A al cambiar la 3 fila por la 3 m
as
veces la 1 fila y E3 A coincide con la matriz que se obtiene al multiplicar por la 2 fila. Es decir al
multiplicar una matriz elemental E de m m por A de m n se obtiene una nueva matriz E A que
coincide con la matriz que se se obtiene al realizar la operaci
on elemental sobre A y dicha matriz
E se obtiene realizando sobre la matriz identidad Im de m m la misma operaci
on elemental que
se quiere realizar sobre A. Puesto que todas las operaciones elementales son invertibles ello implica
que las matrices elementales son invertibles y la inversa de E se obtiene realizando sobre la matriz
identidad Im la operaci
on inversa. Por ejemplo, la inversa de E1 es E1 . La inversa de E2 es
1 0 0
E21 = 0 1 0 ,
0 1
y la de E3 es
E31 = 0
0
1
0 .
Teorema B.16 Una matriz cuadrada A de n n es invertible si y s

olo si A es equivalente por
filas a la matriz identidad In de n n en cuyo caso toda secuencia de operaciones elementales que
reducen A a In , reducen In a A1 .
Ello implica que A Ek Ek1 E1 A = In . Luego A = (Ek Ek1 E1 )1 lo cual implica que
A1 = Ek Ek1 E1 In .
Como consecuencia de este teorema se tiene el siguiente algoritmo para calcular A 1 : Dada la
matriz A de n n invertible:
1.
Construimos la matriz [A In ].
2.
Reducimos por filas la matriz A a In , entonces [A In ] [In A1 ].
N
otese que encontrar la inversa de la matriz A equivale a encontrar una matriz B tal que
A B = I, o sea, A[b1 bn ] = [A b1 A bn ] = [e1 en ] = In . Es decir es equivalente a resolver
las n ecuaciones
A b 1 = e1 , A b 2 = e2 , A b n = en ,
donde e1 , ..., en son las columnas de la matriz identidad.
Teorema B.17 (Teorema de inversi

on de matrices) Sea A una matriz cuadrada A de n n. Las
siguientes expresiones son equivalentes:
1.
A es invertible.
2.
A es equivalente por filas a la matriz identidad In de n n. (A tiene n posiciones pivote)
3.
A es un producto de matrices elementales.
4.
La ecuaci
on A x = 0 solo tiene la soluci
on trivial. (Las columnas de A son linealmente
independientes.)
5.
La ecuaci
on A x = b tiene al menos una soluci
on para cada b vector de R n , o sea, b es un
elemento del subespacio generado por las columnas de A (la soluci
on de A x = b es u
nica).
6.
Existe un C tal que A C = I.
7.
Existe un D tal que D A = I.

B ANEXO: ALGEBRA
LINEAL
8.
94
AT es invertible.
Una consecuencia de este teorema es que si A B = I o B A = I, entonces A y B son invertibles

y A = B 1 , B = A1 .
B.6.
Determinantes.
B.6.1.
Definici
on de determinante de una matriz cuadrada.
Sea A una matriz cuadrada
a11
a21
..
.
a12
a22
..
.
ai11 ai12
ai2
fila i
ai1
a
i+11 ai+12
.
..
..
.
an1
an2
..
.
ai1j1 ai1j
aij1
aij
ai+1j1 ai+1j
..
..
..
.
.
.
anj1
anj
Denotaremos por Aij a la submatriz que

j, o sea
a11
a12
..
..
.
.
ai11 ai12
Aij =
ai+11 ai+12
..
..
.
.
an1
columna j
a1j1
a1j
a2j1
a2j
..
..
.
.
an2
a1j+1
a2j+1
..
.
..
.
a1n
a2n
..
.
ai1j+1 ai1n
aij+1 ain
ai+1j+1 ai+1n
..
..
..
.
.
.
anj+1 ann
(B.12)
se obtiene a partir de A si quitamos la fila i y la columna

a1j1
a1j+1
..
..
..
.
.
.
ai1j1 ai1j+1
ai+1j1 ai+1j+1
..
..
..
.
.
.
anj1
anj+1
a1n
..
..
.
.
ai1n
ai+1n
..
..
.
.
ann
Sea A una matriz nn (n 2). El determinante det A de la matriz A es la suma de los terminos
a1j det A1j donde a1j son los elementos de la primera fila de A y A1j son las correspondientes
submatrices obtenidas eliminando la fila 1 y la columna j. M
as exactamente:
det A = a11 det A11 a12 det A12 + + a1n (1)n+1 det A1n ,
(B.13)
donde suponemos que det a = a si a es un n

umero real cualquiera.
Utilizando la definici
on anterior obtenemos para una matriz 2 2 el resultado:

a11 a12

= a11 a22 a21 a12 ,
det A =
a21 a22
que coincide con el determinante definido en el captulo anterior (teorema B.13).
Usualmente a la cantidad (1)i+j det Aij se le conoce como cofactor (o menor) asociado al
elemento aij . Utilizando esta notaci
on tenemos que la definici
on anterior se puede reescribir de la
forma:
det A = a11 C11 + a12 C12 + + a1n C1n ,
que se conoce como desarrollo del determinante de A por su primera fila.

