Sin 3 RG 3 Tica

Serie ~Sinergtica:del pasado al futuro>>
G. G. Malinietski
Caos,
uras y sirnu
por ordenador
URSS
M a f l u ~ e y ~ ureopzu
fi
re~~adbe6uv
M~T~M~TAW
OCHOBbI
C K ICHHepreTWKH:
~~
XaOC, CTpyKTypbI, B ~ I . ~ A c J I A T ~ J I ~ H ~ I ~
JKCII~~HM~HT
Cepea
.
C u ~ e p r e ~ iOT
~ ~npomnoro
a:
K Gyj~y~.qe~y
Malinietski Gueorgui Guendievich
Fundamentos matemticos de la sinergtica: caos, estructuras y simulacin por ordenador. Serie asinergtica: del pasado al futuro
Traducido de la cuarta edicin rusa (Editorial URSS, Mosc, 2005)

El presente libro es una introduccin a la dinmica no-lineal, la sinergtica y otros campos
de la ciencia no-lineal. En l se tienden puentes entre las asignaturas tradicionales de las
ciencias naturales, los cursos de matemtica y los problemas fundamentales que actualmente
despiertan el inters de los cientficos.
La exposicin clara del material, acompaada de una gran cantidad de ilustraciones, es
un rasgo distintivo del libro, el cual contiene cerca de una centena de problemas de
diferentes niveles de dificultad. En la base del libro yacen los cursos introductorios de
dinmica no-lineal y simulacin matemtica dictados por el autor durante varios aos en la
Universidad Estatal .M. Lomonsov~de Mosc y en el Instituto Fsico-tcnico de Mosc,
as como la experiencia de trabajo de un grupo de cientficos del Instituto de Matemtica
Aplicada CM.V. Kldyshw de la Academia de Ciencias de Rusia.
El libro est destinado a los estudiantes universitarios y de postgrado, a los especialistas
en campos afines, y a todos los que se interesen por las ideas, perspectivas, mtodos y
problemas de la sinergtica.
Editor
Director financiero
Director de sistemas
Director de produccin
Revisin cientfico-tcnica
Traduccin
Domingo Marn Ricoy

Viktoria Ma lishenko
Vktor Romnov
Irina Mn kieva
Guillemio Pefa Feria, Jairo Correa Rodrguez
Yvan Abanto Chvez
L ~ ~ ~ ~ ~ T ~( (JEI, ~
q ~c~To B
p~
YPCC.,
Qa n
117312, r. M O C K Bnp-T
~ , ~ Q - ~ ~ T OKTR~PR,
MH
9.
J l ~ q e ~ s i / l ~ No 05175 OT 25.06.2001 r. n o a n ~ c a ~K oneqarM 11.01.2005 r.
Q > o p ~ 60
a ~x 90/16. ner. n, 20.
O ~ n e r a ~ aB ~000
o
3noxau. 107370, r. Moc~sa,6-p Mapwana P o ~ o c c o ~ c ~ 5,
o rc"~~p~1.
.~.
Ma
Editorial URS S
ISBN 5-354-01128-0 (edicin en espaol)

ISBN 5-354-01057-8 (edicin misa)
Libros de ciencia
TelJfax: 7 (095) 135-42-16
Tel./fax: 7 (095) 135-42-46
E-rnail: URSS@URSS.m
Catlogo en Internet: http:l/URSS.ni
O Edicin en ruso: Editorial URSS, 2005

O Traduccin y edicin en espaol:
Editorial URSS, 2005
O Diseo de texto y encuadernacin:
Editorial URSS, 2005
Reservados todos los derechos en lengua espaola en todos los pases del mundo. Quedan
rigurosamente prohibidas, sin la autorizacin escrita de los titulares del "Copyright", bajo
las sanciones establecidas en las leyes, la reproduccin total o parcial de esta obra por
cualquier medio o procedimiento (comprendidos la reprografa, el tratamiento inforrntico
y la exposicin en Internet) y la distribucin de ejemplares de ella mediante alquiler o
prstamo pblico.
ndice
Introduccin
.......................................
Captulo 1
La simulacin matemtica actualy los fenmenos no-lineales
.......
Experimento computacional. La terna modelo-algoritmo-programa . . . . .
Jerarqua de los modelos simplificados . . . . . . . . . . . . . . . . . . . . . .
Simulacin de La dinmica de poblaciones . . . . . . . . . . . . . . . . . . . .
Bibliografa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Captulo 2
Modelos matemticos lineales
............................
Preguntas y ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Bibliugrafia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Captulo 3
Modelos matemticos no-lineales elementales
..................
E l pndulo matemtico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
E l programa de investigacin de Henri Poincar . . . . . . . . . . . . . . . . .
Bibliografa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
Captulo 4
Atractores de la ecuacin 5 = v(x) . . . . . . . . . . . . . . . . . . . . . . . .
Teora cualitativa de \a ecuacin k = v(x) . . . . . . . . . . . . . . . . . . . .
Teoremas de comparacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Problemas bien planteados y modelos de fenmenos no-lineales . . . . . .
B i b l i o g r a ~.~. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Capitula 5
Elementos de la t e o h de las bifurcaciones
....................
Desarrollo de la teora de las bifurcaciones . . . . . . . . . . . . . . . . . . . .
Bibliografa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
fndice
Captulo 6
Modelos matemticos de la teora de las catstrofes
. . . . . . . . . . . . . . 128
Estabilidad estructural e ideas de la teora de las catstrofes . . . . . . . . 144
Preguntas y ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 172
Bibliografa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174
Captulo 7
Sistemas elementales con tiempo discreto . . . . . . . . . . . . . . . . . . . . . 176
Transicin a l caos Escenarios de Feigenbaum . . . . . . . . . . . . . . . . . .

Elementos de la teora de la universalidad . . . . . . . . . . . . . . . . . . . . .
Escenario de Feigenbaum y transicin a l caos en diferentes sistemas
no-lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Ciclos ruidosos, ventanas de periodicidad, intermitencia . . . . . . . . . . . .
Bibliografa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Captulo 8
A utooscilaciones y ciclos lmites
...........................
Perturbaciones singulares. Patos. Sistemas rgidos . . . . . . . . . . . . . .
Bibliografa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
180
188
190
193
200
202
204
231
242
243
Captulo 9
Mtodos topolgicos en la investigacin de los sistemas no-lineales
. . . 245
Experimento computacional diseo molecular y mtodos topolgicos . . . 265
Preguntasy ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 269
Bibliografa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 271
Captulo 10
Redes neuronales
.....................................
.......................................
Neurociencia
Nociones elementales sobre e l funcionamiento del cerebro . . . . . . . . . .
Modelo de Hopfield . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
E l sentido del caos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Redes neuronales multicapas . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Algoritmo de retropropagacin . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Bibliografia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
273
273
276
279
288
295
305
309
310
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 311
ndice de materias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 313
ndice de autores
Introduccin
El obstculo principal para la amplia utilizacin de la simulacin matemtica
y del experimento computacional en la ciencia, la tcnica y el control, es
el dficit de especialistas calificados. La resolucin de toda una serie de
problemas importantes sewe frenada no por la falta de computadoras, sino
por la insuficiencia de colectivos con un nivel de preparacin adecuado.
Las exigencias impuestas a los especialistas en simulacin matemtica
son bastante elevadas y, al mismo tiempo, contradictorias. Por una parte,
se requiere que sean profesionales que comprendan profundamente un
rea de investigacin concreta y suficientemente estrecha. Por otra, estos
especialistas generalmente tienen que intervenir no como ejecutores, sino
como cientficos que ven el problema como un todo y estn capacitados
para precisar y, a veces, cambiar radicalmente el planteamiento del problema
propuesto por fsicos, qumicos o bilogos. El trabajo en el campo de la
simulacin matemtica presupone un estilo de pensamiento peculiar, en
el cual la profundidad y la concrecin se combinan con la amplitud y la
comprensin de las ideas generales.
El xito en la simulacin matemtica de la mayora de los problemas
serios se apoya en la terna modelo-algoritmo-programa, como en las tres
ballenas mitolgicas de los griegos.
Por eso, para trazar correctamente la estrategia de investigacin es
necesario comprender bien el instrumental disponible y los logros fundamentales en cada uno de los campos relacionados con el proyecto de
investigacin. Esto es muy importante, pues, por ejemplo, hoy la matemtica
computacional interviene cada vez con mayor frecuencia no slo como un
instrumento, sino tambin como una fuente de nuevas ideas en la simulacin
y las ciencias naturales. En este libro se destaca constantemente este aspecto.
El anlisis de fenmenos no-lineales constituye uno de los momento
claves en la resolucin de muchos problemas importantes, desde el perfeccionamiento de las tecnologas qumicas y los problemas de la fusin
termonuclear controlada, hasta los problemas actuales de la teora cuntica
de campos y la creacin de nuevas generaciones de computadoras. En el
vasto campo llamado actualmente ciencia no-lineal o dinmica no-lineal han
surgido sus propios enfoques originales, ideas y mtodos nuevos. El objetivo
de este libro es presentar esta disciplina a los estudiantes de los cursos
superiores, de postgrado y a los especialistas interesados.
Introduccin
En los aos 70 del siglo XX comenz, y an contina, una revolucin

cientfica relacionada con el surgimiento de una nueva tecnologa de investigacin cientfica: el experimento computacional. El experimento computacional
debe ser visto como un peldao nuevo en el desarrollo de la simulacin matemtica, la cual ya ha penetrado en la mayora de los campos de la ciencia.
El aporte principal del experimento computacional -la posibilidad
de analizar los fenmenos no-lineales de la fsica, la qumica, la biologa,
la sociologa, etctera- condujo al nacimiento de nuevas ideas, teoras
y mtodos, y al desarrollo de los enfoques interdisciplinarios. Esto, a su
vez, ayud a formular nuevos conceptos y descubrir fenmenos naturales
maravillosos. Por lo visto, lo ms admirable en el campo de la simulacin
consiste en que un nmero pequeo de modelos matemticos relativamente
simples proporciona la llave para la comprensin e investigacin de una
cantidad enorme de fenmenos diferentes. A tales modelos, denominados
frecuentemente modelos bsicos, as como a las concepciones nacidas durante
su anlisis, est dedicado este libro.
En la base del libro yace el material de las clases impartidas durante
varios aos en el Departamento de Mtodos Numricos de la Facultad
de Matemtica Computacional y Ciberntica de la Universidad Estatal de
Mosc <<M.
V. Lomonsov (MGU) y en el Instituto Fsico-tcnico de Mosc
(MFTI). La experiencia del trabajo con los estudiantes de postgrado y
de cursos superiores ha mostrado que muchos de ellos tienen lagunas
considerables en su formacin profesional. Aun habiendo comprendido
algunas cuestiones particulares y aprobado un conjunto de cursos generales
y especiales, no tienen una nocin muy clara del campo en el que se han de
desempear, ni de las relaciones entre los modelos, algoritmos y problemas
actuales. Tras el formalismo y los problemas concretos, a veces no logran ver
las ideas y el contexto donde dichos problemas tienen sentido. Esto dificulta
la lectura de la literatura cientfica original y en ocasiones, no permite por
mucho tiempo dar inicio a las investigaciones independientes.
Considerar que he alcanzado mi objetivo si durante el trabajo con este
libro los estudiantes de pregrado y postgrado logran eliminar dichas lagunas
aunque sea parcialmente, o al menos toman conciencia de la existencia de
stas.
El estilo del libro est en gran parte determinado por mi experiencia
docente. Algunas preguntas que por lo general los estudiantes comprenden
rpidamente, se exponen en compendio. Se repasa una serie de resultados
de la fsica matemtica, la matemtica computacional y la teora de sistemas
dinmicos, analizados en cursos anteriores, y sin los cuales es imposible
el estudio de los fenmenos no-lineales. Al mismo tiempo se analizan detalladamente algunos problemas importantes que no estn suficientemente
ilustrados o no se tratan en los textos de estudio.
Introduccin
El libro contiene muchos ejemplos e ilustraciones. Donde ha sido posible, se ha prestado especial atencin a las ideas claves y modelos concretos,
para cuyo estudio se crearon unos u otros instrumentos. En muchos casos
hubo que sacrificar generalizacin, rigor y detalles tcnicos en favor de la
claridad.
El libro est destinado a los lectores interesados y activos. Por consiguiente, en cada captulo se proponen varias fuentes bibliogrficas, que
van desde los textos de estudio estndares hasta monografias, resmenes
y artculos originales, los cuales ayudarn a conocer ms profundamente
el problema analizado. La bibliografa no pretende ser completa, se dan
las fuentes ms simples y accesibles. Para comodidad de los lectores la
bibliografa va acompaada de comentarios que muestran qu se puede
hallar y dnde.
Es muy importante que el lector no slo sepa mucho, sino que tambin
sea capaz de resolver problemas elementales relacionados con el anlisis
de los fenmenos no-lineales. Por eso, en el libro se propone cerca de una
centena de problemas utilizados en las clases.
El volumen del libro corresponde aproximadamente a un curso introductorio semestral acompaado de seminarios, dirigido a estudiantes
de cursos superiores de matemtica pura, matemtica aplicada y fsica.
Estos estudiantes ya han pasado los cursos de anlisis matemtico, lgebra
lineal, fsica matemtica, mtodos numricos y fsica terica. Sin embargo,
por el curso de simulacin de fenmenos no-lineales tambin se interesan
los qumicos, bilogos e ingenieros, quienes no poseen una preparacin
matemtica tan slida. Sus intereses, en cierta medida, tambin han sido
considerados. En el libro se enfatizan ciertos resultados fundamentales del
curso de matemtica, en los cuales se apoya la exposicin.
Solamente resta decir que el material propuesto refleja una pequea
parte de la ciencia no-lineal, relacionada estrechamente con el experimento
computacional, y representa apenas un fragmento de un campo vasto de
investigaciones. La eleccin del material est determinada, en parte, por las
pasiones subjetivas del autor.
El desarrollo de la ciencia del siglo XX mostr la necesidad de la
construccin de muchos modelos distintos para la descripcin de un mismo
fenmeno u objeto, la necesidad de elaborar cuadros alternativos de la
realidad. Nosotros estamos obligados a vivir no en un mundo de leyes
absolutas, verdades en ltima instancia y concepciones universales. Por eso,
los investigadores deben tratar con modelos y enfoques que fijan una cosa
e ignoran muchas otras. Nosotros debemos jugar a crear mundos en los
cuales se toma muy poco de nuestro presentecomplejo y confuso.
La avalancha de informacin provocada por las computadoras nos
ha obligado a reflexionar sobre cmo entenderla, aceptarla, ordenarla
Introduccin
y utilizarla. Cmo disponer racionalmente de las posibilidades que se

presentan ante nosotros y separar lo ms interesante de lo simplemente
interesan te? La solucin result paradjica: la salida consiste en elaborar
enfoques interdisciplinarios, en crear nuevos mundos. El establecimiento y
desarrollo de la ciberntica, la sinergtica y la dinmica no-lineal, mostraron
que esto no slo es posible, sino interesante hasta cautivar. Acaso no
es asombroso que en las revistas de ciencia no-lineal se puedan leer
simultneamente artculos de matemticos, gegrafos, psiclogos y fsicos?
Ellos estn asimilando el nuevo lenguaje no-lineal escondido detrs de los
problemas sueltos, las ecuaciones y los campos de investigacin. Surge una
especie de filosofa naturalista de la era computacional. ste es un juego
donde las apuestas son elevadas. En este juego es posible que se aclare cul
es el sentido que los investigadores atribuirn al verbo comprender.
Considero un deber placentero expresar mi reconocimiento a mis
maestros S. P. Kurdimov y A. A. Samarski, as como a mis colegas y
estudiantes, quienes en gran parte determinaron el tipo de material y el
estilo de la exposicin. Estoy muy agradecido a V. G. Komarova por su gran
ayuda en la preparacin del manuscrito.
CAPITULO 1
La simulacin matemtica actual

y los fenmenos no-Lineales
La gran era venidera del despertar de la razn humana
nos proporcionar el mtodo para la comprensin del contenido cualitativo de las ecuaciones. Hoy todava no somos
capaces de ello.
R. Feynman
Sin temor a exagerar, podemos afirmar que actualmente la simulacin matemtica (CM) influye en toda la actividad humana: desde la poltica estatal,
la cual se apoya en los modelos matemticos de la economa y la estabilidad
estratgica, hasta los nuevos medicamentos proyectados mediante computadoras; desde las nuevas mercancas que utilizan toda una serie de tecnologas
originales, hasta los gigantescos sistemas computarizados que venden billetes areos o aseguran las comunicaciones o la edicin de peridicos.
La construccin y el anlisis de los modelos matemticos de los
fenmenos no-lineales desempean un papel cada vez ms importante en
la esfera de la actividad relacionada con la CM. Detengmonos en las causas
de este hecho.
En los aos 50 del siglo XX tuvo inicio una revolucin cientfica, la cual
cambi radicalmente el papel desempeado en la ciencia y la tecnologa
por la matemtica en general, y la matemtica computacional en particular.
Este fenmeno estuvo relacionado con la realizacin de dos proyectos
colosales: la creacin de armas nucleares y la conquista del cosmos. Ambos
proyectos exigan gastos enormes de recursos y la eleccin escrupulosa de
las mejores variantes. La complejidad de los problemas que surgan los haca
inaccesibles a los procedimientos estndares de la fsica terica. La necesidad
de resolver estos problemas estimulaba la creacin de computadoras y de
nuevos campos de la matemtica. En ambos casos se formaron colectivos
cientficos, cuya experiencia permiti obtener resultados notables en una
serie de campos de la ciencia. En Rusia puede servir de ejemplo el Instituto
de Matemtica Aplicada M. V. Kldysh, y en los EE.UU., los centros de
investigacin de Los lamos y Livermore.
10
Captulo 1
Surgi una nueva tecnologa de investigacin cientfica: el experimento

computacional. ste comprende la construccin e investigacin de modelos
matemticos y la realizacin de grandes series de clculos en computadoras.
Adems, el experimento computacional se apoya en la aplicacin de los
mtodos clsicos de la matemtica y la fsica terica, de la teora de
algoritmos, as como en la elaboracin de enfoques nuevos y en la creacin
y utilizacin del software apropiado.
En la actualidad la CM desempea un papel clave en el anlisis de varios
problemas de importancia vital para la humanidad. Citemos un ejemplo.
E l problema energtico y la fusin termonuclear controlada. La prosperidad de la humanidad est estrechamente ligada con su potencial energtico.
Por ejemplo, en los pases desarrollados los gastos de energa para la obtencin de una unidad convencional de produccin agrcola han aumentado ms
de 100 veces en los ltimos 50 aos, mientras que la productividad de las cosechas de cereales durante ese mismo perodo ha aumentado slo tres veces.
Actualmente en el mundo viven cerca de seis mil millones de personas
y el consumo medio de potencia per cpita constituye un poco ms de 2 kW.
El pronstico demogrfico de la ONU predice un rpido crecimiento de la
poblacin del globo terrqueo en los prximos 60-70 aos, y la estabilizacii~
hacia el 2100 en el nivel de los 12 mil millones de personas. La utilizacin
de los desechos, el enriquecimiento de los minerales, la desalinizacin del
agua y las escalas crecientes de la proteccin del medio ambiente exigen el
aumento de la potencia de consumo per cpita hasta unos 10-20 kW.
El agotamiento de las reservas de portadores de energa y los grandes
problemas relacionados con la energa atmica exigen la bsqueda de
fuentes de energa alternativas.
Una de las posibilidades est relacionada con la utilizacin de la energa
de las reacciones termonucleares. Existen tres istopos de hidrgeno, los
cuales se diferencian por el nmero de neutrones: el hidrgeno habitual H:,
el deuterio D: y el tritio T;. Es posible la reaccin
neutrn
,
n y se liberan
durante la cual se produce un tomo de helio ~ eun ~
17,6 MeV de energa. Recordemos que un megaelectronvoltio es igual a lo6
electronvoltios, y un electronvoltio es la energa que adquiere un electrn
al desplazarse en un campo elctrico en el vaco entre dos puntos cuya
diferencia de potencial es 1V. Un electronvoltio es igual a 1,60207
J.
A modo de comparacin, podemos decir que un gramo de una mezcla
deuterio-tritio puede producir una energa superior a la de una tonelada
de combustible convencional.
La simulacin matemtica actual y los fenmenos no-lineales
11
Sin embargo, para que tal reaccin tenga lugar hay que acercar los
ncleos hasta una distancia de 10-13 cm, donde comienzan a actuar las
fuerzas nucleares.
Para esto se necesita superar las fuerzas de repulsin electrosttica, lo
cual exige temperaturas gigantescas, superiores a los 100 millones de grados.
El fsico estadounidense J. Lawson obtuvo un criterio que indica la
regin de los parmetros en la que los gastos energticos para la creacin de
las condiciones para una reaccin termonuclear son menores que la energa
generada por la reaccin misma:
donde n es la concentracin de la mezcla reactante y T es el tiempo de

reaccin.
Dos enfoques de resolucin de este problema resultaron ser los ms
populares. El primero, propuesto por A. D. Sjarov e 1. E. Tamm, est relacionado con la utilizacin de campos magnticos para confinar el gas ionizado,
es decir, el plasma. En este caso, generalmente se crean sistemas complejos
de bobinas, emisores de radiacin y magnetos, los cuales rodean la cavidad
toroidal donde se confina el plasma. Tales instalaciones recibieron el nombre
de tokamak.
La proyeccin y construccin de los tokamak result ser un problema
cientfico y tcnico extraordinariamentecomplejo, el cual exigi la realizacin
de una enorme serie de trabajos relacionados con la simulacin matemtica.
En particular, fue necesario desarrollar una ciencia nueva, la hidrodinmica
magntica, la cual estudia las propiedades de los lquidos conductores.
Durante los experimentos computacionales planteados se descubrieron
nuevos fenmenos fsicos. Por ejemplo, un grupo de investigadores del
Instituto de Matemtica Aplicada M. V. Kldysh descubri el efecto de la
capa T, incluido en el Registro Estatal de Patentes. En los experimentos
naturales (fsicos) este efecto fue descubierto slo al cabo de varios aos.
Uno de los problemas que surgen durante el confinamiento magntico del
plasma tiene que ver con el hecho de que los campos magnticos accesibles
son relativamente pequeos y no permiten confinar el plasma, incluso para
Hasta
una concentracin como la de las molculas en el aire 1019
el momento se ha logrado confinar durante varios segundos un plasma
con n 1013 cmm3.Por eso la configuracin de los campos magnticos se
tiene que elegir escrupulosamente, utilizando el enorme arsenal de modelos
creados hasta la fecha y las computadoras ms modernas.
El segundo enfoque, propuesto por los cientficos rusos N. G. Bsov y
O. N. Krojin, y los estadounidenses J. Nuckolls y E. Teller, consiste en producir una serie de microexplosiones termonucleares controladas. Para el caso de
la bomba de hidrgeno habitual el criterio de Lawson se verifica, pues gracias
N
Captulo 1
a la explosin de la bomba atmica se logra obtener valores de la concentracin muy grandes antes de que los productos de la explosin se dispersen.
El papel de carga atmica, la cual comprime y calienta el combustible
termonuclear, es desempeado en este caso por lseres de gran potencia.
El anlisis y la realizacin de este proyecto ya ha exigido durante muchos
aos el esfuerzo colectivo de los fsicos y los especialistas en simulacin
matemtica.
El experimento computacional desempea un papel clave en Ia resolucin no slo de muchos problemas aplicados, sino tambin de problemas
fundamentales. La astrofsica moderna contiene toda una serie de problemas
de esta ndole.
La Gran Explosin y la formacin del Universo. En los aos 60-70 del

siglo XX los cientficos dirigieron enormes esfuerzos a la investigacin
de la estructura de la materia y al estudio de las partculas elementales.
Se crearon aceleradores gigantescos y dispositivos de clculo y medicin, as
como los modelos matemticos correspondientes. stos ltimos permitieron
predecir nuevas partculas elementales. Con la ayuda de computadoras que
analizaban cantidades ingentes de fotografas donde se fijaban los choques
de las partculas elementales, se logr descubrir precisamente aquellos
sucesos raros para los cuales se realizaron dichos experimentos.
Sin embargo, en este campo el experimento computacional tendr que
convertirse no en un instrumento de investigacin auxiliar, sino fundamental.
En efecto, cuanto menores son las escalas espaciales en las que se estudian
los procesos, cuanto mayor es la masa de las partculas descubiertas, tanto
mayores son las energas que deben poseer las partculas aceleradas. Esto,
a su vez, exige el aumento de las dimensiones de las instalaciones. Por
ejemplo, el acelerador que se intent construir en los EE.UU., el cual
utiliza sistemas magnticos superconductores SSC (Superconducting Super
Collider), deba tener un dimetro de 84 km. Probablemente, incluso en un
futuro lejano no se lograr aumentar las dimensiones de tales instalaciones
en ms de 2-3 rdenes. Significa esto que los procesos que suceden a
escalas menores son, en principio, imposibles de investigar? Parece que no.
En las primeras fracciones del primer segundo del acto de la creacin del
Universo, la Gran Explosin (Big Bang), se dieron unas condiciones nicas.
Acerca de lo que sucedi en esos instantes se puede juzgar a partir de datos
indirectos, de las emisiones que llegan del Cosmos lejano, de las partculas
que llegan de all, de la estructura del Universo que podemos observar.
El destino del mundo est determinado por las propiedades fundamentales
de las partculas elementales, y viceversa, las propiedades de las partculas
pueden ser determinadas partiendo de la evolucin de los objetos csmicos
gigantes. El rea de la ciencia, surgida no hace mucho, que considera el
Universo como un acelerador gigante, recibi el nombre de cosrnomicrofsica.
13
Uno de los resultados importantes de la cosmomicrofisica es la construccin

de teoras fundamentales que describen la estructura de la materia a
nivel microscpico. En la base de estas teoras yacen modelos matemticos
consistentes en ecuaciones diferenciales no-lineales.
Generalmente, los problemas de la fsica matemtica pertenecen al
grupo de los problemas directos: se conocen las ecuaciones, las condiciones
de contorno, las condiciones iniciales, y se pide hallar la solucin. Pero en
la cosmomicrofsica, la tomografa mdica, la fsica del plasma y la geologa
se presentan ms los denominados problemas inversos: se conocen algunos
parmetros de la solucin, una u otra particularidad del sistema (informacin
apriorstica) y se pide restablecer las caractersticas del sistema analizado
(por ejemplo, la ecuacin que describe el proceso). En la actualidad, el
anlisis y la resolucin de problemas inversos se han convertido en una
direccin importante de la simulacin matemtica.
Experimento computacional.
La terna modelo-algoritmo-programa
La estructura de la nueva tecnologa de investigacin cientfica, el experimento computacional, se puede representar esquemticamente. A partir del
planteamiento del problema y de las condiciones impuestas a la precisin
de las predicciones, se construye el modelo matemtico. Partiendo de las
particularidades ms importantes del problema analizado, se elaboran los
algoritmos en la clase concreta dada de sistemas.
Despus de estimar cun amplio ser el crculo de investigadores que
estudiarn el problema y qu computadoras estn disponibles, se elabora
el software. El software puede consistir en programas nicos o programas
simples para computadoras personales, paquetes de programas aplicados,
si se trata de clculos masivos, o bien sistemas que incluyen la creacin
de lenguajes algortmicos especializados. Despus de esto se realizan los
clculos. Los resultados se comparan con los datos de las observaciones o
investigaciones naturales. Luego, habitualmente, se regresa al primer paso,
a la construccin de los modelos. Dependiendo de los resultados de la
comparacin de las predicciones de la teora con la realidad, el modelo se
modifica, se precisa o se construye nuevamente.
En la actualidad, un eslabn clave que determina la efectividad de
la utilizacin de las tcnicas cornputacionales en la ciencia y la tecnologa
lo constituyen los modelos matemticos. Esto se ha hecho especialmente
evidente despus de la aparicin de una cantidad enorme de computadoras personales, y durante la creacin de proyectos de cupercomputadoras.
En el primer caso, la cantidad de computadoras personales que se utilizan
para resolver problemas cientficos, en comparacin con las utilizadas para
14
.-
Captulo 1
redactar textos, jugar o conservar informacin comercial, es insignificante,

y su influencia en el desarrollo de la ciencia es mucho menor de lo que
inicialmente se esperaba. En el segundo caso, la creacin de supercomputadoras se ve dificultada por la ausencia de planteamientos de problemas y
de modelos matemticos cuyo estudio traiga consigo un efecto econmico
grande, pero que no puedan ser resueltos en las computadoras existentes.
Por cuanto ms adelante hablaremos principalmente de los modelos
matemticos, veamos un ejemplo que ilustra la interrelacin de todos los
componentes de la terna modelo-algoritmo-programa.
Los sistemas que garantizan los procesos de transferencia de calor
constituyen un objeto tradicional de simulacin.
Era precomputacional. Modelos matemticos del proceso de conduccin
de calor son lineales. Para su resolucin se utiliza el mtodo de separacin de
variables, as como los mtodos asintticos. Se conocen algunas soluciones
autosemejantes de la ecuacin no-lineal de conduccin de calor.
Inicio de la era computacional. Surgimiento de modelos no-lineales
elementales. Generalmente, se utilizan esquemas en diferencias sencillos
por ser los ms rpidos y simples desde el punto de vista algortmico.
Los clculos en computadoras son realizados por pequeos grupos de
investigadores. La productividad de las computadoras es de decenas de miles
de operaciones por segundo. La grfica cornputacional es sencilla. La mayora
de los investigadores cuenta con sus propios programas compuestos de
lo2-lo3 instrucciones en lenguajes de alto nivel. Habitualmente se resuelven
problemas bidimensionales simples, los cuales se reducen a una serie de
problemas unidimensionales.
Perodo heroico. Ampliacin colosal del crculo de problemas que se
resuelven con ayuda de experimentos computacionales. Surgimiento de
nuevos modelos de conduccin de calor que consideran, por ejemplo, la
acotacin del flujo calorfico y el cambio del tipo de ecuacin bajo determinadas condiciones. Necesidad de resolver algunos problemas tridimensionales.
Desarrollo de la teora de esquemas en diferencias, el cual permite proponer
principios fundamentales para su construccin; por ejemplo, el carcter conservativo, es decir, el cumplimiento de los anlogos en diferencias de las leyes
de conservacin. Generalmente se utilizan esquemas en diferencias implcitos y mtodos iterativos de resolucin de las ecuaciones lineales surgidas.
- - l ~ ~ por
Creacin de computadoras con una velocidad de l ~ ~ operaciones
segundo. Aparicin de paquetes de programas aplicados con un volumeii
de 1 0 ~ - 1 0operadores,
~
y la vinculacin para su creacin de especialistas en
programacin de sistemas. Posibilidad de realizar clculos en rgimen de
dilogo. Grfica computacional en blanco y negro, la cual permite construir
proyecciones espec$cas y lneas de nivel de las distribuciones de temperatura.
15
Etapa moderna. En los problemas tecnolgicos surge la necesidad del clculo de una cantidad enorme de construcciones tridimensionales complejas.
Aparicin de computadoras con velocidades del orden de l o l l - 1 0 ~ ~operaciones por segundo accesibles a cientficos e ingenieros. Esquemas en
diferencias adaptados a la solucin. Renacimiento de los mtodos directos
de resolucin de ecuaciones lineales con matrices ralas. Aparicin de una
generacin nueva de algoritmos destinados a la realizacin de clculos
paralelos mediante sistemas multiprocesador y transputadoras. Creacin de
paquetes de programas aplicados, accesibles mediante redes computacionales a un crculo amplio de ingenieros. Posibilidad de realizar clculos de
construcciones nicas teniendo en cuenta un conjunto de procesos fsicos
(entrada del Shuttlea la atmsfera, clculo calorljFico de los motores de los
cohetes, etctera). Grfica computacional en colores; creacin de pelculas
en computadoras, las cuales permiten seguir la dinmica de un proceso.
Futuro cercano. Posibilidad de construir sistemas computacionales ~intelectuales., de realizar clculos calorficos que, a partir del problema planteado
y de los clculos anteriores, elijan el modelo matemtico y el algoritmo
numrico. Utilizacin de sistemas computacionales con alto grado de paralelismo como, por ejemplo, autmatas celulares que simulan los procesos
calorficos, as como sistemas neuronales capaces de sacar conclusiones a partir de la experiencia almacenada. Posibilidad de encargar a la computadora
el problema de la representacin adecuada de los resultados de los clculos.
Realizacin, en una serie de casos, de los clculos calorficos en tiempo real,
con el fin de optimizar los procesos tecnolgicos. Grandes posibilidades de
resolucin de problemas inversos, que permiten sintetizar campos calorrjTcos
con la configuracin deseada.
Jerarqua de los modelos simplificados

El trabajo en grandes proyectos relacionados con tales reas como la fsica
computacional del plasma, la hidrodinmica, el clculo de centrales atmicas
elctricas y el anlisis a gran escala de los procesos ecolgicos, permitieron
formular el concepto de jerarqua de modelos simplificados.
En la poca de establecimiento del experimento computacional pareca
que el estudio de un sistema complejo era anlogo al proceso de armar un
rompecabezas. Por ejemplo, durante el estudio de la biosfera, a un grupo
de investigadores se le puede encargar la construccin del modelo de la
atmsfera, a otro grupo, el modelo del ocano, y a un tercero, la biocenosis de
la tundra. Despus estas piezas-bloques se unen en un todo, obtenindose,
conforme a esta idea, un modelo perfecto. El fracaso de varios proyectos
grandes de esta clase mostr que este enfoque no es correcto. Generalmente
se obtienen resultados cuya interpretacin no es clara.
16
Captulo 1
Por eso, se debe proceder de otro modo. Primero se eligen los procesos
claves que desempean el papel principal en el fenmeno estudiado y en
las escalas espacio-temporales dadas. Despus se construye un modelo ms
simple, el cual tiene una regin menor de aplicabilidad y considera un
nmero menor de factores. Este procedimiento contina hasta que no se
obtenga el modelo elemental, cuyo comportamiento ya es comprensible.
Slo despus de estudiar y comprender el modelo del nivel inferior, es que
se puede pasar al nivel inmediatamente superior.
Se puede decir que el logro principal y el objetivo fundamental de
las investigaciones durante la resolucin de los problemas complejos es la
construccin de la jerarqua de modelos simplificados. En particular, se debe
establecer cul nivel del modelo es se debe utilizar en uno un otro caso. Por
ahora, casi todas las jerarquas construidas estn relacionadas con sistemas fsicos. Se estn construyendo jerarquas en una serie de campos de la qumica
y la economa matemtica. Este problema se plantea tambin en la biologa.
Un rasgo notable de la jerarqua de modelos simplificados es la
existencia de modelos matemticos bsicos, es decir, de objetos matemticos
cuya investigacin permite construir de manera efectiva y estudiar grandes
clases de modelos diferentes. Se puede decir que, a menudo, los modelos
bsicos se parecen a los cubos de juguete: con su ayuda se construye
la descripcin de los fenmenos concretos. Es importante subrayar dos
hechos fundamentales aclarados en los ltimos veinte aos. El primero
es que existen pocos modelos matemticos bsicos. Se pueden construir
modelos matemticos no-lineales extremadamente simples, pero profundos
y con un gran contenido. El segundo hecho es que con la ayuda de stos
modelos fue posible predecir fenmenos de la naturaleza decconocidos, sin
pasar por todos los escalones de la jerarqua relacionados con el
tener
detallamiento y la complejizacin de la descripcin matemtica.
La profundidad y universalidad de los modelos matemticos no-lineales
ms simples se han convertido en la base para la creacin de enfoques
interdisciplinarios.
Simulacin de La dinmica de poblaciones

Lo expuesto anteriormente se refiere a los grandes proyectos cientficos,
en los que trabajan grupos numerosos de investigadores. Sin embargo,
esto tambin es vlido a nivel microscpico, durante la resolucin de
problemas pequeos.
La gran mayora de los especialistas dedicados a la simulacin de
procesos no-lineales tropieza precisamente con esta situacin. Ante ellos
surge el problema del anlisis de un sistema concreto fsico, qumico, tcnico
o cualquier otro. Es necesario determinar los rasgos ms importantes del
17
.-
fenmeno analizado, hallar las caractersticas cuantitativas de los procesos

modelados, describir matemticamente el sistema. Y despus utilizar el
modelo construido para la resolucin de los problemas de pronstico,
optimizacin, etctera.
El investigador casi siempre cuenta con una computadora personal,
generalmente mucho ms potente que las que estaban al alcance de los
miembros de los primeros proyectos nucleares o csmicos. l mismo tiene
que elaborar los modelos, elegir los algoritrnos, crear los programas o
utilizar los programas disponibles.
Lamentablemente, a menudo la estrategia elegida consiste en tomar un
modelo cuyas propiedades no han sido totalmente comprendidas, y utilizar
algn software estndar sin pensar en los algoritmos. Este enfoque raras
veces conduce al xito y casi nunca proporciona una idea clara de los
procesos estudiados, lo cual, a propsito, es uno de los objetivos principales
de la investigacin.
El modelo construido debe estar en concordancia con los datos disponibles y con las preguntas, cuyas respuestas se espera obtener con ayuda
del modelo.
Para aclarar estas afirmaciones generales podemos citar un ejemplo
concreto, relacionado con la simulacin de la dinmica de poblaciones. Esto
es un objeto de investigacin muy conocido, el cual se simula y analiza
frecuentemente en relacin con el estudio de problemas ecolgicos.
Imaginemos a un investigador principiante, al cual le proponen construir un modelo matemtico y hacer un pronstico de desarrollo de cierto
ecosistema.
Por regla general, despus de una consulta bibliogrfica, de estudiar las
investigaciones anteriores y de conversar con los expertos, surge la tentacin
de construir un modelo serio, suficientemente completo.
El modelo puede tener, por ejemplo, la forma
--
Aqu, u,, ... ,u, pueden representar el tamao poblacional o la biomasa

de diferentes especies. Los trminos D,Auk, donde A es el operador de
O2
O2
+
-, describen la movilidad o capacidad de migracin de
az2 a g 2
Laplace -
dichas especies. L ~ funciones

S
no-Uneales fk caracterizan la interaccin entre
las especies. La magnitud de retardo T~ muestra cun inercia1 es el sistema.
Esta magnitud puede estar determinada, por ejemplo, por el perodo de
Captulo 1
18
preez de alguna especie, y de este modo, reflejar la estructura de la

poblacin por edades. La magnitud rk puede describir la situacin en la
que la mayora de los recursos son consumidos no por todos los individuos,
sino por los que tienen edad r, y entraron en vigor. El sistema de
ecuaciones se debe resolver en la regin G correspondiente al hbitat
considerado con frontera T. Es necesario complementar el problema (1.1)
con condiciones iniciales hk(F),correspondientes a cierto estado conocido
del sistema, y condiciones de contorno vk(t), las cuales muestran cmo el
objeto estudiado interacciona con el entorno.
Este modelo es muy general y, en principio, puede describir una
clase enorme de fenmenos, desde una invasin de langostas hasta la
dinmica de una poblacin de peces en un depsito de agua. Tambin
describe adecuadamente las cadenas trficas, las cuales desempean un papel
importante en la ecologa. En su tiempo Darwin not la existencia de una
relacin entre las cosechas de trbol en las aldeas inglesas y el nmero de
gatos de los pobladores. No es difcil construir el modelo (1.1)de modo que
refleje esta interrelacin.
Generalmente, la creacin de modelos tipo (1.1)inspira un profundo
respeto a los especialistas que no se dedican a la simulacin matemtica.
El asunto radica en que hay que tener razones muy fuertes para utilizar
semejante descripcin matemtica. En primer lugar, si queremos considerar
la distribucin espacial de las poblaciones, necesitamos la informacin sobre
el tamao poblacional de las especies estudiadas en los diferentes sectores
de la regin (esta informacin usualmente no est disponible). En segundo
lugar, es necesario pensar cmo se definirn las funciones f,, . ,f,, y los
coeficientes Dlr .. . ,Dm,T,,
,T . , a partir de los datos experimentales.
En muchos casos, esto constituye un problema muy complejo.
En tercer lugar, sobre el comportamiento cualitativo de las soluciones
de los sistemaTeTcliacoes tipo (1.1) se sabe muy poco.- La experienciaacumulada tiene que ver principalmente con los casos cuando se tienen
slo dos especies (m = 2) y no hay retardo. Las ecuaciones no-lineales con
retardo son uno de los objetos ms complejos en la simulacin moderna.
Por ejemplo, la ecuacin de Hufchinson
...
..
P
P
es un modelo aparentemente elemental, mas su anlisis es muy difcil.