B ANEXO: ALGEBRA
LINEAL
95
Teorema B.18 Si A es de n n entonces:

det A = ai1 Ci1 + ai2 Ci2 + + ain Cin .
det A = a1j C1j + a2j C2j + + anj Cnj .
Las dos f
ormulas anteriores se conocen como desarrollo del determinante de A por su iesima fila
y desarrollo del determinante de A por su jesima columna, respectivamente.
Teorema B.19 Si A es una matriz triangular (inferior o superior) entonces det A es el producto
de los elementos de la diagonal, o sea, det A = a11 a22 ann
B.6.2.
Propiedades de los determinantes.
Los dos teoremas que enunciaremos a continuaci

on son los m
as importantes de este apartado
y nos permitir
an calcular los determinantes de matrices de orden alto (n 4) de manera eficiente.
Teorema B.20 Sea A una matriz n n. Sea B una matriz que se obtiene de A al realizar sobre
A alguna de las operaciones elementales de filas y sea E la matriz elemental que realiza dicha
operaci
on. Por ejemplo,
1.
Si E1 es la matriz que intercambia dos filas, la matriz B = E1 A se obtiene al intercambiar

dos filas de A.
2.
Si E2 es la matriz que multiplica por una constante r no nula una fila cualquiera, la matriz
B = E2 A se obtiene al multiplicar por r la correspondiente fila de A.
3.
Si E3 es la matriz que reemplaza una fila por la suma de esta mas un m

ultiplo de cualquier
otra fila, la matriz B = E3 A se obtiene al reemplazar una fila de A por la suma de esta
mas un m
ultiplo de cualquier otra fila.
1 si E es del tipo E1
r
si E es del tipo E2 Adem
as, si
Entonces, det B = det(E A) = det A donde =
1
si E es del tipo E3
A = I es la matriz identidad y por tanto det I = 1, entonces det E = , es decir el determinante
de cualquier matriz elemental vale o 1 o
ro
1 en dependencia si dicha matriz es del tipo E 1 , E2
o E3 , respectivamente.
Como consecuencia
entonces tenemos:

del teorema anterior tenemos que si una fila es m

ultiplo de un n
umero r
a11
..
.
a12
..
.
r ai1 r ai2
..
..
.
.
an1 an2
a1n
..
..
.
.
r ain
..
..
.
.
ann

=r

a11 a12

..
..
.
.

ai1 ai2

..
..
.
.

an1 an2
a1n
..
..
.
.
ain
..
..
.
.
ann
En particular si una fila de A es nula, det A = 0 y si una fila de A es proporcional a otra det A = 0.
Teorema B.21 Sea A una matriz n n y sea AT su traspuesta, entonces det A = det AT .
Este segundo teorema nos permite enunciar todos los apartados del teorema anterior cambiando la
palabra filas por columnas.
Es conocido de apartados anteriores que cualquier matriz A se puede, mediante transformaciones
elementales, transformar en una matriz triangular superior U (forma escalonada). Adem
as si resulta
que la matriz A tiene n filas pivote entonces el determinante de A ser
a proporcional al det U . Luego,
si tenemos n filas pivote todos los pivotes son distintos de cero y det A 6= 0. Pero si A tiene n filas
pivote entonces A es invertible. Este razonamiento nos conduce al siguiente teorema.

B ANEXO: ALGEBRA
LINEAL
96
Teorema B.22 Una A n n es invertible si y s

olo si det A es diferente de cero.
Teorema B.23 Sean A y B matrices n n. Entonces det(A B) = (det A) (det B).
B.6.3.
Regla de Kramer.
Sea A una matriz n n y b un vector cualquiera de R n . Denotaremos por Aj (b) a la matriz

en la cual la j esima columna de A est
a reemplazada por el vector b, es decir si A y b son
b1
a11 a1j1 a1j a1j+1 a1n
..
..
..
..
..
..
..
..
.
.
.
.
.
.
.
.
A=
ai1 aij1 aij aij+1 ain , b = bi ,
..
.
.
.
.
.
.
.
..
..
..
..
..
..
..
.
bn
an1 anj1 anj anj+1 ann
entonces Aj (b) es la matriz
a11 a1j1 b1 a1j+1 a1n

..
..
..
..
..
..
..
.
.
.
.
.
.
.
Aj (b) = ai1 aij1 bi aij+1 ain

..
..
..
..
..
..
..
.
.
.
.
.
.
.
an1 anj1 bn anj+1 ann
Teorema B.24 Sea A
a11
..
.
ai1
..
.
an1
|
matriz n n invertible. Entonces para todo
a1j1 a1j a1j+1 a1n

x1
..
..
..
.. ..
..
..
.
.
.
.
.
.
.
aij1 aij aij+1 ain

xi
.
.
.
.
.
..
..
..
..
..
..
..
.
.
anj1 anj anj+1 ann
xn
{z
} | {z
x
es compatible y tiene una u

nica soluci
on que viene dada por
x1 =
det A1 (b)
,
det A
x2 =
det A2 (b)
,
det A
b de R n el sistema

b1
..
.