Esta ecuacin es difcil de analizar tanto si se utilizan mtodos numricos como si se recurre a mtodos asintticos para valores grandes del
parmetro a.
Por eso, al considerar la ecuacin (1.1) podemos tropezar con un
comportamiento inslito de las soluciones y con dificultades matemticas.
Es necesario superar todo esto para poder analizar un sistema ecolgico
concreto?
19
La respuesta a esta pregunta suele ser la parte ms importante y difcil

del trabajo. Al responder a ella -con ayuda de los expertos- es necesario
aclarar qu se puede despreciar y qu constituye algo clave.
Por ejemplo, si tenemos una idea del tamao poblacional en total, pero
no poseemos datos ni de su distribucin espacial ni de su estructura por
edades, entonces lo ms razonable es considerar el sistema de ecuaciones
diferenciales ordinarias
Si lo ms importante son las interacciones entre dos especies, por ejemplo,

depredadores y presas, entonces el sistema se puede simplificar an ms:
u = f (u, v),
v = $(U, v).
Este objeto est perfectamente investigado. Algunas de las propiedades

de tales modelos se discutirn en el captulo 8. Estas ecuaciones pueden
describir las oscilaciones peridicas de los tamaos poblacionales de las
especies, lo cual proporciona una interpretacin clara, o bien permiten pasar
a dicho rgimen.
Por otra parte, si hay al menos tres especies, ya' pueden surgir oscilaciones no-peridicas caticas. En este caso podemos mencionar ejemplos
particulares de tal comportamiento en sistemas concretos, pero no exponer
una teora clara y acabada. Por supuesto, estos modelos quedan justificados
siempre que conozcamos o podamos averiguar los tamaos poblacionales
de las especies que figuran en la ecuacin para el sistema real simulado.
Finalmente, puede resultar que nosotros conocemos el tamao poblacio: .
nal de slo una especie, pero esta especie es, precisamente, la determinante.
Si, adems, lo fundamental para esta especie no es la interaccin con otras
especies, sino la seleccin intraespecgca, entonces surgirn ecuaciones del tipo
--
Tanto este modelo como muchos otros objetos de la misma clase permiten
un estudio analtico detallado. Ellos sern tratados en los captulos 4, 5 y 6. .
La ecuacin (1.5) no puede describir, por ejemplo, las oscilaciones
peridicas del tamao poblacional. Si tales oscilaciones tienen lugar y son
fundamentales en el anlisis, entonces es necesario volverse atrs y precisar
el modelo. La ecuacin (1.5) puede describir cmo con el transcurso del
tiempo el tamao poblacional alcanza un valor constante, determinado por
los recursos de la regin. Sin embargo, puede ser que nos interese cmo
crece la poblacin de una especie que ocupa un nuevo nicho ecolgico,
Captulo 1
20
-
y \no los procesos a largo plazo. Entonces, obtenemos un modelo lineal

elemental, la ecuacin de Malthus:
U
= au.
(1.6)
Existe otra forma de simplificar el modelo. Si se calcula el tamao

poblacional, por ejemplo, una vez al ao, entonces es razonable pasar del
tiempo continuo t al tiempo discreto n, y de las ecuaciones diferenciales a
las aplicaciones. Por ejemplo, al analizar una situacin biolgica concreta, el
bilogo Robert May utiliz la llamada funcin o aplicacin logstica
la cual result ser un objeto matemtico asombrosamente interesante.

Su anlisis permiti responder a una serie de preguntas fundamentales
de las ciencias naturales modernas y exigi grandes esfuerzos. Sobre
tales objetos, denominados aplicaciones unidimensionales, se tratar en el
captulo 7. Para ellos ha sido construida una teora general profunda.
Una modificacin pequea de la ecuacin (1.7) (el paso al anlogo
discreto elemental de la ecuacin de Hutchinson),
nos conduce a las aplicaciones bidimensionales. Sobre tales aplicaciones

se sabe mucho menos; ellas estn siendo estudiadas intensivamente en la
actualidad.
As pues, incluso al nivel microscpico, ante los investigadores se
abre todo un horizonte de posibilidades, donde es necesario elegir el nivel
en el que se describir el sistema y el lenguaje matemtico a utilizar. Una
nocin sobre estas posibilidades se presenta, precisamente, en los cursos de
simulacin matemtica y dinmica no-lineal.
v-
Simulacin blanda y fenmenos no-lineales. En los ltimos tiempos se

est prestando cada vez ms atencin a una direccin en las investigaciones
que se suele denominar simulacin blanda. En la hidrodinmica, la mecnica
cuntica y la teora de la elasticidad se conocen leyes que determinan la marcha de los fenmenos estudiados, y el problema se reduce frecuentemente
a la obtencin de efectos particulares concretos de las leyes generales. En la
psicologa, la sociologa, la historia y muchos otros campos, los intentos de
bsqueda de una descripcin matemtica efectiva apenas estn siendo iniciados. A menudo, aqu es importante comprobar una u otra hiptesis. Por eco
es que la atencin principal se centra generalmente en los efectos cualitativos.
Los modelos de la dinmica no-lineal pueden desernpefiar el papel
de objetos elementales que ilustran el comportamiento cualitativo deseado.
Con esto estn relacionados, por ejemplo, la utilizacin amplia de los
modelos de la teora de catstrofes, los sistemas dinmicos en el plano y
21
.las aplicaciones unidimensionales -analizadas en este libro- al describir
diversos fenmenos en la economa, la medicina, y al analizar las catstrofes
naturales y tecnognicas.
Adems, los modelos no-lineales conocidos surgidos en un campo,
a veces se pueden utilizar como una especie de bloques (((cubosde juguete.)
en otras disciplinas.
Veamos un ejemplo tpico. Uno de los logros experimentales ms
importantes en la ciencia del siglo XX fue el descubrimiento de B. P. Belosov
de las reacciones qumicas oscilantes. Esto trajo consigo la construccin de
los modelos matemticos correspondientes, cuyo anlisis condujo a la
hiptesis del caos qumico, es decir, de las reacciones qumicas oscilantes
con comportamiento catico. El. profesor Otto Rossler propuso modelos
hipotticos de reacciones en los que es posible el caos.
Ms tarde se demostr que, con una pequea modificacin, estos
modelos permiten describir las epidemias de una serie de enfermedades.
Y hace poco tiempo A. Yu. Andryev y M. 1. Levandovski propusieron utilizar
un sistema similar para describir los movimientos huelgusticos. El modelo
propuesto tiene la forma
x = m ( ~ x- ) - ~ X Z ,
donde N es el nmero total de obreros, X es el nmero de obreros que no

estn informados sobre la huelga, Y es el nmero de obreros que estn de
acuerdo con la huelga, pero .no realizan un trabajo de agitacin activo, Z es
el nmero de obreros agitadores y W , el nmero de obreros que se niegan
a continuar la actividad huelgustica despus de un paro.
Resulta que este modelo proporciona una descripcin satisfactoria del
movimiento huelgustico en la provincia de Vladrnir durante 1895-1905. As
pues, un modelo nacido en un campo result ser suficientemente universal.
Esta situacin no es rara en la simulacin blanda.
En el establecimiento de la dinmica no-lineal desempearon un papel fundamental

los libros:
Nicolis G., Prigogine 1. Self-Organization in Nonequilibrium Systems. John Wiley
1977;
Haken H. Synergetics. Springer-Verlag, 1983.
Diferentes enfoques de construccin de los modelos matemticos de cisternas
complejos se analizan en los libros:
22
Captulo 1
5amarski A. A., Mijilov A. P. Simulacin matemtica: ideas, mtodos, ejemplos

(en ruso);
Moisiyev N. N. Problemas matemticos de anlisis sistmico (en ruso);
Krasnoschkov P. S., Petrov A. A. Introduccin a la simulacin matemtica
(en ruso);
Krasnoschkov P. S., Petrov A. A. Computadoras, modelos, experimento computacional (en ruso).
Para formarse una idea de la variedad de procesos no-lineales y sus modelos
matemticos se pueden visitar los sitios
www.ke1dysh.r~;
www.spkurdyumov.narod.ru.
Entre los modelos matemticos elementales de la dinmica no-lineal se pueden incluir
los modelos que describen los sistemas disipativos mediante ecuaciones diferenciales
ordinarias. Estos modelos pueden ser considerados como el desarrollo, en un nivel
nuevo, de la teora de oscilaciones. En muchos casos tales investigaciones estn
relacionadas con el caos dinmico. Este crculo de problemas se analiza en los libros:
Schuster H. G. Deterministic Chaos. An Introduction. Physik Verlag, 1984;
e Neimark Yu. I,, Landa P. S. Stochastic and Chaotic Oscillations. Kluwer Academic
Publishers, 1992;
Rabinovich M. l., Trubetskov D. 1. Oscillations and waves in linear and non-linear
systems. Kluwer Academic Publishers, 1989;
Anschenko V. S. Oscilaciones complejas en sistemas simples (en ruso);
Dmfriev A. S., Kislov V. Ya. Oscilaciones estocsticas en la radiofsica y la
electrnica (en ruso);
Loskutov A. Yu., Mikhailov A. S. Foundations of Synergetics. Springer, 1996.
Un anlisis ms simple de estos problemas se propone en los libros:
Moon E C. Chaotic Vibrations: An Introduction for Applied Scientists and
Engineers. Wiley, 1987;
Bergs l?, Pomeau Y., Vidnl C. Order within Chaos: Towards a Deterrninistjc
Approach to Turbulence. Wiley 1987.
La dinmica no-lineal desempea un papel importante en el anlisis de los sistemas
qumicos y biolgicos. Las nociones sobre esta direccin se dan en los libros:
Romanovski Yu. M., Sfepnova N. V., Chernavski D. S. Biofsica matemtica
(en ruso);
Murray J. D. Lectures on Nonlinear Differential Equation Models in Biology
Clarendon Press, 1977;
Gurel D., Gurel O. Oscillations in Chemical Reactions. Springer-Verlag, 1983.
Sobre el problema energtico, la cosmomicrofsica y otros superproblemas,en cuya
solucin desempea un papel esencial la simulacin de los fenmenos no-lineales,
se expone con ms detalle en los libros:
Bsov N. G., Liebo 1.G., Roznov V B. Fsica de la fusin termonuclear por lser
(en ruso);

o
23
Jlpov M. Yu. Cosmomicrofsica. Editorial URSS, 2005;

Moisiym N. N. La matemtica plantea un experimento (en ruso).
El material de este libro corresponde aproximadamente a un curso semestral,

acompaado de seminarios. Un posible curso anual se propone en el tratado:
Malinietski G. G. Modelos bsicos e ideas claves de la sinergtica (en ruso).
Un pequeo manual de problemas y ejercicios resueltos de dinmica no-lineal se
contiene en el compendio Lo nuevo en la sinergtica~,cuya versin en ingls
aparece en la revista:
Intemational Journal of Fluid Mechanics Research, 1995, V. 22, N? 5, 6.
Una nocin sobre los problemas filosficos que surgen en relacin con la utilizacin
amplia de las computadoras en las investigaciones cientficas y con el estudio de los
fenmenos no-lineales, se encuentra en los libros:
Prigogine l., Stengers l. Tiempo, caos, cuanto: sobre la solucin de la paradoja
del tiempo. Editorial URSS, 2003 (en ruso);
Knizieva E. N.,Kurdimov S. P. Fundamentos de la sinergtica. Regmenes con
explosin, autoorganizacin, tempo-mundos (en ruso);
e Penrose R. La nueva mente del emperador. Mondadori, 1991.
Sobre los superproblemas de la ciencia moderna y el papel que desempea la
dinmica no-lineal en su resolucin se puede leer en los libros:
0 Kapifsa S. P., Kurdimov S. P., Malinietski G.G. La sinergtica y los pronsticos
del futuro. Editorial URSS, 2005 (de inminente edicin en espaol en nuestra
editorial);
o Lo nuevo en la sinergtica: una mirada al tercer milenio (bajo la red. de S. P. Kurdimov y G. G. Malinietski (en ruso).

Las ecuaciones lineales son muy importantes.
Son tan importantes, que los fsicos e ingenieros
invierten, quizs, la mitad de su tiempo en la
resolucin de ecuaciones lineales.
R. Feynman
Antes de ocuparnos de los fenmenos no-lineales y su simulacin, veamos

algunos ejemplos de modelos lineales y los respectivos mtodos de anlisis.
Esto nos permitir comprender a qu tendremos que renunciar al pasar a
la construccin y estudio de los modelos matemticos no-lineales.
Hasta hace poco las ecuaciones lineales (algebraicas, diferenciales,
integrales) eran los instrumentos principales de la fsica terica.
Una ecuacin lineal homognea se puede representar en forma simblica como Lu = O, donde L es un operqdoy lineal y u, una funcin
incgnita. La linealidad significa que %(u ++VI = LU Lv, L'(&u)= QLU,
doride cr es una constante. Para tales ecuaciones es vlido el principio
de superposicin: si u, y u, son soluciones de la ecuacin Lu = 0,
entonces su combinacin lineal au, Bul2, donde a y P son constantes, tambin es solucin de dicha ecuacin. En efecto, Lu, = 0,
Lu, = O + .L(cru, +pu2)= L(auI)+L(Pt.4,) = aLuI +PLu2 = O. El principio .
de superposicin permite resolver de manera efectiva las ecuaciones lineales
no-homogneas Lu = f , donde la funcin f no depende de u.
Durante la resolucin de un gran conjunto de los ms diversos problemas es suficiente resolver ecuaciones lineales. El papel de estas ltimas es
realmente grande. En relacin con esto surgen varias preguntas. Por qu es
tan grande el nmero de modelos matemticos lineales en los ms diversos
campos de la ciencia, desde la astrofsica y la biologa hasta la fsica del plasma y la teora de la elasticidad? Por qu los modelos lineales de la mecnica
cuntica, la hidrodiniimica, la electrodinmica y la ptica desempearon un
papel clave en el establecimiento de las ciencias naturales modernas? Cul
es la causa de la efectividad asombrosa de los modelos lineales?
Nosotros daremos dos respuestas a estas preguntas interrelacionadas
y citaremos una serie de ejemplos que confirman dichas respuestas e ilustran
los mtodos principales de investigacin de las ecuaciones lineales. La esen-
'

.-
25
cia de la primera respuesta se reduce al hecho de que las ecuaciones lineales

reflejan adecuadamente muchos fenmenos de la naturaleza. La esencia de
la segunda respuesta, ms formal, consiste en que la popularidad de las
ecuaciones lineales est relacionada con la existencia de un aparato matemtico efectivo, el cual se viene desarrollando activamente en los ltimos
doscientos aos. Nuestros argumentos pueden formularse cmodamente en
forma de algunas tesis. Para confirmar cada una de ellas, citemos algunos
ejemplos simples.
1. Muchas de las dependencias existentes entre las distintas magnitudes
que caracterizan una serie de fenmenos naturales, son lineales
r En efecto,
veamos con los ojos de un matemtico la ley de Ohm, la cual
(-i,n,!+$~
relaciona la fension '"V aplicada a un conductor, la corriente I que circula
por ste y su resistencia R. Es natural suponer que exista cierta dependencia
I = f (V), f (O) = O. La ltima igualdad es evidente: si no se aplica tensin,
:B
no hay corriente. Desarrollando esta funcin en una serie de Taylor en el

punto V = O, obtenemos
Cuando AV
dI(0)
-+ O se puede dejar el primer termino AV, y llamar al
dV
1
dw)
nmero - conductividad - y al coeficiente R, resistencia. En qub
dV
R'
radica, entonces, la esencia de la ley de Ohm, si todo lo qiie hemos hecho
es vlido para cualquier funcin diferenciable f (V)? La esencia de esta ley
radica en que para un intervalo muy grande AV y para muchos conductores, el
dI(0)
trmino -AV es mucho mayor que el resto de los trminos de la serie.
dV
o Otro ejemplo es la ecuacin de Cchrodinger, la cual determina la
variacin de la densidad de probabilidad de hallar una partcula en el
tienipo y el espacio. En el mundo de los procesos atmicos, en algunos
casos es cmodo considerar la luz como un flujo de partculas (cuantos) y
en otros casos, como una onda electromagntica. Como dicen los fsicos,
tiene lugar la dualidad onda-partcula)). En 1924, Louis De Broglie enunci
u i ~ ahiptesis que permite considerar en el marco de un enfoque nico las
propiedades ondulatorias y corpusculares de los objetos del micromundo.
A finales del siglo XIX, Hamilton prest atencin a la analoga existente
entre la ptica geomtrica y la mecnica clsica. Resulta que las leyes
fundamentales de estas teoras se pueden representar matemticamente
de formas idnticas, con la particularidad de que al movimiento de una
partcula material en un campo V(x, y, t.) le corresponde la propagacin
de un rayo de luz en un medio no-homogneo con cierto ndice de
refraccin p(x, y, t.). Sin embargo, cuando la longitud de la onda d e luz no
26
Captulo 2
se puede despreciar, como en el caso de la interferencia o la difraccin, es

necesario pasar de la ptica geomtrica a la ondulatoria. De Broglie supuso
que era necesario ampliar la analoga y crear una mecnica ondular que
describiera los fenmenos del micromundo.
La onda plana elemental, la cual describe las oscilaciones en el espacio
con frecuencia w y vector de onda k (perodo respecto al espacio.) est
determinada por la frmula
$(x, t ) = exp {ikx - iwt).
Conforme a la hiptesis de DeBroglie, para explicar la difraccin de los
electrones, la interferencia de las microparticulas y muchos otros fenmenos, a esta onda se le debe hacer corresponder el movimiento de una
partcula con energa E = tu y cantidad de movimiento p = tik, donde
h = 1,054
erg s es la constante reducida de Planck, la cual caracteriza
las propiedades de nuestro Universo. Sustituyendo la expresin para E y p
en la frmula de la onda progresiva, obtenemos la funcin de onda para
una partcula con energa E y cantidad de movimiento p:
q(x,t) = exp { i i x - i f t } .
Por consiguiente, en este caso particular,
d
Aqu el valor propio del operador lineal ih- es la energa E, y el del
dt
li d
operador 7 - es la cantidad de movimiento p. Como funcin propia
z dx
interviene en ambos casos la funcin de onda @(x,t). Los creadores de
la mecnica cuntica supusieron que en el caso general se puede hacer lo
mismo: asignarle a las magnitudes fsicas observables los valores propios
de operadores lineales.
Consideremos una partcula material de masa m, energa E y cantidad
de movimiento p que se mueve en un campo con potencial V(X, y, Z) que
depende de las coordenadas espaciales X, y, z . La energa potencial de la
partcula es igual a V(x, y, z ) y su energa cintica es igual a p2/2m.
De acuerdo con la ley de conservacin de la energa
Para obtener el anlogo ondular de esta ecuacin, sustituyamos la energa

d
por el operador ih-; en lugar de p = p: py
tomemos el operador
dt
+ +p i
27
z -h2*, donde A es el operador di Laplace, y en

lugar de V(X,y, z), el operador de multiplicacin por V(x, y, z).
Esto nos proporciona la ecuacin fundamental de la mecnica ondular
o cuntica, denominada ecuacin de Schrodinger:
Esta ecuacin describe el movimiento de una partcula en un campo dado

y la evolucin de la funcin de onda compleja +. La probabilidad P(G, t)
de que la partcula se encuentre en un instante t en cierta regin G , est
determinada por el cuadrado de la amplitud de la funcin. de onda:
donde el asterisco (*) indica la conjugacin compleja. Por cuanto en todo

instante la partcula se encuentra en algn lugar del espacio, la probabilidad
total P(t) de hallar la partcula en algn lugar debe ser igual a la unidad.
Por eso, se debe cumplir que
El problema (2.1) y (2.2) junto con las condiciones iniciales
describe la evolucin de la funcin de onda $(F, t ) si se conoce la funcin

de onda %(?) en el instante inicial.
Supongamos que los datos iniciales se han elegido de modo que
cualquier medicin puede proporcionar solamente un valor de la energa
de la partcula. Entonces,
a@= E$.
ih-
dt
La solucin de esta ecuacin lineal es la funcin exponencial
Sustituyendo en la ecuacin (2.1), obtenemos el problema de valores propios
Captulo 2
28
Los valores propios En determinan cules son los valores de la energa que
puede tomar una partcula que se mueve en este potencial. Las funciones
propias p, correspondientes indican la probabilidad de descubrir una
partcula en diferentes puntos del espacio. Por cuanto
esta probabilidad no depende del tiempo.

Subrayemos que esta ecuacin no se dedujo de ningn modelo rnatemtico, sino que fue descubierta.
Resolviendo la ecuacin de. Schr~dingerpara el potencial de Coulornb
V -1/r, se pueden hallar los niveles energticos del tomo de hidrgeno.
En particular, se obtienen resultados que concuerdan con las observaciones
experimentales con una precisin enorme. As pues, en la base de una de
las teoras fsicas ms profundas y efectivas, la mecnica cuntica, yace un
modelo matemtico lineal: la ecuacin de Schrodinger.
N
2. Para una serie de problemas en los que no se requiere una precisin muy
elevada, o bien Las acciones sobre el sistema estudiado son pequeas,
es posible Limitarse a ecuaciones lineales
Ejemplo 1. Ecuacin de conduccin de calor. Un modelo clsico de la fsica

matemtica es la ecuacin de conduccin de calor
Esta ecuacin se obtiene a partir de la ley de conservacin de la energa y de la ley de

Fourier, segn la cual el flujo de calor W OT/ax. Supongamos que la perturbacin
inicial T ( x ,O) = To(x) est dada ei una regin acotada del espacio. Entonces,
como se puede verificar, en el instante inicial la temperatura se hace diferente de
cero en todo el espacio, es decir, la velocidad de propagacin de la sefial resulta
infinita, lo cual contradice las nociones fsicas fundamentales. Pero para valores
grandes de x la funcin T(z,t ) es pequea. Si la precisin que queremos en la
respuesta es tal que estos valores ano-fsicos son admisibles, entonces el modelo es
aceptable. En caso contrario debemos modificarlo partiendo de las particularidades
del problema analizado. En una serie de modelos de la fsica del plasma y de la
dinmica de gases, a veces se toma el coeficiente de conductividad calorfica como
una funcin de la temperatura, k = k(T),lo cual transforma el modelo en un modelo
no-lineal. Por ejemplo, si k ( T ) = koTu,o > 1, entonces la temperatura T ( z ,t ) puede
ser diferente de cero en cada instante e610 en una regin acotada del espacio.
La velocidad de propagacin de la perturbacin ser finita.
N
Ejemplo 2. Ecuacin de onda. Una de las ecuaciones fundamentales de la fsica

matemtica clsica es la ecuacin de onda, la cual describe Ias oscilaciones de uia
cuerda:
29

.-
Esta ecuacin simula no slo ondas que se propagan por una cuerda, sino
tambin la propagacin del sonido en un medio (aproximacin acstica).
En particular, de esta ecuacin se deduce que, independientemente de cun
grande sea una perturbacin, sta se propaga con velocidad constante c. Evidentemente, esto es as slo si las perturbaciones son pequeas. Para analizar una
perturbacin de amplitud suficientemente grande, en el primer caso se debe considerar el estiramiento y la variacin de la tensin de la cuerda. Esto conduce a la
aparicin de trminos del tipo (u,)*.Para el caso de las ondas de sonido de amplitud
grande, es conocido el efecto fsico de surgimiento de otidas de clzoque. La velocidad
de la ondas de choque depende ya de la intensidad de la perturbacin.
Si la accin sobre el medio es grande, entonces hay que renunciar al modelo
lineal (a las ecuaciones de la acstica), y considerar un objeto ms complejo: las
ecuaciones de la dinmica de gases.
3. Para las ecuaciones lineales es vlido e l principio de superpooiciDn,

Lo que permite confeccionar la solucin del problema lineal dado
a partir de las soluciones de problemas lineales ms simples
Ejemplo 1. lgebra lineal. El objeto ms simple en este campo de la matemtica es

la ecuacin lineal
a2 = b.
Para a f O, la ecuacin lineal tiene una nica solucin; para a = O, b = O, tiene

infinitas soluciones, y para a = O, b # O, no tiene solucin.
Consideremos un sistema de ecgaaciones lineales
-e
donde A es una matriz y 5,b son vectores. Elijamos una nueva bace
Z = Sf, b = SE En esta bace,
ASij = SC
tal que
S-' AS$ r .D#= c.

3
Canforme a uno de los recultadoc~fundameritalesdel. lgebra lineal, en caco de que

la matriz A tenga valores propios reales y diferentes, la base 4 se puede elegir de
tal manera que la matriz D ser diagonal, es decir,
Pero en esta base nosotros obtenemos ecuaciones del tipo
es decir, del mismo tipo que la ecuacin az = b, la cual sabemos resolver. As pues,
un problema complejo se desintegr6 en una serie de problemas simples.
Ejemplo 2. Ecuaciones diferenciales ordinanbs. Consideremos dos modelos simples,
pero muy tiles, relacionados con las ecuaciones diferenciales ordinarias.
Captulo 2
Modelo matemtico de desintegracin radiactiva. Un conjunto de experimentos relacionados con el estudio de la desintegracin radiactiva permiti establecer
lo siguiente. El cociente del nmero de tomos que se desintegran por unidad de
tiempo y el nmero total de tomos, es una magnitud constante que depende slo
del tipo de tomo. Este cociente 7 se denomina probabilidad de desintegracin. Aqu
se supone que el nmero total de tomos es muy grande.
Denotemos mediante N (t) el nmero de tomos que an no se han desintegrado
en el instante t . En el instante t dt este nmero es igual a N(t dt). As, durante
el tiempo dt se desintegran N() - N(t dt) tomos y por tanto,
N(t) - N(t dt)

dN
3
= --?N.
N dt
dt
Esta ecuacin, junto con las condiciones iniciales N(0) =.No, permite hallar el
nmero de tomos en los instantes posteriores:
Clculos simples permiten establecer que el perodo de semidesintegracin (es decir,

el tiempo durante el cual se desintegra la mitad del nmero inicial de tomos)
es In 217. Adems, se puede verificar de que 117 es el tiempo de vida medio de un
tomo. Como era de esperar, N($)
-t O cuando t -+ OO.
Modelo elemental de crecimiento de una poblacin. Analizando problemas

relacionados con el crecimiento de las poblaciones, Thomas Malthus supuso que,
eii ausencia de factores limitantes, la velocidad de crecimiento dN/dt de una
poblacin es proporcional al nmero N de individuos de sta. El coeficiente de
proporcionalidad a recibi el nombre de coeficiente de Malthus. Esta suposicin
conduce al modelo siguiente:
De acuerdo con ella, la poblacin se

La solucin de esta ecuacin es N ( t ) =
duplica en un tiempo ln 210. Ntese que N(1) -+ oo cuando t -+ oo. Esto significa
que la regin de aplicabilidad del modelo es limitada: para valores grandes de N
se deben considerar los factores estabilizadores.
Sistemas de ecriaciones diferenciales lineales. Consideremos ahora el sistema

donde A es una matriz y Z es un vector. Elijamos una nueva base 6 tal que Z = S$.
Entonces,
S$=ASY
$=S-'AS~'
$=D$.
Al igual que en el ejemplo anterior, tomamos la transformacin S de tal manera que
la matriz D sea diagonal. Supongamos que, nuevamente, los valores propios de D
son reales y diferentes:
$k = xk~k, k = l,...,rA,
es decir, aqu tambi6n e1 problema i~iicialcomplejo se redujo a un conjunto
de problemas simples. Para Am > O obtenemos ecuaciones del tipo (2.7), las cuales
31
coinciden con el modelo de crecimiento de una poblacin. Para Xi < O las ecuaciones
obtenidas son anlogas a la ecuacin (2.6) que describe la desintegracin radiactiva.
Hemos analizado el caso cuando los valores propios Ar son reales y diferentes.
Recordemos el mtodo tradicional de. resolucin de un sistema de ecuaciones
diferenciales para este caso. Inicialmente se resuelve la ecuacin caracterstica
det 1A - XE 1 = O y se hallan sus races Al, .,A,. Despus, a partir del, sistema de
ecuaciones algebraicas lineales se hallan los vectores propios
correspondientes a
10s valores propios Xk :
A& =
A continuacin, se desarrolla la condicin inicial Z(0) respecto a los vectores
~ropios lo cual conduce nuevamente a la resolucin de un sistema de ecuaciones
algebraicas lineales para Ck:
..
&
&,
k=l
Seguidamente, utilizando el principio de superposicin, la solucin del sistema se

puede escribir en la forma
n
En otras palabras, tambin en el caso general se cumple el muy conocido principio
4. E l anlisis de la estabilidad de Las soluciones de problemas no-lineales

se reduce frecuentemente a La investigacin de ecuaciones Lineales
Ejemplo 1. Estabilidad de los puntos singulares de los sistemas dinmicos. Supongamos que nos interesa la estabilidad de la solucin estacionaria 2' de un sistema
de ecuaciones diferenciales no-lineales
$3 = f@).
(2.8) .
El vector 5' se denomina punto de equilibrio o punto singular si f ( Z * ) =: O. Analicemos
una desviacin pequea del punto singular Z(t) = S*+AZ(t).Despus de este cambio
de variables y de desarrollar en serie de Taylor, obtenemos
Aqu la matriz A = B ~ / O Zde elementos aij = B f i / 8 x j se denomina matriz de Jacobi

o jacobiano. En figuran los miembros no-lineales respecto a A s . En correspondencia
con el prinier mGtodo de la teora de estabilidad de Liapunov, si la matriz A no posee
ni valores propios con partes reales nulas, ni valores propios mltiples, entonces al
investigar la estabilidad de la solucin 5' se puede despreciar el resto G(Az) de la
serie. Elijamos una nueva base 6 tal que A 5 = S@. Entonces,
Al igual que en el ejemplo anterior, tomemos S de tal manera que la matriz D sea
diagonal. Esto conduce a las ecuaciones
32
Captulo 2
para las componentes del vector y' (yl, ...,y,). Para hacer ms ilustrativo el
mtodo, nos hemos limitado al caso cuando los valores propios Ak son reales y
diferentes. Sin embargo, en el caso de valores propios complejos (si la matriz no
tiene valores propios mltiples o nulos) tambin llegamos al objeto del ejemplo
anterior: u n sistema de ecuaciones diferenciales lineales A$ = AAZ. Es decir, aqu
tambin el problema se redujo a uno ms simple. Est claro que si la parte real de
al menos un valor propio Ai es mayor que cero, entonces y#) -t co si ~ ~ (#0 O,)
y la solucin Z* es inestable. Si Re Xk < O para k = 1,. . . ,n, entonces y k -t O para
k = 1, .. . ,n, y el estado de equilibrio es estable.
5. Algunas ecuaciones no-lineales importantes pueden ser reducidas a

ecuaciones lineales
Ejemplo 1. Ecuacin de Burgers. En algunos modelos matemticos, la densidad del
flujo de transporte u(x, t), como muchos otros procesos de la hidrodinmica, se
describe mediante la ecuacin de Burgers
u1
+ uu, = vu,,,
u(x, O) = uo(x),
-00
< x < m.
El trmino uu, describe la formacin de embotellami mi en tos, es decir, cuando

los automviles rpidos alcanzan a los lentos y ocurre un salto de la densidad u($, t).
El trmino vu,, asegura una altura finita del salto, la cual est condicionada por el
hecho de que los automviles no chocan unos con otros. El coeficiente v muestra
cun grande es la viscosidad* de tal sistema.
Hopf y Cole mostraron que mediante cierto cambio de variables u = -2v- (92
esta ecuacin se reduce a la ecuacin lineal de conduccin de calor y+ = v~,,.
cP
Ejemplo 2. Ecuacin de Korteweg-De Vries. En la teora de aguas poco profundas,

el movimiento de una clase grande de ondas es descrito por la ecuacin de Korteweg-
De Vries
+ uuz + u,,,
= o, -00 < x < 00, u(x, O) = u0(z).

Al principio esta ecuacin se resolva numricamente. Ms tarde se demostr que
ella posee un nmero infinito de leyes de conservacin. Finalmente, M. Kruskal,
J. Greene, C. Gardner y R. Miura crearon una tcnica denominada mtodo del problema
inverso de la teora de la dispersin. Esta tcnica permite reducir la ecuacin de
Korteweg-De Vries a una ecuacin integral lineal. Segn la expresin metafrica
de cierto matemtico, la frontera entre las ecuaciones lineales y no-lineales en su
tiempo fue trazada incorrectamente. Muchas ecuaciones que son no-lineales por su
forma, son lineales en su esencia.
'111
6. Conociendo las soluciones de problemas lineales es posible reducir

problemas complejos a problemas ms simples
Ya hemos visto cmo la investigacin de las ecuaciones diferenciales

lineales se reduce al anlisis de ecuaciones algebraicas. Conociendo la forma
de la solucin podemos tener xito al resolver muchos otros casos. Esto se
refiere en la misma medida a las ecuaciones lineales de la fsica matemtica.
33
.Ejemplo 1, Resolucin de un problema de contorno para la ecuacin de conduccin

de calor. Hallemos las soluciones particulares de la ecuacin de conduccin de calor
que satisfacen las condiciones de contorno Tx(O,t) = Tx(l,t) = 0.

Las soluciones ms simples de las ecuaciones en derivadas parciales son
las soluciones que conservan su forma, conocidas como soluciones autosemejantes
T = f (x)g(t).La funcin f (x) determina la forma y g(t), la amplitud de la solucin.
Generalmente, para resolver esta ecuacin se sustituye T = f (x)g(t) en la ecuacin
y se utiliza el mtodo de separacin de variables:
As pues, la suposicin de la autosemejanza proporciona directamente la posibilidad

de construir un nmero infinito de soluciones particulares. Sin embargo, sabiendo
que las soluciones de las ecuaciones diferenciales lineales pueden ser funciones
exponenciales con exponentes reales o complejos, se puede buscar la solucin
directamente en la forma
T = e a x eBt ,
lo cual proporciona la misma respuesta,
T,(x,t) = exp
{ -n2m2t
z, ) (i),
nmx
cos
m = O. 1.2,...,
es decir, se poda haber actuado mucho mejor. El principio de superposicin permite

actuar exactamente como en el caso de la resolucin de un sistema de ecuaciones
diferenciales ordinarias lineales, es decir, buscar la solucin como una suma de
soluciones particulares:
00
T(X,t) =
CmTm(z, t);
00
00
CmTm(x,O) =
To(s)=
Cmcos
(y).
(2.12)
m=O
m=O
En la ltima igualdad se ha tenido en cuenta que para t = O la funcin T,(x, 0) coincide con cos
(y)
.
La ltima igualdad representa el desarrollo de la funcin To(z)
respecto al sistema de funciones
cos
(y)
).
~ q ulos
i coeficientes C, figuran
como los coeficientes de Fourier. Para hallarlos multiplicamos la igualdad (2.12)
34
por cos
Captulo 2
xnx
(T)
e integramos respecto a x desde O hasta l . Dado que
para m # n;
dx = 1;
1 2 ( ~ 7 ~ jJ+cos
)
COS
dx =
d~ = -I
2'
entonces
1
Co = 7 /Ta(x)dx,
C,(x)=
f /To(z)cos
nnx
(--j-)
dx,
n = 1,2,... . (2.13)
Esto permite escribir la solucin general en la forma

00
T,,, ,) =
,{ F) (y)
ex,
m=o
Considerando la frmula (2.13), la ltima expresin se puede reescribir como
donde
c,
O;
L a fuaci- G(xi t ) 6 denomriadaAqu-& (O) = 111y -a (m)-=211 para
frecuentemente fitncin de Green o funcin de influencia. Las soluciones con estructura
anloga a (2.15) son caractersticas de la mayora de los problemas lineales de la
fsica matemtica. Su anlisis est relacionado con la bsqueda de la funcin de
Green y la integracin posterior.
-
7. Existencia de muchos mtodos orientados a las ecuaciones Lineales
Ejemplo 1. Funciones generalizadas. Para ilustrar esta hecho, veamos una de las
construcciones ms elegantes de la fsica matemtica, relacionada con la construccin
de las denominadas funciones generalizadas.
Consideremos la solucin, analizada anteriormente, de la ecuacin de conduccin de calor con condiciones iniciales To(x)del tipo
T.(%)=
[f
para
(O
en los dems puntos.
$0
< x < xo + e,
35
.La energa inicial E transmitida a la barra ser la misma independientemente

del valor de E:
La funcin lmite de T,(x) cuando E -t O no pertenece a la clase de las funciones

continuas. Esta funcin debera ser igual a infinito en el punto x, igual a cero en
10s dems puntos del segmento, y su integral debera ser igual a la unidad. Para las
funciones continuas esto es imposible.
Entre tanto, esta funcin lmite describe una situacin totalmente real, cuando
se calienta un sector pequeo de una barra en un entorno del punto x, y a la barra
se le transmite una energa igual a la unidad.
Es natural suponer que la frmula (2.15) tambien debe dar un resultado
razonable en este caso lmite. Comprobemos esta afirmacin y demostremos que
En efecto, por cuanto G(x, f , t ) es una funcin continua de sus argumentos, entonces
para todo A tan pequeo como se quiera existe un E tal que si Izo- f 1 < E , entonces
para todos x y t. Por consiguiente,
1/
& - G(X,XO, t ) ) E
( ~ ( 3 ,t)
xo
Zo
G(x, xo, t)T,(f) df = G(x, xo, t) pues Te([)4 = l.

o
o
Tambin utilizamos que la funcin To(e) es diferente de cero solamente en el
intervalo (xo,x0 E ) .
Esto muestra que la propia funcin de Green G(x, f , t) se puede interpretar
como una distribucin de temperaturas cuando las condiciones iniciales estn
definidas mediante el lmite de TE([)cuando E -t O. Este lmite se derominafuncin
delta de Dirac 6(x - f ) .
Por definicin, para cualquier funcin continua rp(x) se tiene
Aqu utilizamos el hecho de que
El smbolo (6, rp) denota el nmero rp(0) (el valor del funcional 6 en la funcin y ) .
Para poder definir la operacin de derivacin de las funciones generalizadas,
las funciones p(x) deben ser suaves y estar definidas en una regin acotada del
Captulo 2
36
espacio. En efecto, si g(x) es una funcin suave, igual a cero fuera de una regin
limitada G con frontera T, entonces
,1
Pero g(x)cp(x) = O. Por eso, es natural definir
(a', cp) = (6, p') = ~ ' ( 0 ) .

De este modo, 6'(x) es un funcional que a una funcin diferenciable con continuidad
le pone en correspondencia su derivada en el punto O, es decir, ~ ' ( 0 ) .
Las funciones buenas ~ ( xse
) consideran pertenecientes al espacio de funciones
de prueba D. Al espacio D pertenecen las funciones infinitamente derivables y
diferentes de cero slo en una regin finita. La existencia misma de tales funciones
no es del todo evidente. Un ejemplo de funcin de prueba no-nula es la campana
El lector puede comprobar que, efectivamente, esta funcin pertenece al conjunto de

funciones infinitamente derivables. Con su ayuda se puede construir un conjunto
de otras funciones de D. Esto permite introducir la siguiente definicin de funcin
generalizada f .
Una funcin generalizada f es un funcional lineal continuo en D , es decir, la
funcin f le hace corresponder a toda funcin cp E D cierto nmero (f, cp). Este
funcional es lineal,
(f,Xcp + P $ ) = Wf. 'P) + f. $1,
(donde X y p son nmeros; p, $ E D ) y es continuo,
-+
(f, cpk) -+ (f,lo),
si pk + cp y k -+ oo en D. Aqu cp E D. Se considera que las funciones cpk tienden
a p si no slo Ipk(x) - p(x)1 -+ O cuando k -t oo, sino tambin todas sus derivadas,
para todos los puntos donde las funciones son diferentes de cero, tienden al lmite
igual a la derivada de la funcin cp(x).
Las bases de las teora de funciones generalizadas fueron sentadas por S. L. Sboliev y L. Schwartz. Este enfoque permiti generalizar el concepto mismo de
solucin. Sea
Lu = f(x).
Se denomina solucin generalizada de esta ecuacin en la regin G a la funcin
generalizada u que satisface la igualdad
para cualquier funcin de prueba cp de D diferente de cero en la regin G .
Aqu, el esquema general sigue siendo exactamente el mismo que en el ejemplo
analizado anteriormente de la ecuacin de conduccion de calor.
Inicialmente se busca G(x), es decir, la solucin de la ecuacin
LG = d(x).
37
.A continuacin, la funcin f se escribe como una suma de funciones delta:
Despus, partiendo del principio de superposicin se escribe la solucin :
Veamos algunos ejemplos.

Ejemplo 1. Problema de Cauchy para la ecuacin de conduccin de calor.
(-2).
@(t)
G(x, t ) = 2 a G exP
donde O(t) = O para t < O, y O(t) = 1 para t 2 O. Aqu d(x, t) = d(x) 4 t ) .
T(x, 0) = 0,
Gt = a * ~ , , 6(x, t),
Ejemplo 2. Problema de Cauchy para la ecuacin de onda.

Utt
- a2 u,, = f(x, t), -oo < x < 0,
Aqu,
2
Gtt - a Gzx= 6(x,t);
lzl)
G = ~ ( o-t 2a
Ejemplo 3. Problema de Poisson en un espacio tridimensional.
Au= f(Q, O < Ir1

-
< oo,
De este modo, la introduccin de la funcin delta permite hallar la funcin de

Green para los problemas lineales de la fsica matemtica. Si se conoce esta funcin,
la resolucin de las ecuaciones no-homogneas se reduce a una integracin habitual.
Adems, en muchos casos existen regiones donde la solucin de las ecuaciones
tanto lineales como no-lineales puede no tener una cantidad suficiente de derivadas.
En este caso surge la posibilidad de considerar las soluciones generalizadas, para
las cuales se cumple la igualdad (2.16).
Captulo 2
-
Clculo de la funcin de Green ' l . Veamos cmo hallar las funciones de

Green para los problemas de la fsica matemtica analizados anteriormente.
La idea principal consiste en utilizar la transformacin directa de Fourier
y, despus, la inversa. Mostremos cmo se puede hacer esto utilizando
funciones generalizadas.
La transformacin de Fourier de unafuncin de prueba p(x) est dada por
la frmula
Por cuanto la funcin p y sus derivadas son iguales a cero fuera de cierto
intervalo (a, b), integrando por partes se puede hallar la transformada de
Fourier de la derivada
aav(x),
axa
En las ltimas igualdades hemos integrado por partes a veces, y hemos

utilizado el hecho de que p y sus derivadas se anulan en los lmites infinitos.
De la teora de la transformacin de Fourier se deduce que la transformacin inversa F-l(?) est dada por la frmula
Utilizando esta ltima frmula no es difcil verificar la igualdad
')Los que se conocen por primera vez con el curso pueden omitir este material. A los
estudiantes de fsica y matemtica que estn comenzando a estudiar la ciencia no-lineal, este
material les ayudar a recordar los enfoques tradicionales de la fsica matemtica .lineal.
39
En la ltima cadena de igualdades realizamos el cambio de variables

f -t - f en la integral.
Introduzcamos ahora la transformada de Fourier de la funcin generalizada f . Consideremos el funcional
donde F( f ) es la transformada de Fourier de la funcin f , y p es una funcin

de prueba. Si la funcin f fuera buena y se cumplieran las condiciones
del teorema del cambio del orden de integracin en las integrales mltiples,
entonces sera vlida la cadena de igualdades
J F ( f (C)).(O
dt =
/ [/ f
(x)ei(' dx] $o(() d[ =
De este modo,
( F ( f)/ 9)= (f,F(cp))*
Precisamente consideraremos la ltima igualdad como la definicin de
transformada de Fourier F ( f ) de la funcin generalizada f . A partir de la
igualdad (2.21)podemos introducir la transformada inversa de Fourier
Hallemos, por ejemplo, la transformada de la funcin delta:
Haciendo xo = O se verifica que F(6(x))= 1. Por consiguiente, 6(z) = F-'(1).