= bi ,

..
.
bn
} | {z }
xn =
det An (b)
.
det A
Es importante tener en cuenta que este metodo es ineficiente para calcular la soluci
on de sistemas
de m
as de 3 ecuaciones pues en el est
an involucrados determinantes. Es recomendable resolver los
sistemas por el metodo de reducci
on de filas descrito en la primera parte del curso (ver Algoritmo
de reducci
on por filas).
Finalmente, recordemos que invertir una matriz es equivalente a resolver n sistemas de ecuaciones de la forma:
A b 1 = e1 , A b 2 = e2 , A b n = en ,
donde e1 , ..., en son las columnas de la matriz identidad. Por tanto para calcular la jesima columna
de A1 tenemos que resolver el sistema A x = ej cuya soluci
on es, seg
un la regla de Kramer,
det A1 (ej )
det An (ej )
x1 =
, , xn =
, pero
det A
det A
det A1 (ej ) = (1)1+j det Aj1 = Cj1 , , det An (ej ) = (1)n+j det Ajn = Cjn ,

B ANEXO: ALGEBRA
LINEAL
luego la columna j de A1 es
Todo esto nos conduce al teorema
97
det A
Cj1
Cj2
..
.
Cjn
Teorema B.25 Sea A una matriz invertible n n. Entonces
C11 C21 Cj1 Cn1

C12 C22 Cj2 Cn2
.
..
..
..
..
..
..
.
.
.
.
.
1
1
A =
.
.. C
det A C1i C2i Cji
ni
..
..
.
..
.
.
.
.
.
.
.
.
.
.
.
C1n C2n Cjn Cnn
donde Clm = (1)l+m det Alm son los cofactores (menores) del elemento alm de la matriz A y
Alm es la submatriz que se obtiene al eliminar la fila l y la columna m de A. La matriz ||C lm || se
denomina matriz adjunta de A.
Es importante notar que este metodo es ineficiente para calcular inversas (recurre a la regla de
Kramer que es ineficiente es si misma) por lo que es recomendable para encontrar A 1 aplicar el
algoritmo descrito en el teorema B.16 del captulo anterior.
Para concluir esta parte dedicada a determinantes veamos una propiedad interesante que satisfacen los determinantes y que es consecuencia de los teoremas B.18 y B.20:
Sea A = [a1 a2 an ] una matriz de n n con columnas a1 , ..., an . Definamos la aplicaci
on
lineal:
T (x) = det([a1 x an ]) = det Ak (x),
x de Rn , k = 1, 2, ..., n.
La aplicaci
on anterior es lineal pues para todo de R y x, y de R n :
T ( x) = det([a1 x an ]) = det([a1 x an ]) = T (x),

T (x + y) = det([a1 x + y an ]) = det([a1 x an ]) + det([a1 y an ]) =
= T (x) + T (y).
Esta propiedad se conoce como la multilinealidad del determinante
B.7.
Espacios Vectoriales.
En esta secci
on vamos a definir los espacios vectoriales que son la generalizaci
on de los espacios Rn ya estudiados.
B.7.1.
Definici
on y ejemplos.
Sea V un conjunto de elementos sobre el cual est

an definidas las operaciones suma + de
dos elementos x, y de V y multiplicaci
on de un escalar (n
umero real) por un elemento de
V . Diremos que V es un espacio vectorial si se cumplen las siguientes propiedades (axiomas): Sean
x, y, z elementos arbitrarios de V y , n
umeros reales. Entonces V es un espacio vectorial si
1.
Para todos x e y, vectores de V , el vector suma, w = x + y, tambien es un vector de V y se

cumple que:

B ANEXO: ALGEBRA
LINEAL
2.
98
a)
x+y =y+x
b)
(x + y) + z = x + (y + z)
c)
Existe un elemento nulo de V , tal que x + 0 = 0 + x = x
d)
Existe el elemento (x) opuesto a x, tal que x + (x) = (x) + x = 0 donde (x)
es vector opuesto de x
Para todo x vector de V , el vector que se obtiene al multiplicar por un escalar, w = x,

tambien es un vector de V y se cumple que:
a)
b)
c)
d)
(x + y) = x + y
( + ) x = x + x
( x) = () x
1x=x
Ejemplos.
1.) El conjunto de los vectores de Rn cuando la suma de dos vectores y la multiplicaci
on por un
escalar es la definida en la secci
on 2.
2.) El conjunto de las matrices m n cuando la suma de dos matrices y la multiplicaci
on por un
escalar es la definida en la secci
on 3. Dicho espacio lo denotaremos por R mn
3.) El conjunto de los polinomios de grado a lo sumo n, que denotaremos por P n , o sea,
Pn = {pn (t) = a0 + a1 t + + an tn ,
a0 , ..., an n
umeros reales.},
donde definiremos la suma de dos polinomios y la multiplicaci