Teniendo en cuenta la frmula (2.23) obtenemos
Consecuentemente,
F(1) = 2n6(x).
Integremos la funcin 6 ( t ) respecto al tiempo:
Captulo 2
40
donde @(t)= O para -00 < t < O, y O(t) = 1 para t 2 O. As pues, la

dependencia O(t) es la funcin de Heaviside. En otras palabras, O(t) es la
solucin de la ecuacin diferencial ordinaria
o la funcin de Green para la ecuacin
De igual manera se comprueba que la funcin W ( t )= ~ ( t ) e - 'es

~ la funcin
de Green para la ecuacin
Las relaciones obtenidas permiten hallar la funcin de Green para la

ecuacin de conduccin de calor. Hallemos la transformada de Fourier 8'
de ambos miembros de la igualdad
teniendo en cuenta la coordenada espacial x. Conforme a la frmula (2.20),
As pues, para la transformada de Fourier
tenemos la ecuacin diferencial ordinaria
6?(~,t ) de
la funcin G,
La forma de la ltima ecuacin coincide con (2.25), por lo que su solucin
Hallemos la transformada inversa de Fourier

cin
G(e,t ):
G(t,t) de la fun-
41

00
En la ltima igualdad utilizamos la igualdad I =
dz = J.Demos-
-00
trmosla:
I~ =
eeZ2dz
J e-y2dy = J J e-" -Y
2
dz dy.
Pasando a las coordenadas polares, z = r cos 9,y = r sen p, z2

dz d y = r dr dp, resulta
"" J . "
2 -
+ y2 = r2,
II
Las funciones de Green para los dems problemas se hallan de manera

anloga.
Sera muy interesante ir ms all y definir el producto de funciones
generalizadas. (Claro est, de modo que dicho producto sea asociativo y
conmutativo.) Esto precisamente sera muy importante para la resolucin
de problemas no-lineales. Lamentablemente, L. Schwartz demostr que por
este camino no se puede avanzar ms. Veamos un ejemplo.
1
Introduzcamos la funcin generalizada P: denominada valor principal

2
de la integral de I:
Demostremos que X
P
'
= 1:
Adems, se cumple que a(x)6(x) = a(0)6(x).En efecto,

Si se pudiera definir la multiplicacin de funciones generalizadas, entonces
tendran lugar las igualdades
las cuales conducen a una contradiccin. Precisamente esta circunstancia

reduce el campo de aplicaciones de la teora de las funciones generalizadas.
42
Captulo 2
As pues, resulta que este enfoque tan notable est orientado fundamentalmente a los problemas lineales. Y esta misma situacin caracteriza a muchos
otros enfoques analticos.
Preguntas y ejercicios
1. Construir un modelo matemtico que permita predecir la intensidad de la
radiacin emitida por las sustancias radioactivas contenidas en cierto depsito.
Suponer que se conocen las cantidades iniciales de todas las sustancias, sus
perodos de semidesintegracin y las leyes de su ingreso al depsito con el
transcurso del tiempo.
2. Un pndu.10 realiza oscilaciones pequeas. Hallar la ley de movimiento del
pndulo suponiendo que sobre l acta una fuerza exterior A sen wt . Cmo
vara este resultado si se considera un rozamiento pequeo proporcional a la
velocidad del pndulo?
3. Cul es la ley de movimiento de un pndulo sobre el que acta una fuerza
perturbadora peridica?
4. Cul es la ley de movimiento de un pndulo sobre el que acta una fuerza
que vara con el tiempo segn una ley dada?
5. Cmo vara respecto al tiempo la temperatura de una barra inicialmente
fra cuyos extremos estn aislados trmicamente? Suponer que se conoce la
ley f (x, t) de calentamiento de la barra.
6. En los extremos de una barra inicialmente fra la temperatura vara segn las
leyes L(t) y R(t). Cmo cambia la distribucin de la temperatura de la barra
con el tiempo?
-+
7. E1 momento angular L E (Lx,L,, L,) y la velocidad angular ti7 S (w,, w,, w,)
de un cuerpo slido arbitrario estn relacionado mediante la igualdad
i = Fd,
Ixz Ixv
donde
I es el tensor de inercia
I,, Iyy
I,, . La matriz i es simtrica:
h
IZX
Izy = I y x r
IXZ
Izy
12%
Ixr =Izxr
1 . y =Iy,z*
Hallar el nmero de ejes que cumplen la siguiente condicin: durante la

rotacin alrededor de ellos, los vectores y zu' estn dirigidos siempre hacia
un mismo lado. Qu se puede decir de la disposicin mutua de estos ejes?
8. Consideremos una esfera de radio unidad y centro en el origen. coordenadas
en un espacio eucldeo n-dimensional. Actuemos con un operador lineal A
sobre los vectores que van desde el origen de coordenadas hasta los puntos
de la esfera. En qu se transforma la esfera? Qu ocurre tras una aplicacin
mltiple del operador A? Cmo se pueden utilizar estas iteraciones mltiples
para resolver numricamente el problema de la bsqueda de los valores propios
del operador A ?
9. Demostrar que con ayuda de un giro del sistema de coordenadas y de un
desplazamiento, la curva de segundo orden ax2 bx y cy2 d z ey f = O se
+ + + + +
43
puede reducir a 1 forma cannica
'x
x'
y'
y'
-+- = 1(elipse), -- - = 1(hiprbola),
a2
b2
a2 b2
y
Cx2 (parbola). Dada la ecuacin de segundo orden con coeficientes
buzy myy duz + euv f = 0, es posible reducirla
constantes au,,
mediante un cambio de variables de las variables independientes a la forma
cannica u,, +uYY= O (ecuacin de Laplace), u, = u, (ecuacin de conduccin
de calor), u,, - uyy= O (ecuacin de oscilaciones de una cuerda)?
10. Ciertos procesos en determinado medio se describen mediante la ecuacin
Cules son las soluciones de esta ecuacin? Qu fenmenos fsicos se podran

modelar con su ayuda?
11. Hallar la solucin general de la ecuacin lineal en diferencias
Cmo se planteara el problema de Cauchy para esta ecuacin?
Bibliografa
Los mtodos de investigacin de los modelos matemticos lineales se analizan detalladamente en los cursos fundamentales de lgebra lineal, ecuaciones diferenciales
ordinarias y de la fsica matemtica. Por ejemplo, en los libros siguientes:
Gantmacher E R. The theory of matrices. Chelsea, 1960;
Ikhonov A. N., Vasileva A. B., Sveshnikov A. G. Differential equations. SpringerVerlag, 1985;
Arnold V. 1. Ecuaciones diferenciales ordinarias. ~ubios,1994;
Tfjonov A. N,, Samarsky A. A. Ecuaciones de la fsica matemtica.
. , .
MIR 1983;
Svishnikov A. G., Bogolibov A. N,,Kravtsov l? V. Conferencias de fsica matemtica (en ruso);
Courant R. Partial differential equations. Wiley 1962.
Las funciones generalizadas se analizan detalladamente en los libros:
0 Vladimirov I/: S. Equations of mathematical physics. Editorial URSS, 1996;
Vladimirov V: S. Generalized Functions in Mathematical Physics. Editorial
URSS, 1994.
Sobre el papel fundamental de los modelos matemticos lineales se puede juzgar
leyendo los tomos del curso de fsica terica de
0 Landu L. D., Lqsshits Ye. M , Teora del campo, Mecnica cuntica. Teora
no-relativista y <<Teora
de la elasticidad.
Los modelos matemticos lineales ayudan en muchos casos a crear nociones intuitivas
valiosas acerca de las ondas, las oscilaciones y otros procesos fsicos, nociones que
luego resultan ser muy itiles tambien en el mundo no-lineal. Sobre esto se puede
leer en el excelente libro
Trubetskov D. 1. Introduccin a la sinergtica. Oscilaciones y ondas. Editorial
URSS, 2003 (de inminente edicin en espaol en nuestra editorial).
CAPITULO 3
Modelos matemticos
no-lineales elementales
Todo conocimiento humano comienza con
la contemplacin, pasa de sta a los conceptos
y termina con las ideas.
1. Kant
Durante ms de trescientos aos los cientficos se han dedicado a la simulacin matemtica de los fenmenos no-lineales utilizando las ecuaciones diferenciales. Esto ha conducido al surgimiento de varios enfoques alternativos,
los cuales ilustraremos en el ejemplo de los modelos elementales. Aqu estudiaremos algunos esquemas de anlisis simplificados y estilizados, que nos
permitirn formarnos una idea clara de las posibilidades de cada enfoque.
E l pndulo matemtico
Analicemos el problema del pndulo matemtico. Consideremos el sistema
mostrado en la figura 3.1. Durante la simulacin hay que recurrir inevitablemente a algunas simplificaciones.Supongamos que las dimensiones del peso
son despreciables y ste se puede considerar como un punto material de
masa m. Adems, asumiremos que el hilo
es imponderable e inextensible, y que en
su movimiento el pndulo no experimenta
resistencia por parte del aire.
Enfoque de un fsico te6rico. Utilicemos

la segunda ley de Newton
i.
m ? = F.
Proyectemos los vectores de ambos miembros de la igualdad en la direccin perpendicular al hilo (fig. 3.1). Obtenemos
Fig. 3.1
mlYj
+ mgsen (o = O.
(3.1)
45

.-
Esta igualdad se puede escribir de otro modo si se tiene en cuenta que el

sistema es conse~ativoy la energa total E se conserva. En este caso la
rn(i~)~energa cintica es igual a
, y la energa potencial es igual a mgh,
2
donde h = 1(1 - cos p) es la altura a la que se encuentra el punto material.
Consiguientemente,
rn12@2
mgl(1- cos 9 ) = E.
(3-2)
2
Derivando esta igualdad respecto al tiempo y simplificando por $,I obtenemos nuevamente la ecuacin de movimiento (3.1). Es natural estimar la
amplitud de las oscilaciones pequeas, cuando el ngulo inicial (oo (y, por
tanto, la envergadura de las oscilaciones) es pequeo. En este caso se puede
suponer que sen (o (o, llegando as a la ecuacin lineal
Consecuentemente, la frecuencia de las oscilaciones pequeas es w, =

su perodo es T = 2 J r j g , y las oscilaciones son armnicas:
m,
ste es un enfoque muy difundido. El campo de fenmenos fsicos

que se han logrado describir mediante ecuaciones lineales y en particular,
mediante la ecuacin (3.3), es enorme.
Enfoque de un fisico. Imaginmonos un especialista que maneja el arsenal

de la fsica moderna, pero que por algunas circunstancias extraas no
conoce ni las ecuaciones diferenciales, ni el pndulo matemtico. Cmo l
abordar este problema?
El sistema fsico estudiado depende de tres magnitudes: de la masa
del pndulo,-de una dimensin lineal y de la aceleracin de la gravedad.
La unidad de medida de la primera magnitud es el kilogramo [M], la de
la segunda es el metro [L], y la de la tercera es m/s2 [LT-2]. Los smbolos
dentro de los corchetes indican cmo estn relacionadas las magnitudes
dadas con las unidades de masa, longitud y tiempo. Estas notaciones son
de aceptacin general en la teora de semejanza y dimensiones. Denotemos
mediante T el perodo de las oscilaciones. Supongamos que el perodo de
oscilaciones T , medido en segundos [TI, es una funcin potencial de todos
C'rnalPg7. Consideremos que C es un
los parmetros del problema: r
coeficiente adimensional e igualemos las dimensiones de ambos miembros:
N
Esto es equivalente al sistema de ecuaciones
1=-27,
a=O,
@+?=O,
46
Captulo 3
fi.
de donde ,O = 1/2, 7 = -112 y r

As pues, utilizando nociones
muy generales obtuvimos una dependencia correcta.
N
Comentario. El esquema descrito, el cual refleja la idea fundamental del mtodo de

semejanza y dimensiones, se utiliza ampliamente en la etapa inicial del anlisis de
muchos fenmenos no-lineales. La suposicin de que las dependencias son funciones
potenciales es vlida para muchos problemas de la mecnica no-lineal.
Uno de los problemas ms bonitos e importantes resueltos por este mtodo es
el problema de la explosin fuerte. Supongamos que en una superficie tiene lugar una
explosin, como resultado de la cual se libera cierta energa E. Consideremos que
la explosin sucede en la atmsfera, cuya densidad es p. Se sabe que en este caso
surge una onda de choque. Hallemos la dependencia de la velocidad de la onda de
choque respecto al tiempo. Sea r(t) la coordenada de la onda. Tenemos:
[ E ] = M L ~ T - ~ ,[ p ] = M L - ~ , [ r ] = L,
[ t ] = T.
Igualando los ndices de las potencias correspondientes, obtenemos
.=C
(;)
115
t2~5
C2 ( E ) 115 t-315.
5 P
Este problema fue analizado detalladamente por el acadmico L. 1. Sedov
en 1945. La dependencia obtenida fue confirmada brillantemente ese mismo ao por
los datos de los experimentos nucleares realizados en Nuevo Mxico. De acuerdo
con las memorias de los testigos presenciales, durante el primer experimento nuclear
Enrico Fermi lanzaba papelillos y observaba a qu distancia eran arrastrados, para
as determinar la fuerza de la explosin. Por lo visto, l tambin utiliz las ideas de
la semejanza y las dimensiones. La estimacin de E obtenida de este modo result
ser muy aproximada a la magnitud real de la energa de la explosin.
Enfoque de un experimentador. Incluso una serie pequea de experimentos

permite descubrir que el perodo de oscilaciones T no depende de la masa m
y es proporcional a l1J2 y g-1/2. Se puede establecer, adems, el coeficiente
de proporcioGi1dad~---El experimento tambin permite descubrir otra singularidad importante: se puede aclarar cmo el perodo de las oscilaciones depende de la
energa. La dependencia es la siguiente: existe un valor E. de la energa tal
que T -+ oo cuando E
Eo.Para E < E. la energa se puede expresar
mediante la desviacin inicial respecto a la posicin de equilibrio:
'Po
E = mgl(1 - cos po) = 2mgl sen2 -.
2
El grfico de T = T(E)se caracteriza por un sector inicial de pendiente

muy suave (fig. 3.2, curva superior). Por eso Galileo consideraba que el.
pndulo matemtico era iscrono, es decir, que su perodo de oscilaciones
no dependa de la desviacin inicial. Huygens, quien estudi experimentalmente este sistema, seal en un libro editado en 1673 que el isocronismo
se infringe notablemente para po = 60, y para y+, = 90" el cociente que
47
.resulta de dividir el perodo por el perodo de oscilaciones pequeas ya, es

igual a 34/29.
La singularidad para E = E. est relacionada con el hecho de que un
pndulo con esta energa o bien se.encuentra en la posicin superior de
equilibrio, o bien durante un tiempo infinito tiende a esta posicin. Para
E > E, el pndulo comienza a girar alrededor del punto de suspensin.
Fig. 3.2. Dependencia del periodo de oscilaciones del pndulo

matemtico respecto a l ingulo. yo
de desviacin inicial. La recta 1
corresponde a las predicciones de
la teora lineal; la curva 2 corresponde al oscilador armnico (3.6)
y a la ley (3.9); la curva 3 corresponde a la expresin ( 3 . ) ; la
dependencia 4 describe Los datos
experimentales y la solucin exacta de la ecuacin (3.1)
1
I
60"
120"
180" cp,
Por esto, desde el punto de vista del experimentador, el xito en

la simulacin matemtica del pndulo est determinado por el grado de
precisin con que se logra predecir la dependencia T = T(E), o lo que es
lo mismo, T(po).
Enfoque de un matemtico del siglo XVII. Integremos la ecuacin (3.2).

sta se puede escribir en la forma
Por consiguiente, el perodo de las oscilaciones del pndulo es
Aqu hemos considerado la siguiente consecuencia de (3.4). Para @ = O tenemos p = (00; por tanto, cos po= -C/2w;. La integral (3.5) es precisamente
la solucin. La ecuacin diferencial se integra en cuadraturas. Sin embargo, no
es posible calcularla mediante funciones elementales. Formalmente, hemos
obtenido la respuesta, pero extraer de ella alguna informacin concreta y
en particular, la dependencia mostrada en la figura 3.2, no es fcil.
48
Captulo 3
Enfoque de un matemtico del siglo XVIII. Consideremos el sector inicial

de la dependencia T = T(E). Supongamos que la amplitud de las oscilaciones del pndulo es tan grande que la aproximacin sen cp ya no es
vlida. Consideremos el segundo trmino del desarrollo de Taylor de esta
funcin:
l 3
s e n p = ( p - --p
+... .
Esto proporciona la ecuacin de movimiento
La ecuacin(3.6) ya no describe oscilaciones armnicas, por lo cual el

sistema que ella describe se denomina usualmente oscilador anarmnico.
Buscaremos la solucin aproximada de la ecuacin (3.6) en la forma
cp = cp, sen wt
+ &(O, sen 3wt.
(3.7)
La aparicin de un segundo trmino est relacionado con el hecho de que

al elevar el primer trmino al cubo,
3 sen wt - 1 sen3wt,
sen3 wt = 4
4
surge un trmino que describe las oscilaciones con frecuencia triplicada
(tercer armnico). Naturalmente, al elevar al cubo la expresin (3.7) aparece
el noveno armnico sen 9wt. Sin embargo, considerando que E es pequeo
y que slo los dos primeros trminos de la serie son esenciales, estos
trminos se pueden despreciar. Despus de sustituir (3.7) en la ecuacin (3.6),
obtenemos
2
yj = -w p, sen wt - 9w EV, sen3wt,

.
2
w,cp = wocpo
sen
wt
2-
--
--
+ w,~cp, sen 3wt,

-
...
--
En virtud de la ecuacin (3.6), la suma de los tres primeros miembros de

estas tres igualdades debe ser igual a cero. Asimismo, la suma de los tres
segundos miembros debe aproximarse a cero lo mximo posible. Lo ideal
sera exigir que al agrupar los trminos semejantes, los coeficientes resultantes de sen wt, sen 3wt, sen 5wt y sen 7wt fueran iguales a cero. Sin embargo,
esto no es posible (de otro modo, obtendramos un sistema incompatible
de ecuaciones algebraicas). Esto est condicionado por el hecho de que en
49

.-
la frmula (3.7) nos limitamos slo a dos trminos. Por eso recurriremos al
procedimiento estndar que se utiliza habitualmente en la construccin de
soluciones asintticas. Concretamente, consideraremos slo los trminos ms
importantes, en los que el parmetro pequeo E figura con el exponente mnimo. Asimismo, despreciaremos los armnicos superiores. Conforme a esta
ltima condicin, eliminamos todos los trminos que contienen a sen 5wt y
sen 7wt. En los parntesis que multiplican a sen wt y sen 3wt tendremos en
cuenta solamente los trminos que no contienen a 6. De este modo, quedan
slo dos trminos, los cuales estn subrayados en la frmula (3.8).
Agrupando los trminos que contienen a sen wt e igualando a cero,
obtenemos
-w 2 $wo2 - ~3W o2 ' P2 o-- o.
Por consiguiente,
Aqu hemos utilizado la frmula JF 1 p/2, donde p < 1.

Igualando a cero la suma de los coeficientes de sen 3wt, resulta
Haciendo w = tuo, de la ltima igualdad sigue que
De este modo, cuando se considera el primer trmino no-lineal de sen p,

tenemos
.
.
.
sen 3wt
1 (p:/16
p = p0 sen wt+
, ~ e w ~ ( i - $ ) , Tx2r
. (3.9)
Wo
192
De la frmula (3.9) queda claro por qu las oscilaciones, incluso para ngulos
suficientemente grandes, son aproximadamente armnicas. Esto se debe a
que el parmetro (pi/192 es pequefio. La frmula (3.9) da una idea de una
parte de la curva T = T ( E ) ,pero no da la posibilidad de analizar lo que
sucede para valores de la energa cercanos a Bo.
En la figura 3.2 se muestra la dependencia (3.9). La recta horizontal
inferior corresponde al problema lineal y la curva 2 corresponde a la
dependencia (3.9).
Comentario. A finales del siglo XVIII, despus de los trabajos de P. S. Laplace,
los mtodos asintticos se convirtieron en el instrumento principal de anlisis de
muchos modelos matemticos y, en particular, de los modelos de la mecnica celeste.
Por cuanto ya se conoca la solucin del problema de los dos cuerpos, y la masa de los
50 .
Captulo 3
cuerpos del sistema solar son incomparablemente menores que la masa del Sol, la
influencia de stos en el movimiento de un planeta dado se poda considerar como
una perturbacin pequea y utilizar los mtodos asintticos. Era muy grande la
seguridad de que se haban comprendido las leyes fundamentales de la naturaleza
y construido un aparato matemtico efectivo. En particular, Laplace respondi a
Napolen, quien se interesaba por la matemtica y haba ledo su libro sobre
mecnica celeste, que l no necesitaba de la hiptesis de un creador todopoderoso.
En efecto, por este camino se haban logrado xitos notables en la simulacin de
fenmenos no-lineales, haba sido predicha la existencia de Urano y Neptuno. En el
siglo XX, las posibilidades de utilizacin de los mtodos asintticos para el anlisis
de los modelos matemticos crecieron inconmensurablemente.Sin embargo, tambin
se comprendi cun- limitado es el campo de aplicacin de estos mtodos entre
todos los modelos no-lineales que era necesario investigar.
Enfoque de un matemtico del siglo XIX. El xito en las investigaciones

de muchos modelos matemticos est relacionado con el hecho de que
disponemos de las funciones especiales sen x, cos x y ex. Estas funciones se
pueden ver como las soluciones de ciertas ecuaciones diferenciales. Adems,
podemos suponer que estas funciones surgen durante la integracin de determinadas expresiones. Ampliemos el conjunto de ecuaciones e integrales,
e intentemos introducir, sobre esta base, nuevas funciones especiales.
Este fue el camino que eligieron Hermite, Bessel, Jacobi, Laguerre,
Mathieu y otros matemticos notables. Utilizando este enfoque fueron
introducidas las funciones elpticas y, en particular, la integral elptica de
primera especie
4 2
I(K) =
J (1o
di,
sen2+)'12
'
El lector puede comprobar que el cambio de variables

sen @ =
sen (542)
sen (9,/2)
reduce la integral (3.5) a la forma (3.10). De la teora de las funciones

elpticas se conoce el desarrollo de esta integral en una serie de potencias
de K:
Considerando slo los primeros trminos obtenemos
51

--
Esta frmula permite predecir un segmento un poco mayor de la dependencia T = T(p,) (fig.3.2, curva 3). Adems, existen tablas de las funciones
y utilizndolas se puede obtener toda la dependencia T = T ( E ) .
comentario. En el siglo XIX y primer tercio del siglo XX, la teora de las funciones
se consideraba una de las reas ms importantes de la matemtica
aplicada. Lamentablemente, muchas esperanzas cifradas en este aparato matemtico
resultaron en alto grado injustificadas. La cuestin es que en muchos casos la
construccin de las tablas de funciones especiales exige un gran volumen de clculos
y la utilizacin de mtodos numricos, y operar con stos no es algo fcil o evidente.
Adems, a diferencia de las funciones exponencial y trigonomtricas, las funciones
especiales no slo son ms complejas sino que tienen un campo de aplicacin
significativamente menor.
Del anlisis realizado se ve claramente que, incluso para el estudio de

este modelo elemental, lo ms natural es recurrir a los mtodos numricos,
10s cuales en el siglo XX comenzaron a ser utilizados ampliamente en la
investigacin de los fenmenos no-lineales.
Movimiento de un planeta alrededor de una estrella masiva. En calidad

de segundo ejemplo consideremos uno de los primeros y ms importantes
modelos matemticos, surgido en la mecnica celeste.
El libro de Isaac Newton Principios matemticos de filosofa natural
convirti a las ecuaciones diferenciales ordinarias en la clase ms importante de modelos matemticos de las ciencias naturales durante varios siglos.
El propio 1. Newton comprenda perfectamente la efectividad del instrumento creado por l. La iinica afirmacin que Newton consider necesario
codificar en forma de anagrama fue la frase es til estudiar las ecuaciones
diferencialess. Utilizando este aparato matemtico fue resuelto el problema
del movimiento de un planeta alrededor de una estrella, lo que caus
una gran impresin entre los contemporneos. Slo resta asombrarse de lo
simple que es la resolucin de este problema clave de la mecnica celeste
despus de formular los conceptos y leyes fundamentales de la naturaleza,
y de construir el modelo matemtico.
Generalizando los datos experimentales, Newton formul la ley de
movimiento de un cuerpo cuyas dimensiones son despreciables (punto
material):
d22
(3.12)
m=F, 3C(0)=20, $(0)==8~.
dt2
Esta ley tiene una consecuencia paradjica: en ausencia de fuerzas ( P = 0)
la ecuacin diferencial (3.12) tiene la solucin Z(t) = 3., ir,t, es decir, el
cuerpo se mueve uniforme y rectilneamente durante un tiempo ilimitado.
A primera vista esto contradice la experiencia cotidiana. Esta consecuencia
no concuerda con antiguas ideas, formuladas por Aristteles, de que un
-.
52
Captulo 3
.-
cuerpo se mueve slo si se le aplica una fuerza. En la notacin moderna, la

ley de movimiento en la fsica de Aristteles tiene la forma
para
x(t) = 5o= const.
Prestemos atencin a la profundidad y el contenido de los conceptos
de masa, fuerza y aceleracin. Para acoger la ley de Newton como una
afirmacin llena de contenido (y no como una definicin de fuerza),
es necesario tener la posibilidad de medir de manera independiente la
aceleracin, la fuerza y la masa. Y los fsicos saben cmo hacerlo.
Segn la hiptesis de Newton, la forma de la rbita est determinada
por la atraccin que el Sol ejerce sobre el planeta. De acuerdo con la ley de
la gravitacin universal, dicha fuerza es
#(O) = O,
donde Mc es la masa del Sol, m es la masa

del planeta, G es la constante gravitatoria
(coeficiente establecido experimentalmente), f es el vector de posicin (dirigido del
Sol al planeta) y r es la longitud de este
vector (fig. 3.3). El signo menos indica que
Fig. 3.3
los cuerpos se atraen.
Supongamos que Mc > m y que el movimiento del planeta no influye
en el movimiento de la estrella. Entonces se puede considerar que la estrella
est inmvil. Las ecuaciones (3.12) y (3.13), junto con la definicin de
velocidad y las condiciones iniciales, proporcionan el modelo matemtico
Proyectando los vectores sobre los ejes del sistema de coordenadas cartesianas, = (x, y, z), 8 = (v,, vy, v ~ ) la
, ecuacin (3.14) se puede escribir en
forma escalar:
53
.-
Este sistema autnomo de seis ecuaciones diferenciales ordinarias se puede

analizar de diferentes maneras: utilizando mtodos numricos o bien resolviendo directamente las ecuaciones, que es como se hace en la mecnica
terica. Esta situacin, en la cual existen varios mtodos para -analizar un
modelo, es general. Por tal razn, nosotros expondremos ambos mtodos y
despus compararemos sus ventajas y defectos.
Precisemos el planteamiento del problema. Supongamos que queremos
determinar la posicin de un planeta en un instante t, y que se conocen su
velocidad inicial, su posicin inicial y el coeficiente a.
La idea fundamental del mtodo numrico consiste en sustituir las
derivadas por diferencias finitas. Por ejemplo, aproximaremos la derivada
d d t ) mediante la expresin
dt
Aqu hemos utilizado el desarrollo de la funcin x(t T) en serie de Taylor

con resto en la forma de Lagrange.
Escribiendo (z(t), y(t), z(t), v,(t), v,(t), v, (t)) como un vector columna
y los correspondientes primeros miembros como una funcin vectorial,
obtenemos
dX(t) ( ( t ) ) , X(0)=X0.
-dt
Aproximemos este sistema de ecuaciones diferenciales mediante la aplicacin
A
la cual transforma el vector X(n7) en el vector %((n
+ 1 ) ~ )En. efecto,
El mtodo que permite pasar de la ecuacin diferencial (3.17) a la aplicacin (3.18) recibi el nombre de mtodo de Euler.
La figura 3.4 ilustra el mtodo de Euler. La curva continua x(t) es
sustituida por una serie de quebradas. El error de la aproximacin se debe
a que sustituimos la curva O A por la recta OB y en el paso siguiente
, en el
calculamos el segundo miembro no en el punto A ( @ ( X ( T ) ) )sino
punto B (#($(O))
TF(X(O)))
La diferencia en el primer miembro de la expresin (3.16) tiende a la
dx
d2x
derivada - cuando T + O, y la derivada - se mantiene finita.
dt
dt2
54
Captulo 3
Fig. 3.4. Solucin numrica del problema del movimiento de u n planeta alrededor de una
estrella masiva: a ) e l error cometido a l utilizar e l mtodo de Euler est relacionado con e l
hecho de que la curva se sustituye por una serie de quebradas y la derivada no se calcula
en e l punto correcto; 6 ) ejemplo de solucin numrica del problema (3.15) mediante e l
mtodo de Euler. Se observa que esta dependencia se parece a u n arco de elipse. La elipse
corresponde a la solucin exacta de ta ecuacin diferencial
La estrategia posterior es clara. El segmento [O, TI se divide en N intervalos T = T I N . Despus se calculan las iteraciones de la aplicacin (3.18).
Se puede esperar que si el paso temporal es suficientemente pequeo,
entonces las iteraciones de la aplicacin y los valores de la funcin X(nr)
para la ecuacin inicial sern prximos. El resultado tpico, correspondiente
al clculo para el problema analizado, se muestra en la figura 3.4. Como
se observa, la sucesin de quebradas aproxima bastante bien n la solucin
exacta (una elipse) de la ecuacin diferencial.
La aplicacin-(3.18), as-como la ecuacin-inicial, describe un sistema
determinstico (el comportamiento futuro del sistema est unvocamente
determinado por el estado actual) con espacio de fase de dimensin finita
(el estado del objeto est determinado unvocamente por un conjunto finito
de nmeros). La dimensin de este espacio coincide con el nmero de
componei~tesdel vector 2. Sin embargo, aqu la coordenada temporal ya
es una magnitud discreta que puede tomar slo los valores (0, T , 27, . ..).
A esta clase interesante e importante de objetos nosotros regresaremos ms
de una vez. Los sistemas de ecuaciones diferenciales ordinarias (3.17), en
los que el tiempo es continuo, y las aplicaciones tipo (3.18), en las que el
tiempo es discreto, se denominan actualmente sictearas dinbniicc~s.
En el mtodo de Euler, la diferencia entre la derivada eii diferencias
dx(nr)
x((n 1)r)- x(nr)
es de orden O@).Tiiles mtodos
y la derivada
7
dt
se denominan mtodos de primer orden. El enfoque tradicional para mejorar los
-
55
~ o d e l o smatemticos no-lineales elementales
.-
mtodos numricos consiste en aproximar esta derivada con una precisin

ms alta, por ejemplo de orden O(rN). Estos mtodos se denominan
mtodos de orden N. Una manera de aumentar la precisin es, por ejemplo,
la siguiente.
Sea x(t) una de las componentes del vector 2:
Supongamos que, mediante cierto operador

en diferencias, hemos
d2x(nr)
logrado aproximar la derivada
(segundo trmino del primer
di2
miembro) con una precisin no menor que O@). Entonces la derivada
dx(nr)
que nos interesa estar determinada por el segundo trmino del
24
UC
segundo miembro de la ltima igualdad.
d2x(nr)
Aproximar
es bastante fcil. Utilizando la serie de Taylor y
dt2
razonando del mismo modo que para la igualdad (3.16), obtenemos
nr
< t** < (n + 1 ) ~ .
Regresando a la igualdad (3.19) resulta
La ltima frmula no se puede considerar un algoritmo de solucin,

/r
por cuanto en el segundo miembro figura el trmino f (x(n l ) ~ )cuyo

,
L
valor es desconocido. Sin embargo, ste se puede hallar por el mtodo Euler,
6-
f (x(n + 1)r)en la
2
7
frmula (3.20) debe aparecer el trmino - f (x(nr) + T f ( ~ ( n r ) ).)As pues,
2
en lugar de la frmula (3.20) obtenemos la frmula aproximada
ms simple y menos preciso. Entonces, en lugar de
Esta igualdad permite hallar una solucin aproximada de la ecuacin

diferencial inicial. De la frmula (3.19) se deduce que en el segmento
(nr, (n 1 ) ~conoceremos
)
la solucin con una precisin 0 ( r 3 )pero
,
para
calcular la solucin en el segmento [O, TI se requieren T/T pasos. El lector
puede verificar que en este caso el error tendr orden O (r2).
56
Captulo 3
La frmula (3.21)adopta una forma bastante clara si se escribe como el

par de igualdades
, puede considerar como la

El primer paso, el clculo de y ( ( n l ) ~ )se
obtencin de un pronstico grosero del valor x ( ( n 1 ) ~ ) El
. segundo
paso es la precisin o correccin de este pronstico. Es justamente por
esto que semejantes mtodos se denominan mtodos apredictor-corrector.
La generalizacin al caso del vector K y la funcin vectorial F ( X ) , es
evidente. Utilizando estos mtodos se han investigado en computadoras
toda una serie de modelos importantes de la ciencia no-lineal.
Prestemos atencin a una posibilidad ms. Las ecuaciones diferenciales (3.17) se pueden escribir en forma de una ecuacin integral
-t
X ( t ) = $(O)
-t
+ J P(X(t))dt,
para cuya resolucin se puede utilizar el mtodo de aproximaciones sucesivas, es

decir, construir una sucesin de funciones { X s ) convergente a la solucin
de la ecuacin (3.17) cuando S -+ OO. Esta sucesin se puede construir, por
ejemplo, as:
t
Las condiciones de convergencia de esta sucesin se analizarn ms adelante. Para simplificar hemos supuestg que contarnos con un mtodo
suficientemente preciso para el clculo de la integral.
Comentario. La ltima frmula proporciona no slo un mtodo de construccin
iterativa de una solucin numrica, sino tambin la llave para la demostracin
del resultado fundamental de la teora de ecuaciones diferenciales ordinarias: los
teoremas de existencia y unicidad.
En efecto, esta frmula puede ser escrita. en la forma simblica
A la solucin exacta del sistema de ecuaciones diferenciales le corresponde el

punto fijo de la nplicacin A: X* = AX * , es decir, el vector ]Y* que se transforma
en s mismo mediante la aplicacin A. Dicho de otro modo, la frmula que
expresa dS+'en trminos de XS, define el proceso iterativo de resolucin de la
ecuacin X* = AX* por el mtodo de aproximaciones sucesivas. Surge la pregunta:
cundo converge este proceso?
57
Resulta que la convergencia se puede demostrar fcilmente para las aplicaciones

de contraccin, para las cuales existe una constante A, 0 6 A < 1, tal que
<
p(Axt AY) Ap(z, y),

donde p es la mtrica del espacio mtrico completo considerado.
Las aplicaciones de contraccin poseen un nico punto fijo, al cual converge la
sucesin X, AS, A*X, ... para cualquier punto inicial x.
En efecto,
~(A~x,
< X~ (A"-'
< ... < x " ~ ( xA$).

,
X, A ~ X )
00
La serie
Anx converge. Es claro que para todo nmero
se puede indicar un
n=O
nmero N tal que p ( ~ nAmx)

~ , < E si m > N y n > N. En el anlisis matemtico
se demuestra que tales sucesiones, denominadas sucesiones de Cauchy, convergen.
Debido a la completitud del espacio analizado, toda sucesin de Cauchy converge a
un elemento 2 perteneciente a dicho espacio:
El punto
2 es un punto fijo:
~2 = A a+oo
lim An2 = lim A'+'x
n+oo
-+
=X,
Este punto fijo es nico, pues suponiendo la existencia de un segundo punto

fijo Y llegamos a una contradiccin:
A
Por cuanto X < 1, entonces p (x,Y) = 0.

Evidentemente, para el proceso iterativo analizado tenemos
4
Aqu la barra perpendicular doble 11 denota la mtrica P(X,Y) z max(lXl - GI,

...,IXN - YNl),donde 3 = (Xl,. ..,XN), Y = (K,. ..,YN).
Supongamos que existe una magnitud L, denominada constante de Lipschitz, tal
4
Si para el conjunto de vectores f(@) que figuran en el proceso iterativo

se puede hallar la constante de Lipschitz, entonces el operador que determina la
solucin de la ecuacin diferencial se puede convertir en un 'operador de contraccin:
IIx
"Sfl
<
(T) - ZS(~)IIJ L
11%'
- XS-'II d r < LT max IIXS(~)- x"S-1 (T)/I,

OQrGT
para lo cual es suficiente elegir el intervalo analizado de modo que LT < 1.