on por un escalar de la siguiente
forma:
p(t) = a0 + a1 t + + an tn , q(x) = b0 + b1 t + + bn tn ,
(p + q)(t) p(t) + q(t) = (a0 + b0 ) + (a1 + b1 )t + + (an + bn )tn ,
( p)(t) p(t) = (a0 ) + (a1 )t + + (an )tn .
Adem
as, pn = 0, si y s
olo si a0 = a1 = = an = 0. 4.) El conjunto de las funciones continuas en el
intervalo [a, b], que denotaremos por C[a,b] , cuando la suma de dos funciones f y g y la multiplicaci
on
por un escalar est
an dadas por
(f + g)(t) f (t) + g(t),
B.7.2.
( f )(t) f (t).
Subespacios vectoriales.
Sea V un espacio vectorial. Diremos que un subconjunto H de elementos de V es un subespacio vectorial de V si H es a su vez un espacio vectorial respecto a las mismas operaciones suma
+ y multiplicaci
on que V .
Ejemplos.
1.) Dado un espacio vectorial V , son subespacios vectoriales triviales los subespacios H = {0}
(conjunto que tiene como u
nico elemento, el nulo) y H = V (el mismo espacio vectorial).
2.) Para V = C[a,b] , H = Pn es un subespacio vectorial, para cualquier n = 0, 1, 2, ... entero.
3.) Para V = Pn , H = Pk es un subespacio vectorial para todo k < n.
Teorema B.26 Un subconjunto H de elementos de V es un subespacio vectorial de V si y s
olo si
se cumplen las siguientes tres condiciones.
1.
El elemento nulo de V pertenece a H.
2.
Para todos x e y, vectores de H, el vector w = x + y tambien es un vector de H.

B ANEXO: ALGEBRA
LINEAL
3.
99
Para todos x vector de H, el vector w = x tambien es un vector de H.
Teorema B.27 Dado un conjunto de vectores {v1 , v2 , ..., vp } de un espacio vectorial V , el conjunto span (v1 , v2 , ..., vp ) es un subespacio vectorial de V . Dicho subespacio vectorial com
unmente se
denomina subespacio generado por los vectores v1 , v2 , ..., vp .
B.7.3.
Conjuntos linealmente independientes. Bases.
Un conjunto de vectores v1 , v2 , ..., vp de un espacio vectorial V se denomina linealmente

independiente si la ecuaci
on vectorial
x1 v1 + x2 v2 + + xp vp = 0,
tiene como u
nica soluci
on la trivial x1 = = xp = 0.
Un conjunto de vectores v1 , v2 , ..., vp se denomina linealmente dependiente si existen los valores
x1 , x2 , , xp no todos iguales a cero tales que se verifique la ecuaci
on vectorial
x1 v1 + x2 v2 + + xp vp = 0.
Para estudiar la dependencia lineal de los vectores de V podemos utilizar los mismos teoremas
estudiados en la secci
on 2 cambiando los espacios Rn por los correspondientes espacios vectoriales
V . Por tanto las siguientes afirmaciones son ciertas:
1.
Un conjunto S = {v1 , v2 , ..., vp } de dos o m

as vectores es linealmente dependiente si y s
olo si
al menos uno de los vectores del conjunto es combinaci
on lineal de los dem
as.
2.
Un conjunto S = {v1 , v2 , ..., vp } de dos o m

as vectores de V con alguno de los vectores
vi = 0 (1 i p) es necesariamente un conjunto de vectores linealmente dependientes, o
sea si alguno de los vectores de S es el vector nulo entonces S es un conjunto de vectores
linealmente dependientes.
3.
Dos vectores v1 y v2 de V son linealmente dependientes si y s

olo si son proporcionales, es
decir, si existe un n
umero real tal que v1 = v2 o v2 = v1
Teorema B.28 El conjunto de dos o m

as vectores v1 , v2 , ..., vp de V con v1 6= 0 es un conjunto
linealmente dependiente si y s
olo si para cierto j, 1 < j < p, el vector v j es combinaci
on lineal de
los anteriores, es decir,
vj = x1 v1 + x2 v2 + + xj1 vj1 .
NOTA: Esto no implica que si tenemos un conjunto de vectores linealmente dependientes v 1 , v2 , ..., vp
necesariamente cada vector es combinaci
on de los anteriores.
Los vectores linealmente independientes de un espacio vectorial juegan un papel fundamental
en el estudio de los sistemas lineales gracias a la siguiente definici
on
Dado un subespacio vectorial H del espacio vectorial V diremos que el conjunto de vectores
B = {b1 , b2 , ..., bp } de V es una base de H si
i) B es un conjunto de vectores linealmente independientes
ii) H = Span(b1 , b2 , ..., bp ), o sea, B genera a todo H.
En particular si H coincide con V , entonces B es una base de todo el espacio vectorial V .
Por ejemplo, si tomamos una matriz n n invertible, entonces sus columnas a 1 , ..., an son linealmente independientes y adem
as R n = Span(a1, ..., an ). Por tanto B = a1 , ..., an es una base de

B ANEXO: ALGEBRA
LINEAL
100
Rn . En particular, si A = In , la matriz identidad n n, las columnas e1 , e2 , ..., en de la misma son

una base de Rn la cual se conoce como base can
onica de R n .
Otro ejemplo lo constituye el conjunto de vectores S = {1, t, t 2 , ..., tn } del espacio vectorial Pn .
Es f
acil comprobar que dichos vectores son linealmente independientes y que span (1, t, t 2 , ..., tn ) =
Pn . S se conoce como la base can
onica de Pn .
Teorema B.29 Sea S = {v1 , v2 , ..., vp } un conjunto de vectores de un espacio vectorial V y sea
H = Span(v1, v2 , ..., vp ) un subespacio de V .
i) Supongamos que un vector de S, digamos el vj , 1 j p, es combinaci
on lineal de los
restantes. Entonces si suprimimos a dicho vector vk del conjunto S, H no cambia, o sea,
H = Span(v1, ..., vk1 , vk , vk+1 , ..., vp ) = span (v1 , ..., vk1 , vk+1 , ..., vp ).
ii) Si H no es el espacio {0}, entonces alg
un subconjunto de S es una base de H.
Este teorema nos dice que a partir de un conjunto de vectores que generan un espacio vectorial
siempre es posible extraer una base de dicho espacio vectorial. Por ejemplo, consideremos el
espacio generado por los vectores

2
1
1
1 , H = Span [v1 , v2 , v3 ] .
1 , v3 =
v1 =
0 , v2 =
0
0
0
Es evidente que H = Span[v1 , v2 , v3 ] = span [v1 , v2 ] pues el tercer vector es combinaci

on lineal de
los dos anteriores. Adem
as, S = {v1 , v2 , v3 } no es una base de H pues v1 , v2 , v3 no son linealmente
independientes. Sin embargo, el conjunto B = {v1 , v2 } que se obtiene al suprimir el tercer elemento
si que es una base de H.
B.7.4.
Sistemas de coordenadas.
Cuando estudiamos el espacio Rn (secci

on 2) definimos a los vectores de Rn mediante sus
coordenadas. Ello era evidente pues

x1
1
0
0
x2
0
1
0

x = . = x 1 . + x 2 . + + x n . = x 1 e1 + x n en .
.
.
.
.
.
.
..
0
0
1
xn
Adem
as, es evidente que dado un vector x de R n sus coordenadas, es decir los valores x1 , ..., xn ,
son u
nicos. El siguiente teorema generaliza este resultado para cualquier espacio vectorial V .
Teorema B.30 Sea B = {b1 , b2 , ..., bn } una base del espacio vectorial V . Entonces para todo x de
V existe un u
nico conjunto de valores {1 , ..., n } tal que
x = 1 b1 + 2 b2 + + n bn .
Este teorema nos permite definir las coordenadas de un vector cualquiera de un espacio vectorial V .
Supongamos que B = {b1 , b2 , ..., bn } es una base del espacio vectorial V . Denominaremos coordenadas del vector x de V en la base B al conjunto de los valores { 1 , ..., n } tales que
x = 1 b1 + 2 b2 + + n bn ,

B ANEXO: ALGEBRA
LINEAL
y lo denotaremos por
1
2
..
.
n
101
[x]B .
Consideremos nuevamente las coordenadas en Rn . Como vimos al principio de este apartado

los elementos de cualquier vector X de Rn coinciden con las coordenadas de dicho vector en la base
can
onica C = {e1 , e2 , ..., en }. Supongamos ahora que pasamos a una nueva base B = {b1 , b2 , ..., bn }.
Entonces
1
2
x = x1 e1 + + xn en = 1 b1 + + n bn = [b1 b2 bn ] . = PCB [x]B ,

.
.
n B
y por tanto, si las coordenadas de x en la base can

onica C son x 1 , ..., xn , la siguiente relaci
on
ser
a cierta:
[x]C = PCB [x]B ,
donde PCB es la matriz de cambio de base B en C que pasa las coordenadas de un vector en la
base B a las escritas en C. N
otese que las columnas de la matriz P CB coinciden con los vectores de
la nueva base escritos en la base can
onica. Es evidente que la matriz P CB es invertible (todas sus
1
columnas son independientes y por tanto el det PCB 6= 0) por tanto la matriz inversa PCB
ser
a la
matriz de cambio de base de base can
onica a la base B, o sea
1
[x]C = PBC [x]C .
[x]B = PCB
B.7.5.
La dimensi
on de un espacio vectorial.
Hemos visto que cualquier espacio V con una base de n elementos es isomorfo a R n . Resulta
que dicho n
umero n es una propiedad intrnseca de V , su dimensi
on.
Teorema B.31 Si un espacio vectorial V tiene una base de n vectores B = {b 1 , b2 , ..., bn }, entonces
cualquier conjunto con m
as de n vectores de V es linealmente dependiente.
Este teorema es una generalizaci
on del teorema B.8.
Teorema B.32 Si un espacio vectorial V tiene una base de n vectores B = {b 1 , b2 , ..., bn }, entonces
cualquier otra base de V tendr
a que tener n vectores de V .
Un espacio vectorial es de dimensi
on finita n si V est
a generado por una base de n elementos,
es decir si V = Span(b1 , ..., bn ), donde B = {b1 , ..., bb } es una base de V y lo escribiremos de la
forma dim V = n. En el caso que V = {0} sea el espacio vectorial nulo, dim{0} = 0. Si V no puede
ser generado por una base finita de vectores, entonces diremos que V es de dimensi
on infinita y lo
denotaremos por dim V = .
Por ejemplo, dim Rn = n, dim Pn = n + 1, dim C[a,b] = .
Teorema B.33 Sea H un subespacio vectorial de un espacio vectorial de dimensi
on finita V ,
(dim V = n < ). Entonces todo conjunto de vectores linealmente independientes de H se puede
ampliar hasta convertirlo en una base de H. Adem
as dim H dim V .
Teorema B.34 Sea V un espacio vectorial n-dimensional (dim V = n < ) y sea S = {b 1 , b2 , ..., bn }
un conjunto de exactamente n vectores. Entonces:
a) Si S es un conjunto de vectores linealmente independientes, S es una base de V .
b) Si S genera a todo V , es decir si V = Span(b1 , b2 , ..., bn ), S es una base de V .