Precisando los detalles relacionados con la completitud del espacio de las
funciones continuas y con la eleccin del conjunto para el cual existe la constante
de Lipschitz, se puede obtener el teorema de Picard-Lindelof.
Captulo 3
58
Sean X , F E R ~ Supongamos
.
que la funcin F (t, 2) es continua en el paraleleppedo R: O t a, 12- fOl b, y cumple la condicin de Lipschitz
respecto a 2. Supongamos adems que M es la cota superior de I@(t, 2) en R
y que T = min (a, blM). Entonces, el problema de Cauchy
<
< <
tiene una iinica soluci,~2 = 2(t) en el segmento [O, TI.
Pasemos ahora al mtodo de resolucin analtica del sistema de ecuaciones (3.15). Estas ecuaciones son vlidas en cualquier sistema de coordenadas
cartesianas. Para simplificar el anlisis posterior, elijamos este sistema de tal
modo que z(0) = O, v,(O) = O. Pero, entonces, a partir de la tercera ecuacin
dv
se deduce que tambin 2 = 0, por lo que el movimiento tendr lugar en
dt
el plano (x,y). Este movimiento es descrito por cuatro ecuaciones de primer
orden, las cuales se pueden reducir a la forma
Pasemos a coordenadas polares x = r cos (o, y = r se11 (o, y tengamos

presente que
5 = >' COS p - r+ sen (o,
x = r cos (o - 2r@sen (o - r p2 cos (o - r p sen (o,

y = ~ s e n ~ + 2 r ~ c o-sm,b2sencp+
(o
ryicos(o.
Esto permite reescribir las ecuaciones analizadas:
Multiplicando la primera ecuacii~por - sen (o, la segunda por cos cp,

y sumndolas, obtenemos
2r9 ryi = 0.
Despus de la multiplicar por r, esta expresin se puede integrar:
El sentido de esta igualdad se ilustra en la figura 3.3, en la cual se muestran

los vectores de posicin del planeta en los instantes t y t dt. El rea que
barre el vector de posicin en un tiempo dt es igual a ;r 2 A(o con una

L
precisin de hasta los infinitsimos de rdenes superiores. De la igualdad
59
Modelos motemticos no-lineales elementales
.-
obtenida se deduce la segunda ley de Kepler: el vector de posicin describe

reas iguales en intervalos de tiempo iguales. Esta misma magnitud es
proporcional al producto vectorial [T x ] o M = [F x $1, donde #= m5 es
la cantidad de movimiento. La magnitud M se denomina momento angular.
De los clculos realizados se deduce que este momento se conserva para
cualquier fuerza central.
Multiplicando la primera ecuacin por cos p y la segunda por sen (o,
tenemos
Expresando @ mediante el momento angular
();= -)
mr2
y sustituyendo
en la ltima frmula, hallamos
donde la funcin U = --m

T
dU
( F = - %) se denomina potencial.
Multipliquemos la ltima expresin por r y tengamos en cuenta que

d
ds
=
( m 2 ) y z-(r) = -e, donde g es una funcin arbitraria
dt 2
dr
de r . De aqu resulta
Consiguientemente, la magnitud entre parntesis, denominada energa total

del sistema y denotada mediante E, es constante.
Podamos haber escrito esta ltima igualdad desde el inicio utilizando la
ley de conservacin de la energa y que la energa potencial es igual a U ( r )y
1
la energa cintica, a ;
m (?'2 +r 2 i 2 ). La expresin entre parntesis representa
L
la velocidad total del planeta. La magnitud r es la componente a lo largo del
vector de posicin, y r @es la componente ortogonal (fig. 3.3). La expresin
para el cuadrado de esta velocidad se deduce del teorema de Pitgoras.
De la igualdad (3.23) se deduce que
Despus de separar variables esta ecuacin se puede integrar:
Captulo 3
60
Utilizando la igualdad (3.22) se puede hallar la forma de la rbita:
Consecuentemente,
a
r
Dado que U = --m,
obtenemos
dz
- arccos z
fi
+ const,
donde
M
r
z=---
m2a
, c = 2mE+
rn2a2
M2
-.
En conclusin,
cp = arccos
+const.
Eligiendo el origen de coordenadas de modo que la constante sea igual a

cero obtenemos la ecuacin de la rbita:
P
M*
-=l+ecosp,
donde p = r
rna
De la geometra analtica se sabe que para e < 1 (E < O) sta es la ecuacin
m
m
'l
'l
. La dependencia de
de una elipse con semiejes a = 7
y b=
1-e
Jc-2
la coordenadas respecto al tiempo est dada por la integral (3.24), bien
por una expresin ms elegante; pero implcita.
Comparemos los dos mtodos analizados teniendo en cuenta los
ejemplos citados.
La ventaja de la estrategia relacionada con la utilizacin de mtodos
numricos es la simplicidad. Un algoritmo no muy complicado y fcil de
programar proporciona, en principio, una solucin del problema planteado.
Su otra ventaja es la universalidad. Compliquemos un poco el problema
suponiendo que tenemos no dos, sino tres cuerpos. Por ejemplo, una
61
.-
estrella, un planeta y un asteroide. Si se procede en el marco de los

analticos puros, este problema, planteado ya por Newton y
~oincar,representa grandes dificultades incluso en el caso ms simple,
cuando el planeta se mueve por una circunferencia.
Entre tanto, la resolucin numrica
i
la cual describe la interaccin gravitatoria de j cuerpos (mk es la masa,

Fk es el vector de posicin, yik es la distancia entre ellos, G 5 - f k ) es,
en esencia; tan simple como el anlisis numrico del problema de los dos
cuerpos.
Sin embargo, por este mtodo generalmente aparecen problemas serios.
En primer lugar, al obtener los resultados del clculo para los valores
dados de las constantes, no recibirnos ninguna informacin sobre otras
posibilidades, sobre la dependencia de la solucin respecto a los parmetros.
Sobre estas bases es difcil sacar alguna conclusin general.
En los casos analizados las leyes de la naturaleza fueron formuladas
mediante ecuaciones diferenciales, mientras que en la resolucin numrica se
estudiaron otros objetos: aplicaciones de dimensin finita. Surge el problenza
-de correspondencia entre los modelos discreto y continuo del fenmeno
estudiado (la aplicacin construida tambin se puede considerar como un
modelo del proceso en cuestin).
Para subrayar la seriedad del problema surgido aqu, destaquemos lo siguiente. Al construir un modelo discreto, generalmente existe la posibilidad
de conservar algunos de los rasgos ms importantes del modelo continuo
(evidentemente,en diferentes problema estos rasgos son diferentes).
En muchos modelos matemticos de la fsica tienen uilvalor crucial
las leyes de conservacin. En el modelo continuo de la interaccin de una
estrella y un planeta se conservan el momento y la energa. No hay ninguna
razn para pensar que en el modelo discreto elemental, construido sobre la
base del mtodo de Euler, estas magnitudes tambin se conservarn. El que
no se conserven puede alterar considerablemente la trayectoria para tiempos
caractersticos grandes.
La ventaja del enfoque analtico consiste en que, utilizando procedimientos elementales del anlisis matemtico y la geometra analtica, se
logra hallar la frmula general de la solucin. En ella se ve claramente
cmo depende la solucin de los datos iniciales y de los parmetros del
problem. Adems, tambin se pueden hallar las simetras internas del
problema relacionadas con las leyes de conservacin.
La solucin expuesta deja una sensacin de grandes posibilidades
del desarrollo posterior de la teora, lo cual en gran medida es cierto.
ck
62
Captulo 3
En particular, se puede demostrar que para E > O el movimiento describe

una hiprbola y que en este problema existe otra integral de movimiento:
A
aT
[v' x M ] + - = const. Analizando los valores a de signo contrario

T
(repulsin) se puede obtener la frmula de Xutherford para la dispersin de
partculas cargadas, la cual desempea un papel muy importante en la
fsica atmica. Adems, utilizando los mtodos asintticos se puede intentar
considerar la influencia de otros planetas sobre el planeta dado. Siguiendo
este camino, en 1846 Adams y Le Verrier predijeron la existencia del planeta
Neptuno a partir de las irregularidades del movimiento de Urano. Se puede
decir que este programa de investigacin determin en gran medida el
desarrollo de la matemtica aplicada hasta principios del siglo XX.
Entre los defectos de las soluciones analticas expuestas se pueden
sealar los siguientes. Se obtuvo una solucin de un sistema dinmico.
Es muy pequeo el nmero de ecuaciones en las que se separan las
variables y se logra pasar de un sistema de seis ecuaciones a una sola
ecuacin. Es tambin muy limitado el campo de aplicacin de los mtodos
asintticos.
Adems de esto, no debe forrnarse la imagen de que la solucin analtica
hallada permite evitar por completo la utilizacin de los mtodos numricos.
En efecto, la frmula (3.24) expresa la dependencia de r respecto a t
implcitamente. Esto significa que al realizar clculos concretos hay que
utilizar la integracin numrica o, por lo menos, la resolucin numrica de
ecuaciones trascendentes.
La concepcin del experimento computacional est relacionada en gran
medida con el intento de unificar ambos enfoques. Regresemos al problema
del movimiento de un planeta alrededor de una estrella. Sera mucho
ms razonable destacar inicialmente las leyes de conservacin presentes
en 4 problema, despus pasar a. las ecuaciones para T y @, y solo
al final analizarlas numricamente. Esto conducira a que en el modelo
discreto se conservaran automticamente los anlogos de la energa y
del momento. Adems, la utilizacin de mtodos numricos de rdenes
superiores (por ejemplo, el mtodo de Runge-Kutta de cuarto orden) podra
aumentar significativamente la precisin del clculo. La existencia de una
solucin analtica simple (por ejemplo, para e = O, cuando el movimiento
ocurre por una circunferencia) tambin es muy til. Esta solucin se puede
utilizar como patrn de prueba: calculndola con computadoras se podra
comparar el resultado con la solucin exacta. Esto ayudara a estimar
la precisin del clculo y elegir de manera ptima el paso temporal T .
La elaboracin de los programas correspondientes depende en gran medida
de cun grande es la clase de problemas del tipo que vamos a analizar.
Cuanto mayor sea esta clase tanto ms efectivo y universal deber ser el
software.
63
Nosotros hemos enumerado slo una pequea parte de las preguntas

que surgen durante el planteamiento de un experimento computacional.
Su anlisis exige generalmente grandes esfuerzos de los especialistas en
simulacin matemtica. Sin embargo, en muchos casos, no existen ms
que el experimento computacional.
A pesar de su carcter antolgico, esta clase de problemas sigue
estudiada activamente por los especialistas de la ciencia no lineal.
La complejidad del problema de los tres cuerpos fue comprendida ya
por H. Poincar. La posibilidad del surgimiento de complejas trayectorias
caticas en este problema y la inestabilidad respecto a los parmetros,
han exigido numerosos experimentos computacionales y la elaboracin de
mtodos matemticos profundos. Adems, en las ltimas dcadas se han
descubierto nuevas soluciones paradjicas para un sistema de cuerpos que
interaccionan en correspondencia con la ley de gravitacin universal. Result
que es posible colocar en el espacio cinco cuerpos (sin referirnos ya a un
nmero ms grande de objetos), de tal manera que todos ellos se alejarn
hasta el infinito en un tiempo finito. Aqu tambin los resultados rigurosos
fueron precedidos por clculos computacionales.
E l programa de investigacin de Henn Poincar

La ampliacin del arsenal de modelos matemticos a finales del siglo XIX y,
en particular, la necesidad del anlisis de los modelos relacionados con el
control de los sistemas mecnicos, condujo a la aparicin de nuevas ideas.
Muchas de estas ideas, las cuales desempearon un papel' determinante en
el desarrollo de la simulacin matemtica y en la creacin de nuevas ramas
de la matemtica, fueron propuestas por Henri Poincar. Veamos algunas
de estas ideas, las cuales sern analizadas posteriormente con mayor detalle
y utilizadas en el anlisis de diferentes fenmenos no-lineales.
Los atractores y e l anlisis cualitativo de Los sistemas dinmicos. En el

siglo XIX los esfuerzos principales de los investigadores estaban dirigidos
al anlisis de los modelos matemticos de los sistemas cerrados, es decir, de
los sistemas incapaces de intercambiar energa con otros sistemas, y cuya
energa propia se conserva. Como ejemplo de stos pueden servir el pndulo
matemtico y el movimiento de un planeta en el campo de una estrella.
Denominaremos a tales sistemas conservativos (ms tarde analizaremos otras
formulaciones ms rigurosas).
En los sistemas conservativos los datos iniciales no pueden ser olvidados~. Analicemos las trayectorias de fase del oscilador armnico
mx + Icx = O, las cuales muestran cmo puede cambiar con el tiempo
el estado del sistema en el plano (x, x ) . Se puede suponer que m es la maca
64
Captulo 3
b)
a)
Fig. 3.5. Ejemplo de sistema conservativo (oscilador armnico): a ) trayectorias de fase

(en este caso son elipses); 6) potencial del sistema
de un peso en un resorte de rigidez k. El punto que representa el estado

del sistema dinmico se mueve por una elipse correspondiente a la energa
dada (fig. 3.5 a). El punto no puede pasar a otra curva cerrada. La energa
potencial en este sistema est dada por la parbola cuadrtica U = kx2/2
(fig. 3.5 b). Los puntos de interseccin de esta curva con la lnea E = const
determinan la amplitud de las oscilaciones del oscilador.
Pero si tenemos en cuenta procesos disipativos tan dbiles como se quiera, por
ejemplo, el rozamiento viscoso, el cual se describe por,el trmino F = -7x,
Fig. 3.6. Ejemplo de sistema disipativo (oscilador armnico con rozamiento ,viscoso). En este caso Las
trayectorias de fase son espirales
entonces el cuadro cambia considerablemente. Buscando la solucin en forma de funcin

exponencia1 X ext,obtenemos
N
Consiguientemente, x(t) + O independientemente de los datos iniciales.

Las trayectorias de fase para este caso se muestran en la figura 3.6. Como
se observa, las trayectorias de fase se enrollan por una espiral hacia
el origen de coordenadas. Este sistema, as como los modelos de otros
sistemas, denominados disipativos, no posee integrales de movimiento o
magnitudes que se conserven. Independientemente de los datos iniciales,
con el transcurso del tiempo en ellos surge un mismo regimen estacionario.
Poincar propuso centrar la atencin no en los procesos transitorios,
sino en los regmenes estacionarios, es decir, en el comportamiento asinttico
65
.de las soluciones cuando t + m. Dado que la imagen matemtica de los
estacionarios es un conjunto de atraccin en el espacio de fase
(un atractor) entonces lo ms importante, segn Poincar, son las particularidades cualitativas de los atractores. En particular, es importante saber si el
atractor describe regmenes estacionarios variables, regmenes peridicos u
otros ms complejos. Son esenciales el nmero y tipo de atractores, as como
el conjunto de datos iniciales desde los cuales se llega al atractor dado. Estos
conjuntos se denominan regiones de atraccin del atractor. Precisamente la
teora cualitativa de las ecuaciones diferenciales analiza estos problemas. Los resultados de esta teora son muy generales. Ellos muestran que una cantidad
enorme de sistemas disipativos no-lineales se comportan de igual manera.
Supongamos que la ecuacin
tiene solucin ~ ( t acotada

)
en O < t < oo. Entonces, independientemente
de la funcin f que se tome, siempre surgir una curva integral del mismo
)
montonamente al estado de equilibrio z*.
tipo. La funcin ~ ( t tiende
En el caso de un sistema de dos ecuaciones diferenciales ordinarias
autnomas
dx
dy
dt = h(z, y),
=
g(2,
y
)
,
dt
el atractor puede ser tambin un punto singular estable (fig. 3.7a). Sin
embargo, existe una segunda posibilidad. El atractor en un sistema disipativo
de dos ecuaciones diferenciales ordinarias no-lineales puede describir un
movimiento peridico estacionario:
lim ~ ( .=
t )X(t),
t+oo
X(t+T)=X(t),
-
- -
- - - - - . .
lim y(t) = Y(t),
t+oo
Y(t+T)=Y(t).
-
(3.30)
La magnitud T en estas frmulas se denomina perodo de la solticin. En este

caso el atractor se denomina ciclo lmite estable. En el espacio de fase,
a este atractor le corresponde una curva cerrada (fig. 3.7 b). No existen otras
variantes, sin importar que funciones g y h tomemos.
De lo dicho queda claro cun importante es el anlisis cualitativo para
la simulacin de los fenmenos no-lineales. Por ejemplo, si observamos
un proceso oscilatorio estacionario en un sistema disipativo y no hay una
accin exterior peridica, entonces para su simulacin son necesarias, como
mnimo, dos ecuaciones diferenciales ordinarias autnomas. Si se observa
un rgimen con dos frecuencias (durante el cual, por ejemplo, una de las
variables puede variar segn la ley x(t) = sen w,t sen w2t) O un rgimen
catico, entonces el sistema debe tener no menos de tres ecuaciones.
El valor del anlisis cualitativo en los problemas aplicados comenz a
ser comprendido en los aos 30 del siglo XX, en relacin con la investigacin
66
Captulo 3
Fig. 3.7. Tipos de atractores en -un sistema autnomo de dos ecuaciones diferenciales
ordinarias. A La izquierda se muestran las curvas integrales y a la derecha, la forma
caracterstica de las trayectorias de fase: o) punto singular estable; b) ciclo lmite
y construccin de los sistemas radiotcnicos. En aquellos aos los fsicos

descubrieron que el funcionamiento de los osciladores y de otros aparatos
electrnicos est estrechamente relacionado con la realizacin de regmenes
descritos por ciclos lmites estables. Surgi la teora de oscilaciones. Ms
adelante analizaremos algunos de sus modelos fundamentales.
Anlisis local de los sistemas dinmicos. Durante la resolucin de ecuaciones algebraicas es un hecho frecuente que un cambio de variables acertado
desempee un papel fundamental. Por eso es natural buscar tales cambios
de variables en las ecuaciones diferenciales, que permitan reducirlas a formas ms simples. Es de esperar que sea imposible hallar semejante cambio
de variables para todo el espacio de fase (globalmente). Sin embargo, si se
considera el problema localmente, en un entorno pequeo del espacio de
fase, entonces podemos tener esperanzas de xito.
En efecto, consideremos las trayectorias de fase que figuran en este
libro. Su forma tpica lejos de los puntos singulares es aproximadamente la
mostrada en la figura 3.8a. Se puede suponer la existencia de un cambio
de variables (x, y) -+ (x', y') que <<enderece
las trayectorias de fase y les
transmita la forma mostrada en la figura 3.8 b.
El ltimo campo vectorial, es decir, el conjunto de vectores P del espacio
de fase, corresponde a la ecuacin diferencial elemental
67
Fig. 3.8. Lejos de los puntos singulares e l campo vectorial puede ser enderezado Localmente mediante un cambio de variables: a) campo vectorial inicial;
6 ) campo vectorial enderezado
Y, de hecho, existe el teorema de evderezarniento de u n carnpo vectorial. Este

teorema afirma que existe una aplicacin h que transforma cierto entorno G
de un punto X del espacio de fase N-dimensional V' del sistema (3.17), en
un entorno del punto = h ( 2 ) del espacio de fase V del sistema
En este caso la aplicacin h y la aplicacin inversa h-' son biunvocas y
se realizan mediante funciones diferenciables. Tales aplicaciones se denominan difeornoufismos. Se supone que el punto 3 no es singular. De este modo,
lejos de los puntos singulares todos los sistemas dinmicos son localmente
equivalentes a la ecuacin diferencial elemental.
Hemos visto que la estabilidad de los puntos singulares de la ecuacin
x = f(x) est determinada por el trmino lineal, cuando la derivada
correspondiente es diferente de cero. Por eso podemos esperar que aqu
tambin exista la posibilidad de una reduccin a la forma cannica, lo cual
significa la posibilidad de una clasificacin. Eii efecto, lo ms natural es
relacionar con una misma clase a todos los sistemas dinmicos reducibles
localmente a una misma forma cannica.
Adems, sera interesante analizar no una ecuacin, sino una familia
entera de sistemas dinmicos,
--
y reducir esta familia a la forma cannica en cierto entorno del espacio de

fase y del espacio de parmetros.
En este caso es muy importante la idea de la tipicidad, grosera o estabilidad
estnlctural. Esta idea surgi en relacin con el anlisis de los modelos
matemticos de los sistemas radiotcnicos, realizado por A. A. Andrnov
y L. S. Pontriaguin, y tuvo un gran desarrollo en los aos posteriores.
La esencia de la idea es muy simple. Durante la simulacin matemtica
de diferentes fenmenos nosotros conocemos los parrnetros de la ecuacin
con una precisin finita, y las ecuaciones mismas son aproximadas. Por
eso es natural exigir que los modelos matemticos sean descritos por
68
Captulo 3
-
ecuaciones cuyas propiedades cualitativas no cambien para perturbaciones

pequeas (zarandeos)de los parmetros.
Por ejemplo, si cierto proceso es
> O descrito por la ecuacin
j.=X+x,
entonces se puede considerar que cualquier sistema por separado, tomado al

azar, pertenecer o bien al caso en que
X > O y no hay ningn estado de equilibrio, o bien al caso en que X < O
y hay dos estados de equilibrio (fig. 3.9).
Un sistema con A = O se debe considerar no-tpico o no-grosero. Si semejante
I
sistema surge
durante la simulacin, enFig. 3.9
tonces se puede suponer que o bien no
se han tomado en cuenta factores fundamentales, o bien el sistema posee alguna propiedad especial (por ejemplo,
simetra) que hace que sea no-tpico.
La realizacin de la idea del anlisis local condujo al surgimiento y
desarrollo de reas de la matemtica tales como la teora de las formas
normales, la teora de las bifurcaciones y la teora de las catstrofes, las
cuales desempean un papel importante en la simulacin de los fenmenos
no-lineales. Ms adelante analizaremos en reiteradas ocasiones el campo de
aplicacin de estas ideas en la simulacin y una serie de modelos concretos
estudiados con ayuda de estos mtodos.
Anlisis global. En muchos casos es importante representar la solucin

no slo localmente, en un entorno pequeo de un punto del espacio de
fase, sino tambin globalmente. Por ejemplo, es importante saber cuntos y
cules atractores tiene el sistema estudiado, cmo puede variar el nmero y
el tipo de atractores al variar los parmetros.
Veamos un ejemplo que ilustra la idea del anlisis global. En la fsica
se conocen las leyes de conservacin de magnitudes continuas tales como la
energa, la cantidad de movimiento y el momento angular. Sin embargo, junto
con stas se conocen leyes de conservacin de otro tipo. Pueden conservarse
magnitudes discretas tales como la carga barinica o la carga elctrica.
Esto significa que asignando cierta carga qi a cada partcula y sumando
respecto a todas las partculas pertenecientes a cierto sistema cerrado,
69
.-
descubriremos que la magnitud de la carga total Q se conserva. Esto impone limitaciones serias a los procesos posibles en la naturaleza. Si en un
sistema nace un barin con carga +1, entonces debe nacer un antibarin
con carga -1, un electrn puede nacer slo en pareja con un positrn.
~ o s t r e m o sque para la ecuacin x = v ( x ) tiene lugar una situacin
Supongamos que O < x 2n, v(0) = v(27r). En este caso los segundos miembros son peridicos y el espacio de fase es una circunferencia.
Mostremos que aqu tambin se puede introducir un anlogo de la carga.
Diremos que un estado de equilibrio xi ( f ( x i )= O ) tiene carga topolgica qi
dv(xi)
dv(~j)
~ V ( .)
X
igual a -1 si -< 0, igual a +1 si -> O, e igual a O si A - O.
.
dx
dz
dz
La suma respecto a todos los estados de equilibrio de tales sistemas se f (")
denomina carga topolgica del sistema y
A
se denota mediante el smbolo Q =
qi.
i
Demostremos que para todos los sistemas
dinmicos con -funcin v (x) continua, la f 4
a)
carga topolgica es igual a cero.
En el caso elemental, cuando v ( x ) es
una magnitud constante, tenemos que
Q = O (fig. 3.10 a). Demostremos que este
valor no cambia al deformar continuamente la funcin v(x). Se puede razo- f (x)
nar del siguiente modo. Supongamos que
A
v ( x ) es un hilo sujeto a los puntos A y B
(fig.3.10 b). Vamos a tensar paulatinamente este hilo. Mientras no cambie el nmero
de estados de equilibrio, la magnitud Q
no vara: Para
longitud del <<hilo Fig* 3.10. AL {(tensar e l hilo>) la carga
topolgica del sistema no cambia
surge la situacin mostrada en la figura 3.10 c (curva 2), desaparecen simultneamente dos estados de equilibrio. En el instante de desaparicin, la carga
topolgica del estado de equilibrio z* es igual a cero. Despus de desaparecer los dos estados, uno con carga +1 y el otro con carga -1, la magnitud Q
sigue siendo la misma que antes de la deformacin. Actuando de la misma
manera para el caso general, cuando tenemos un ninero finito arbitrario
de estados de equilibrio, llegamos a la conclusin de que la magnitud Q no
cambia durante una deformacin continua. Por cuanto Q = O para el caso
mostrado en la figura 3.10n, esta magnitud ser la misma tambin en los
dems casos. As pues, la carga topolgica para tales sistemas se conserva.
Razonamientos ms profuridos y de mayor contenido, los cuales se
apoyan en el concepto de continuidad y en la posibilidad de analizar las
<
Capitulo 3
70
propiedades de los objetos geomtricos que son invariantes respecto a las

transformaciones continuas, son precisamente los que yacen en las bases de
la topologa. Henri Poincar consideraba a la topologa, o geometra de la
posicin)),como una de las partes del anlisis ms abstracta y compleja. Los
mtodos topolgicos han permitido obtener qna serie de resultados generales
importantes, relacionados con grandes clases de modelos matemticos
no-lineales, as como predecir una serie de fenmenos fsicos nuevos.
El valor del programa de investigacin de Poincar en el desarrollo de
las ciencias naturales y en la investigacin de los fenmenos no-lineales,
result ser muy grande. Slo con la aparicin de las computadoras se logr
obtener respuestas profundas y de contenido a muchas de las preguntas
planteadas a inicios del siglo XX. Esto condujo a la aparicin de una
nueva generacin de modelos matemticos no-lineales, a un nuevo nivel de
comprensin de muchos fenmenos de la naturaleza, al nacimiento de la
ciencia no-lineal.
--
1. El volumen de una burbuja de gas formada como resultado de una explosi6n

submarina profunda, oscila con perodo proporcional a papbIZC,donde p es la
presin, p es la densidad del agua y E es la energa total de la explosin.
Hallar a, b, c.
2. Hallar cmo una fuerza que acta sobre una esfera que se mueve en un lquido,
depende del radio r, de la velocidad v y de la viscosidad v . La dimensin de
la viscosidad es kg m-' S-'.
3. Un peso de masa m unido a un resorte de rigidez k realiza oscilaciones en
un lquido. Cun grande debe ser el coeficiente de rozamiento viscoso 7 para
que el peco se mueva sin oscilar hacia la posicin de equilibrio?
4. Supongamos que todas las escalas espaciales en el Sistema Colar han variado
/3 veces. Cunto variarn Ias-escalas temporales?
5. Puede abandonar el Sistema Solar una nave espacial que se mueve con la
velocidad de un avin de reaccin?
6. La ecuacin ms simple que describe oscilaciones no-lineales es la ecuacin
de Dufing x w2z px3 = O. Suponiendo que p < O, hallar el perodo de
las oscilaciones pequeas. Para que valor de la energa el perodo tiende a
infinito?
2
7. Investigar las oscilaciones en el sistema 2 - = O, donde la fuerza restauradora
t2
disminuye con el tiempo.
-
+S + x
8. Investigar las oscilaciones en el sistema x 7 Ti = 0, d"de

la fuerza
u
w
restauradora y el coeficiente de rozamiento viscoso disminuyen con el tiempo.
9. Cul debe ser al fuerza que acta sobre un punto material para que la
solucin numrica de las ecuaciones diferenciales obtenida por el mtodo de
Euler, coincida con la solucin exacta?
71
10. Suponiendo que p es un parmetro pequeo en la ecuacin de Duffing, hallar

la dependencia de las oscilaciones pequeas respecto a este parmetro.
11. Imaginmonos que la Tierra es un cuerpo slido de densidad constante p. Si se
practica en ella un orificio que pase por su centro y luego se deja caer una
piedra, qu suceder?
12. Analicemos el movimiento de las particulas en un campo central con potencial
U(r) = Arn. En qu caso una particula que se mueve en dicho campo puede
caer al centro?
13. Demostrar que durante el movimiento en un campo central con potencial
a
aF
U = - la magnitud [u x M] - se conserva. (Recordamos que M = m[fv'].)
r
r
14. Investigar el movimiento de un punto material en un campo central con
potencial U = a r 2 .
15. El problema de la determinacin del perodo de oscilaciones T ( E ) en funcin
de la energa E para un potencial dado U ( x ) , se puede considerar como un
problema directo. Se puede resolver unvocamente el problema inverso, es
decir, la determinacin del potencial U ( z )a partir de la dependencia dada T(E)?
16. Existe algn potencial en el que las oscilaciones poseen la propiedad de isocronismo, es decir, su perodo no depende de la amplitud de las oscilaciones?
17. Se puede esperar que e1 comportamiento de una partcula clsica (cuyo movimiento se describe mediante la segunda ley de Newton) y el de un objeto cuntico (el cual se describe mediante la ecuacin de Schrodinger) se diferencien considerablemente en ciertos potenciales? Puedo citar ejemplos de tales potenciales?
18. Un pndulo matemtico es desviado de su posicin superior en un ngulo
pequeo E . Cmo depende el perodo de oscilaciones respecto al parmetro E?
19. Imaginmonos que en cierto instante el ndice de la potencia en la ley de la
gravitacin universal cambi, y que la constante G cambi de tal manera que
la aceleracin de cada libre en la superficie de la Tier1.a sigue siendo la misma.
Cmo vara en este caso el mundo que nos rodea?
20. Los especialistas en teora de la evolucin afirman que el insecto ms grande que ha existido fue la liblula gigante. La envergadura de sus alas era
igual a 70 cm y vivi en el perodo carbonfero de la era paleozoica. Por qu
no han habido insectos de mayor tamao?
21. Cules expresiones adimensionales se pueden obtener a partir de tales constantes universales como la carga del electrn e, la constante reducida de
Plaack A, la constante gravitatoria G , la velocidad de la luz e y la masa del
electrn m? Cules son sus valores? Qu significan estas constantes?
Los mtodos de semejanza y de dimensiones en la investigacin de diversos

fenmenos no-lineales se analizan en el libro:
Sedov L. 1. Similarity and Dimensional Methods in Mechanics. Academic Press,
1959.
72
Captulo 3
Los mtodos asintticos de resolucin de diferentes problemas fsicos se estudian

en los libros:
* Nayfeh A. H. Perturbation Methods. John Wiley, 1973;
Migdal A. B. Qualitative Methods in Quantum Theory. Benjamin, 1977;
Andrinov 1. V., Barntsev R. G., Manivich L. 1. Matemtica asinttica y sinergtica. Editorial URSS, 2004 (de prxima edicin en espaol en nuestra editorial).
El modelo del pndulo matemtico considerado desempea un papel fundamental
en la teora de la resonancia no-lineal:
Zaslavsky G. M. Chaos in Dynamic Systems. Harwood Academic Press, 1985.
Muchos problemas relacionados con el movimiento en un campo central se analizan
en los cursos de mecnica terica:
Landau L. D., Lifshifz E. M. Mecnica. Revert, 1970;
Goldstein H. Mecnica clsica. Aguilar, 1963.
Ambos modelos estudiados pertenecen a los sistemas de Hamilton. A diferencia de
los sistemas disipativos, los cuales se analizan en este libro, aqu surgen problemas
y mtodos de investigacin especiales. Sobre ellos se trata en los libros:
Lichtenberg A. l., Lieberman M. A. Regular and Chaotic Dynamics. SpringerVerlag, 1992;
Sagdeev R. Z., Usikov D. A. Zaslavsky G. M. Nonlinear Physics: From the Pendulum to Turbulence and Chaos. Hanvood Academic Press, 1988.
Los mtodos numricos de integracin de ecuaciones diferenciales ordinarias se
describen en los textos:
Samarski A. A. Introduccin a los mtodos numricos. MIR, 1986;
Kalitkin N. N. Mtodos numricos (en ruso);
Bakhvalov N. S. Mthodes numriques. MIR, 1984.
La demostracin del teorema de enderezamiento de un campo vectorial se expone
en el curso:
Arnold VI 1. Ecuaciones diferenciales ordinarias. Rubios, 1994.
La nocin del programa de Poincar, en cuya realizacin desempea un papel
fundamental el experimento computacional, se presenta en los libros:
* Guckenheimer l., Holmes l? Nonlinear oscillations, dynamical systems and bifurcations of vector fieldes. Springer-Verlag, 1990;
Ajromiyeva T. S., Kurdimov S. P., Malinietski G. G., Samarski A. A. Estructuras
no-estacionarias y caos difuso (en ruso).
Sobre el lenguaje utilizado durante la descripcin y construccin de los modelos
matemticos no-lineales se narra en los libros:
* Trubetskov D. 1. Introduccin a la sinergtica. Caos y estructuras. Editorial URSS,
2004 (de inminente edicin en espaol en nuestra editorial);
* Malinietski G. G., Potpov A. B. Problemas actuales de la dinmica no-lineal.
Editorial URSS, 2002 (de inminente edicin en espaol en nuestra editorial).
Atractores de La ecuacin x = v ( x )
Intente ejecutar piezas fciles correctamente. Esto es mejor que interpretar piezas
difciles mediocremente.
Teora cualitativa de la ecuacin
= =(E)
La ecuacin x = V(X) con la condicin inicial x(0) = x, es un objeto

matemtico notable, pues para ste se puede realizar una investigacin
cualitativa detallada, es decir, determinar todos los atractores, demostrar que
precisamente hacia ellos convergen las trayectorias cuando t + m, y sealar
para qu condiciones iniciales se llega a cul atractor. Antes de ocuparnos
del estudio de estas preguntas, recordeinos los conceptos fundamentales
de la teora de ecuaciones diferenciales ordinarias y analicemos algunos
problemas que conducen a ecuaciones de este tipo.
Las ecuaciones diferenciales como modelos rnatem3ticos. Supongamos

que queremos construir un modelo matemtico de un objeto que posee las
propiedades siguientes.
1. El objeto puede ser caracterizado unvocamente mediante un conjunto
finito de nmeros x,,. . . ,x,. Estos nmeros se denominan variables
de fase. El espacio al que pertenecen las variables de fase se denomina
espacio de fase, y el valor N, ntmero de grados de libertad.
2. El estado del objeto puede variar con el tiempo t, es decir, todos'los
nmeros x,, ... ,x, dependen solamente de una variable independiente.
El comportamiento del objeto es determinstico: el estado del sistema
estudiado depende nicamente de su prehistoria, es decir, de los valores
x,, . . . ,XN' en los instantes anteriores.
3. Todas las dependencias x,(t), . . ,xN(t) son funciones suaves (diferenciables) de la variable independiente t .
4. La velocidad de fase del objeto estudiado xl(t), . ..,2N(t) puede depender slo de las variables de fase x,(t), .. . ,xN(t) y del tiempo t,
t2
pero no de xi(t - r ) , 1xi(z) dz, etctera.

t1
74
Captulo 4
Los nmeros zl,

.. .,xN se pueden interpretar como las coordenadas
de un punto que se mueve en el espacio de fase. En este caso la magnitud
di?/& = Pi se denomina velocidad o velocidad de fase.
En la teora de ecuaciones diferenciales ordinarias se consideran conocidos los vectores de velocidad en los puntos del espacio de fase. El conjunto
de tales vectores se denomina campo vectorial.
La tarea de la teora de ecuaciones diferenciales ordinarias consiste
en hallar a partir del campo vectorial i? y de la posicin inicial 2(0)
la trayectoria 5(t) del punto en el espacio de fase (la dependencia de
las coordenadas del vector 2 respecto al tiempo t). Dicha trayectoria se
denomina curva in tegrnl.
En otras palabras, es necesario hallar la trayectoria 5(t)que satisface la
ecuacin diferencial
di?
-=g
dt
y la condicin inicial ?(O) = Z0. Ms adelante ilustraremos estos conceptos
con varios ejemplos, pero inicialmente hagamos un comentario referente a
la terminologa.
Comentario. Si el campo vectorial G E {vi, ... ,vN} depende solamente del vector 2
y no depende explcitamente del tiempo, el sistema de ecuaciones diferenciales se
denomina autnomo. En este caso la dimensin del espacio de fase coincide con el
nmero N de componentes del vector 5.
En caso contrario, es decir, si = Y(& t), el sistema de ecuaciones se denomina
no-autnomo y el espacio de fase zl, .. . ,XN, t, tiene dimensin N 1. En realidad,
este caso se reduce al anterior, lo que se puede verificar agregando al sistema
d x ~ f l- 1. Esto permite escribir el campo vectorial en la forinicial la ecuacin dt

.
...,ZN, xNfl), 1) y convertirlo en un sistema
ma (vl(xl,. .. ,x ~x ,~ + ~ .).,,vN(x;,
autnomo. En algunos libros, al analizar los sistemas no-autnomos, al conjunto de
p u n t o s {xl,.. . ,xN} lo llaman espacio de fase, y al conjunto {xl,. ..,x ~t),, espacio
de fase anipliado.
Ejemplo. Reaccibn autocataltica elemental. Del curso escolar de qumica se conoce

la ley de accin de masas, vlida para muchas reacciones qumicas que transcurren
en fase gaseosa o lquida. En una reaccin en la que dos sustancias X e Y reaccionan
para producir una tercera sustancia Z (X Y -+ Z), la velocidad de variacin de la
concentracin de la sustancia Z es proporcional al producto de las concentraciones
de las sustancias X e Y. El coeficiente de proporcionalidad le se llama constante de
la reaccin. Denotando mediante X, Y, Z las concentraciones (nmero de molculas
por unidad de volumen) de las sustancias correspondientes, se puede escribir
En efecto, para que la reaccin tenga lugar, las molculas de la sustancia X deben
chocar con las molculas de la sustancia Y. Es claro que la probabilidad de que esto
Atractores de la ecuacin 2 = v(z)
75
ocurra es proporcional
- al nmero de molculas de X por unidad de volumen (es decir,
a la concentracin
- X). De igual manera, esta probabilidad debe ser proporcional a la
Y . El coeficiente de proporcionalidad k depende de las dimensiones
de las molculas, de sus velocidades, etctera. Esto es lo que refleja la frmula (4.1).
Sin en la reaccin interaccionan n molculas de X con una molcula de Y, entonces
la variacin de la concentracin de la sustancia Z es proporcional a XnY.
Consideremos una reaccin ms compleja:
C1
La reaccin total tiene la forma A S B. En el transcurso de esta reaccin la sustancia

A se transforma en la sustancia B pasando por un producto transitorio X. Las
molculas de la sustancia X se producen con la participacin de molculas del
mismo tipo X como catalizador. Tales reacciones se denominan autocatali'ticas. Estas
reacciones se describen mediante dependencias no-lineales respecto a algunas de las
concentraciones.
En el esquema de la reaccin se han tomado en consideracin no s610
las reacciones directas, cuyas velocidades estn determinadas por las constantes
k, y k,, sino tambin las reacciones inversas, cuyas constantes son k2 y k,,
respectivamente. Veamos el caso ideal de un sistema abierto. Suponganios que este
sistema puede interaccionar con una reserva ilimitada de sustancias A y B. Entonces
las concentraciones de las sustancias A y B se pueden considerar constantes.
Partiendo de la ley de accin de masas se puede escribir la ecuacin cintica
que describe la variacin de la concentracin de la sustancia X respecto al tiempo:
z,.
Supongamos que se conoce el valor de inicial de la concentracin: X(0) =

Investiguemos los atractores del sistema, sus regiones de atracci~,as como la
y B.
dependencia de los regmenes estacionarios respecto a los parmetros
Comentario. Las reacciones autocatalticas que se describen mediante ecuaciones

no-lineales con no-linealidad cbica se conocen en la cintica qumica. En particular,
en la reaccin que tiene lugar en las capas superiores de la atmsfera, el ozono se
forma como resultado del choque de un tomo y una molcula de oxgeno:
donde M es cierta partcula cuyo papel consiste en entregar la energa liberada en la

reaccin. Adems, las expresiones para las velocidades de toda una serie de reacciones
bioqumicas pueden ser reducidas en ciertos casos lmites a la forma cbica.
Sin embargo, el significado de las reacciones autocatalticas se extiende ms all
del marco del anlisis de los sistemas qumicos por separado. Segn la concepcin
del investigador alemn y Premio Nobel M. Eigen, tales reacciones desempearon
un papel clave en el estadio prebiolgico de la evolucin. Eigen supuso que despus
de la aparicin de los biopolmeros en la Tierra, surgieron espontneamente cadenas
de reacciones cclicas, denominadas hiperciclos. En un hiperciclo, el producto final
obtenido en la ltima reaccin de un ciclo puede servir de sustancia inicial que
interviene en la primera reaccin del ciclo, o bien como catalizador. En el sistema
76
Captulo 4
.surge la posibilidad de autorreproduccin, de copia. La competencia entre los ciclos

conduce al estado que posee la mxima estabilidad ante las fluctuaciones o los
errores de copia. Los investigadores suponen que durante tal seleccin, en la cual se
realiza el principio darwinista de <(supervivenciade los ms aptos, en el sistema
debe surgir la capacidad de acumular experiencia mediante cierto (<cdigogentico
primario. Una serie de modelos de la gentica matemtica desempean un papel
clave en la teora de Eigen de los hiperciclos.
Regresemos al problema de la investigacin cualitativa de la ecuacin

Los ejemplos analizados anteriormente muestran que las soluciones de esta
ecuacin pueden tender montonamente a un valor constante,
x ( t ) -+ x* cuando t
+ oo,
v ( x * )= O
(por ejemplo, en la ecuacin logstica x = ax(1 ilimitadamente en un tiempo infinito,
2)); pueden
x ( t ) -t oo cuando t -t oo
(4-5)
crecer
(4-6)
(como en la ecuacin de Malthus); o pueden crecer en un tiempo finito t f ,
x ( t ) -+ oo cuando t + t f
(como en el modelo elemental de una reaccin en cadena x = xp, /3
(4.7)
> 1).
Teoremas de comparacin
A finales del siglo XIX los enfoques tradicionales de la matemtica clsica,
relacionados con la obtencin de soluciones en cuadraturas, con el desarrollo
asinttico y con la introduccin de funciones especiales, comenzaron a
tropezar con dificultades crecientes.
Esto-exiga nuevas ideas. Uno de los mtodos de anlisis cuyo uso
no est relacionado ni con la linealidad, ni con una u otra simetra de
la ecuacin, son los teoremas de comparacin. Los ms simple de estos
teoremas se pueden ilustrar mediante dos modelos matemticos elementales.
Movimiento de un automvil durante un rally. Supongamos que al conductor de un automvil se le entrega un grfico de movimiento donde se
indica la-velocidad v(t) que debe tener el vehculo en cada instante. Entonces
su camino x est dado por la ecuacin
Conociendo el grfico de movimiento se puede saber cul automvil

llegar primero a la meta. En muchos casos esto se logra utilizando el
siguiente teorema de comparacin, sin tener que resolver la ecuacin.
77
Atractores de la ecuacin x = V(X)
Teorema 1. Sean xl(t) y z;'(t) las sollrciones de dos ecuaciones diferenciales
con las mismas condiciones iniciales,
Si v2(t) > vl(t), entonces x2(t)2 xl(t).

El sentido de este teorema es sencillo:
p n d o en cada instante ms rpido que el
rival, se llega primero a la meta.
La interpretacin geomtrica del teorema
se presenta en la figura 4.1. En un mismo
instante t* la pendiente a de la curva x,(t) es
menor que la pendiente P de la curva x2(t).
La demostracin es evidente. Restamos la
~egundaecuacin de la primera e integramos.
t
"t
e
xl ( t )
t*
Fig. 4.1. Ejemplos de curvas integrales de Las ecuaciones diferenciales que describen e l movimiento de los automviles
El segundo miembro es la integral de una funcin positiva. Por tanto,

z2(t)2 x,(t)*
Esquiador de montaa. Supongamos que por una ruta corren dos esquiadores. Sus velocidades dependen del sector de la ruta en el que se encuentran:
v = v(x). A uno de los esquiadores se le proporciona el grfico de movimiento del otro esquiador, y l trata de vencer cada sector de la ruta ms
rpido, vl(x) > v,(x). Puede afirmarse que l llegar primero a la meta?
z1( t )y x2(t), respectivainte, lgs solucio~zesded* ecuc

ciones diferenciales ordinarias autnomas con condiciones iniciales igtiales,
Teorema 2. Sean
Si vl(z) > v2(z) para todo z,

entonces sl(t) x,(t).
>,
Este teorema se ilustra en la

figura 4.2. Aqu
= vl(x*)> tgp(x*)= v2(x*).
tg (Y(x*)
Fig. 4.2. Ejemplos de curvas integrales de

las ecuaciones diferenciales que describen e l
movimiento de los esquiadores
78
Captulo 4
En este caso, para un mismo valor x* de las coordenadas, la pendiente de la

curva xl(t) debe ser mayor que la pendiente de la curva x2(t).Sin embargo,
en determinados instantes (por ejemplo, en el instante tl) la velocidad del
segundo esquiador puede ser mayor que la velocidad del primero.
Para demostrar esto supongamos lo contrario. Consideremos que hasta
cierto instante t* esta afirmacin es vlida, pero en este instante el segundo
esquiador alcanz al primero xl(t*) = x2(t*). Recordemos el conocido
teorema de Lagrange: si una funcin f (x) es continua en un segmento [a, b]
y diferenciable en (a, b), entonces en (a, b) existe al menos un punto c tal que
f (b) - f (a) = fl(c).

b-a
As,
x1(t*- At) > x2(t*- At),
~ , ( t *=) x2(t*).
Por consiguiente,
x1(t*)- x1(t*- At)
<
x2(t*)- ~,(t*- At)
At
At
Utilizando el teorema de Lagrange llegamos a la desigualdad
V, (t* - OIAt) < v2(t*- 02At).
Pasando al lmite cuando At

resulta
-t
O y teniendo en cuenta que zl(t*)= ~ , ( t * ) ,
lo cual contradice las condiciones del teorema. Proponemos al lector analizar

por su cuenta el caso cuando t* = 0.
En la actualidad los teoremas de comparacin con un instrumento
muy efectivo de anlisis de los modelos matemticos. Supongamos que
nos interesa el comportamiento de cierto proceso descrito por el sistema
dinmico
dx
= v(x),
dt
$(O) = x,.
Supongamos, adems, que tenemos dos ecuaciones cuyas soluciones se
conocen: .
Adems, v,(y) < v(y) < v2(y) para O < y < m. En este caso, nosotros podemos encerrar la solucin en un corredor entre las funciones z,(t) y z2(t),
es decir, z1(t) x ( t ) z2(t), lo que puede proporcionar una informacin
importante sobre el comportamiento del objeto analizado.
<
<
79
Ilustremos esto mediante el ejemplo de la aplicacin del primer mtodo

de estabilidad de Liapunov para los estados de equilibrio de la ecuacin
elemental
dx
= v(x).
dt
para analizar la estabilidad de un estado de equilibrio
z* (u@*) = O) es
dv(x*)
suficiente determinar el signo de -- a (si a # O), es decir, para
dx
investigar la estabilidad de un punto singular es suficiente considerar
los trminos lineales, despreciando los cuadrticos. Utilicemos el segundo
teorema de comparacin para demostrar esto.
Para ello necesitaremos hallar en forma explcita la solucin de la
ecuacin logstica
Y =ay-py2,
(4.9)
con la cual vamos a comparar la solucin del problema dado.
Ecuacin logstica. Analicemos un poco ms detalladamente esta ecuacin,

la cual para a > O y p > O constituye uno de los modelos matemticos
fundamentales de la dinmica no-lineal. Al deducir la ecuacin de Malthus
se supuso que los recursos disponibles eran inagotables y la velocidad de
crecimiento de la poblacin no dependa del tamao de sta. Sin embargo,
es evidente que tal aproximacin est justificada slo si los recursos que
se consumen son pocos en comparacin con el volumen total .de recursos
existentes en el hbitat.
En caso contrario es necesario tomar en consideracin diversos factores limitantes. Por ejemplo, el empeoramiento de la alimentacin puede
provocar la disminucin del tiempo de vida medio de los miembros de la
poblacin y hacer que su tamafio se estabilice. El aumento de la competencia
intraespecfica y el empeoramiento de las condiciones de vida pueden influir
en el tamao de la poblacin de la especie. Todos esto se puede considerar
de manera aproximada mediante el trmino restrictivo -py2 (/3 > 0).
El grfico de la funcin f (y) = a y - py2 es una parbola cuadrtica
que corta el eje de las abscisas en los puntos y = O e y = al/.?,es decir,
ella pasa por las posiciones de equilibrio (fig. 4.3 a). No es difcil verificar
df (0)
df (alP)
< O, lo cual significa que la segunda posicin de
que -> 0 y
dy
dy
equilibrio
es estable, mientras que la primera no lo es.
La funcin f (y) describe los siguientes procesos. Cuando la poblacin
es pequea, su tamao aumenta. Sin embargo, en el sistema hay retroalimentacin negativa: cuanto ms grande es la comunidad tanto ms lento es su
crecimiento, y para f j = 0//3 deja de crecer (fig. 4.3 b, curva 1). Por otro lado,
--
Captulo 4
80
.-
Fig. 4.3. Soluciones de la ecuacin = a y - py2: a) vista de La parte derecha, correspondiente a La ecuacin logstica; 6 ) algunas curvas integrales correspondientes a esta
ecuacin; c) vista de la parte derecha, correspondiente a l modelo de una reaccin en cadena;
d ) algunas curvas integrales para este caso
si la poblacin inicial ~ ( 0superaba

)
este lmite, entonces la magnitud y(t)
comienza a disminuir (fig. 4.3 b, curva 2).
El sentido de las constantes a y B es muy simple. El coeficiente a
muestra cun rpido crece la poblacin cuando es pequea. El coeficiente P
indica cun grande puede ser el tamao lmite y.
El espacio de fase del sistema es la semirrecta y 2 O. Conforme al sentido
del problema, la funcin y ( t ) es no-negativa. Mediante el grfico de f (y)
se puede predecir fcilmente el movimiento, por esta recta, del punto que
determina el estado del sistema dinmico y = f (y). Si f (y) > O, el punto
se mueve por esta recta hacia la derecha con velocidad proporcional a f (y),
mientras que si f (y) < O, se mueve hacia la izquierda.
Modelo elemental de una reaccin en cadena. Cuando los coeficientes a

y B son negativos, la ecuacin diferencial (4.9) tambin constituye un modelo
til. Nosotros ya hemos analizado las reacciones autocatalticas y discutido
las posibles causas de la aparicin de fuen tes no-lineales. La fuente elemental
de este tipo ec la cuadrtica: -By2 ( p < 0). E1 sumidero lineal (trmino a y
81
para a! < O) puede describir la desintegracin de una sustancia (como en el

modelo de la desintegracin radioactiva), la difusin u otros procesos.
Este modelo se transforma en el anterior si se invierte el signo del
tiempo. En otras palabras, el modelo (4.9) es invariante respecto a la transformacin t -t -t, (Y -) -a, p + -p, f (Y)+ -f (Y).De esto queda claro que el
punto singular y = O es estable, y el punto y = +/?/a,inestable. La dinmica
del sistema tambin es evidente. Cuando los datos iniciales y(0) son menores
que el umbral y ( ~ ( 0<) y), las prdidas superan el crecimiento de la concentracin debido a la reaccin y entonces, y(t) -+ O. Sin embargo, si el umbral
es superado, la reaccin tendr lugar con velocidad creciente (figs. 4.3 c; d).
Aqu tropezamos con una propiedad importante, caracterstica de muchos fenmenos no-lineales: el carcter de umbral de los procesos. La superacin
de cierto valor crtico por parte de uno de los parmetros (en nuestro caso,
por parte de los datos iniciales y(0)) provoca un cambio cualitativo de la
marcha del proceso. Se puede decir que hay un paso de lo cuantitativo a lo
cualitativo.
Mediante el cambio de variables
obtenemos
o, en virtud de las condiciones iniciales,
Esta solucin concuerda completamente con las nociones intuitivas,

ya discutidas, relacionadas con el modelo logstico. En efecto, para cr > O
tenemos que eat -+ cx> cuando t -+ w (como se muestra en la figura 4.3).
Por tanto, y(t) -+ alB.
Para a < O e yo < a/P tenemos que y(t) -+ O cuando t +%o. Sealemos que en ambos casos el sistema olvida las condiciones iniciales cuando
t + m. Como veremos ms adelante, esta propiedad es comn a muchos
modelos matemticos. iPor qu se pueden omitir los trminos no-lineales?
Regresemos a la ecuacin (4.1). Hagamos el cambio de variables
x = x* Ax(t):
+
d(x*+ Ax)
1 d2f (x*+ @A%)
df (x*)
= f (x*+ Ax) = f (x*)+ -n x + (ax2),
dt
dm:
O<O<l.
dx2
82
Captulo 4
Aqu hemos supuesto que la funcin f ( z ) es suficientemente suave y tiene

derivadas primera y segunda en el segmento [x*, x* Ax], y utilizamos la
frmula de Taylor con resto en la forma de Lagrange.
De este modo,
Supongamos que la derivada segunda es acotada en este intervalo:
donde ,O y son constantes (fig. 4.4 a). Entonces se puede utilizar el teorema
de comparacin y la solucin de las ecuaciones (4.2):
df (x*)
donde 6 es un nmero suficientemente pequeo y a = -. La forma
dx
de las curvas integrales Ax(t), z,(t) y z,(t) se muestra en la figura 4.4 b.

Utilizando los teoremas de comparacin es posible .encerrar la solucin
analizada entre dos soluciones conocidas z, (t) y z2(t). Entonces,
Elijamos un nmero E. Si 6 = E
,entonces Ax(t) < E . El razonamiento
<
expuesto muestra que para a # O se pueden omitir los trminos cuadrticos.

En efecto, para a < O se tiene z,(t) -+ O y z2(t) -+ O, lo que significa que
tambin Ax(t) -+ O. Para a > O se tiene que z,(t) y z2(t) aumentan. Por
consiguiente, Ax(t) tambin crece.
e-
Fig. 4.4. Los teoremas de comparacin permiten ((encerrar)) La solucin

investigada Ax(t) entre dos soluciones conocidas z,( t ) y z,(t)
Atractores de la ecuacin x = v(x)
83
.-
El primer mtodo de Liapunov est relacionado con los problemas de

anlisis local, cuando la trayectoria se encuentra en un entorno del estado de
equilibrio. Para el anlisis cualitativo de la ecuacin 5 = v(s)es importante
comprender lo que sucede fuera de ese entorno. En el problema considerado,
esto se puede hacer mediante una funcin de Liapunov. Recordemos a rasgos
generales este enfoque, el cual se analiza detalladamente en los cursos de
ecuaciones diferenciales ordinarias.
Funcin de Liapunov. Consideremos un modelo ms general,
Supongamos que Z = O es la posicin de equilibrio y que en cierto

entorno G del origen de coordenadas est dada una funcin definida
positiva diferenciable y continua V(5). En calidad de entorno G es cmodo
tomar una bola de radio R.
Porfuncin definida positiva en G se entiende una funcin con la siguiente
propiedad: V(5) 2 O en G y V(5) = O slo para 5 = O. Para las funciones
1311 > 6 > O
definidas positivas se cumple la afirmacin siguiente: para todo 1
existe un E > O tal que V(5) 2 E . El recproco tambin es vlido. A partir
de la desigualdad V(Z) 2 p > O se deduce la existencia de una constante
v > O tal que IlZll > v (fig.4.5a).
Supongamos lo contrario, es decir, que se cumple la desigualdad
IlZll 2 6, pero la desigualdad V(5) 2 E no se cumple para ningn valor
positivo E. Esto significa que se puede elegir una sucesin {E,) (E, + O
cuando n + oo) tal que 115,11 2 6 pero V(Zn) < E, + O. Supongamos que
todos los nmeros Zn estn acotados superiormente por cierta constante C.
Entonces E llZnll C.Por eso, de la sucesin (5,) se puede tomar una
subsucesin convergente {y,) con lmite y. Evidentemente, E Ilg 11 < C.
Sin embargo, en virtud de la continuidad de la funcin V(Z),
<
<
<
lim V(jJn)= V ( g ) .
n+oo
Dado que lim V(yn)= O, entonces V(y) = O. La funcin V(Z) es definida

n-+m
-positiva y, por tanto, Y = O, lo cual contradice la desigualdad
*-
Procediendo de modo similar, el lector puede demostrar la afirmacin

recproca.
Es vlido el siguiente teorema.
Teorema. Supongamos que en la regin G existe una funcin definida
positiva L(Z), continua junto con sus derivadas parciales de primer orden,
Captulo 4
Fig. 4.5. La construccin de la funcin de Liapunov en un entorno del estado de

equilibrio permite investigar su estabilidad: o) funcin definida positiva;'b) dibujo
que explica La eleccin de La magnitud 6
denominada funcin de Liapunov. Strpongamos, adems, que el producto

escalar W (5,
t) 3 (grad L, f(t, 5)) satisface la desigualdad
t > 0,
W(2,t)<O,
Z E G,
y f (t, O) = O. Entonces, el estado de equilibrio Z = O es estable.

Si adems de estas condiciones se cumple tambin la desigualdad
W(5,t) -W(z), donde W(5) es una funcin definida positiva en G ,
entonces este punto singular es asintticarnente estable:
<
lim 5(t)= O.
t+oo
En efecto, tomemos cierto E > O. En virtud de las propiedades de las

L(5)> '-funciones definidas positivas continuas, existe
un valor p para el cual
_
p > O si-11511 > E.' ~ o r c u a n t oL(Z) es una funcin continua, se puede elegir
un 6 tal que para IlZll < 6 se cumple la desigualdad L(5) p/2 (fig. 4.5 b).
Elijamos los datos iniciales en la esfera llZ(O)ll < 6 de radio 6. Demostremos que en este caso la trayectoria est contenida en la esfera Ili?(t)ll < E
de radio E (fig.4.3 b).
Si esto no es as, entonces L ( ~ ( t , ) )2 p para cierto valor t, . Pero
entonces
-
--
--
--
--
--
--
<
Sin embargo, conforme al teorema de Lagrange,
= (gyad L, f(5, t*))tl = W ( ~ ( t * t*)

) , t,
<O
(O
< t* < t,).
85
Dado que la desigualdad se cumple en toda la regin G , y en particular

en la trayectoria, entonces llegamos a una contradiccin, que precisamente
demuestra el teorema.
Para demostrar la estabilidad asinttica se puede proceder del modo
siguiente. Como
4
entonces la funcin L(z(T)) no es montona creciente; por tanto,

lim L(x, t) = a 2 0.
t+oo
Si a = O, entonces Z(t) + O, pues de lo contrario existira un valor

de E y una sucesin {Z(t,)) (t, + oo cuando n + m) para la cual
115(tn)ll > E > O. Pero, entonces, L(Z(t,)) 2 p (fig. 4.5), lo que contradice la
igualdad a = 0.
Demostremos que (Y = O. Sea a > O y supongamos que p = a.
Entonces, debido a que la funcin de Liapunov es definida positiva, para
cierto valor de E se cumple la desigualdad 1IZ(t,)ll > v > O. Pero, puesto que
-W(Z) tambin es una funcin definida positiva, entonces W(i?(t)) 3 P > 0.
Por eso, -W(iZ(t)) -p < O. Consecuentemente,
<
De este modo, L(Z, t) -+ -00, lo cual contradice el hecho de que la funcin L

es definida positiva. Por consiguiente, (Y = O. As pues, el punto Y = O es
atractor del sistema (4.8).
Comentario. En el teorema de Liapunov que acabamos de presentar no se hace
ninguna suposicin sobre la linealidad del sistema, 'ni se da una funcin L concreta.
Esto permite utilizar el teorema con libertad y proponer todo un conjunto de
generalizaciones. Sin embargo, la clase de sistemas interesantes en la dinmica
no-lineal, para los cuales existen funciones de Liapunov, es comparativamente
pequea. En trminos generales, estos sistemas estn organizados de, modo muy
simple. Se puede decir que su objetivo, el cual se logra alcanzar slo en los puntos
singulares, consiste en minimizar la funcin L.
Al mismo tiempo, en una serie de modelos matemticos que h a n aparecido
ltimamente en la teora de redes neuronales y que estn relacionados con el reconocimiento de patrones y la construccin de la memoria asociativa, la construccin
y anlisis de las funciones de Liapunov resultaron ser muy importantes y tiles.
Regresemos al problema inicial, a la investigacin cualitativa de una

ecuacin diferencial ordinaria autnoma. Escribamos esta ecuacin en la
forma
Captulo 4
86
donde
Llamaremos a la funcin U energa potencial o, simplemente, potencial.

Sealemos que los mximos y mnimos del potencial corresponden a los
puntos singulares del sistema (4.8):
Adems, el mximo del potencial corresponde a los puntos inestables y el

mnimo, a los puntos estables. En efecto, la condicin de mnimo en un
punto A se escribe como
La ltima igualdad, como vimos anteriormente, indica la estabilidad del

punto A.
~ o s t r e m o que
s el potencial es precisamente una funcin de Liapunov:
d u ( ~ ( t )-) BU dx
dt
dx dt
P
au
=
f ( x ) = -f * ( x )< 0.
dx
Si nos interesa, por ejemplo, la estabilidad del estado de equilibrio A,

entonces, adicionando una constante C(A,) (fig. 4.6 a), obtenemos una
funcin definida positiva en un entorno de A, para la cual'se cumplen
todas las condiciones del teorema de Liapunov. Por consiguiente, el punto Al
(al igual que A, y A;) es asintticamente estable, es decir, es un atractor.
Del carcter decreciente de la funcin de Liapunov se deduce que el
punto en el espacio de fase se mueve en direccin contraria al gradiente
a U / d x hasta el mnimo ms prximo del potencial. De aqu queda claro
que, por ejemplo, la regin de atraccin del punto singular A2 es el
intervalo (Bt,B,).
La velocidad del movimiento a lo largo de la recta de fase est
determinada por la derivada -dU/Ox. Por eso, para tener una idea acerca
de la solucin es suficiente imaginarse que un esquiador se desliza por la
funcin potencial y se detiene en su fondo.
Queda por analizar el caso cuando la funcin U ( X )no es acotada
inferiormente. Nosotros ya hemos encontrado dos casos de este tipo.
e
axL
El primer caso es la ecuacin de Malthus, en la que U = - 3

y x ( t ) -+ oo
87
Fig. 4.6. Segundo miembro f ( x ) y potenciales U ( x ) : a) forma caractestica del

segundo miembro y del potencial cuando La solucin es acotada; b ) caso cuando La
solucin crece ilimitadamente, 1 - la solucin existe un tiempo infinito, 2 - el
tiempo de existencia de la solucin es finito
en un tiempo infinito. El segundo caso es la misma ecuacin, pero con

,a+i
-,donde x(t) -+ oo cuando t -+ tf < OO.

P+l
El mtodo para distinguir una solucin infinita creciente en un tiempo
infinito, de las so1uc:iones crecientes con explosin, est dado por la siguiente
afirmacin, llamada criterio de Osgood.
f ( x ) = x @ ,,8
> 1y U =
Para que la solucin del problema (4.8) exista durante u n tiempo finito t f es
necesario y suficiente que la integral
converja. El valor de esta integral coincide con tf .

En efecto,
Si se logra integrar y existe el lmite de la integral cuando x -+ m, entonces

T = tf. Se puede regresar a la analoga con. el esquiador. Si la montaa
es infinita y de pendiente suave, entonces el esquiador se deslizar hacia
el infinito durante un tiempo infinitamente grande; pero si la pendiente es
rpida, esto se logra en un tiempo finito (fig. 4.6 b).
Captulo 4
88
Nota. Los lectores familiarizados con la mecnica posiblemente hayan notado la

contradiccin entre los significados del trmino potencialen el modelo del pndulo
matemtico y en el sistema (4.8). En el primer caso, el movimiento est determinado
por una ecuacin diferencial de segundo orden, mientras que en el segundo caso,
por una de primer orden. Cierto fsico compar graciosamente esta contradiccin
con la diferencia entre la mecnica de Newton y la de Aristteles.
En efecto, consideremos un punto material que se mueve en un medio muy
viscoso bajo la accin de una fuerza F(x)= -dU/dx.La fuerza de viscosidad es
proporcional a la velocidad, por lo que la ecuacin de movimiento es
En el caso extremo de una viscosidad infinitamente pequea, esta expresin se transforma en la segunda ley de Newton, la cual describe el movimiento de una partcula
en un campo de potencial U($).En el otro caso extremo, esta expresin refleja
la nocin de Aristteles acerca de que para que un cuerpo se mueva es necesario
aplicarle una fuerza. Realmente, en la literatura dedicada a la simulacin matemtica
de fenmenos no-lineales, el trmino potencialse utiliza en los dos sentidos. En lo
sucesivo, si no es evidente, nosotros aclararemos de cul de ellos se trata.
Problemas bien planteados y modelos

de fenmenos no-lineales
A comienzos del siglo XX, investigando las ecuaciones en derivadas parciales
J. Hadamard formul las condiciones que deba cumplir un problema de la
fsica matemtica para que estuviera bien planteado. El denomin problema
bien planteado a un problema cuya solucin:
existe,
es nica,
es estable.
La estabilidad puede entenderse respecto a las perturbaciones pequeas
de las condiciones iniciales, de las condiciones de contorno, de los parmetros
de la ecuacin.
Los teoremas de existencia y unicidad para un sistema de ecuaciones
diferenciales ordinarias muestran que un problema con condiciones iniciales
(problema de Cauchy) est bien planteado en cierto intervalo de tiempo
O t < T. Este intervalo puede ser finito, depender de los segundos
miembros de las ecuaciones y de las condiciones iniciales.
A primera vista puede parecer que slo los modelos matemticos bien
planteados tienen derecho a describir algn fenmeno de la naturaleza. Sin
embargo, el anlisis de una serie de modelos matemticos no-lineales oblig
a ver de un modo nuevo el concepto de problema bien planteado. Esto
<
Atractores de la ecuacin 5 = v(x)
89
condujo a una comprensin ms profunda de diferentes procesos, ayud a

formular algunas hiptesis originales y a comprender ms profundamente
las limitacidnes de la nocin de problema bien planteado. Analicemos
algunos problemas surgidos en este campo.
Veamos primero un ejemplo de problema lineal mal planteado.
Ecuacin de conduccin de calor con coeficiente negativo. Supongamos

que cierto fenmeno se describe mediante el modelo siguiente:
La ecuacin (4.14) no es algo extico, como pudiera parecer. En efecto,

imaginmonos que cierta muestra con distribucin de temperatura inicial Z(x) fue calentada como resultado de un tratamiento trmino en un
horno. La muestra es retirada del horno y al cabo de un tiempo T se mide su
distribucin de temperaturas, establecindose que sta se describe mediante
la funcin G0(x).Es posible determinar la distribucin inicial Z(x)a partir
de ri,(x)?
Este es otro ejemplo de problema inverso. A partir de los resultados zo(x) de las observaciones, es necesario determinar la temperatura
inicial en diferentes puntos de la muestra. Est claro que la funcin Eo(x)es
la solucin de la ecuacin de conduccin de calor u(x, T) con condiciones
iniciales u($).
Para hallar uo(x)= u(z,T) a partir de la funcin U(x) es necesario
resolver la ecuacin habitual de conduccin de calor con condiciones
iniciales G(x). Para hallar G(x) a partir de u($, T)es necesario resolver la
ecuacin de conduccin de calor en la que t ha sido sustituida por -t en el
segmento [O, TI, es decir, exactaniente la ecuacin (4.14). Problemas de este
tipo surgen frecuentemente al resolver problemas tecnolgicos.
Veamos otro ejemplo, pero de la geofsica; Es posible valorar el clima
en los ltimos miles de aos a partir de los resultados de las perforaciones
realizadas, por ejemplo, en las regiones de los hielos perpetuos? Supongamos que en la superficie de la Tierra est dado un rgimen de temperatura
determinado T(t),-m < t < t,, y que conocemos la distribucin de temperaturas T(x,to) en dependencia de la profundidad en un instante dado t,.
Se puede a partir de estos datos decir algo sobre la dependencia T(t)?
En este caso tambin hay que resolver un anlogo de la ecuacin (4.14).
stos y otros problemas condujeron al acadmico A. N. Tjonov y a sus
alumnos a generalizar el concepto de problema bien planteado de la fsica
matemtica, y a la elaboracin de mtodos de resolucin de los problemas
mal planteados.
Captulo 4
90
Adems, las ecuaciones tipo (4.14) surgen en la fsica del plasma como
un modelo matemtico de la denominada inestabilidad explosiva. En la fsica
de la atmsfera a veces se analizan corrientes de gas con viscosidad negativa,
cuya descripcin exige la resolucin de problemas similares.
Procederemos del mismo modo que en el caso de una ecuacin
lineal habitual de conduccin de calor, y buscaremos la solucin como un
) (kx)):
desarrollo respecto a las funciones propias ( ~ ~ (=2cos
U(X,
t) =
Ck(t)cos (kx).
Como resultado obtendremos un sistema infinito de ecuaciones diferenciales

ordinarias, independientes la una de la otra:
Cada una de estas ecuaciones coincide con la ecuacin de Malthus y tiene

solucin, la cual, como ya hemos visto, existe para O t < m:
<
Demostremos, no obstante, que hay datos iniciales vO(x)para los que la

solucin del problema (4.14) existe durante un tiempo que no supera una
magnitud finita tf. Sea
Recordemos que cuanto ms rpido decrecen los coeficientes de Fourier

tanto ms suave es la funcin. (Si para k grandes se tiene Ck Ak-",
donde n es constante, entonces la funcin v(x) =
Ck cos (kx) tiene
n-sima derivada continua.)
La funcin vo(x) es muy suave. Concretamente, es diferenciable un
nmero infinito de veces. La funcin ck e-" decrece ms rpido que e'.
Es natural buscar la solucin de la ecuacin (4.14) en la clase de funciones acotadas max lu(x, t)l < C que poseen derivadas ut (x, t) y uz,(x, t).
<
Demostremos que en el caso de datos iniciales tipo (4.15), la solucin de la

ecuacin (4.14) no pertenece a esta clase ya para t = t f . Sea
v(x, t) =
ek2t e-k2tt cos (~cx).
91
Para t < tf la serie converge y la solucin existe. Cuando t + tf y x = 0,

la serie tiende a una suma infinita de los sumandos positivos, es decir, al
infinito:
max v(x, t ) + oo cuando t -+ tf .
2
De este modo, la solucin analizada, para la cual la serie respecto a las funciones propias converge, existe para O t < t f , pero no puede ser representada
mediante una serie convergente en todo el semiintervalo infinito O t < OO.
Adems, si hay datos iniciales uo(z) que conducen a una solucin
acotada para O < t < m, entonces nuevamente, debido al principio de
E W ~ ( X )existir
superposicin, la solucin con datos iniciales Zo(x)= U,($)
slo hasta el instante t sin importar cun pequeo sea el valor E elegido,
siempre que la funcin~,(x)posea esta propiedad. En este caso el tiempo t
tambin se puede elegir tan pequeo como se quiera. De este modo, inclusive
si exigimos que los datos iniciales en el modelo pertenezcan a la clase de funciones infinitamente diferenciables y nos limitamos a un intervalo finito de
tiempo T (O t T), el problema (4.14) no ser un problema bien planteado.
El sentido fsico de estos razonamientos es muy simple. La ecuacin usual de conduccin de calor produce, en un tiempo t, una
funcin muy suave a partir de la funcin-6 de Dirac. u
La ecuacin de conduccin
de calor con coeficiente negativo rueda la pelcula,
en la que se filmesta solucin, en sentido contrario:
a partir de un perfil suave,
al cabo de un tiempo tf
se obtiene la funcin delta.
o
7r
x
Este perfil suave se puede
tomar en calidad de fun- Fig. 4.7. Forma caracterstica de la solucin de ia ecuacin vo(x).El cuadro tpico cin de conduccin de calor con coeficiente negativo
de tal proceso se muestra
en la figura 4.7.
Hace veinte aos an se pensaba que las ecuaciones cuyas soluciones
no existen totalmente, no tienen sentido fsico. Sin embargo,'desde entonces
han aparecido argumentos de peso a favor del anlisis de los problemas mal
planteados. Estudiemos uno de los modelos matemticos fundamentales,
surgido durante la investigacin de muchos fenmenos no-lineales.
<
<
,,
<<
Sistemas con retroalimentacin positiva fuerte. Se puede suponer que

durante una reaccin en cadena, o bien una explosin demogrfica, la velocidad de cambio de la magnitud analizada n es proporcional no a la propia
92
Captulo 4
magnitud n, sino a una potencia suya:
Entonces,
donde
Integrando directamente la ecuacin verificamos que su solucin existe slo

hasta el instante tf ,denominado instante de explosin, con la particularidad
de que el propio instante de explosin depende del valor inicial de la
variable n. Cuanto mayor es n(0) tanto menor es el tiempo de existencia
de la solucin. El comportamiento de la solucin para el cual una o varias
magnitudes analizadas crecen hasta el infinito en un tiempo finito, se
denomina rgimen con explosin (con <<blow-up,
con agudizacin).
Cealemos que hasta el instante tf se cumplen las condiciones del teorema de existencia
y unicidad. Sin embargo, la existencia de la
solucin en una regin pequefia del espacio
de fase no implica de modo alguno su existencia global (o, como se dice frecuentemente, su
existencia total).
La forma tpica de la funcin n(t) para distintos datos iniciales se muestra en la
figura 4.8.
Durante un tiempo grande, en el sistema parece que no pasa nada. Sin embargo,
despus, cerca del instante de explosin, tiene
lugar un crecimiento explosivo, superrpido
de la solucin.
tf2
tf3t
Supongamos que durante determinado
~i~~
4.3. Forma caractensti-tiempo cierto proceso real puede ser descrito
mediante ecuaciones con soluciones crecientes
ca de la solucin de [a ecuacin (4.16) para diferentes
con explosin. Entonces cualquier intento de
condiciones iniciales
pronosticar la marcha del proceso mediante
una interpelacin lineal o ms compleja est
generalmente condenado al fracaso. Se han descubierto soluciones de este
tipo en modelos matemticos de la ecologa y de la economa. En particular,
el enfoque de .planificacin a partir de lo logrado y la lgica de maana
ser aproximadamente lo mismo que hoy resultan ser inadmisibles.
93
Los regmenes con explosin son caractersticos en #todauna serie de

modelos de la fsica del plasma (colapso de las ondas de Langmuir, fenmeno
de autoenfoque, perforacin en campos electromagnticos de microondas,
etctera) y de la dinmica de gases (convergencia de ondas de choque
esfricas a un centro, clase de fenmenos con compresibilidad negativa).
El estudio de modelos simples de fenmenos no-lineales, cuyas correspondientes ecuaciones describen regmenes con explosin, condujo a los
investigadores a varias ideas originales. Analicemos slo dos de ellas.
Uno de los problemas por resolver, planteado a las ciencias naturales
hace ya cientos d.e aos, es el de la descripcin de la turbulencia, de los
movimientos caticos irregulares de un lquido. La prctica demuestra que
en una gran cantidad de casos concretos el movimiento de un lquido se
puede describir mediante las ecuaciones de Navier-Stokes. stas ecuaciones
se pueden escribir en la forma
t
= L,
(4.18)
donde (5,t ) es el campo de velocidades que caracteriza al estado del

lquido, y L es un operador no-lineal que depende de la funcin y de sus
derivadas.
Una pregunta fundamental, para la cual hasta el da de hoy no se ha
encontrado una respuesta satisfactoria, es la siguiente: se puede describir
una corriente turbulenta mediante un modelo matemtico tipo (4.18)?
Los experimentos naturales y computacionales han mostrado que las
corrientes tridimensionales se diferencian cuantitativa y cualitativamente
de las bidimensionales. En el transcurso de decenas de aos muchos
matemticos destacados han hecho numerosos intentos de demostrar el buen
planteamiento de una serie de problemas para la ecuacin de Navier-Stokes
y, en particular, el teorema de existencia y unicidad en el caso tridimensiona1,Estos intentos l-iari resultado fallidos.
Esto condujo a J. Leray y a otros investigadores a la idea de que la
causa de las dificultades surgidas radica no en las deficiencias del aparato
matemtico existente, sino en las propiedades fundamentales de las propias
ecuaciones de Navier-Stokes. Y no es completamente necesario que la velocidad en algn punto se haga infinita. Es suficiente que existan condiciones
iniciales para las cuales al menos una de las derivadas espaciales que figuran
en la ecuacin deja de existir. Mientras no se presenten demostraciones de
los teoremas de existencia y unicidad para los problemas tridimensionales,
los cientficos, probablemente, no lograrn rechazar esta ingeniosa hiptesis.
Otra idea est relacionada con el programa energtico y la realizacin
de la fusin termonuclear inercial. En este caso se trata dirigir impulsos
lser superfuertes a un blanco(una tableta de hielo de deuterio-tritio.),
comprimindolohasta una densidad tal que sea posible la reaccin de fusin.
94
Captulo 4
Una serie de semejantes microexplosiones nucleares debe precisamente

servir de fuente de energa.
Las estimaciones fsicas y los clculos computacionales realizados para
modelos muy simples han mostrado que la magnitud de la energa que se
debe invertir en el blanco puede ser reducida cientos o incluso miles de
veces. Sin embargo, la dependencia de la intensidad de radiacin I(t) debe
corresponder no a un impulso rectangular simple (I(t) = lopara t, t t,,
e I(t) = O fuera de este intervalo), sino variar durante cierto tiempo en
rgimen con explosin,
<<
es decir, como se muestra en la figura 4.8.

Durante varios aos se ha trabajado activamente en esta idea en los
centros mundiales ms grandes en el campo de la fusin termonuclear, y,
en particular, e11 el Instituto de Matemtica Aplicada M. V. Kldysh de
la Academia de Ciencias de Rusia. El anlisis de una serie de factores de
complejidad y la construccin de modelos ms profundos y detallados,
obligaron a los fsicos a rechazar la idea. Se dio preferencia a las series de
varios impulsos que se diferencian en cuanto a la duracin y la longitud
de onda. Tambin se dio preferencia a los blancos multicapa complejos.
No obstante, esta idea simple y brillante, apoyada en el concepto de
rgimen con explosin, desempe un papel importante en el desarrollo de
los proyectos termonucleares.
Evidentemente, ni la intensidad del lser, ni el tamao de la poblacin, ni
la cantidad de tomos que se desintegran, pueden alcanzar valores infinitos.
Sin embargo, si I(t) o n(t) pueden hacerse suficientemente grandes, entonces
las ecuaciones que poseen soluciones infinitas pueden convertirse en una
idealizacin til de los procesos. Las ecuaciones que a inicios del siglo XX
podan ser despreciadas por no estar bien planteadas y tener soluciones
que no existen totalmente, en la actualidad se utilizan activamente en la
simulacin matemtica de los fenmenos no-lineales.
Hasta ahora hemos analizado ejemplos de no existencia de las soluciones de los modelos matemticos. Otra causa del mal planteamiento de un
problema puede ser la no-unicidad de la solucin. Una hiptesis alternativa,
relacionada con la turbulencia hidrodinmica, consiste en que la solucin
de la ecuacin de Navier-Stokes existe, pero no es nica. En otra palabras, a unas mismas condiciones iniciales les pueden corresponder varias
soluciones. El siguiente ejemplo elemental ilustra esta posibilidad.
Veamos el problema
Integrando directamente, se verifica que este problema tiene dos soluciones

(fig. 4.9):
Sealemos que en el punto x = 0,

t = O, del espacio de fase no se cumple el
teorema de unicidad. Aqu df/
312 312
=m,
dx .=o
y no es posible elegir la constante de
Lipschitz L.
x = (213) t
Se puede construir un ejemplo de

*
una ecuacin que no tiene solucin nica
O
1
.2
3
t
en ningn punto del espacio de fase. Si taFig. 4.9. Curvas integrales de la ecuales puntos existen tambin en el espacio cin. En el punto (O,O) no existe una
de fase de la ecuacin de Navier-Stokes,
nica solucin.
entonces para describir la turbulencia es
necesario pasar a otros modelos, donde la
solucin se determine unvocamente para cualesquiera condiciones iniciales.
Otra posibilidad consiste en rechazar la descripcin determinstica y tener
en cuenta los ruidos pequeos y los procesos aleatorios en las ecuaciones
de la hidrodinmica. Entonces el modelo matemtico tendr la forma
'..
donde 6(t) es una funcin aleatoria. En este caso habr que renunciar a la
descripcin dinmica determinstica y hablar de las corrientes turbulentas
slo en el lenguaje probabilstico, estadstico.
En el concepto de problema bien planteado figuran no slo las condiciones de existencia y unicidad, sino tambin de estabilidad. La investigacin
de los fenmenos no-lineales ha hecho cambiar considerablemente la idea
de estabilidad de los sistemas no-lineales. Recordemos la definicin clsica.
Definicin. La solucin tj = V(t, yo) del problema
se denomina estable segn Liapunov si para todo E > O existe un

valor 6(&) tal que para IIAgoII <.&E) es vlida la desigualdad
para todo t
> 0.
Los atractores, cuyo estudio tiene un valor primordial en el marco

del programa de investigacin de Poincar, son imgenes matemticas de
96
Captulo 4
regmenes estacionarios. Adems, las trayectorias y(t) prximas al conjunto

de atraccin, tienden desde la regin de atraccin hacia el atractor. Por esto,
es natural considerar que una trayectoria y(t) perteneciente a un atractor,
es estable. Los puntos singulares y ciclos lmites ya mencionados, siendo
atractores de los sistemas dinmicos, realmente son trayectorias estables.
Precisamente esta propiedad permite predecir el comportamiento de
tales sistemas, aun si los datos iniciales yo se conocen con cierto error.
Sin embargo, en los aos 70 del siglo XX, durante la investigacin computacional de modelos matemticos simplificados de la fsica de la atmsfera, fueron descubiertos los denominados atractores extraos. Ellos describen
regmenes no-peridicos, caticos, en los sistemas dinmicos del tipo (4.19).
Los atractores extraos no poseen la propiedad de estabilidad. Ms an, por pequea
d ( t ) que sea la desviacin inicial Ay que elijamos
(vase la frmula (4.20)), la distancia entre dos
trayectorias inicialmente prximas crece exponencialmente con el tiempo:
Fig. 4.10. La sensibilidad
respecto a las
condiciones
iniciales est relacionada
con la ((dispersin>>de las
trayectofias infinita mente
prximas
Ilyct. YO) - ~ ( tyof + AYO)^^
Xt
e IIAyoll,
(4.21)
donde X > O. Esto nos priva de la posibilidad

de predecir la dinmica del sistema para tiempos
2" 1/X (fig. 4.10). Un error tan pequeo como se
quiera en las condiciones iniciales conduce a que,
para t > T, se pierda todo tipo de informacin
sobre la posicin de nuestro sistema en el espacio
de fase. Por consiguiente, los problemas relacionados con el anlisis de
atractores extraos no son problemas bien planteados (en el sentido clsico).
El descubrimiento de los atractores extraos permiti predecir y descubrir
una serie de fenmenos interesantes, algunos de los cuales analizaremos
ms adelante.
Veamos con ms detalle el problema de la estabilidad de los sistemas
dinmicos. Para los objetos estudiados, generalmente se cumplen los teoremas de existencia y unicidad en un intervalo finito O t T (aqu la
situacin es la misma que en el caso de la ecuacin de Malthus 5 = az;
de este modo, Ixl(T) - xU(T)(< 'si Ix(0) - xt'(0)l < 6 =
En este
sentido, el problema est bien planteado. Sin embargo, en el marco del
programa de investigacin de Poinca& se estudian los atractores, es decir,
el comportamiento de las soluciones cuando t + OO. Y aqu no se logra
indicar el valor de 6 que garantice la proximidad de las trayectorias para
O t oo, y que figura en la definicin clsica de estabilidad de las soluciones
segn Liapunov (aunque, a diferencia de la ecuacin x = ax, las soluciones
pueden permanecer acotadas).
< <
<<
97
Esto est relacionado no con las insuficiencias de las definiciones o

con una limitacin del formalismo utilizado, sino con un fenmeno fsico
interesante denominado caos dinmico. La imagen matemtica del coriiportamiento catico estacionario en los sistemas dinmicos la constituyen los
atractores extraos. El descubrimiento de los atractores extraos est ligado
con la utilizacin de los experimentos computacionales, y su historia tiene
un poco ms de cuatro dcadas. Estos objetos fueron descubiertos por el
meteorlogo norteamericano E. Lorenz en 1963. Result que los atractores extraos existen incluso en un sistema relativamente sencillo de tres
ecuaciones diferenciales ordinarias, en cuyos segundos miembros figuran
solamente trminos lineales y cuadrticos.
En la figura 4.11 se muestra un ejemplo de atractor extrao. Si el ciclo
lmite se parece a un lazo que puede ser curvado de un modo complejo en
el espacia de fase, el atractor se parece a un ovillo de trayectorias. El atractor
ilustrado describe un rgimen estacionario que surge en un sistema tipo
reaccin-difusin. En la figura 4.11 a se muestra su proyeccin en uno de los
planos del espacio de fase, y en la figura 4.11 b, su proyeccin panormica.
sta recuerda dos cintas pegadas una con otra.
Si observamos en la pantalla del monitor cmo correpor un atractor
el punto que caracteriza el estado de un sistema, veremos que el punto
Fig. 4.11. Forma de un atractor extrao que describe e l caos dinmico en un modelo de
cintica qumica: a) proyeccin del atractor sobre e l plano (t,v); b) proyeccin panormica
del atractor. Este atractor surge en e l sistema dinmico
1= Y - 26(4 + V ) - [v(cosO + c2 sen O),
para valores de los parmetros c, = 7,
c, = -6, 1 = r
98
Captulo 4
cae aleatoriamente ora hacia la franja derecha, ora hacia la izquierda. Esto
sugiere la idea de una descripcin simblica de semejante trayectoria como
una sucesin infinita de ceros y unos. Si en 'la k-sima vuelta el punto
se mueve por la franja izquierda, en la k-sima posicin de la sucesin
escribimos un O; si se mueve por la franja derecha, escribimos un 1. Result
que a veces esta descripcin es muy til. Al hablar de muchos atractores
extraos de los sistemas continuos es mucho ms fcil expresarse en este
lenguaje discreto y extremadamente simple. Este enfoque recibi el nombre
de dinmica simblica y se est desarrollando activamente en la actualidad.
Supongamos que lanzamos un nmero infinito de veces una moneda. Si en
el k-simo lanzamiento cay cara,escribimos un 1 en la k-sima posicin
de la sucesin que describe este experimento; en caso contrario escribimos
un O. Un hecho notable, demostrado para una serie de atractores extraos,
consiste en que a partir de esta sucesin no es posible diferenciar un sistema
dinmico de un objeto clsico de la teora de probabilidades, como lo es
una serie de lanzamientos de una moneda.
Lo extrao>>
de los atractores extraos est relacionado con su peculiar
propiedad de sensibilidad respecto a las condiciones iniciales. Elijamos dos
puntos prximos Z1(0) y Z1'(0) pertenecientes a un atractor, y veamos cmo
vara la distancia d(t) = IZ1(t) - x"(t)l respecto al tiempo. ?'(t) y ?''(t)
son las soluciones de las ecuaciones analizadas, con condiciones iniciales
Z1(0)y Z1'(0), respectivamente (fig. 4.10). Geomtricamente, d(t) corresponde
a la longitud del segmento con extremos 2(t)y Z1'(t). Si el atractor es un
punto singular, entonces d(t) = O. Si el atractor es un ciclo lmite, entonces
d(t) es una funcin peridica del tiempo. En un atrctor extrao, d(t) ext,
X > O. Para que la magnitud X caracterice al atractor es natural analizar
trayectorias infinitamente prximas y la velocidad media de dispersin en
un intervalo grande de tiempo. Formalmenti esta magnitud se introduce
del modo siguiente:
N
X ( & ( ~ ) , d ) = l i mlim
t+oo d(O)+O
donde G es el vector que va desde el punto Z'(0) hasta el punto P(0)