B ANEXO: ALGEBRA
LINEAL
B.7.6.
102
Cambio de base.
Sea V un espacio vectorial de dimensi

on finita n y sea B = {b1 , b2 , ..., bn } y D = {d1 , d2 , ..., dn }
dos bases de V . Como D es una base de V y los elementos de B son elementos de V , estos se podr
an
escribir en la base D, o sea,
b1 = a11 d1 + a12 d2 + + a1n dn ,
..
.
bk = ak1 d1 + ak2 d2 + + akn dn ,
..
.
b1 = an1 d1 + an2 d2 + + ann dn .
b1 =
a11
a12
..
.
a1n
,
b
=
an1
an2
..
.
ann
Supongamos que las coordenadas de un vector x de V en la base B son x 1 , x2 , ..., xn y

D son y1 , y2 , ..., yn , es decir,
x1
x = x1 b1 + + xn bn [x]B = ... , y x = y1 d1 + + yn dn [x]D =

xn B
Entonces tenemos que
.
D
en la base
y1
.. ,
.
yn D
[x]D = [x1 b1 + + xn bn ]D = x1 [b1 ]D + xn [bn ]D = ([b1 ]D [b2 ]D [bn ]D )[x]B .

Es decir si conocemos como se expresan los vectores de la base B en la base D podemos encontrar
la matriz de cambio de base B en D, cuyas columnas a1 , a2 , ..., an no son m
as que las coordenadas
de los vectores de la base B escritos en la base D. Por tanto tenemos que [x] D = PDB [x]B , o en
forma matricial
x1
a11 ak1 an1
y1
a12 ak2 an2 x2
y2
=
.. .
..
..
.
.
.
yn
a1n akn ann
xn
Adem
as, PDB es una matriz invertible (sus columnas son linealmente independientes), luego existe
1
la inversa PDB
la cual es la matriz de cambio de base D en B, o sea,
1
[x]B = PDB
[x]D .
B.8.
El problema de autovalores de una matriz.
Sea A una matriz de n n. Denominaremos al vector x de R n , autovector de A asociado al

autovalor , al vector no nulo x 6= 0, tal que
A x = x,
x 6= 0.
(B.14)
Es f
acil comprobar que si x es un autovector asociado al autovalor , entonces el sistema
(A I)x = 0,
donde I
es la matriz identidad n n,
(B.15)
tiene soluciones no triviales. Por tanto, dado un autovalor de A, el conjunto de los autovectores
asociados a , que coincide con una base del n
ucleo de A, es un subespacio vectorial de R n . Dicho
espacio se denomina autoespacio de A correspondiente al autovalor . Es importante destacar que
conocido el autovalor , encontrar el autoespacio consiste en encontrar las soluciones de un sistema
homogeneo de ecuaciones, o sea, resolver (A I)x = 0.
Teorema B.35 Sea A una matriz triangular de n n. Entonces los autovalores de A coinciden
con los elementos de la diagonal principal = aii , i = 1, 2, .., n.

B ANEXO: ALGEBRA
LINEAL
103
Es importante destacar que las operaciones elementales de filas cambian los autovalores de una
matriz. Es decir si U es la forma escalonada de A los autovalores de A y U son, en general,
distintos.
Teorema B.17 (Teorema de inversi
on de matrices, conclusi
on.) Sea A una matriz cuadrada A de
n n. Las siguientes expresiones son equivalentes:
1.
A es invertible.
2.
= 0 no es un autovalor de A
El teorema anterior es evidente pues si = 0 es autovalor de A, entonces A x = 0 tiene que tener

soluciones no triviales y por tanto A no puede ser invertible.
Teorema B.36 Sea A una matriz de n n que tiene p autovalores distintos 1 6= 2 6= 6=
p . Entonces los autovectores v1 , v2 , ..., vp asociados a los autovalores 1 , 2 , ..., p son linealmente
independientes.
B.8.1.
La ecuaci
on caracterstica.
C
omo calcular los autovalores? La respuesta a esta pregunta no es difcil pues los autovalores
son tales que el sistema (B.15), (A I)x = 0, tiene soluciones no triviales. Pero un sistema
homogeneo tiene soluciones no triviales si y s
olo si
det(A I) = 0.
(B.16)
La ecuaci
on anterior se denomina ecuaci
on caracterstica de A. Lo anterior lo podemos resumir
como:
Un n
umero es un autovalor de la matriz A de n n si y s
olo si satisface la ecuaci
on caracterstica de A (B.16), det(A I) = 0.
Es f
acil comprobar que la expresi
on det(A I) = 0 es un polinomio de grado n en . Por tanto
el polinomio pn () = det(A I) se denomina polinomio caracterstico de A y los autovalores de
A ser
an las races de dicho polinomio. O sea, es un autovalor de A si y s
olo si p n () = 0.
Matrices similares.
Sean A y B dos matrices n n. Diremos que A es similar a B si existe
una matriz invertible P , tal que
A = P B P 1 ,
B = P 1 A P.
(B.17)
Es evidente que si A es similar a B, B es similar a A, para demostrarlo es suficiente tomar Q = P 1 .