(fig. 4.10).
Es claro que eligiendo diferentes puntos Z"(0) y ?(O) obtendremos, en
general, nmeros diferentes. Sin embargo, en 1968, V. 1. Oseliedets demostr
que bajo condiciones muy generales casi todos los puntos iZf(0)y ?'(O) en
un entorno de un atractor extrao de un sistema dinmico N-dimensional
proporcionan una misma coleccin de N exponentes de Liapunov A,, . .. ,AN.
El sentido de stos es muy simple. El exponente X caracteriza la variacin
de la longitud del segmento 15'(t) - Z1'(t)l; la variacin del rea del tringulo
con vrtices Z1(t),Z1'(t),5'l1(t) es proporcional a e(xl+x2)t;la variacin de un
99
volumen k-dimensional es proporcional a e@'+Por cuanto nosotros

analizamos los atractores de sistemas disipativos N-dimensionales, en los
que el volumen N-dimensional de un elemento pequeo en el espacio de
fase disminuye con el tiempo, entonces A, X2 ... XN < 0.
La sensibilidad respecto a las condiciones iniciales y los exponentes de
Liapunov positivos (para que un atractor sea extrao es suficiente que sea
positivo el exponente de Liapunov superior Al) obligan a ver de una manera
completamente diferente la posibilidad misma de predecir los fenmenos
de la naturaleza. En efecto, cuando un atractor es un ciclo o un punto,
observando el sistema un tiempo suficientemente largo se puede hacer
un pronstico confiable, incluso si conocemos 9 ( t ) con un error pequeo
(pues IZ'(t) - 3"(t)l no crecer). Sin emba&o, en un atractor extrao dos
trayectorias inicialmente prximas, al cabo de un tiempo r m 1/X dejan de
serlo. Existen limitaciones fundamentales sobre la posibilidad de pronstico
en los sistemas no-lineales.
Otra extraeza de los atractores caticos est relacionada con sus
propiedades geomtricas. Frecuentemente, estos objetos tienen una estructura compleja que posee invariancia de escala. En una escala pequea se ven
aproximadamente igual que en una escala grande.
El clculo computacional de los exponentes de Liapunov es suficientemente fcil si se conoce la funcin f(Z). Sin embargo, para ello se debe
utilizar no la definicin, sino considerar el llamado sis terna en variaciones.
Supongamos que se conoce una trayectoria Z(t). Tomemos una trayectoria
prxima Zt(t) S Z(t) y(t). Entonces,
+ + +
a = ~ ( Z Z 3 = f($)+ + 3 = f(3~ + 5)
f(2) +
dx
a?(~)
Aqu -- A(3?(t))es la matriz del sistema linealizado en el entorno

dZ
de la trayectoria z(t). Si las trayectorias Z(t) y $(t) son infinitamente
prximas, los trminos cuadrticos respecto a y' se pueden despreciar. As,
cuando lg(O)11-+O la desviacin de la trayectoria zt(t) respecto a 5(t) est
determinada por el sisienza en variaciones para @(t)
Es claro que el exponente de Liapunov, determinado de este modo,

es equivalente al de la relacin (4.22). Pero en los clculos es ms fcil y
preciso utilizar la frmula (4.23).
En otras palabras, para determinar el exponente de Liapunov de
orden superior, junto con la ecuacin inicial se considera el sistema en
100
Captulo 4
variaciones (4.23).Para que la solucin g(t)no sea demasiado grande, al cabo

de cierto tiempo se renormaliza (se divide por ,un nmero suficientemente
grande). En correspondencia con esto, la frmula (4.23) tambin se modifica.
La renormalizacin tiene por objetivo elevar la precisin en la determinacin
de los exponentes. Tomando al azar go,generalmente obtenemos el primer
exponente de Liapunov.
Para estimar p exponentes de Liapunov A,, A,, .. . ,A, se toman p
sistemas en variaciones. Se calcula el volumen p-dimensional y se utilizan
relaciones anlogas a la frmula (4.23). Al cabo de cierto tiempo aqu
sino tambin ortogonalizar.
es necesario no slo renormalizar g,, . . . ,
Esto ltimo est condicionado por que con el transcurso del tiempo todos
los vectores y;, ... ,tJp tienden a orientarse en la direccin del vector &,
correspondiente al mayor exponente de Liapunov.
En la actualidad los exponentes de Liapunov son una de las caractersticas del caos dinmico ms efectivas y fciles de calcular.
Los ejemplos expuestos ilustran los rasgos generales relacionados con
el estudio de los fenmenos no-lineales. Por un lado, la investigacin de
los fenmenos no-lineales elementales obliga a ver de un modo nuevo
los conceptos fundamentales de la simulacin. Por otro, el estudio de los
objetos elementales de este campo permite construir hiptesis originales y
de contenido.
G,
1. En un reactor tiene lugar una reaccin en cadena durante la cual la velocidad
de variacin de la concentracin n de cierta sustancia vara segn la ley pn7
(p > O, 7 > 1). En el instante inicial la cantidad de esta sustancia en el reactor
es igual a cero. Luego la sustancia se introduce en el reactor segn la ley at2.
Estimar el tiempo al cabo del cual se acaba la reaccin, o el modelo elemental
que describe la variacin de la concentracin de slo una sustancia se hace
inadmisible.
2. Los eclogos construyeron el siguiente modelo para describir la variacin del
tamao de cierta poblacin:
k = F(z).
El equilibrio del tamao de la poblacin est determinado por el punto
~F(x*)
singular x* de esta ecuacin. Debido a ciertas causas especiales, -= 0.

dz
Es estable esta posicin de equilibrio? Qu suceder cuando el tamao de la
poblacin x est prximo a x* ?
3. El modelo matemtico simplificado de cierta reaccin qumica es la ecuacin
101
Cmo se comportar la concentracin x ( t ) en tiempos caractersticos grandes

para diferentes valores de Z?
4. Supongamos que estamos resolviendo el problema
por el mtodo de Euler con paso temporal T . Concordar la solucin numrica

con la solucin de la ecuacin diferencial inicial? Coincidirn sus propiedades
cualitativas?
5. La velocidad de derretimiento de un copo de nieve en una habitacin es
proporcional al rea S de su superficie. Supongamos que el volumen de un copo
de nieve de forma esfrica es dos veces mayor que el volumen de un segundo
copo de la misma forma. Qu parte del primer copo de nieve quedar cuando
el segundo se derrita completamente? Analizar tambin un modelo ms general,
en el que la velocidad de derretimiento es proporcional a Sa.Para qu valores
de a el proceso de derretimiento del pedazo de nieve dura un tiempo finito?
6. Muchos demgrafos consideran que la ecuacin de Malthus
x = ax,
(a)
se debe reemplazar por otro modelo que concuerda mejor con la curva de
crecimiento de la poblacin en los ltimos 100 mil aos:
x = axl+&,
> 0.
(b)
Qu opina de este modelo? Cul es su campo de aplicacin? En qu radica

la diferencia cualitativa entre los modelos (a) y (b)?
I
Una idea sobre el desarrollo posterior de la teora cualitativa de las ecuaciones

diferenciales ordinarias se puede hallar en los libros:
e Bautin N. N,,Leontvich E. A. Mtodos y procedimientos de investigacin
cualitativa de sistemas dinmicos en el plano (en ruso);
0 Harfmnn l? Ordinary Differential Equations. Wiley, 1964;
Palis J., DeMello W. Ceornetrical theory of dynamical syctems. Springer-Verlag,
1982;
Arnold V 1. Chapitres supplmentaires de la thorie des quations diffrentielles
ordinaires. MIR, 1980;
e Reissig R., Sansone G., Conti R. Qualitative Theorie Nichtlinearer Differentalgleichungen. Cremonese, 1963;
e Yeruguin N. P. Libro de lectura del curso general de ecuaciones diferenciales
(en ruso).
La introduccin a la teora de los problemas mal planteados se presenta en el libro:
Ekhonov A., Arsenin V. Solutions of 111-posed Problems. Winston and Sons, 1977.
Sobre el caos dinmico en sistemas concentrados y distribuidos, y sobre los modelos
matemticos en los que las soluciones no existentes totalmente desempean un
papel clave, se exponen en los libros:
102
Captulo 4
-
Ajromiyeva T. S., Kurdimov S. I?, Malinietski G. G., Samarski A. A. Estructuras

no-estacionarias y caos difuso (en ruso);
Samarskii A. A., Galaktionov V AA.,Kurdyurnov S. E , Mikhailov A. D. Blow-up in
Problems for Quasilinear Parabolic Equations. Walter de Gruyter, 1995. .
Las nociones sobre el caos dinmico y los atractores extraos nos obligan a abordar
de una manera totalmente diferente los problemas relacionados con los pronsticos.
Estas nociones tambin cambian nuestro enfoque de las leyes de la naturaleza y
nuestras estrategias en el campo de control del riesgo, sobre lo cual se habla en
Malinietski G. G., Kurdimov S. P. Dinmica no-lineal y problemas de la prognosis
(en ruso);
Vladimirov V.A., Vorobiov Yu. L., Kapustin M. A., Malinietski G. G., Podlzov A. K,
Posashkov S. A. et al. Control de riesgos. Riesgo, desarrollo estable, sinergtica
(en ruso).
CAPITULO 5
Elementos de la teora
de las bifurcaciones
Qu se puede esperar de ecuaciones nzttcho ms
complejas, si incluso en una ecuacin con un, solo

parmetro vemos semejante variedad de posibilidades?
Regresemos al problema de la simulacin de una reaccin autocataltica.

Vamos a considerar los regmenes estacionarios. Supondremos que los
estados de equilibrio estn determinados por las races de la ecuacin
cbica
-4x3 k 1 ~ x -2 ~ B Xk4C= 0.
Representan un inters especial aquellos valores de los parrnetros A, B, C,

para los cuales cambia el nmero o la estabilidad de los estados de equilibrio. La parte de la matemtica que permite hallar tales valores de los
parrnetros y analizar las soluciones en sus entornos, recibi el nombre de
teora de la ramificacin o feora
de las bifurcaciones. Esta teora
se convirti en uno de los metodos ms efectivos de anlisis
de los fenmenos no-lineales.
Un problema clsico de esta
teora, planteado an en el siglo XIX, es el problema de la
flexin de una barra.
Imaginmonos una barra
Fig. 5.1
perpendicular de seccin rectangular, sobre la cual acta una carga P (fig. 5.1). Cuando aumenta la carga
la barra se acorta y engruesa, pero su eje se mantiene recto. Sin embargo,
para cierto valor crtico P, el cuadro cambia cualitativamente: la barra pierde
su forma rectilnea y se pandea hacia la derecha o hacia la izquierda. Para
P < P, la barra tiene una forma de equilibrio nica. Para P < P, tiene tres:
la forma recta, que se hizo inestable, y dos formas estables (una corresponde
,
104
Captulo 5
al pandeo hacia la derecha, y la otra, hacia la izquierda). Si dibujamos la

dependencia de la desviacin A del eje de la barra respecto a la magnitud de
la carga P, entonces el cuadro ser como el de la figura 5.2. En sta y otras
figuras del captulo, los estados de equilibrio estable se indican con lneas
continuas, y los inestables, con lneas discontinuas. Para P = P, cambia el
nmero de e s t a d ~ de
s equilibrio y su estabilidad. El cambio del nmero y la
estabilidad de las soluciones de la ecuacin se denomina ramificacin o bifircacin de las soluciones. Esto es un fenmeno no-lineal tpico. La teora clsica
lineal de la elasticidad da en este caso un nico estado rectilneo de equilibrio.
El problema de la prdida de estabilidad de una barra fue estudiado por Euler,
~emoulli'yLagrange. Uno de los primeros
en introducir el trmino bifurcacin fue
Jacobi en 1834. Sin embargo, el valor de la
teora de las bifurcaciones fue comprendido
en su totalidad slo por Poincar, a finales
del sinlo XIX.
Fig. 5.2. Dependencia de la desviaSupongamos conocida la solucin de
cin d e l eje de la barra respecto a la
cierto problema no-lineal para un valor
magnitud de la carga. La lnea conX = A, del parmetro. Entonces se puetinua corresponde a Los estados de
de intentar hallar la solucin para A.
AA,
equilibrio estables, y La discontinua,
donde AA es un nmero pequeo. Con esto
a l inestable
el anlisis se vuelve local, es decir, en lugar
de buscar una solucin general, nos limitamos al anlisis de lo que sucede
con una solucin concreta en un entorno de un valor del parmetro. Es natural, en primer lugar, elegir los valores ms importantes del parmetro,
donde el -comporta&iento del sistema cambia cualitativamente, es decir,
los puntos de bifurcacin. En este caso, el objetivo primordial es hallar
todos los tipos bsicos de bifurcaciones en diferentes problemas. Poincar
supona que la solucin de este problema grande y complejo ayudara en la
investigacin de muchos fenmenos no-lineales concretos.
Analicemos en el siguiente ejemplo los tipos elementales de bifurcaciones caractersticas de los sistemas reaccin-difusin.
Consideremos una reaccin qumica en la que la variacin dxldt de la
concentracin del producto de inters depende de la concentracin misma x
y de las acciones exteriores, las cuales pueden ser descritas mediante un
parmetro A. Esto proporciona la ecuacin diferencial ordinaria
V
Las soluciones de esta ecuacin se comportan de modo muy simple.

Cuando t -+ co la funcin x(t) tiende a un valor constante 5. Supongamos
que esta ecuacin no tiene soluciones infinitas.
Elementos de la teon0a de las bifurcaciones
105
La constante Z pueden tomar varios valores: x,, x,, etctera. Est claro
que
F(Z, A) = O.
(5.2)
Dependiendo de las condiciones iniciales x(0) la solucin tiende a uno

de los 2,. Por eso, lo que queda es resolver la ecuacin (5.2) y' hallar la
dependencia de todas sus races respecto al parmetro X .
Supongamos que conocemos alguna solucin (x,, A,) de la ecuacin (5.2). Para hallar la solucin correspondiente a un valor prximo
A = A, AA, AA < 1, se puede utilizar la frmula de Taylor
F(x,
A,)
+As, A, +AA) =F(x,, A,) + aF(xO,
6' A
~F(x
X )
O'
dx
O AX+
donde G es el resto de la serie (en l figuran los trminos proporcionales

a ( A X ) ~ , (AX)~AA, AX(AA)', ( A A ) ~ , etctera). La forma concreta de G no es
importante para nosotros. Por cuanto nos interesa el estado de equilibrio,
hacemos F(xo Ax, A. AA) = O. Pero, entonces, cuando AX + O, AA + 0,
obtenemos
A,) -l
(AA) @F(X,,
Ax = --'F(xO~'0)
aA
dx
De esta frmula se deduce que si
6F(~,f
A,)
es diferente de cero,
dx
podemos determinar de manera aproximada el nuevo estado de equilibrio
(fig. 5.3). Tal estado, a juzgar por la frmula (5.4), es nico, lo que significa que en el
punto (A,, s o ) no hay bifurcacin.
En la igualdad (5.4) nosotros consideramos slo dos trminos no-nulos de la serie
de Taylor (5.3). Surge la pregunta de cun
legtimo es esto y qu relacin tiene con el
problema no-lineal (5.2). La respuesta a es4
X
ta pregunta la proporciona el teorenla de la
funcin implcita, conocido del curso de anlisis matemtico. Este teorema desempea un Fig. 5.3. Una situacin en l a que
se puede utilizar e l teorema de
papel clave en la teora de las bifurcaciones.
la funcin implcita
Enuncimoslo:
Teorema. Supongamos que F(x,, A,) = O y que la funcin F es diferenciable

dF(x A )
dxO'
# O, entonces
con continuidad en cierta regin del plano (x, A). S i
existen dos constantes a y p tales que:
Captulo 5
106
1. La ecuacin (5.2) tiene una nica solucin x = x(E), cuando A, - a < X <
A, a, tal que x, - p < x < 2, + p .
2. La funcin x = x(A) es diferenciable con continuidad para A, - a < X i:
A,
0.
Nota. La ecuacin (5.2) se puede resolver respecto a A = A(z) si
~F(x,,
ax
# o*
Los puntos en los que se cumplen las condiciones del teorema de

la funcin implcita se denominan puntos regulares de la ecuacin (5.2).
Durante los experimentos computacionales frecuentemente se obtienen
dependencias las x = x(X), llamadas diagramas de bifurcacin. Por eso es
importante tener una idea de la forma tpica de tales diagramas, de la
variacin del segundo miembro, as como un modelo elemental 5 = h(x, A)
donde tales bifurcaciones sean posibles. En la tabla 1se muestra un conjunto
de diagramas de bifurcacin que incluyen otras posibilidades, adems de
las analizadas.
8F(xo,A,)
= O, y entonces es necesario tomar en
Puede resultar que
dx
- -
consideracin los prximos sumandos. Si

se obtiene la frmula siguiente:
d2F(x,A,)
0z2
# O, en lugar de (5.4)
Aqu el cuadro es otro (fig. 5.4): para A. > A, aparecieron dos soluciones,
y para X < Xo no hay soluciones (si se considera que cl es positivo).
dx
'Los puntos (xo,A,) en los cuales la derivada - cambia de signo y
dX
~F(x,,
A,)
# O se denominan puntos regulares extremales.
dA
Un ejemplo de tal comportamiento nos lo da el mismo problema de
la carga de una barra. Asumamos que en el estado inicial la barra no es
idealmente recta, sino que est un poco pandeada. Entonces la dependencia
.de la flexin mxima respecto a la carga (fig. 5.2) cambia y toma la forma
indicada en la figura 5.5.
Si la barra se encuentra en un estado estable correspondiente a un
punto de la rama inferior del diagrama de bifurcaciones (fig. 5.5), y la
carga disminuye lentamente, entonces para cierto valor de P ocurre un
salto brusco hacia el otro estado de equilibrio en la rama superior. Este
fenmeno, denominado disparo, se utiliza en la tcnica. El cambio de tipo
del diagrama de bifurcaciones, por ejemplo, durante una violacin pequea
Elementos de la teona de las bifurcaciones
Fig. 5.4. Ejemplo de punto regular extremal. En este punto surgen de ninguna
parte dos estados de equilibrio
107
Fig. 5.5. Diagrama de bifurcaciones correspondiente a la deformacin de una barra

no ideal o bien a l efecto de disparo
de la simetra del sistema analizado, se estudia en una de las reas de la

teora de las bifurcaciones: la teora de imperfecciones.
Sealemos que si tomramos x como variable independiente y X como
variable dependiente, entonces en el caso de un punto regular extremal sera
aplicable el teorema de la funcin implicita. Sin embargo, en las variables
iniciales, en el punto (so,A,) ocurre una bifurcacin, es decir, de la nada
nacen dos estados de equilibrio.
Se puede mostrar que las conclusiones sacadas del anlisis de algunos de
los primeros trminos de la serie de Taylor, tambin se refieren a la solucin
del problema no-lineal (5.1). A saber: en un entorno del punto regular
extremal, el diagrama de bifurcaciones est determinado por la relacin
X - Xo = V(X)(X - x,)~, v ( x ~Xo)

,
v0 # O,
AX
x - xO, FA(x0,+AO) # O.
(5.6)
En efecto, hagamos un cambio de variables y consideremos la curva
(vase la serie de Taylor (5.3). En ella se sustituy AA por 1; expresin

v(x)lAx12)*
Definamos v(x) de tal manera que
Para esto es suficiente que vo = v(xo) = l/c, (vase la frmula (5.5)).

(3G(v0,35,)
= FA(x0,A,) # O (por las coridiciones del problema).
Adems,
du
Consiguientemente, en el punto (v,, x,) la funcin G(v, X) satisface las
condiciones del teorema de la funcin implcita. Esto garantiza la existencia
de la funcin v(x) y, por tanto, la existencia de una solucin tipo (5.6) en
un entorno del punto regular extremal.
Tipos de puntos singulares elementales de la curva F(x,A) = O
Puntos singulares F, = O , F, = O
Puntos dobles
Punto singular
extrema1
Punto conjugado
Fzx ;e 0
2
DAz FXA-F,, FAA> O

F,, = O
D>O
2 = X(A - x2)
D<O
Notacin:
1) X < A,;
2) X = Ao;
3) X
> A,;
Elementos de la teonb de las bifurcaciones
109
En la tabla se observa que en un punto regular extremal nacen estados

de equilibrio estables e inestables.
Demostremos que esto realmente es as. Como se mostr anteriormente,
la estabilidad del estado de equilibrio (x*,A*) en el sistema x = F(x, A)
OF(x*,A*)
est determinada por la magnitud a =
. Derivemos la igualdad
ax
F(x, A) = O respecto a x, suponiendo que X = A(%) (esto corresponde al

hecho de que estamos analizando cierta curva, por ejemplo, el diagrama de
bifurcaciones):
o bien
Por las condiciones del problema, en el punto regular extremal tenemos que
@'(xO, A,)
dA
# O, y existe una curva X = X(x) cuya derivada cambia de
OX
ds
signo en el punto x,. Por consiguiente, en una rama, que parte del punto
(x,,A,), los estados de equilibrio sern estables (a< O), mientras que en la
otra (a > O), no lo sern.
Prestemos atencin al cambio del potencial en el punto regular extremal.
Para X < A,, la funcin V(x) representa una curva montona creciente; para
X = A, en ella aparece un punto de inflexin. Para X > Xo surgen un
mximo y un mnimo.
Llamaremos punto singular de la curva F(x, A) = O a todo punto (so,XO)
en el que
U n punto singular doble de la curva P(x, A) = O es un punto singular por
el que pasan dos, y slo dos, ramas de F(x, A) = O con tangentes diferentes.
En tal punto no todas las derivadas segundas se anulan simultneamente.
Un punto singular extremal de F(x, A) = O es un punto singular doble
en el que x, cambia de signo en una rama (fig.5.6).
Un punto conjugado es una solucin puntual singular aislada de
F(x, A) = O.
As pues, estamos analizado una situacin en la que todas la derivadas
primeras son iguales a cero y al menos una derivada segunda es diferente de
cero. Aclaremos para qu condiciones un punto es singular doble, singular
extremal o conjugado.
En un punto singular doble, la funcin F(s,A) se puede representar
como
a
Captulo 5
110
Fig. 5.6. Bifurcaciones surgidas en los casos cuando sus tipos estn determinados por los
trminos cuadrticos: o) punto singular extremal tenedor; b) bifurcacin transcrtica
((intercambio de estabilidad)); c) cambiando La direccin del parmetro X y el. signo del
segundo miembro, e l cuadro mostrado en la figura a) se convierte en la bifurcacin subcrtica
ilustrada en la figura c)
Por cuanto en lo sucesivo todas las derivadas estarn relacionadas con el

punto (xO,Ao), omitiremos los argumentos de estas funciones.
Denotemos mediante k = Ax/AX las pendientes de las tangentes
a las curvas que parten del punto (so,
Ao). Supongamos que Ax,AX son
suficientementepequeos. Esto permite tener en cuenta slo los tres primeros
trminos en la frmula (5.8). Dividiendo por ( A A ) ~ obtenemos una ecuacin
cuadrtica respecto al coeficiente k:
Por consiguiente,
donde
D = F:~ - F,, FA,.
Si D < O, entonces no existen tangentes que pasen por (xo,Ao) y este punto
es conjugado.
Si D > O, entonces del punto (x,, A,), como se aprecia en la frmula (5.10), parten dos ramas con tangentes diferentes. Por tanto, ste es un
punto doble (fig.5.6 b).
Sean D > O y F,, = O. Entonces FZA# O y la ecuacin inicial se puede
escribir en la forma
AA [ 2 k ~ , ~F ~=~0. ]
Esta igualdad determina dos tangentes con pendientes A,(x,,
yk=-
X
A"
O) ,respectivamente.
2F,,(x,, A,)
A,)
= O
Elementos de la teon de las bifurcaciones
111
En el caso D = O las curvas tienen un punto de tangencia de orden

ms alto y no pueden pertenecer a ninguna de las clases enumeradas.
Utilizando nuevamente el teorema de la funcin implcita se puede
demostrar que la presencia de las tangentes respectivas para D > 0,
garantiza tambin la existencia de dos ramas de soluciones de la ecuacin
no-lineal F(x, A) = O, las cuales parten del punto (x,, A,). En efecto,
supongamos que Ax = v(x)AA y v(x,) = x,(x,), donde xA(xo)= k, 6
xA(x0)= k2 (vase la frmula (5.9)).
Pasemos a unas nuevas variables e introduzcamos la funcin
Sin embargo, G(vo,x,) = O para cada uno de los dos valores de v, que se
obtienen de la ecuacin (5.10). Adems,
Aqu hemos utilizado la frmula de k y la suposicin de que D # O. De este

modo, se cumplen las condiciones del teorema de la funcin implcita y
por tanto, se puede afirmar la existencia de dos ramas de soluciones de
la ecuacin F(x, A), las cuales tienen la forma AA = v(x)Ax y parten del
punto (x,, XO)
Mediante un anlisis de estabilidad poco complejo, y trazando el grfico
del potencial y los diagramas de bifurcaciones, completamos tres filas ms en
la tabla 1.Destaquemos que en un punto singular extrema1 (donde se cortan
dos ramas del diagrama de bifurcaciones, en una de las cuales xAcambia de
signo), para X < Xo puede existir una rama estable. Para X > A, surge una
especie de tenedor, es decir, esta rama pierde 1a.estabilidad y aparecen
dos ramas estables nuevas (vase tambin la figura 5.6). Es particularmente
ilustrativa la reestructuracin del potencial, en el cual en lugar de un pozo
potencial se forman dos, y aparece una loma.
Desarrollo de la teora de las bifurcaciones

Con la teora de las bifurcaciones estn relacionadas dos grandes direcciones
fundamentales de la dinmica no-lineal. Se han dedicado muchos libros
a cada una de dichas direcciones. No es posible mostrar en un curso
introductorio de dinmica no-lineal todo el aparato matemtico de esta
teora, ni siquiera las aplicaciones fundamentales. No obstante, incluso si no
se logra analizar cada rbolpor separado, es til observar los contornos
del bosque,es decir, las ideas y problemas fundamentales de la teora.
Captulo 5
112
La primera direccin est relacionada con las generalizaciones a sistemas ms complejos, en particular, a sistemas espacialmente distribuidos.
El descubrimiento de las bifurcaciones elementales analizadas anteriormente, y de otras que veremos en el captulo 7, result ser muy importante en los
modelos matemticos que describen los procesos en los medios no-lineales.
de los
Esto permiti ver con nuevos ojos el mtodo de <<comprensin
procesos que tienen lugar en los sistemas complejos. Result que, frecuentemente, aqu es cmodo utilizar un anlogo del enfoque histrico, es
decir, averiguar qu sucede para los valores anteriores y posteriores de los
en el
parmetros, observar las particularidades cualitativas de los vecinos>>
espacio paramtrico. Comprenderel surgimiento de uno un otro rgimen,
hoy significa hallar la secuencia de bifurcaciones que conduce a su aparicin.
Se descubri la existencia de varios escenarios universales de transicin de
los regmenes ordenados elementales (a los cuales pueden corresponder
los puntos singulares o los ciclos lmites) al comportamiento turbulento
(catico) en los sistemas disipativos (a los cuales pueden corresponder los
atractores extraos).
Los numerosos experimentos computacionales que se han realizado
en las ltimas dcadas han mostrado que estamos ante un nuevo nivel de
unidad. A principios del siglo XX la unidad de la naturaleza, la cual se
manifiesta en la universalidad de los modelos matemticos, era vista por
los investigadores en el hecho de que un conjunto de los ms diversos
fenmenos se podan describir mediante ecuaciones lineales en derivadas
parciales de segundo orden. Hoy en muchos casos se escriben ecuaci~nes
diferentes, pero el mtodo de complejizacin del atractor, la secuencia de
bifurcaciones o, como se suele decir, el escenario de transicin al caos (o ruta al
caos), es el mismo. La unidad resulta estar relacionada no con lamaparicin
de ecuaciones anlogas, sino con un comportamiento cualitativo universal.
Uno de los superproblemas en esta direccin est relacionado con el
anlisis del surgimiento de la turbulencia hidrodinmica y en particular,
con la investigacin de la ecuacin de Navier-Ctokes. Esta ltima describe
el movimiento de un lquido viscoso incompresible:
. div = 0,
a,
v' = ij(x),
x E an.
Aqu es el campo de velocidades del lquido, p es la presin, y el

trmino f(x) representa una fuerza exterior dada. La ecuacin se debe
resolver en una regin tridimensional C2 de frontera On. Las componentes
del vector grad v' tienen la forma
Elementos de la teona de las bifurcaciones
113
En la ecuacin (ms precisamente, en el sistema de tres ecuaciones parablicas) figuran cuatro funciones incgnitas vl(x, t), v2(x,t), v3(x, t), p(x, t).
La condicin div v' = O permite eliminar una de ellas. El nmero de Reynolds desempea el papel de parmetro de bifurcacin. El trmino (l/R)A
describe la viscosidad. Frecuentemente, los valores fsicamente interesantes
del parmetro R se encuentran en el intervalo lo3-lo6. Por consiguiente,
estamos ante un ejemplo tpico de problema con parmetro pequefio en
la derivada de orden superior. Este problema es difcil de, analizar tanto
numrica como analticamente.- Las dificultades fundamentales estn relacionadas con el trmino grad . El lector puede analizar la ecuacin
vt vv, = O y verificar que su solucin puede no existir totalmente; esto
significa que el trmino viscoso de estabilizacin (1IR)A no se puede
botar simplemente.
En la investigacin de este modelo matemtico se han concentrado
grandes esfuerzos. Durante el estudio de algunas corrientes concretas
se lograron xitos impresionantes. La teora de las bifurcaciones ayud
a analizar detalladamente la prdida de la estabilidad en las corrientes
elementales. En los ltimos aos, la utilizacin de supercomputadoras ha
permitido obtener una gran cantidad de informacin sobre las propiedades
estadsticas de las corrientes turbulentas y sobre el comportamiento de los
lquidos cerca de las paredes de los tubos o canales.
No obstante, quedan sin aclarar muchos detalles fundamentales. Todava no podemos responder convincentemente a la pregunta de si juega
Dios a los dados en estos fenmenos o no. Para simular el comportamiento catico observado es suficiente el modelo propuesto u otras ecuaciones
hidrodinmicas consistentes en ecuaciones determinsticas en derivadas
parciales, cuyas soluciones son nicas y existen para O < t < m? O es
que acaso necesitamos de fuerzas aleatorias pequeas y debemos rechazar
terminantemente la descripcin determinstica de las corrientes turbulentas?
Otro campo clsico de aplicaciones de la teora de las bifurcaciones
es la teora de cscaras elsticas. Los problemas no-lineales de la teora de la
elasticidad, los cuales generalizan el problema ya visto de flexin de una
barra, resultaron ser muy importantes en muchos problemas de mecnica
de la construccin.
Un objeto mucho ms simple para el anlisis de bifurcaciones lo
constituyen los modelos tipo ((reaccin-difusin
114
Captulo 5
Aqu, los trminos D,Xrr y D,Yrr describen los procesos de difusin,

mientras que las funciones no-lineales f (X, Y, A) y g(X, Y, A), dependientes
de un parmetro, describen la cintica de las reacciones qumicas.
El primer modelo de este tipo fue propuesto en 1952 por A. Turing
para la descripcin matemtica de la diferenciacin celular o morfognesis.
Esta clase de problemas est relacionada con la aparicin de las diferencias
que surgen durante el desarrollo de distintas clulas que poseen una
misma informacin gentica. Conforme al enfoque de Turing, este proceso
est relacionado con reacciones qumicas, que en el caso ms simple se
describen mediante el modelo (5.12). Para una variacin del parmetro, con
X < A,, el atractor es una distribucin estacionaria espacial homognea de
las concentraciones X e Y. Para A > Xo tiene lugar una bifurcacin, la cual
conduce a que ahora el atractor sea una distribucin estacionaria espacial
no-homognea. La llegada a estos atractores tiene lugar desde toda una
clase de datos iniciales Xo(r),Y,@).Para subrayar el papel fundamental de
los procesos disipativos en la formacin de este tipo de ordenacin, estas
distribuciones fueron denominadas estructuras disipativas estacionarias.
Las estructuras disipativas surgen en muchos sistemas no-lineales abiertos,
es decir, en sistemas capaces de intercambiar energa o materia con el
entorno.
En la figura 5.7a se muestra la forma caracterstica de las estructuras
disipativas estacionarias en uno de los sistemas tipo (5.12) ms conocidos:
el bruselador. Este nombre se debe a que el modelo fue propuesto por la
escuela cientfica de Bruselas, dirigida por Ilya Prigogine. El bruselador
describe la distribucibn de los reactantes en cierta reaccin autocataltica.
En ella, f = A - ( B l)X X ~ Y g, = B X - X ~ Y donde
,
A y B se
Fig. 5.7. Estructuras disipativas estacionarias: a) ejemplo tpico de distribucin espacial estacionaria de las sustancias en e l modelo bruselador: 6 ) ejemplo de diagrama de bifurcaciones.
La variable M puede ser u n mximo, una norma u otra magnitud que caracterice a La estructura surgida. Las lneas verticales no estn relacionadas con e l diagrama de bifurcacin. Su papel
consiste en indicar qu valores del parmetro le corresponden a Los puntos de bifurcacin
Elementos de la teonOade las bifurcaciones

.-
115
consideran constantes. Como parmetro de bifurcacin en este modelo

figura, frecuentemente, la magnitud B o la longitud 1 de la regin.
La forma tpica del diagrama de bifurcaciones para el bruselador se
muestra en la figura 5.7 b. Aqu se ve que todas las bifurcaciones, a excepcin
de una, son exactamente las mismas que en el modelo analizado x = f (x,A).
La causa de esto se puede explicar del modo siguiente. Hablando grosso
modo, los modelos consistentes en ecuaciones en derivadas parciales se
pueden representar como sistemas infinitos de ecuaciones diferenciales
ordinarias. Las variables en estas ecuaciones pueden ser, por ejemplo,
las componentes de Fourier de las funciones X e Y. Los atractores de
estas ecuaciones tambin pueden ser puntos singulares en un espacio de
fase de dimensin infinita. Precisamente, estos puntos corresponden a las
estructuras disipativas estacionarias. Por eso, es completamente natural que
aqu surjan bifurcaciones tpicas de los puntos singulares.
El punto 3 de la figura 5.7 b es inusualdesde el punto de vista del sistema dinmico elemental x = v(x):en l nacen tres ramas inestables a partir
de una rama inestable. Esto est relacionado con que, a diferencia del modelo (5.1), donde la dependencia del atractor respecto al parmetro E(A) caracteriza completamente a la solucin, en el modelo (5.12) el diagrama de bifurcaciones no es ms que una proyeccin, en cierto eje, del vector 5 de un espacio
de dimensin infinita. Por eso la solucin puede peder la estabilidad en
otra direccin, relacionada con la no-homogeneidad espacial de la solucin.
El surgimiento de unas mismas bifurcaciones en los sistemas simples
y en los complejos condujo al nacimiento de la simulacin blanda, la cual a
veces se denomina ficcinestratgica. En la teora de la evolucin, durante
la simulacin de los procesos sociales, en la investigacin de los objetos que
se desarrollan irreversiblemente, los expertos destacan' frecuentemente los
puntos de viraje, las situaciones en las que se elige una de las alternativas.
Es natural identificar estos puntos con los puntos de bifurcacin de cierto
sistema dinmico. Evidentemente, esto es correcto si se trata de procesos
que se desarrollan segn sus propias leyes internas y que no dependen de
manera cardinal del control externo.
Lo expuesto se puede ilustrar con un ejemplo en el cual se hizo un
intento de hacer corresponder distintos diagramas de bifurcacin a los
diferentes escenarios del desarrollo histrico sealados por el eminente
historiador del siglo XX, A. J. Toynbee. Consideraremos que el parmetro A
(eje de ordenadas) son los ingresos per capita reales, y el parmetro de
bifurcacin X (eje de abscisas) es el tiempo.
Supongamos que en cierto pas, con el transcurso del tiempo el clima
cambia y disminuyen las cosechas de cereales. La cosecha en los campos
de cultivo disponibles se toma insuficiente. Aumenta la inestabilidad social,
la sociedad se acerca a un punto de bifurcacin. Segn la terminologa
116
Capitulo 5
de A. J. Toynbee .ha sido lanzado un reto histrico, al cual se puede responder de diversas maneras. Por ejemplo, disminuir las necesidades, trasladar
los problemas internos al exterior y
A
comenzar a desarrollar una poltica
dura con los vecinos (Camino de Licurgo). A esta respuesta le corresponde la rama inferior en la figura 5.8 a
(punto Al). Una segunda respuesta
t
puede ser, por ejemplo, la colonizacin de territorios de ultramar, en
los que los Estados se encuentran en
A
una etapa inferior de desarrollo y no
pueden oponer una resistencia seria.
La siguiente eleccin (punto A,) puede consistir, por ejemplo, en dirigir todos los esfuerzos a convertirse en una
potencia comercial, o bien a asentarse
en ultramar en serio y por mucho
tiempo. Los trabajos de A. J. Toynbee
y L. N. Cumiliov contienen muchos
episodios donde el desarrollo march
en correspondencia con el escenario
mostrado en el diagrama 5.8 a. El diagrama de la figura 5.8 b puede corresA* A,
A3 X4 t ponder a una crisis de una sociedad
Fig. 5.8. Ejem p[os caractefisticos de b i- de COnSUmo" cuyos estndares de vidasonmuyelevados*
furcaciones que pueden surgir en problePero, tal vez, sera mucho ms
mas relacionados con e l anlisis histrico.
El punto de bifurcacin corresponde a una interesante e importante analizar y
situacin en la que en e l sistema aparecen predecir las situaciones mostradas en
vanas vas de desarrollo, O bien suceden 1, figura 5.8 c. ptecuadro corresponcambios catastrficos
de, por ejemplo, a la destruccin del
medio ambiente como consecuencia
de la utilizacin de tecnologas tradicionales de explotacin de los recursos
naturales, a la disminucin brusca de los estndares de vida y a la llegada
con el tiempo al nivel de los recursos renovables. Las dos curvas superiores aisladas (estable e inestable) corresponden a una nueva tecnologa de
explotacin de los recursos. Y aqu precisamente queda clara la utilidad
de los diagramas similares a los mostrados en la figura. Supongamos que
nosotros no nos imaginamos de ningn modo la curva de nuestro desarrollo
histrico. Entonces nos esperan catstrofes, calamidades y serias dificultades
en los puntos X3 y X4 (fig.5.8 c).
117

.-
Sin embargo, si poseemos un aparato efectivo y desarrollado de

pronstico, la situacin cambia sustancialmente. Supongamos que el control
y la movilizacin de los recursos
- de la sociedad permite en el transcurso
de cierto intervalo de tiempo (A, A AA) cambiar en algo la marcha del
desarrollo, desplazando el diagrama de bifurcaciones en este intervalo.
Entonces, para esta situacin es vlido el proverbio guerra avisada no mata
soldadon. Aqu puede resultar un punto de viraje A*, donde es razonable
y justificada la movilizacin de recursos y esfuerzos con el objetivo de
pasar a la rama superior. Justamente en este trayecto del desarrollo histrico
pueden ser realizados tales programas. Ms tarde pueden, simplemente, no
presentarse posibdidades para esto.
La situacin es muy parecida a la de los geofsicos que se ocupan
del pronstico de los terremotos: cuanto ms fundamentado y confiable es
el pronstico, tanto mayor es la posibilidad de tomar medidas enrgicas
y a gran escala para reducir los daos del cataclismo. Por supuesto, la
interpretacin de los sucesos histricos utilizando las ideas de la teora de
las bifurcaciones, o la obtencin de pronsticos, son inconcebibles sin la
participacin activa de los historiadores profesionales.
Los fundamentos del enfoque clsico del anlisis de bifurcaciones fueron sentados a finales del siglo XIX y comienzos del siglo XXpor A. Liapunov
y E. Schmidt. Estos mtodos fueron desarrollados en estrecha relacin con la
;esolucin de problemas aplicados sobre figuras de equilibrio de un lquido
pesado en rotacin, y con la resolucin de ecuaciones integrales no-lineales.
La idea de este enfoque se puede explicar con el ejemplo siguiente,
relacionado con la ecuacin (5.1). Entre las bifurcaciones y Ia estabilidad
de las soluciones analizadas existe una dependencia importante. En efecto, la estabilidad del punto singular (x*,A*) de la ecuacin (5.1) estaba
determinada por la solucin del problema linealizado
OF(x*,A*)
Y*
dx
Escribamos la solucin de esta ecuacin lineal en la forma y = e p t p.
Entonces, la estabilidad del estado de equilibrio est determinada por el
problema de valores propios para cierto operador lineal A:
y=
p p = Ap,
A r
OF(z*,A)
dx
Aqu p es un valor propio, cp es cierta funcin propia, y el operador se
reduce a la multiplicacin por un nmero. Hemos visto que las bifurcaciones
OF(x*,A*)
- = O (en caso contrario, se poda
tenan lugar en los puntos donde
dx
aplicar el teorema de la funcin implcita). Pero precisamehte stos son los
puntos en los que el estado de equilibrio pierde la estabilidad.
118
Captulo 5
La situacin en el caso general es muy parecida. Aqu, en calidad de

x,y, (o, figuran los vectores de un espacio de Hilbert H (espacio lineal
completo en el que est definido el producto escalar).
El problema linealizado tiene la forma Llu = pL,u, donde L1 y L2
son operadores lineales acotados en H.
El problema de bifurcacin puede escribirse en la forma
donde N, y N2son operadores estrictamente no-lineales, es decir,
De aqu se deduce claramente que el problema de bifurcacin tiene solucin
nula para todos los valores del parmetro p. Es vlido el teorema siguiente.
Teorema. Los puntos de bifurcacin de la ecuacin no-lineal (*) pertenecen al
conjunto de puntos del espectro de la ecuacin linealizada Llu = pL,u.

Este teorema justifica un procedimiento utilizado ampliamente en la
fsica terica y en la simulacin matemtica. Primero se busca la solucin
espacial homognea de las ecuaciones investigadas. Despus se linealiza
el modelo analizado en un entorno de dicha solucin y se buscan las
soluciones de estas ecuaciones lineales en la forma eikx+iut,donde c' es
un vector. La condicin de resolubilidad de esta ecuacin est dada por la
dependencia w = w(k), denominada a veces ecuacin de dispersin. Si para
algunos parmetros en w aparece una parte imaginaria (lasperturbaciones
crecen), entonces ello es un testimonio en favor de la inestabilidad.
As, supongamos que un valor propio del problema linealizado tiene
multiplicidad p (de esto no se deduce ni mucho menos que en el problema
lineal habr una bifurcacin). En la teora de Liapunov-Cchmidt, la ecuacin
investigada se presenta como dos ecuaciones. Una ecuacin en un espacio
de dimensin finita p, y una ecuacin en su complemento ortogonal de
dimensin infinita. Se propone una tcnica que permite hallar los coeficientes
de un sistema finito de p ecuaciones con p incgnitas, las cuales tambin se
denominan ecuaciones de ramificacin.
Generalmente, los mtodos analticos de la teora de las bifurcaciones
proporcionan un desarrollo asinttico en un entorno de determinados puntos
del espacio de fase y del espacio de parmetros. Esto a menudo es insuficiente para la simulacin de fenmenos no-lineales concretos. Habitualmente es
importante presentar una particin del espacio en regiones con un mismo
comportamiento cualitativo del sistema dinmico. Para esto es necesario
construir las lneas en las que ocurren las bifurcaciones. Adems, en muchos
casos es necesario conocer todo el diagrama de bifurcaciones para las soluciones de un tipo determinado, y no slo el comportamiento en los entornos
de los puntos de bifurcacin que determinan los desarrollos asintticos.
c ' e
Elementos de la teon'a de las bifurcaciones
119
.-
~ o d oesto condujo al desarrollo de una gran clase de mtodos computacionales de la teora de las bifurcaciones. En la literatura estos mtodos
frecuentemente se denominan mtodos de prolongacin respecto al parbmetro.
La idea de estos mtodos se puede ilustrar mediante 10s ejemplos siguientes.
supongamos que nos interesa la construccin numrica de un diagrama
de bifurcaciones. Asumamos, para simplificar, que este diagrama determina
la dependencia de los puntos singulares 5 del sistema dinmico = F(X, A)
respecto al parmetro A. Estos puntos estn determinados por la races de
la ecuacin algebraica no-lineal F(x, A) = O.
La estrategia tpica de accin es la siguiente. Utilizando
analticos o numricos, primero se halla algn punto (x*, A*) perteneciente
al diagrama (fig. 5.9).
r'
A*
A,
'
Fig. 5.9. A la izquierda: representacin grfica del algoritmo Computaciona\

elemental de construccin del diagrama de bifurcaciones. A [a derecha:
ejemplo de una rama aislada del diagrama
Luego se hace un pronstico -(<porla tangente)) para hallar de manera

aproximada la posicin del siguiente punto del diagrama:
'p-ed
(A*
+ AA) = ''(A*) +
dx*(X*)
dA AA.
La imagen geomtrica de este procedimiento se muestra en la figura 5.9.

dx*(X*)
(((derivadadel punto singular respecto al parmetro)
La magnitud
dx
se puede hallar derivando la funcin implcita:
Despus se resuelve la ecuacin

F(x*, A*
+ AA) = O
Captulo 5
120
.-
por el mtodo de Newton, donde el valor xprd(X* AA) se toma como

aproximacin inicial. (La idea del mtodo de Newton se expone en el
captulo 7 de este libro y en la mayora de los textos de mtodos numricos.)
OF(A*)
OF(A*)
Si la derivada
resulta mucho menor que
aA entonces es
l a. I
1 1,
razonable moverse por' el parmetro s, y no por el 'partimetro X (fig.5.9).

En la figura 5.9 se aprecia claramente que procediendo de este modo
es posible construir numricamente el diagrama de bifurcaciones en un
entorno de un punto regular extremal. En casos ms complejos se pueden
construir anlogos discretos de las frmulas que figuran al inicio de este
captulo. Ellas incluyen derivadas de rdenes mayores.
Entre tanto, el enfoque descrito tiene limitaciones fundamentales incluso
en el caso ms simple de puntos singulares. La causa de esto se comprende
observando la parte derecha de la figura 5.9. En ella se muestra una rama
de soluciones de la ecuacin F(z, A) = O, la cual est aislada del diagrama
principal de bifurcacin (en la literatura tales ramas se denominan a veces
aislamientos o aislados).
Sin importar cun buenos sean los algoritmos de movimiento por un parmetro, nosotros no podemos saltarde la curva inicial a esta rama aislada.
Se necesitan perturbaciones de amplitud finita, o bien algoritmos de bsqueda aleatoria de las soluciones fuera del diagrama principal de bifurcacin.
En una serie de problemas, precisamente las soluciones aisladas desempean un papel importante. Tal situacin es frecuente, por ejemplo, en
la teora de estabilidad hidrodinmica. En particular, durante el movimiento de
un lquido en un tubo circular, una corriente elemental con perfil parablica
de la velocidad es estable para cualesquiera nmeros de Reynolds. Sin
embargo, los experimentos muestran que cuando el nmero de Reynolds
supera cierto umbral, el movimiento del lquido se vuelve turbulento. Por
consiguiente, el apunto singular, el cual corresponde a la corriente elemental y es estable en una aproximacin lineal, no pertenece al diagrama de
bifurcaciones por el que se puede pasar de la corriente laminar elemental a
la corriente turbulenta. Es necesario buscar otras ramas.
En los problemas de la tecnologa qumica relacionados con la proyeccin de reactores qumicos es muy importante la bsqueda de las ramas
aisladas. Aqu, una nueva rama de puntos singulares puede significar la
posibilidad de elaboracin de nuevas tecnologas ms efectivas.
La construccin numrica de las lneas de bifurcacin en el espacio
de parmetros se parece al clculo de los diagramas de bifurcacin. En el
captulo 6, por ejemplo, se analiza el problema de la mecedora, donde el
estado x del sistema analizado est determinado por dos parmetros a y b:
121
.-
En el problema
dado esta ecuacin tiene solucin 5 para cualesquiera
valores de a y b. Sin embargo, el nmero de soluciones puede cambiar si
se imvone la condicin
Esta lnea del espacio de parmetros se denomina frecuentemente lnea de

races mltiples. Para hallar esta lnea en el espacio de parmetros a y b es
necesario resolver el sistema de ecuaciones algebraicas no-lineales (5.13),
(5.14). Aqu tambin se halla primero un punto en la lnea investigada,
luego se hace un pronstico por la tangente, despus se precisa la solucin
utilizando el mtodo de Newton, etctera.
E.1 gran inters actual por la teora de las bifurcaciones est relacionado
con varios xitos importantes. En primer lugar se debe mencionar el
descubrimiento de varios escenarios universales de surgimiento del caos
dinmico. Dos de ellos, el escenario de Feigenbatrn y la intermitencia, sern
analizados en el captulo 7.
La investigacin de una serie de sistemas dinmicos simples permiti
dar nuevo un significado a la palabra comprender durante el anlisis de
los modelos con comportamiento complejo. La compresinen la dinmica
no-lineal est relacionada generalmente con el anlisis de la sucesin de
bifurcaciones que conduce a la aparicin del atractor estudiado. Para esto
frecuentemente se construyen modelos simplificados, los cuales muestran
algunas partes de tal sucesin o toda ella (stos pueden ser diferentes aplicaciones o sistemas de ecuaciones diferenciales ordinarias de orden inferior).
Un ejemplo tpico de este enfoque lo proporciona el anlisis del modelo
del disco duplo de Rikitake, el cual describe el denominado dinamo magntico
terrestre. Los datos paleomagneticos confirman que en los ltimos 600
millones aos la posicin de los polos magnticos de la Tierra ha cambiado
de modo irregular y complejo. Para la explicacin de este fenmeno, Rikitake
propuso un modelo electromecnico original.
El modelo constituye dos discos unidos de tal manera que la corriente
de cada disco pasa por la bobina del otro (fig. 5.10). Los discos en este
modelo simulan dos grandes torbellinos en el ncleo de la Tierra.
Este sistema se describe mediante las ecuaciones
donde xl, x2 con puntos, p es la resistencia del conductor, x3,x4 son

las velocidades angulares de los discos, y u,, v2 son los coeficientes de
rozamiento.
122 .
Capitulo 5
Fig. 5.10. Esquema del dinamo de dos discos y var-iacibn del atractor en el modelo
generalizado de Rikitake al variar e l parmetro p : v, = 0,004, v, = 0,002
En la figura 5.10 se muestra una de las proyecciones del atractor en

este sistema. Como se observa, la forma del atractor en esta secuencia
cambia cualitativamente varias veces. Es natural relacionar esto con las
bifurcaciones. Un cuadro similar fue investigado detalladamente durante el
anlisis del modelo de Lorenz, el cual da una descripcin aproximada de la
dinmica de una capa de lquido calentada por debajo.
123
Incluso durante el anlisis de atractores caticos suficientementesimples

en sistemas de tres o cuatro ecuaciones diferenciales ordinarias, surgen
dificultades de principio. En la figura se ve que al cambiar el atractor, el
tipo de atractor catico cambia sustancialmente. Sera muy bueno analizar
no slo las bifurcaciones relacionadas con los ciclos lmites o con los puntos
singulares, sino tambin aquellas para las cuales un atractor extrao pasa a
otro. Sin embargo, esto es muy difcil de hacer.
En las bifurcaciones de los puntos singulares se pudo haber prestado
atencin al cambio del nmero y de la estabilidad de los puntos singulares.
En el caso de los atractores caticos, generalmente, no es posible definir
correctamente un conjunto pequeo de nmeros que al variar provoquen
la aparicin de particularidades cualitativas en el caos dinmico observado.
Por lo visto, aqu son necesarias ideas nuevas en principio.
Otra direccin importante de la teora de las bifurcaciones es la
deduccin y anlisis de las ecuaciones modlicas, las cuales describen el
comportamiento del sistema en un entorno de un punto de bifurcacin.
En realidad, en virtud del teorema de enderezamiento de un campo
vectorial en un entorno de un punto que no es singular, un sistema
dinmico se puede reducir localmente a la forma & = c mediante un
cambio de variables. En un entorno de un punto singular regular x*
(para el cual la matriz de Jacobi A no tiene valores propios nulos), el
comportamiento del sistema dinmico est determinado localmente por los
valores propios de la matriz A, es decir, es equivalente al sistema lineal
Y = AY. Se puede esperar que en los entornos de los puntos de bifurcacin
tambin surjan sistemas modlicos que describan localmente la dinmica del
sistema inicial. Naturalmente, los coeficientes de estas ecuaciones modlicas
estarn determinados no slo por los trminos lineales que surgen al
desarrollar los segundos miembros en un entorno del punto singular.
Esta direccin, relacionada con la obtencin de tales ecuaciones modlicas, lleva el nombre de teora de las formas normales. Aqu ha sido obtenida
toda una serie de resultados fundamentales relacionados con el anlisis local
de los modelos no-lineales. A su vez, la tcnica de transicin de un sistema
concreto a la forma normal (es decir, la determinacin de los coeficientes que
figuran en esta ltima) puede ser muy compleja incluso para bifurcaciones
simples. Por ejemplo, se han dedicado muchos libros al uso de esta tcnica
en el caso de la bifurcacin del nacimiento de un ciclo lmite (de esto
hablaremos en el captulo 8). La realizacin del enfoque relacionado con la
obtencin de ecuaciones modlicas locales para los sistemas dinmicos de
tipo especial, condujo al desarrollo de la teora de las catstrofes analizada en
el captulo siguiente.
Al mismo tiempo, estos resultados tienen un valor crucial en principio. Ellos muestran en cules casos se puede esperar una descripcin
124
Captulo 5
universal de diferentes sistemas no-lineales mediante las mismas ecuaciones

modlicas.
Adems, en los aos 70 del siglo pasado, en relacin con el estudio
de los sistemas distribuidos comenz ha desarrollarse activamente la teora
de variedades centrales. En esta teora tambin se analizan las aplicaciones
generadas por un sistema dinmico (por ejemplo, x(t) + x(t 1)).A los
puntos singulares del sistema dinmico continuo les corresponden los puntos
fijos de la aplicacin q: $(s*) = x*. Si el espectro del operador linealizado
d@(x*)en uno de estos puntos pertenece al interior de una circunferencia
unidad, entonces el punto es estable. En un punto de bifurcacin el espectro
se divide en dos partes. Una parte se encuentra a una distancia no-nula de la
circunferencia unidad, mientras que la otra se encuentra en la circunferencia.
A la ltima parte le corresponde un subespacio propio generalizado Y de
dimensin d. (En el caso ms simple, d coincide con la suma de las
multiplicidades de los valores propios cuyo mdulo es igual a la unidad.)
En particular, a menudo se logra demostrar que en el espacio de fase
considerado P existe un entorno V del punto x* y una variedad M de
dimensin d que pasa por el punto x* y est contenida en V, tal que:
1) posee la propiedad de invariancia local: si x E M y +(x) E V , entonces
$(x) E M ;
2) posee estabilidad local: si $"(S) E V para n = 0,1,2,. ., entonces
t,bn(x)-+ M cuando n -+OO.
El conjunto M , en este caso, se denomina variedad central del punto x*.
En otras palabras, en un entorno de un punto de bifurcacin, localmente
cerca del punto x* la dinmica est determinada por el comportamiento de
las variables en cierto espacio d-dimensional. Las variables de este espacio
determinan el comportamiento de los dems grados de libertad, es decir,
sirven de parmefros de orden. En una serie de casos se logra hallar explcitamente las ecuaciones que relacionan a las variables en la variedad central.
Un paso fundamental, que tuvo un gran valor para la dinmica
no-lineal, fue la generalizacin de este enfoque y la construccin de la teora
de variedades inerciales, es decir, de conjuntos M en el espacio de fase P con
las propiedades siguientes:
- son compactos e invariantes, es decir, una trayectoria que comienza en
un punto de M no abandona este conjunto;
- son tales que todas las soluciones del problema inicial tienden exponencialmente a M;
- poseen completitud asinttica, es decir, para cualesquiera condiciones
iniciales de la ecuacin inicial existe un punto E en M , tal que la
distancia entre la trayectoria del problema inicial y una trayectoria
de M que comience en E, tiende exponencialmente a cero.
.-
125
Supongamos que P es un espacio de fase de dimensin infinita de

cierta ecuacin en derivadas parciales cuyas soluciones se comportan de
modo catico. Entonces, la completitud asinttica significa, en esencia, la
equivalencia de la ecuacin en derivadas parciales cuando t + oo a cierto
sistema dinmico finito. Este ltimo usualmente se denomina forma inercial.
sta es, por ejemplo, la situacin para uno de los modelos fundamentales
de la dinmica no-lineal,
denominado ecuacin de Kuramoto-Silzuki
burg-Landu
o ecuacin generalizada de Gunz-
dependiente del tiempo.
Lamentablemente, en los casos interesantes no es posible construir

explcitamente una forma inercial. Sin embargo, su existencia misma abre
nuevas posibilidades para la elaboracin de nuevos enfoques de los problemas de la dinmica no-lineal y para la construccin de algoritmos
computacionales.
En mucho casos importantes los coeficientes de las ecuaciones en
derivadas parciales son parmetros pequeos. Son especialmente complejos
los casos cuando los parmetros estn presentes como coeficientes de las
derivadas superiores. As son, por ejemplo, los sistemas de ecuaciones de
reaccin-difusin para coeficientes de difusin pequeos.
Resulta que tambin en este caso, utilizando desarrollos mul tiescala, se
pueden obtener ecuaciones modlicas que proporcionan una descripcin
universal para determinadas bifurcaciones. En particular, ste es el caso de
la ecuacin (5.15). Se puede esperar que los sistemas modlicos que surgen
al utilizar la teora de las bifurcaciones desempearn el papel de puntos
de referencia en el estudio de diferentes fenmenos no-lineales.
1. Construir el diagrama de bifurcaciones para el sistema dinmico
2. En la teora de las bifurcaciones se utiliza ampliamente la hiptesis de Hopf de

interseccin estricta, segn la cual el anlisis de bifurcaciones debe limitarse a
los puntos dobles y no considerar ni los puntos de retroceso (donde D = O),
ni los puntos singulares de orden superior. Por qu?
3. Qu aspecto tiene el diagrama de bifurcaciones cerca de un punto de retroceso
de segundo orden? En este punto las ramas del diagrama tienen un punto de
tangencia de segundo orden. Hallar en el entorno de este punto las expresiones
asintticas para las curvas correspondientes.
126
Captulo 5
4. La ecuacin diferencial
donde cp se toma mdulo 2n, se utiliz para la simulacin de dos clulas

nerviosas (neuronas) enlazadas que oscilan espontneamente. En este caso la
variable cp representa la diferencia de fase entre las actividades de las dos
neuronas. Investigar el comportamiento cualitativo de las soluciones y las
bifurcaciones en dependencia de los parmetros Q y A.
5. Un aro de radio R rota con frecuencia w alrededor del eje vertical que pasa
por su centro. Por el aro se puede mover una bolita. Cuando la frecuencia
de rotacin del aro supera cierto valor crtico w,, la bolita deja la posicin
de equilibrio inferior y pasa a otra. Construya el modelo matemtico de este
fenmeno. Estime la magnitud w, y halle la nueva posicin de equilibrio.
6. Al describir la conveccin en una capa de lquido o gas calentada por debajo
(estos fenmenos ejercen una gran influencia en la dinmica de la atmsfera) el
meteorlogo estadounidense E. Lorenz propuso e investig el modelo siguiente:
a? = -0(2
- y),
Aqu x caracteriza una de las componentes de Fourier del campo de velocidades;

y y t son las componentes del campo de temperatura. El parmetro r es el
nmero de Rayleigh, cr es el nmero de Prandtl, y la magnitud b refleja la geometra
de la regin. Supongamos que inicialmente el parmetro r es pequeo. Cules
son las bifurcaciones ms simples que tendrn lugar con el aumento de r?
Cmo se comportarn las trayectorias de fase cerca de los estados de equilibrio
correspondientes?
7. Supongamos que en un sistema reaccin-difusin las funciones f y g son
lineales y el estado de equilibrio X = O, Y = O, es estable. Tomemos como
parmetro de bifurcacin uno de los coeficientes de difusin. Puede surgir
una inestabilidad al aumentar este pakmetro?
Bibliografa
Entre los textos de teora de las bifurcaciones ms accesibles y simples se pueden
mencionar:
looss G., Joseph D. Elementary stability and bifurcation theory Springer-Verlag,
1980;
Bautin N. N.,Leontvich E. A. Mtodos y procedimientos de investigacin
cualitativa de sistemas dinmicos en el plano (en ruso).
A los lectores ms preparados se recomiendan los libros:
Guckenheimer J, Holmes D. Nonlinear Oscillations, Dynamical Systems, and
Bifurcations of Vector Fields. Springer-Verlag, 1990;
Arnold V 1. Chapitres supplmentaires de la thorie des quations diffrentielles
ordinaires. MIR, 1980;
'Z861 '%epa~-~aSupds
*s~o~seyqv
aSuers pue 'soeq3 'suoyes~npg:suoyenba zuarol a u 3 mouvds Q
:orqg la ua ezpue as '(zuarol ap euraqs~)sepeuIpro
sale!suamaf!p sauopensa ap oqarsuo~euraJs!s un ap oldura[a la ua :os~~?urnu
s~sgeue
la u03 ugpeu~qurosua SauopesJnjIq se1 ap Toa4 el ap sopoq?~sol ap ugpesqd~e7
'LL61:
'alty
~ o [ *sura)sAsmnpq!l!nbauo~ u! uo~$?zye%y3-~la~
*laq808pd '-3
s!lo~i~
! ~ 8 6 1' 8 e l s ~ - ~ a % u p*ssga%~au&
ds
uayw Q
:sorqy sol ua uaqureq X sorqg sour;~lpsop sol ua ezgeue as 'sa(e~sred
SepeApap ua sauopen3a aumpaur uaqpssap as sapns sol 'sopp~qys~p
seuIa$s;s
sol ap s!syyue le sauopesmnj~qse1 ap ej~oaqq ap s o p o ~ ?sol
~ ap ugpeqlde e7
'6961 ' u I U I ~ ! U ~*SUIalq
~
-0rj anpua%!z reaug-uo~pue Lroau uogesrnjtg (spa) *S uazuluv nallg
!9~61% ~ I J ~ A
-~a%upds
*suogesgddvsq pue uogesmpg 3 d o a~ u *tyuayjar2 3~ '-1uapssvty Q
LZG
sauopo~~n.Jqsol ap y o a l ol ap soquawaly
Modelos matemticos de la teora

de las catstrofes
LI2 teora de las catstrofes es un instrumental
matemtico. Como todo instrumental, tambin puede ser utilizado incorrectamente. La dcada pasada
confirma que la teora de las catstrofec es un medio
potente, capaz de arrojar luz sobre la solucin de
los ms variados problemas, pero exige u n trato
cuidadoso y hbil.
T. Poston, 1. Stewart
En la simulacin matemtica de los fenmenos no-lineales la teora de las

catstrofes ocupa un lugar especial. Su desarrollo muestra cun importante
pueden ser la introduccin de nuevos conceptos y el cambio del punto
de vista acerca de un objeto. Su aplicacin es un ejemplo de cmo eii
diferentes campos muchos fenmenos interesantes pueden ser explicados o
pronosticados con ayuda de modelos simples.
En la creacin de la teora de las catstrofes, desempearon un papel
fundamental los trabajos de R. Thom y su libro Estabilidad estructural y
morfognesis. El problema de la morfognesis es un problema fundamental
en la matemtica aplicada, el cual se reduce a destacar las particularidades
ms importantes en las etapas iniciales del desarrollo de un organismo y
describirlas matemticamente.
Segn R. Thom, lo ms importante en la morfognesis es la aparicin
de nuevas cualidades, por ejemplo, los cambios del tipo de simetra que
se observan durante el desarrollo de un 'organismo. Adems de esto, un
rasgo caracterstico de los sistemas biolgicos y de muchos otros sistemas,
son los saltos, es decir, las transiciones bruscas a un estado nuevo que
ocurren en condiciones de evolucin continua de los parmetros. Estos
cambios repentinos fueron llamados por R. Thom catstrofes para subrayar
la reorganizacin cardinal y rpida del objeto estudiado.
La idea de la descripcin de las catstrofes se reduce a lo siguiente.
Supongamos que el estado de un objeto es descrito por cierto sistema
Modelos matemticos de la teondade las catstrofes
129
.-
dinmico de la forma
W x ,A)
Entonces, como vimos, las soluciones acotadas tienden a los atractores x*,
los cuales estn determinados por la igualdad
La funcin U ser denominada potencial, y los punto en los que la derivada

respecto a x se anula (y, en el caso general, todas las derivadas parciales
son iguales a cero), puntos crticos.
A partir de la ecuacin algebraica (6.2) se pueden hallar las coordenadas
de todos los puntos crticos %!(A), . .. ,$;(A). Los puntos crticos dependen
de un parmetro X (o de toda una coleccin de parmetros). Supongamos
que los parmetros cambian muy lento, tan lento que la trayectoria x(t, A)
resulta muy prxima a uno de sus atractores x*(A).
Podemos imaginarnos situaciones en las que para un cambio suave del
parmetro X y del potencial U(x, A), el punto crtico experimenta un salto.
Nosotros vimos un ejemplo de tal comportamiento al analizar la teora de
las bifurcaciones, cuando al pasar por un punto regular extremal, aparece
o desaparece de golpe un par de estados de equilibrio. En el modelo de
la morfognesis, por ejemplo, X puede interpretarse como la concentracin
de ciertas sustancias que vara lentamente durante el desarrollo, y x como
el punto del espacio de fase que caracteriza el estado del organismo. En el
libro citado, R. Thom propuso tales modelos como base para la construccin
de la biologa matemtica.
Por cuanto estamos hablando de simulacin blanda, donde se desconocen las leyes que determinan el proceso y donde se pueden hacer las
suposiciones ms generales sobre el tipo de potencial, es natural concentrar
la atencin en las situaciones tpicas, entendiendo por tales las propiedades
que se conservan para variaciones pequeas, para pequeos zarandeos
del potencial. La teora de las catstrofes permiti realizar una clasificacin de los puntos crticos tpicos y aclarar cules son las <<catstrofes
tpicas correspondientes a diferentes cantidades de los parmetros A que
determinan el estado del sistema.
La teora de las catstrofes se convirti en una sntesis de ciertas reas
del anlisis matemtico clsico y de la topologa. El carcter ilustrativo
y la simplicidad de su enfoque en la resolucin de muchos problemas,
provoc un torrente enorme de trabajos relacionados con su utilizacin en el
anlisis de diferentes modelos matemticos. El aspecto negativo de esto fue
la utilizacin sin espritu crtico de la teora en muchos campos relacionados
con la simulacin blanda, la extrapolacin injustificada de sus conclusiones
y las discusiones amplias por este motivo.
130
Captulo 6
Sin embargo, su uso exitoso en problemas aplicados relacionados con la

simulacin rgida y la aplicacin de sus mtodos como enfoque heurstico
en la etapa inicial de co~~struccin
de los modelos matemticos, muestra la
importancia y efectividad de este instrumento matemtico en la simulacin.
Este captulo no puede reemplazar textos ms detallados que presentan
la teora de las catstrofes con diferentes niveles de complejidad. Aqu
trataremos de resolver un problema mucho ms modesto. Para comenzar,
intentaremos mostrar de la manera ms simple posible en qu etapa se
hacen necesarios los resultados matemticos de la teora de las catstrofes.
Seguidamente, se demostrarn algunas afirmaciones que no exigen un
aparato matemtico que se salga del marco del anlisis matemtico elemental
y del lgebra lineal, pero que dan una idea del enfoque mismo de la teora.
Adems, se subrayar frecuentemente la relacin profunda de estos mtodos
con el programa de investigacin de Poincar. Despus regresaremos a
problemas aplicados donde la ecuacin (6.1) proporciona una descripcin
satisfactoria de la situacin, o bien sirve de modelo simplificado y efectivo.
Modelos matemticos elementales de La teora de las catstrofes. En la

teora de las catstrofes existen algunos modelos matemticos elementales
que permiten ilustrar los rasgos caractersticos de las catstrofes ms simples.
Analicemos uno de estos modelos.
Consideremos el segmento de la parbola y = x2 seccionado por la
recta y = y,. Supongamos que esta figura es una lmina delgada que
permanece todo el tiempo en el plano vertical y puede rodar por la recta
horizontal AB (fig. 6.1). Adems, asumiremos que toda la masa de la lmina
est concentrada en un punto (a, b) del sistema de coordenadas xOy.
No es difcil construir un modelo mecnico de este tipo, cortando dos
segmentos parablicos delgados e iguales y unindolos mediante barras de
entibar. Para imitar la masa concentrada))en el punto (a, b) se coloca un
imn pequeo entre las paredes y del otro lado de una de ellas, un pedazo
pequeo de hierro, el cual se sostiene gracias a la accin del imn (el imn
permite variar la posicin del punto (a, b)).
Estudiemos la dinmica de este sistema desplazando suavemente el
punto (a, b). Al desplazar el punto (a, b) cambia el estado de equilibrio
Fig. 6.1. Cuando e l centro de gravedad corta la lnea en forma de pico, La mecedora
puede voltearse de un costado a l otro
Modelos matemticos de la teon de las catstrofes

---
- 4
.-.-
del sistema (llamado frecuentemente, mecedora). En unos casos esto s u d e

suavemente: una variacin pequea de las coordenadas (a, b) hace cambiar
poco el estado de equilibrio (fig.6.1). En otros casos tiene lugar un salto
brusco: la mecedora repentinamente se pasa al otro lado. Experimentando
un poco se verifica que tales catstrofes suceden cuando el punto (a, b) corta
cierta curva con forma de npico. Es curioso que, al cortar esta curva, en
unos casos ocurren saltos, pero en otros no.
Para entender tal comportamiento, y para obtener la expresin analtica
de la curva que describe el pico,construyamos el modelo matemtico del
fenmeno analizado.
Evidentemente, el estado del sistema est caracterizado por un .par&metro: la coordenada del punto de tangencia t de la mecedora con el plano.
En la teora de las catstrofes, la variable que determina la posicin del
sistema se denomina variable de estado. El conjunto de valores posibles.de las
variables de estado se denomina espacio de variables de estado, En nuestro caso
este espacio est6 formado por el segmento
Los parmett~b
mediante los cuales se puede cambiar el estado del sistema se denominan
variables de control. En nuestro ejemplo hay dos variables de control: a y b.
El conjunto de valores de estas variables se denomina espacio de control.
En el modelo considerado este conjunto coincide con el conjunto de puntos
interiores del segmento parablico.
Conforme a las leyes de la mecnica, al estado de equilibrio le corresponde el mnimo de la energia potencial U = mgh de la lfunina, donde m es
la masa, g es la aceleracin de la gravedad y h es la altura del punto (a, b)
sobre el plano horizontal. Hallemos una expresin explcita para el potencial.
En el sistema de coordenadas (3,y) el plano horizontal es tangente a
la parbola en el punto (t, t2). La pendiente de esta tangente es y' =' 2t.
Tomando en consideracin que ella pasa por el punto (t, t2), obtenemos la
ecuacin de la horizontal: y = 2tz - t2.
Utilicemos la frmula de la distancia S desde un punto de coordenadas
(a, b) hasta una recta y = p z q:
[--a,
a].
En nuestro caso, p =. 2t, q = -t2. Por tanto,
Notando que Ia expresin en el numerador es igual a ( b - 2at
+ t2)2,resulta
132
--
- .- - . -
- ---
Captulo b
-- -----
Derivaida e~ti~.-expwsi6n
e igualando la derivada a cero, obtenemos h
condicln dd &twmo del potencial:
Consiguieoitemmttc,los estados de equilibrio de la mecedora estn determinados por las races del polinomio
dependiente de los parmetros U y b. La frmula (6.3) tiene un sentido

fsico simple: estado de equilibrio el centro de gravedad debe encontrarse
sobe el punto de tangencia con la horizontal. En caso contrario, surge
un momento de dos fuerzas: la fuerza de gravedad aplicada al centro de
masas y la fuerza de reaccin del apoyo aplicada al punto de tangencia
con el plano. Precisamente este momento hace que la mecedora se balancee.
La ecuacin de la normal a la parbola en el punto de tangencia (t, t 2 ) es
Sustituyendo en la ltima frmula x = a, y = b, se obtiene (6.3), lo que

demuestra qlte el centro de gravedad en el punto (a, b) yace realmente en
la normal a la parbola en el punto de tangencia.
As pues, todos los posibles estados de equilibrio de la lmina estn
determi,wdos por las races del polinomio cbico U ( t ) . Por cuanto el
polinomio. U ( t ) es de grado impar, tiene al menos una raz real. En efecto,
U ( t )es una funcin continua, U(t) + oo cuando t -t oo, U(t) + -00 cuando
t -t -00, es decir, debe existir al menos un valor de t para e1 cual U(t)
se anula (fig. 6.20). Se puede suponer que en el plano de las variables de
control (a, b) existe una regin cn la cual las tres races son reales (fig. 6.2 6).
En la frontera de esta regin el polinomio U(t) tiene dos races (fig.6.2 c). Esto
es posible slo si una de las races del polinomio es mltiple. En la figura 6.2 c
se aprecia que en el punto i, donde el polinomio U(t) tiene una raz mltiple,
el grfico es tangente al eje de las abscisas y, por consiguiente, U'(t) = 0.
Fig. 6.2
Modelos matemticos de la teon'a de las catstrofes
133
Fig. 6.3. Potencial V ( t )en diferentes puntos del espacio de control (a, b): a ) nmero de
soluciones de La ecuacin U ( t )= O; b) forma caractedstica del potencial
Este razonamiento sencillo permite hallar los valores de los parmetros

de control para los cuales la ecuacin U ( t ) = O tiene dos soluciones. Tal
conjunto se denomina frecuentemente lnea de races rnultiples
Excluyendo la variable
t obtenemos
27a2 = 2(2b - I ) ~ .
(6-4)
Para a = O, b = 112, obtenemos U ( t )= 2t3, y la ecuacin U ( t )= O tiene una

raz t = O de multiplicidad tres. El conjunto B definido por la ecuacin (6.4)
se denomina conjunto de bifurcacin de la funcin V o conjunto discriminante
de la funcin U . Representemos grficamente este conjunto en el plano (a, b)
y mostremos la forma caracterstica del potencial en diferentes en puntos
de este plano. En la figura 6.3a se muestra el nmero de soluciones de la
ecuacin U ( t )= O en diferentes sectores del plano de parmetros. En la figura 6.3 b se presenta la forma aproximada del potencial. La figura 6.3 b permite
entender qu sucede con la lmina cuando se desplaza el centro de gravedad.
Por ejemplo, fijemos el parmetro b y hagamos variar el parmetro a. Hasta
el valor al el potencial V ( t )tiene un nico mnimo, y el sistema, una nica
posicin de equilibrio. En el punto a, de la lnea de raices mltiples surgen
dos estados ms de equilibrio: uno estable y otro inestable. Esto se observa
claramente en la figura 6.4, donde en el plano (a, t ) se muestran todos los
valores de t correspondientes a las posiciones de equilibrio de la lmina para
b = 6, as como tambin la forma caracterstica del potencial para diferentes
Captulo 6
134
.-
Fig. 6.4. Cambios d e l estado d e l sistema cuando vara e l parmetro a
valores de a. Recordemos que a un estado estable le corresponde un mnimo

de la energa potencial y a un estado inestable, un mximo. Para ilustrar esto
se puede suponer que V(t, a) es un pozo, en el que se encuentra una bola
con coeficiente de rozamiento grande. Naturalmente, la bola cae al fondo
del pozo y permanece en el mnimo local mientras ste exista. En la teora de
las catstrofes tal comportamiento se denomina principio de retardo mximo.
En la figura 6.4 b la bola se representa con un punto. Cuando el mnimo
local dado desaparece (a = a,), la bola se desliza a otro mnimo local y
en el sistema ocurre un salto catastrfico o, simplemente, salto. En el modelo
considerado esto significa que la mecedora se voltea hacia el otro lado.
As pues, hemos tropezado con un fenmeno notable, caracterstico de
muchos sistemas no-lineales. Para una variacin pequea de la variable de
control A, ila variable de estado cambia su valor de golpe! En la figura 6.4
la magnitud del salto se denota mediante At,.
LOS saltos pueden ocurrir en los puntos donde cambia el nmero de
respuestas del sistema a las acciones exteriores (nmero de extremos de la
energa potencial). En el caso general, el conjunto de valores en el espacio
de control para los cuales cambia el nmero de respuestas posibles, tambin
se denomina conjunto de bifurcacin.
Otro fenmno importante que se observa en este modelo es la histresis.
Este trmino se utiliza por analoga con el magnetismo. Por histresis se
entiende lo siguiente. Si invertimos el camino en el espacio de control,
entonces no necesariamente conduce a una inversin del camino en el
espacio de estados. Tal comportamiento se puede seguir cmodamente con
ayuda de la figura 6.4. Hagamos variar el parmetro a desde a, hasta a,
(lo que corresponde a un desplazamiento del centro de gravedad a lo largo
del eje x); aqu t(a) es una funcin no-unvoca de la variable a. Al aumentar
el parmetro a, el punto que describe el estado del sistema se mueve por la
hoja superior y salta a la inferior en el punto a,. Invirtamos el camino en el
espacio de control, es decir, movmonos desde a, hacia al. En este caso, el
punto se encuentra en la parte inferior de la hoja y no en la superior, y el
salto tendr lugar no en el punto a,, sino en el punto al. Precisamente esto
explica el hecho con el que tropezamos al experimentar con el modelo de
135
la mecedora: cada vez que se corta el conjunto de bifurcacin en el espacio

de parmetros no es obligatorio que ocurra un salto. Se puede decir que los
saltos tienen lugar slo cuando el punto ya no puede continuar movindose
pos la hoja en la que se encuentra.
El conjunto de todas las posibles posiciones de equilibrio en el espacio de
estados, correspondientes a los diferentes valores de las variables de control,
se denomina frecuentemente superficie de respuesta. La curva en la figura 6.4 a
es la seccin de la superficie de respuesta mediante el plano b = const.
La existencia de varias hojas en la superficie de respuesta conduce al
curioso fenmeno de divergencia: pequeas diferencias en el camino pueden
provocar grandes diferencias en el estado. Esto puede suceder incluso si los
caminos comienzan y terminan en los mismos puntos del espacio de control y durante el movimiento no hay saltos.
Un ejemplo de tales caminos se muestra en
la figura 6.3a. Al moverse por el camino
ACB el punto resulta en la hoja superior
de la superficie, y al moverse por el camino
ADB, en la hoja inferior.
El lector puede hallar l mismo el
camino por el cual podemos llegar al estado
final con salto, o sin l.
Analicemos las propiedades geomtricas de la superficie de respuesta M en el
espacio (t, a, b). La ecuacin de esta superficie es
"d
V ( t )= 2t3 + t(l - 2b) - a = 0.
- Lanormalalaparbolaenelpunto (t,t2)
est dada por la ecuacin
2t3
+ t(1-
Flg.6.5. Lasuperficiede respuesta

se puede construir considerando La
familia de normales a la parbola
2 ~-) = 0.
Dirijamos el eje t verticalmente (fig. 6.5). Para un valor fijo t, la ecuacin

V(to,a, b) = O representa una lnea horizontal: 2ti to(l - 2b) - a = 0.
Por otro lado, la ltima igualdad es la ecuacin de la normal a la
parbola b = a* situada en el plano t = to. Esta normal se toma en el
punto de coordenadas t = to, a = to, b = t i (fig. 6.5). Por consiguiente,
la superficie M se puede construir a partir de las normales a la parbola
b = a2 en el plano (a, b) si desplazamos la normal en el punto (t,, t;)
por la vertical a una altura to (fig. 6.6). El plano vertical b = bo corta a la
superficie M por la parbola cbica
136
Captulo 6
Para bo > 112 esta parbola tiene mximo

y mnimo. Por tanto, la superficie M tiene un
pliegue como el de la figura 6.6. La proyeccin
de este pliegue sobre el plano de los parmetros de control (a, b) determina el conjunto de
bifurcacin. Precisamente al cruzar este conjunto se pueden presentar saltos catastrficos.
La superficie M divide el espacio (t, a, b) en
dos partes. Arriba V(t) > O, y abajo V(t) < 0.
Tambin es posible otra interpretacin.
La ecuacin V(t, a, b) = O es la ecuacin.
de la normal a la parbola b = a2 en el punb
to (t, t2). Cuando el parmetro cambia surge
Fig. 6.6. La superficie de res- toda una familia de normales. Provectando topuesta M que surge en prodas estas normales sobre el
horizontal
blema de lamecedora* Super- veremos un cuadro similar al de la figura 6.7.
ficies de este t i p o aparecen en
La envolvente de esta familia tiene una forma
otros sistemas donde ocurre una
caracterstica de pico. Hallemos la ecuacin
catstrofe cspide
de la envolvente. Primero hallamos el punto
del plano (a, b) donde se cortan dos normales tan cercanas como se quiera.
Supongamos que una de ellas corresponde al valor t del parmetro y la
otra, a t At. Estas curvas se cortan en el punto
tA
V(a, b, t) = V(a, b, t
+ At).
Para hallar esta lnea, la cual es la envolvente de la familia de normales