Por tanto diremos simplemente que las matrices A y B son similares si se cumple (B.17). La
transformaci
on que a cada matriz le hace corresponder otra similar, o sea, A P 1 A P , se
denomina transformaci
on de similitud.
Teorema B.37 Si las matrices A y B de n n son similares, entonces tienen el mismo polinomio
caracterstico y, por tanto, los mismos autovalores.
B.8.2.
Diagonalizaci
on de matrices.
Una matriz A de n n es diagonalizable si A es similar a una matriz diagonal D, o sea, si

existe una matriz P invertible y otra D diagonal, tales que A = P D P 1 .
Teorema B.38 Una matriz A de n n es diagonalizable si y s
olo si A tiene n autovectores
linealmente independientes. Si A = P D P 1 , donde D es diagonal y P invertible, entonces los
elementos de la diagonal de D son los autovalores de A y las columnas de P son los correspondientes
autovectores.

B ANEXO: ALGEBRA
LINEAL
104
Este teorema se puede reformular diciendo que A es diagonalizable si y s

olo si sus autovectores
forman una base de Rn .
Algoritmo para diagonalizar una matriz A.
1.
Encontrar los autovalores de A resolviendo la ecuaci

on (B.16).
2.
Encontrar los autovectores linealmente independientes correspondientes a cada uno de los

autovalores calculados en el paso 1. Si tenemos en total n autovectores linealmente independientes entonces el teorema B.38 nos asegurar
a que nuestra matriz es diagonalizable, si no
hay n autovectores independientes entonces A no es diagonalizable y detenemos el proceso.
Si A es diagonalizable continuamos como sigue.
3.
Construimos la matriz P cuyas n columnas son los n autovectores linealmente independientes.
4.
Construimos la matriz diagonal D cuyos elementos de la diagonal coinciden con los autovalores de A. Es importante colocar en cada columna de D el autovalor asociado al autovector
de la correspondiente columna de P .
Es recomendable comprobar que hemos calculado correctamente P y D. Para ello comprobamos

que A P = P D.
Teorema B.39 (Condici
on suficiente para que una matriz sea diagonalizable I)
Si una matriz A de n n tiene n autovalores distintos, entonces es diagonalizable.
Teorema B.40 (Condici
on suficiente para que una matriz sea diagonalizable II)
Sea A una matriz de n n con p autovalores distintos 1 , 2 , ..., p . Sea Bk , k = 1, 2, ..., p una base
del correspondiente autoespacio asociado al autovalor k y sea nk la dimensi
on de dicho autoespacio.
Construyamos el conjunto de vectores que contiene a todos los conjuntos B k , o sea
B = B1 B 2 B p ,
dim(B) = n1 + n2 + + np .
Entonces B es un conjunto de vectores de Rn linealmente independientes. Adem

as, A es diagonalizable si y s
olo si dim(B) = n, o sea, si B contiene exactamente n vectores.
105
C ANEXO: SERIES DE POTENCIAS
C.
Anexo: Series de potencias
Definici
on C.1 Dada una sucesi
on de n
umeros complejos (a n )n y z0 C definiremos serie
n=0
an (z z0 )n ,
(C.1)
que denominaremos serie de potencias.

Como casos especiales de las series de potencias tenemos:
X
zk
xk ,
k=0
k=0
k!
X
zk
k=1
etc. Si la serie converge para todos los valores de z de cierto conjunto A C, entonces podemos
definir la funci
on suma f (z) de la serie.
C.1.
Propiedades de las series de potencias
Sin perdida de generalidad vamos a considerar las series del potencias del tipo
an z n ,
(C.2)
n=0
es decir, cuando z0 = 0. Obviamente si tenemos una serie de potencias del tipo (C.1), la podemos
reducir a a la anterior (C.2) haciendo el cambio de variables = z z 0 y viceversa.
Teorema C.2 Primer Teorema de Abel para las series de potencias
X
an z n , an , z C. Si la serie converge para cierto w C, entonces la
Sea la serie de potencias
n=0
serie converge absolutamente para todo z C con |z| < |w|.
La regi
on de convergencia de una serie de potencias siempre son crculos en el plano complejo
que, en el caso de las series de la forma (C.2) est
an centrados en el origen y en el de las series (C.1),
en z0 (ver la figura 20). N
otese que se obtiene una de la otra al hacer una traslaci
on en el plano
X
complejo del crculo mediante el vector z0 . Adem
as, cualquiera sea la serie de potencias
an z n ,
n=0
an , z C, existe un n
umero real no negativo R 0 o
R = + tal que para todo z con |z| < R la
serie converge y si |z| > R la serie diverge. Dicho n
umero se denomina radio de convergencia de la
serie de potencias.
Consideremos ahora en caso real, es decir cuando (an )n es una sucesi
on de n
umeros reales y
z = x R. En este caso hay que trasladar los resultados a la recta real. El primer teorema de Abel
quedara entonces de la siguiente forma
Teorema C.3 Sea la serie de potencias
n=0
an xn , an , x R. Si la serie converge para cierto r R,
entonces absolutamente para todo x R con |x| < |r|.

A diferencia del caso complejo, en el caso real si se sabe la convergencia en alguno de los
extremos, se puede saber mucho m
as sobre la serie.
Teorema C.4 Sea la serie de potencias
n=0
an xn , an , x R y R su radio de convergencia. En-
tonces, si la serie converge en x = R (x = R), converge uniformemente en [0, R] ([R, 0]).
106

Im z
Im z
| z z 0 | <| wz0 |
| z | < | w|
R
w
R
z0
0
Re z
Figura 20: Region de convergencia de las series
Re z
anz (izquierda) y
n=0
cha).
X
n=0
an (z z0)n (dere-
Teorema C.5 (Cauchy-Hadamard)
X
1
Dada una serie de potencias
an xn , an , x R. Entonces R = lm p
, si dicho lmite existe.
n
n
|an |
n=0
p
Una condici
on suficiente para que exista lmn n |an | es que exista el lmite lmn |an+1 /an |,
en cuyo caso

p
an
an+1
n
= lm
= lm p1 .
|an |, =
lm
lm
n
n n |a |
n an+1
n an
n
Para las series de potencias en R tienen lugar las siguientes propiedades.
Teorema C.6 La funci

on f (x) =
gencia de la serie.
an xn es continua en (R, R), siendo R el radio de conver-
n=0
En otras palabras, toda serie de potencias con radio de convergencia no nulo define una funci
on
continua.
Teorema C.7 Derivaci
on e integraci
on termino a termino de una serie de potencias real
X
an xn , an , x R con radio de convergencia R > 0. Entonces
Sea la serie de potencias f (x) =
n=0
1.
La serie se puede integrar termino a termino y la serie resultante tiene el mismo radio de
convergencia, o sea, se cumple que
Z
2.
xX
0 n=0
X
an n+1
an x =
x .
n+1
n
n=0
La serie se puede derivar termino a termino y la serie resultante tiene el mismo radio de
convergencia, o sea, se cumple que
!0
X
X
n
nan xn1 .
an x
=
n=0
n=0
107
Una consecuencia trivial del u

ltimo teorema es que una serie de potencias define una funci
on
infinitas veces derivable en (R, R).
Ejemplo C.8 Probar que la funci
on f (x) =
ex
X
xk
su derivada.
es continua y derivable en R y calcular
k!
k=0
Que es continua y derivable en R es evidente de los dos teoremas anteriores a tener, como ya hemos
calculado antes, radio de convergencia +. Para calcular la derivada usamos el teorema anterior,
as pues
"
#
X
kxk1 X xk1
d X xk
0
=
=
= f (x).
f (x) =
dx
k!
k!
(k 1)!
k=0
k=0
k=1
Adem
as, f (0) = 1. La funci
on que cumple lo anterior es la funci
on e x .
Los teoremas anteriores permiten calcular un buen n

umero de series, por ejemplo
log(1 + x) =
X
(1)n+1 xn
n=1
Para ello notamos que

X
X
1
1
(1)n xn .
(x)n =
=
=
1+x
1 (x)
n=0
n=0
Esta serie converge en (1, 1), as que integrando termino a termino tenemos
!
Z t X
Z t
X
X
tn+1
tn
1
(1)n
(1)n xn dx =
(1)n+1 .
dx =
=
log(1 + t) =
n+1
n
0
0 1+x
n=0
n=0
n=1
Funciones elementales del an

alisis.
ex =
X
xk
k=0
sen x =
X
(1)k x2k+1
k=0
(2k + 1)!
(1 + x) = 1 +
X
1
xk ,
=
1x
k=0
x R.
cos x =
(C.3)
X
(1)k x2k
(2k)!
k=0
X
k=1
en particular
k!
()k k
x ,
k!
x R.
x (1, 1),
X
1
(1)k xk ,
=
1+x
x (1, 1).
k=0
(C.4)
(C.5)
(C.6)
Aplicando la integraci
on termino a termino en [0, x] tenemos
log(1 + x) =
X
(1)n+1 xn
n=1
(C.7)
x (1, 1),
(C.8)
Usando (C.6) haciendo el cambio x por x2 obtenemos

X
1
(1)k x2k ,
=
1 + x2
k=0
108
a partir de la cual, integrando termino a termino en [0, x] obtenemos

arctan x =
X
(1)n x2n+1
2n + 1
n=0
x (1, 1).
(C.9)
Escojamos ahora (C.5) con = 21 y cambiemos x por x2 , tenemos
X ( 1 )k
1
2
xk ,
=
1 x2 k=0 k!
x (1, 1),
(C.10)
de donde integrando termino a termino en [0, x] obtenemos

arc sen x =
X
k=0
( 21 )k
x2k+1 ,
k!(2k + 1)
x (1, 1),
(C.11)

Ecuaciones Diferenciales Ordinarias

Cargado por

Información del documentohacer clic para expandir la información del documento

Copyright:

Formatos disponibles

Ecuaciones Diferenciales Ordinarias

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Ecuaciones Diferenciales Ordinarias

Cargado por

Copyright:

Formatos disponibles

ECUACIONES DIFERENCIALES

EAP de Ingeniera Electrnica

Ral P. Castro Vidal

2. Otras EDOs de primer orden

5. Soluciones de EDOs en serie de potencias

7. El teorema de existencia y unicidad para las EDOs

C. Anexo: Series de potencias

A LAS EDOS: LA EDO LINEAL DE PRIMER ORDEN

y 00 (x) ey(x) + 7 cos x = 0,

y 00 (x) + 3y 0 (x) + 2y(x) = 2 cos(2x).