(tangente a cada lnea de la familia), es suficiente excluir el parmetro t de las dos ltimas igualdades. Esto
es precisamente lo que hicimos cuando
buscamos el conjunto de bifurcacin del
potencial. La envolvente de las normales
a la curva se denomina evolufa de esta
curva. Por consiguiente, el conjunto de
bifurcacin
27a2 = 2(2b - 113
determina la evoluta. Aqu se puede recordar la ptica geomtrica. Suponga- Fig. 6.7. Familia de normales a una
mas que tenemos un haz de luz cuyos parbola. La envolvente de esta familia
determina una lnea custica
rayos coinciden con la familia de normales a una parbola. Est claro que la
envolvente de estos rayos representa una lnea luminosa brillante. En la
ptica tales lneas se denominan custicas (del latn quemar). Las lneas
custicas se pueden notar observando cmo cambia la iluminacin de cierto
Modelos matemticos de la teonea de las catstrofes

.-
137
plano cuando la luz de una lmpara atraviesa un vaso que contiene t y la azcar est
mal mezclada (para que las propiedades pticas se diferencien considerablemente en la
diferentes partes del vaso).
Las lneas custicas surgen tambin cuando los rayos de luz atraviesan un vidrio grueso con superficie compleja. Esto se utiliza
frecuentemente en el diseo moderno.
Ntese que la evoluta de una curva suave, la parbola, tiene-una singularidad en el
eje de simetra. Esto es algo tpico en los iige
El principio de Huyproblemas de ptica. El surgimiento de sin- gens permite
hallar la posicin
gularidades se puede observar claramente en del frente
de onda en instantes
el ejemplo de la propagacin de un frente de
consecutivos
onda. Recordemos el principio de Huygens: para hallar la posicin S(t At) de un frente en el instante t At, es necesario
tomar su posicin en el instante t, trazar la familia de normales y desplazar
el punto del frente a una distancia cAt a lo largo de la normal, donde c es la
velocidad de propagacin de las perturbaciones (fig. 6.8). Supongamos que
el frente de onda es una elipse y los rayos de luz se propagan al interior.
El cuadro caracterstico que nosotros veremos se muestra en la figura 6.9.
Aqu surgen singularidades notables.
La clasificacin de las lneas custicas tpicas y de las singularidades
de los frentes de onda constituye una de las aplicaciones ms importantes
e interesantes de la teora de las catstrofes. Es curioso. que el aparato
matemtico creado para el anlisis de fenmenos no-lineales tpicos, las
bifurcaciones y las-catstrofes, es muy til en las teoras lineales clsicas,
por ejemplo, en la ptica ondulatoria y
geomtrica.
En los aos 70 del siglo XX el problema de la distribucii~a gran escala de la
materia en el Universo despert la atencin de los astrofsicos. Result que esta
distribucin tiene singularidades geomtricas caractersticas. Frecuentemente las
Fig. 6.9. Posicin del frente de onda en diferentes instantes. Con el aglomeraciones de galaxias tienen forma
transcurso de tiempo, en ei frente
de hojuelas o platillos.
aparecen singularidades
Un grupo de investigadores del Instituto de Matemtica Aplicada M. V. Kldysh. de la Academia de Ciencias de la URCS, bajo la direccin de
Y. B. Zeldvich, realiz una investigacin terica de los procesos que pue-
138
Captulo 6
den conducir a tales distribuciones. En una primera aproximacin se logr

describirlos mediante un modelo muy simple: un sistema de partculas
no-interaccionantes con velocidades iniciales dadas. Result que estas partculas se mueven de la misma manera que los rayos en la ptica geomtrica,
y donde surgen la lneas custicas la densidad de la sustancia aumenta bruscamente. Para ilustrar el comportamiento tpico del modelo, S. F. Shandarin
propuso una variante original de experimento natural)).Se tom un vidrio
de relieve muy accidentado y a travs de ste se hizo pasar luz. El relieve
accidentado era necesario para imitar una distribucin de velocidades inicial
no-homognea. As, en la pantalla se poda ver la forma caracterstica de las
lneas custicas. Cualitativamente, stas eran muy parecidas a los resultados
de las observaciones astrofsicas. Ms tarde, se elabor un enfoque terico
ms riguroso basado en los resultados de la teora de las catstrofes.
La mquina de Zeeman. Analicemos un modelo matemtico ms, el cual se

utiliza ampliamente en la teora de las catstrofes: la mquina de Zeeman.
Esta mquina est formada por una rueda que puede girar libremente
alrededor de su eje (punto O). En el punto C en el borde de la rueda
estn fijadas dos cuerdas elsticas. El extremo de una de ellas est sujeto
rgidamente al punto A. El extremo de la
segunda cuerda est amarrado a un puntero que puede ocupar diferentes posiciones
P
B
en el plano (fig. 6.10 a).
Experimentando con esta mquina se
1'
puede verificar la existencia de una regin
tetragonal G con cuatro picos caractersticos (fig. 6.10). En el problema de la
C
mecedora ya vimos un pico de este tipo. Mientras el puntero se encuentra fuera
de la regin G,debido a la accin de las
cuerdas elsticas la rueda toma uria sola
posicin de equilibrio. Si se hace girar la
rueda cierto ngulo y despus se suelta,
ella regresa a la misma posicin. En el ina)
a)
terior de la regin G hay dos p ~ ~ i ~ i ~ n e ~
Fig. 6.10. La mquina de Zeeman es
uno de los modelos matemticos ms de equilibrio, y cuando el puntero cruza la
simples de La teora de las catstrofrontera de la regin G es posible u11 salto
fes. Ellaf al igual que la mecedora.
catastrfico. Al igual que en el modelo de
;lustra
una catstrofe cspide
la mecedora, el salto no sucede cada vez
que se cruza la frontera.
Nuestro objetivo consiste nuevamente en determinar la forma de la
regin G y averiguar en cules casos habr salto y en cules no.
Modelos rnatemticos de lo teona de las cotstrofes

.-
139
Construyamos un modelo matemtico. Es natural considerar como

parmetro interno al ngulo O de giro de la rueda (fig.6.10). Las coordenadas
del punto B son los parmetros de control. Para simplificar, tomemos
valores concretos de los parmetros de la mquina. A saber, supongamos
que OC = 112, O A = 2, y que la longitud de las cuerdas elsticas cuando
no estn tensadas es igual a la unidad.
Determinemos la posicin del pico inferior (punto P en la figura 6.10 b). En virtud de la simetra del problema, a este punto le corresponde
el ngulo O = O. Naturalmente, el salto sucede para el valor donde la
posicin de equilibrio estable (mnimo local de energa) se vuelve inestable
(mximo local).
Supongamos que el ngulo O es aproximadamente igual cero.
Denotemos las longitudes de las cuerdas elsticas AC y CB mediante
e y e', respectivamente. Entonces, segn la ley de Hooke, la energa
potencial del sistema es
En esta expresin, el coeficiente X caracteriza la elasticidad de la cuerda

elstica. En virtud del teorema de Pitgoras (fig. 6.10),
Asumiendo que el ngulo O es pequefio y desarrollando sen O y cos O en

series de Taylor, obtenemos
1
a/2 (lo cual se deduce del
Utilizando el hecho de que JG
desarrollo en serie de Taylor del radical), resulta
De la misma manera (fig. 6.10),
140
Captulo 6
Por consiguiente, en correspondencia con 1a.frmula (6.5) tenemos
En la teora de estabilidad de las soluciones de las ecuaciones diferenciales

ordinarias, utilizando el teorema de Liapunov se pueden despreciar en
algunos casos los trminos cuadrticos y todos los trminos de rdenes
superiores. As se puede proceder, por ejemplo, si al estudiar la estabilidad
de un punto singular resulta que la matriz del sistema linealizado es
no-degenerada en un entorno de este punto, es decir, no tiene valores
propios nulos. Parece natural que exista una afirmacin anloga que permita
despreciar en (6.6) los trminos de orden 0 (e4)
si el coeficiente del trmino
cuadrtico es diferente de cero.
Esta afirmacin, la cual fue denominada lema de Morse, es uno de los
resultados ms importantes de la teora de las catstrofes. En el siguiente
captulo veremos su demostracin e interpretacin geomtrica.
Por el momento supongamos que esta afirmacin es vlida, y despreciemos los trminos O (e4).
E1 coeficiente de o2es positivo si
En este caso la energa potencial tiene mnimo y el estado de equilibrio es

estable. Cuando se cumple la desigualdad inversa la estabilidad se pierde.
El cambio del tipo de estado de equilibrio que tiene lugar en la frontera
de G en el punto P, sucede para el valor s dado por la igualdad
Procediendo de manera anloga y hallando el desarrollo de Taylor en usi

entorno de O = T , se puede determinar la posicin del pico superior
(punto Q).
Ahora hallemos la forma del pico y determinemos si realmente es la
misma que en el problema de la mecedora. Supongamos que el punto B se
mueve no slo a lo largo del eje de simetra, como antes (para la descripcin
de lo cual era suficiente un parmetro S),sino tambin en otras direcciones.
Modelos matemticos de la teonOade las catstrofes
141
.-
En este caso surgen dos parmetros de control: a y B (fig.6.10 b). Adems,

la longitud de la cuerda elstica BC est dada por la frmula
El desarrollo de la funcin potencial con una precisin de hasta los trminos

de quinto orden tiene la forma
Sin detenernos en el clculo de las constantes a,, a,, a,, a,, a,, sealemos
que en el punto P se tiene a = ,6 = O, y
Aqu surge nuevamente la pregunta de si es o no posible despreciar

los trminos de rdenes quinto y superiores durante la obtencin de los
resultados cualitativos para el estado de equilibrio P. En la teoria de las
catstrofes se demuestra que esto se puede hacer no slo en el punto P,
sino tambin en un entorno suyo.
As pues, despreciemos estos trminos. La expresix~que queda se
puede simplificar an ms. El cambio de variables x = 0
+ - permite
4a4
eliminar el trmino cbico. (Aqu los trminos a3Pe3 a,@* pasan a formar
parte del trmino x4.) Cambiando la escala de los parmetros de control,
ct -+ Ca, p + DP, la expresin para el potencial se puede reducir a la forma
Por cuanto en este problema nos interesan slo los puntos crticos, podemos
desplazar el origen del sistema de referencia de la funcin V y suponer que
c = O. Esto nos proporciona
. l 4
2
V,,(x)= -x
+ -ax
+ bx.
4
2
Esta frmula define una superficie de respuesta que en la teora de las

catstrofes se denomina cspide. Ntese que sta es exactamente la misma
frmula obtenida en el problema de la mecedora.
En efecto, en este problema
Pero esta funcin corresponde, en particular, al potencial

2t4
W(t) = 4
(1- 2b)t2
2
+ at.
Captulo
142
a
7
,
~ ta' =, (1 - 2 b ) a , bt =
x4 a'x2
reduce este potencial a la forma Wab(x)= - + -+ b'x, que coincide c o ~
Sin embargo, el cambio de variables x =
4
2
la frmula (6.7).
El surgimiento de unas mismas catstrofes en problemas tan diferente4
es asombroso. En calidad de ejemplo se puede citar un experimento de 12
psicologa de la percepcin.
En la base de este experimento yacen las siguientes ideas. En la teora
de control, para el seguimiento de una seal se utilizan ciertos sistemas
dinmicos, los cuales pueden describirse, por ejemplo, mediante ecuaciones
del tipo (6.1) o relaciones ms complejas, donde los parmetros Xi descri'
ben ciertas caractersticas del objeto percibido, mientras que la variable z
(o un conjunto de variables) describe las propiedades de la imagen surgida,
Se puede suponer que el cerebro acta de un modo anlogo, formando
cierto sistema dinmico que permite seguir al objeto. Cuanto ms simple sea
el problema a resolver tanto ms simple debe ser el sistema que suja. Aqui
tambin estamos ante un anlogo de la autoorganizacin: de un nmero
grande de grados de libertad que posee el cerebro se elige slo un nmero
pequeo. Pero, entonces, nosotros tendremos que observar efectos cualitativos de la percepcin que pueden ser representados por la teora de los
sistemas dinmicos y, en particular, por la teora de las catstrofes. En favor
de esta tesis se puede presentar la ilusin ptica mostrada en la figura 6.11.
.
Entre las figuras mostradas, la cuarta de la fila superior se percibe con
igual probabilidad como la cara de un hombre y como la figura de una mujer.
Si esta figura est incluida en una sucesin (fila superior en esta figura), entonces la percepcin de las figuras centrales se desplaza en dependencia del
orden en que se mire esta fila, de izquierda a derecha o viceversa. Se observa
Hombre
Fig. 6.11. Ilusin ptica que muestra la biestabilidad de la percepcin
143
una biestabilidad, es decir, dos posibles respuestas para unos mismos valores
de las variables de control, y una histresis. Ambos fenmenos ya han sido
analizados al considerar el problema de la mecedora. Introduzcamos un
parmetro ms, que determine el grado de detallamiento de la imagen. ste
cambia a lo largo del eje de las ordenadas. Experimentando con esta figura, el
lector puede comprobar que la regin de biestabilidad, donde la figura se interpreta como la cara de un hombre o como la figura de una mujer en dependencia del orden en que se mire, se encuentra en el interior del pico.Esto
permite suponer que aqu tambin tenemos un caso de cspide, igual a la del
caso de la mecedora y de la mquina de Zeeman. Es natural considerar que el
cambio de percepcin, el cual sucede generalmente en la frontera del p'ICO,
esta relacionado con saltos de catastrficos en cierto sistema dinmico.
Sin embargo, la respuesta a la pregunta sobre cmo sucede el proceso
de autoorganizacin y qu mecanismos aseguran el surgimiento y la seleccin de los parmetros de orden, exige esfuerzos conjuntos de psiclogos y
matemticos.
La teora de las catstrofes permite comprender en cierta medida por
qu en los ms diversos problemas surgen unas mismas catstrofes. Resulta
que las catstrofes tpicas estn determinadas por el nmero de parmetros
de control en el sistema analizado. Cuando hay un solo parmetro de
control, a, la nica catstrofe posible es el pliegue, la cual est determinada
por el potencial
((
m3
U,(%) = 3
+ ax;
cuando los parmetros de control son dos, son posibles un pliegue (6.8) y
una cspide (6.7).A medida que aumenta el nmero de parmetros, es decir,
al aumentar el nivel de complejidad del sistema el nmero de posibles catstrofes crece y la superficie de respuesta se vuelve ms caprichosa. Uno de los
creadores de la teora de las catstrofes, R. Thom, mostr que si el nmero de
variables de control no es mayor que cuatro, entonces en las situaciones tpicas son posibles slo siete catstrofes elementales. Este resultado se puede
considerar como una realizacin del programa de investigacin de Poincar
para los sistemas gradientales (6.1). Limitando el tipo de modelos matemticos
a una clase pequea de sistemas dinmicos tipo (6.1),as como su anlisis
al estudio de los entornos de los puntos singulares, los investigadores
obtuvieron la posibilidad de elaborar una clasificacin de las catstrofes.
Al analizar la mquina de Zeeman nosotros tropezamos varias veces
con la necesidad de desechar los trminos superiores de los desarrollos en
series. Intuitivamente es claro que precisamente eso era lo que se deba
hacer, pero la teora de las catstrofes permite fundamentar rigurosamente
dicho procedimiento. Esto es especialmente importante si el problema es
multidimensional y muchas consideraciones evidentesresultan falsas.
Estabilidad estructural e ideas de la teora

de las catstrofes
'
Reduccidn a la forma cannica. Uno de los procedimientos que facilit

investigacin de los modelos matemticos no-lineales es la reduccin
ecuaciones analizadas a la forma cannica. En este caso, generalme
logra aclarar cules trminos se conservan y de cules es posible deshac
mediante cambios de variables apropiados. En la base de la teora de
catstrofes yace la notable posibilidad de reducir muchos sistemas tipo (
a cierta forma cannica.
Con un ejemplo sencillo de este enfoque nos tropezamos en la geome
analtica. Supongamos que cierta curva en el plano (3,y ) est definida
el polinomio
az2 +bxy + cY2 + dx + e y + f = O.
Qu tipos de curva determina esta expresin? Cules coeficie
aqu son fundamentales, y cules se pueden omitir mediante cambios
variables? Para eliminar los trminos lineales hacemos el cambio de variab
u = x - p, v = y - Q. El sentido geomtrico de este cambio es la traslaci
paralela de los ejes de coordenadas (fig. 6.12). Hagamos este cambio
agrupemos los trminos semejantes:
+
+ d(u + p) + e(u + q ) + f = au2 + buv + cv2 + u(2ap + bq + d ) +
+ ~ ( ~ V + U ~ + V ~ + ~ ~ ) + C ( V ~ + ~ ~ V + ~ ~ )
+v(2cq+bep+c)+ ( f +ap2+bpq+cq2+dp+eq).
(6.1
Los coeficientes de los trminos lineales se anulan si las dos expresiones'

entre corchetes son iguales a cero. Esto proporciona un sistema de ecuaciones
lineales respecto a p y q:
j
Fig. 6.12. Reduccin de una curva de segundo orden a La forma cannica
145
Modelos matemticos de la teona de las catstrofes

.-
Este sistema tiene solucin nica si
Supongamos que la condicin (6.11) se cumple, que el sistema de dos

ecuaciones lineales est resuelto y que las expresiones de p y q fueron
sustituidos en la frmula (6.9). Entonces se obtiene la igualdad
a~~+buv+cv~+~=0.
(6.12)
El coeficiente g es igual a la expresin entre llaves en (6.10). Geomtricamente, la transformacin realizada significa que hemos trasladado el origen de
coordenadas al centro de la figura analizada (fig. 6.12). La expresin (6.12)
es invariante respecto a la transformacin (u + -u, v -+ -u). Reduzcamos
laforma cuadrtica au2 buv cv2 a una forma an ms simtrica. Elijamos
las nuevas coordenadas de modo que (6.12) sea simtrica respecto a los
nuevos ejes de coordenadas.
Esto se puede lograr por dos mtodos. Uno de ellos se utiliza generalmente en la teora de las catstrofes, mientras que el otro, en la geometra
analtica. Veamos ambos enfoques.
Por cuanto el determinante es diferente de cero (condicin (6.11)), entonces al menos uno de los i~merosa, b, c es diferente de cero. Supongamos
que este nmero es, por ejemplo, uno de los coeficientes de los trminos
cuadrticos, digamos, a. Completemos un cuadrado perfecto:
De este modo, el paso a las variables T, v permite reducir la forma

cuadrtica a una forma que no contiene productos de las variables (trminos
mixtos).
Si a = O, c = O, b 9 O, el cambio de variables u = r s, v = r - s
reduce la forma cuadrtica a la forma (6.13):
Si el determinante es igual a cero, entonces b = 2 f i y por consiguiente,

ya se tiene un cuadrado perfecto:
a z 2 + 2 f i z y + c g 2 + d z + e y + f =O,
Captulo
146
4
-4
donde r = (&x+Jq),
eda
A=d- -
JE'
e
eL
donde s = r + - g = f 4 c .
2Je'
Puesto que # = 4ac, entonces a y c deben ser del mismo signo,
Anteriormente supusimos que a > O, c '> O. En caso contrario se pueden
dividir todos los trminos por a (si a # O). Esto reduce el problema al caso
anterior.
Si a = O, entonces tambikn b = O, y la transformacin se simplifica:
y2+dx+ey+ f = O
As pues, los cambios de variables que acabamos de describir, relacionados con la completacin de un cuadrado perfecto, permiten reducir la igualdad (6.9) a la forma cannica Ar2 Bs2 = G . Si A, B y C tienen el mismo
signo, entonces sta es la ecuacin de una elipse. Si el signo de G no coincide
con los signos de A y B, entonces. esta ecuacin no determina ninguna
curva en el plano (r, S ) . Si A y B tienen signos diferentes, entonces tenemos
la ecuacin de una hiprbola. Para b2 = 4ac la ecuacin (6.9) corresponde a
una parbola. Se puede cambiar la escala y reducir la frmula (6.9) a la forma
p2 + q2= 1,
p2 - q2= 1,
p - q 2 =o,
con lo cual se pierde informacin. Por ejemplo, todas las elipses, independientemente de la magnitud de sus ejes y de la posicin que ocupen en el
plano, se transforman en una circunferencia de radio unidad y centro en el
origen de coordenadas (fig. 6.12).
La transformaciones expuestas cambiaron la escala a lo largo de los ejes
de coordenadas y desplazaron el origen de coordenadas. Dichas transformaciones cambiaron los ngulos, convirtiendo el sistema de coordenadas rectaiigulares en un sistema de coordenadas oblicuas. El lector puede comprobar
147
Modelos matemticos de la teon'u de las catstrofes
esto observando como acta la aplicacin (x, y) + (mx ny, y) utilizada

aqu por nosotros (vase la frmula (6.14)). Al mismo tiempo, la magnitud
b2 - 4ac era invariante y determin a qu forma cannica puede ser reducida
la ecuacin (6.9). Otro invariante es la relacin de los signos de a (si a # O)
y del trmino independiente (por ejempo, g en la frmula (6.12)). Para una
relacin de los signos puede surgir, por ejemplo, la igualdad p2 q2 = 1,
correspondiente a una circunferencia, mientras que para la otra relacin
puede surgir la igualdad p2- q2 = 1, que no corresponde a ninguna curva.
Los cambios de variables analizados aqu no pueden cambiar este hecho.
Se puede decir que el conjunto de transformaciones elegido conserva
la informacin cualitativa que determina el tipo de curva. Esta informacin
puede ser utilizada para una clasificacin. Por ejemplo, se pueden considerar
como elipses todas las curvas (6.9) que pueden ser reducidas a la forma
p2 q2= 1 mediante las transformaciones descritas.
Al mismo tiempo, en muchos problemas el conjunto de transformaciones que no conserva ni las longitudes, ni los ngulos, es demasiado amplio.
Por eso, en la geometra analtica generalmente se procede de otro modo.
All, para la reduccin a la forma cannica, usualmente, se permiten las
traslaciones y los giros de un sistema ortogonal de coordenadas.
Se sabe que al realizar un giro del sistema de coordenadas en un ngulo
a las coordenadas de los puntos obtenidos estn dadas por las frmulas
(fig. 6.12)
o par las frmulas equivalentes

1
u = u cos O - v sen a, v = v' cos a
+ u' sen a.
Regresemos a la frmula (6.12) y hallemos el ngulo a que se debe

hacer girar el sistema de coordenadas para que desaparezcan los trminos
mixtos:
au2+bav+cv2=
= a(ul cos a - v' sen al2 b(ul cos a - v' sen a)(vf cos a
+ u' sen a) +
+ c(vtcos a + u' sen a)2=

= uf2(acos2a + b s e n a c o s a + csen2 a ) +
+ u'vt [-2a sen a cos a - b(cos2 a - sen2a) + 2c sen a cos a]+
+ vt2(sen2a - b s e n a c o s a f ccos2 a).
Utilizando las identidades trigonomtricas
sen 2a = 2 sen a cos a,
cos 2a = cos2 a - sen2 a,
Captulo B
148
transformemos la expresin entre corchetes e igualemos el resultado a cerb,
(c- a)sen2a - bcos2a = 0.

precisamente esta ecuacin determina el ngulo de giro del sistema. El lector
puede analizar con ms detalle las propiedades de la ecuacin (6.15).
En lgebra lineal, el primero de los enfoques descritos anteriormenta
se generaliza de manera natural al caso de muchas variables. Recordem~g
las definiciones principales y el curso de los razonamientos.
Se denomina forma cuadrtica de n variables xl, . .,x,, a toda expresiq
del tipo
q(x) =
X,xixj*
ij
El conjunto de nmeros Xij forma una matriz cuadrada de orden

denominada matriz de la forma cuadrtica. No es difcil verificar que
1
1
transformacin hij = -(Aij
Xji),
= -(Aij
Xji) no altera la for
2
2
cuadrtica de q(x), pero vuelve simtrica a su matriz: A;j = A>i. En
sucesivo supondremos que ya ha sido realizada tal transformacin y que
matriz de la forma cuadrtica es simtrica.
Toda forma cuadrtica de n variables puede ser reducida a la fo
diagonal
Xli
mediante una transformacin lineal no-degenerada, es decir, mediante una

transformacin cuya matriz tiene determinante no-nulo.
En efecto, sea Al, # O. Si esto no es as, entonces hallamos un elemento
diagonal de la matriz A {Aij), 1 i, j n, diferente de cero. Numeramos
nuevamente las variables x,, . ,x, de modo que este elemento sea el elemento All. Esto no se puede hacer si Xii = 0, 1 i n. En tal caso hallamos
un elemento no-nulo Xij . Debido a la simetra tenemos que Aji # O. Por consiguiente, en la forma cuadrtica figura el miembro 2Xijxixj. Despus de un
cambio de variables equivalente a un giro del sistema de coordenadas en n/4,
..
< <
<<
en lugar de 2Xijxixj surgen los trminos ~ ~ - Aijy;

~ y Por
f cuanto el coeficiente de uno de los trminos cuadrticos ahora es diferente de cero,
podemos renombrar las variables y considerar que Al, # 0.
Sea pij = Aij/XIl. Regresemos a las notaciones iniciales suponiendo
que todas las transformaciones preliminares ya fueron realizadas:
= Xll
h j x l x j + los trminos que no contienen a x ,
( x: + 2
n
= ~ i [i ( z l
149
'
los trminos que
+ ~ p i j ~ -j ~) ( p l )j 2 + no contienen a 2,
j=2
j=2
)=
Hagamos el cambio de variables
Yl = X 1
kjxjf
Yi
= xi (i > l),
equivalente a una transformacin lineal no-degenerada (el determinante de

la matriz correspondiente es diferente de cero). Despus de este cambio la
forma cuadrtica se reduce a la forma
donde q es una forma cuadrtica de las variables y,, .. ,y,. Por eso, se
puede seguir realizando este procedimiento, aplicndolo primero a la forma
cuadrtica 4, luego a la forma de las variables y3, . .,yn, etctera. Como
resultado de esto la forma se reduce a la forma diagonal
q(y) = dly:
+ + dnyi*
* * e
Yk
Modifiquemos la escala mediante el cambio de variables zk = -
JWY
dk # O. Despus de esto, en la forma cuadrtica q ( z ) los coeficientes de los

cuadrados sern iguales a 1, -1 O. Renombrando las variables de modo
que al inicio estn las unidades, despus las unidades negativas y al final
los ceros, veremos que, mediante un cambio de variables no-degenerado:
toda forma cuadrtica de n variables se puede reducir a la forma
p(z) = z1
+ ... + zj2 - Zl+,2 - ... - zr,2
< 7-8.
El nmero r se denomina rango de la forma cuadrtica. En el curso de

lgebra lineal se demuestra que este nmero coincide con el rango de la
matriz A y no depende de la eleccin de.la transformacin lineal. Adems,
la diferencia s = 1 - (r - 1 ) = 21 - r, denominada signatura, tambin es
invariante. Toda forma cuadrtica est determinada unvocamente por su
rango y su signatura con una precisin de hasta una transformacin lineal
no-degenerada. Exactamente de este tipo es la transformacin analizada
aqu, mediante la cual redujimos la forma cuadrtica (6.9) a una forma
cannica de tal manera que todas las elipses se transformaron en una
circunferencia de radio unidad.
150
Captulo 6
"
.-
Por ejemplo, en dependencia del rango r y de la signatura S, la forma

cuadrtica q(x, y) = ax2 bxy cy2 puede ser reducida a una de las formas
siguientes:
+ v2
= 2,
= 2);
2) u2 - V 2
(r = 2,
= O);
3) - u2 - v2
(r = 2,
= -2);
4) u2
1,
= 1);
5) - u 2
(r = 1, S = -1);
6) 0
(r = O,
= O).
1) u2
(Y
Es muy til examinar el espacio

de coeficientes (a, b, c) y determinar a
qu forma puede ser reducida la forma
cuadrtica en diferentes partes de es1
te espacio. El lector puede comprobar
fcilmente que la particin del espacio
ser precisamente como se muestra en
la figura 6.13.
La ecuacin b2 - 4ac corresponde a
Fig*6.130 Particin del espacio (a, b, c) un cono doble. De la figura 6.13 se desegn el tipo de formas cuadrticas
duce un hecho importante. Tomemos al
azar tres nmeros (a,b, c). Casi siempre
tendremos una forma cuadrtica que se puede reducir a la forma u2 v2 ,
u2 - v2 -u2 - v2. Slo en casos excepcionales, cuando el punto se
encuentra en la superficie del cono, son posibles otras situaciones.
Formas cbicas y curticas. Al aumentar el nmero de parmetros de

control se hace ms difcil obtener una clasificacin de las catstrofes
tpicas.Esto no est vinculado con el aumento del nmero de catstrofes,
lo que sera completamente natural, sino con el surgimiento de nuevos
fenmenos, los cuales no existan en espacios de menor dimensin.
Las dificultades que surgen se pueden ilustrar bien con el ejemplo del
problema de la clasificacin de la formas cbicas de dos variables
y de los polinomios homogneos de cuarto grado (curticas)

Nosotros mostraremos cmo se resuelve este problema para las formas
cbicas y analizaremos las dificultades de principio que se presentan en el
caso de las curticas.
Analicemos los conjuntos a lo largo de los cuales los polinomios c(x, y)
y d(x, y) se anulan. Estos conjuntos constituyen una coleccin de rectas
que pasan por el origen de coordenadas. De hecho, ambas formas son tales
que C(M, cty) = a3c(x, y), d(ax, ay) = a4d(x,y), donde a es una constante
Modelos matemticos de la teoda de las catstrofes
151
arbitraria. Por eso, si c(a, b) = O, entonces c(aa, ab) = 0; consiguientemente,

la forma c(x, y ) ser igual a cero a lo largo de toda la recta y = bxla.
Lo mismo es vlido para $a forma d(x,y ) . Estas rectas se denominan rectas
de races. Ntese que ninguna transformacin lineal no-degenerada puede
cambiar el nmero de rectas de races (fig.6.14).
Para determinar la ubicacin de las rectas de races, analicemos sus
intersecciones con la recta vertical x = 1 (fig.6.14). Los puntos de interseccin
con esta recta estn dados por la ecuacin cbica
F ( Y )=
+ py + + 6y3 = 0.
Esta ecuacin tiene no ms de tres soluciones yl,y2, y3. Es posible el caso

cuando una de estas rectas es el eje de ordenadas x = O. De la expresin
para c(x, y ) se ve que esto puede suceder para d = 0.
Se pueden presentar las situaciones siguientes:
1. Existen tres rectas diferentes OA, OB, OC (fig.6.14 a).
2. Existen dos rectas OA, OC (caso de una raz mltiple; fig. 6.14 b).
3. Existe una nica recta OA, correspondiente a una raz simple O A
(fig. 6.14 c).
4. Existe una recta correspondiente a una raz de multiplicidad tres
(fig. 6.14 d).
Fig. 6.14. Posibles posiciones de las rectas de races para la forma cbica
Capitulo 6
152
Analicemos el primer caso. Elijamos un nuevo sistema de coordenadas

donde el eje de las abscisas coincida con la recta OA (fig. 6.14 a) y el eje
d e las ordenadas, con la recta OC. En las nuevas coordenadas (u, v) el
eje O A tiene ecuacin v = O y la ecuacin del eje OC es U = O. Tomemos
las unidades de medicin de tal modo que la recta OB tenga ecuacin
u = v. Consecuentemente, en las nuevas variables las rectas de races tienen
ecuaciones u = O, v = O, v = u, respectivamente, y la forma cbica, por
tanto, se puede escribir como
= uv(u - v).
Hacemos ahora el cambio de variables
C(U, v)
despus del cual obtenemos

(el factor delante de esta expresin no es esencial). De esta manera, en el
caso de tres rectas de races diferentes la forma cbica puede ser reducida
a la forma e@, q) = p2q - q3.
Analicemos los casos restantes. En cada uno de ellos, excepto en el trivial
a = p = 7 = 6 = O, existe una recta de races. Supongamos que su ecuacin
es la: my = O. Entonces la expresin Ix my debe ser divisor de c(x, y).
Por eso, c(x, y) = (Ix my)(ax2 bxy y2).Utilicemos los resultados
obtenidos para las formas cuadrticas y hagamos una transformacin que
reduzca la forma cuadrtica a la forma cannica. En este caso el trmino
Ix my se transforma en Lu Mv, y la forma cbica se puede escribir como:
a) (Lu M V ) ( U ~ - v2),b) (Lu Mv)u2, C) (Lu M V ) ( U ~v2).,(El signo que
tena la forma reducida, por ejemplo, -u2 - v2, se pas al trmino Lu Mv.)
En el caso a) tenemos (LU M V ) ( U ~ - v2) = (Lu Mv)(u V)(U - V) . Por
tanto, si L # M o L.= M, estamos ante el caso ya analizado de tres rectas de
races diferentes. Si L = M, el cambio de variables u v = p, v = q, reduce
la forma a p 2(p - 2q), es decir, al caso b). (Nosotros omitiremos los factores
no esenciales.) Asimismo, para L = -M tambin llegamos al caso b).
En el caso b) las nuevas coordenadas t = Lu MV, S = u, reducen la
forma a ts2. Si M = O, entones el cambio de variables t = L'!~u reduce la
forma a t3.
En el caso c) para L = O M = O surge una forma cbica de tipo
(t2 s2)s.Cuando L f O y M f O se puede girar el sistema de coordenadas:
+
+
+
+
+
+
Entonces, t2
+ s2= u2 + v2, y
Modelos matemticos de la teorfu de las catstrofes
153
.-
Cambiando la escala obtenemos nuevamente la forma s(t2 s2).Juntando

todas las expresiones obtenidas, llegamos a la conclusin de que mediante
un cambio de coordenadas lineal no-degenerado cualquier forma cbica
no-nula se puede reducir a la forma: 1) x2y - y3, 2) z2y q3, 3) x2y,
4) z3.Del mismo modo que el caso de las formas cuadrticas, aqu se logr
obtener una lista de formas cbicas estndares, a partir de la cual se puede
realizar una clasificacin.
Lamentablemente, en el caso de los polinomios homogneos de cuarto
grado esto ya no se logra hacer. Para la forma d(x,y) tambin existen rectas de
races (fig. 6.15). Procedamos del mismo modo que en
y
el caso de las formas cbicas. Tracemos el eje de coordenadas u a lo largo de la recta O A y el eje v a lo lar- y4
go de la recta OC.Elijamos la escala de manera que y,
la ecuacin de la recta OC se pueda escribir coino
v = u. Entonces, en el caso de cuatro rectas de races 9,
la forma de cuarto grado se puede escribir como
d = uv(v - U ) ( W - (YU).
'
Aqu v = au es la ecuacin de la recta OD.Mediante

transformaciones lineales no se consigue eliminar el
coeficiente angular continuamente variable a. U n invariante continuamente variable que se conserva para Fig. 6.15. Posibles posiun conjunto de transformaciones dado, se denomina ciones de La recta de micap a r a n n acurtica
mdulo. La existencia de mdulos disminuye notablemente el valor de una clasificacin. Cuando surgen
mdulos aparece un conjunto no-numerable (un conjunto cuyos elementos
no se pueden poner en correspondencia con los elementos del conjunto
de nmeros naturales) de formas cannicas diferentes. A diferencia de las
formas cuadrticas no-nulas, las cuales pueden ser reducidas a una de las
cinco formas cannicas, y de las formas cbicas, para las cuales existen
cuatro formas can6nicas, en el caso de las curticas se obtiene un nmero
infinito be formas cannicas.
Pero, jno ser que el enfoque elegido es errneo y qu existe otro
conjunto de trar~sforrnacioneslineales que permite eliminar el coeficiente (Y?
Eii la geometria proyectiva se demuestra que no. Existe un invariante c
denominado relacibn doble de cuatro rectas y,determinado por la igualdad
donde yl,y2, y3, y4 SO^ las ordenadas de los puntos de interseccin con la
recta x = l. Si una. de las rectas coincide con el eje y (y, + m), entonces
c=
k-3.En geometra proyectiva se demuestra

Y2
- Y3
que la relacin doble
Captulo 6
154
puede ser cualquier un nmero real, salvo el cero. La relacin doble es

invariante respecto a los cambios lineales de coordenadas si se conserva la
numeracin de las retas. Precisamente con la existencia del invariante c
est relacionada la imposibilidad de eliminar el coeficiente a.
El surgimiento de mdulos es uno 'de los problemas fundamentales
con los que han tropezado los matemticos y especialistas en simulacin
matemtica al estudiar los fenmenos no-lineales. Cuando la dimensin del
espacio de parmetros es suficientemente grande (como en la teora de las
catstrofes), o bien la dimensin del sistema dinmico analizado es grande
(como en los sistemas que contienen ms de dos ecuaciones diferenciales ordinarias), los mdulos surgen de modo natural. En la teora de las catstrofes,
para un nmero grande de parmetros de control no alcanzan las transformaciones para destruirtodos los parmetros continuos convirtindolos en
+l -1, como cuando se reduce una forma cuadrtica a la forma cannica.
Ya vimos una situacin anloga al analizar la clasificacin de las curticas.
La ausencia de mdulos al analizar las ecuaciones diferenciales ordinarias est estrechamente ligada con la grosera o estabilidad estructural, es
decir, con la posibilidad de reducir a una forma estndar los sistemas dinmicos parecidos (mediante cierta clase de transformaciones topolgicas que
veremos ms adelante). Esta es la situacin que se presenta, por ejemplo, en
los sistemas de dos ecuaciones diferenciales ordinarias. Si esto fuera as en
el caso general, entonces se podra obtener una clasificacin de los sistemas
dinmicos reducindolos a un nmero contable de formas cannicas. En los
aos 60 del siglo XX el matemtico estadounidense S. Smale demostr que
este problema no es resoluble.
El sentido fsico de este resultado se aclar durante el estudio intenso
OS
resultaron muy
del caos dinmico y los atractores extraos. ~ E S ~objetos
complejos como para poder caracterizarlos mediante algn conjunto de
nmeros enteros! Los atractores extraos parecen ovillos de trayectorias
enredados. Si se pudiera resolver el problema de la clasificacin, quedara
claro en qu se -diferencia cualitativamente un ovillo de otro, y cules
bifurcaciones pueden convertir un atractor catico en otro.
Lamentablemente, esto no es as. Una de las consecuencias de estos
problemas matemticos es la ausencia de una clasificacin y de un conjunto de modelos matemticos bsicos para una clase grande de sistemas
dinmicos. No est claro qu comportamiento es tpico y cules modelos
matemticos se deben estudiar en primer lugar. Generalmente nos vemos
obligados a apoyamos en razonamientos intuitivos, lo cual no nos permite
estar seguros de que no se han omitido efectos cualitativos esenciales.
-
Equivalencia por La derecha. Clasificacin de Las funciones de un variable.

Al analizar los problemas de la mecedora y de la mquina de Zeeman,
nosotros vimos cun importante es el tipo del estado de equilibrio. El cambio
Modelos matemticos de la teonOade las catstrofes
.-
155
del tipo de estado de equilibrio al variar el parmetro, puede conducir a

saltos catastrficos. El tipo de estado de equilibrio est determinado por el
comportamiento local del potencial, es decir, por el comportamiento en un
entorno del estado de equilibrio. Sera importante realizar una clasificacin
de todos los tipos posibles de comportamiento de U(x) en un entorno de
un punto dado x. Vamos a considerar que todas las funciones analizadas
son suficientemente suaves, es decir, que tienen el nmero necesario de
derivadas continuas. Es natural suponer que los cambios de coordenadas
invertibles suaves no afectan el comportamiento cualitativo de la funcin
potencial. Tales cambios de variables son realizados por los difeonzorfismos.
Recordemos la definicin de difeomorfismo.
Sean U y V conjuntos abiertos en el espacio eucldeo Rn,con la particularidad de que f (U) = V. La funcin f se denomina difeornorficmo
si:
1) es suave, es decir, tiene derivadas continuas de cualquier orden;
2) tiene funcin inversa g : 1.' -+Rn, f @(x))= lv,g(f (z)) = lt, (el Yidice
inferior indica a qu conjunto pertenece el elemento unidad);
3) la funcin inversa g es suave.
Un di/eomorfismo local en un punto x es un difeomorfismo definido en
cierto entorno del punto x.
La accin de un difeomorfismo se puede representar geometricamente
como un encorvamiento suave de los ejes de coordenadas (fig. 6.26).
En lgebra Iineal se demuestra que una aplicacin lineal A es no-.degenerada, es decir, pasa los elementos del espacio IWn a IR* (y no a una
recta o a un punto), si su rango
es igual a n. Para esto es su- Fig. 6.16. La accin de un difeornofismo se pueficiente que el determinante de de representar como un encorvamiento suave de
los ejes de coordenadas
la matriz A no sea igual a cero
(fig. 6.17).
2 E Rn,
Las aplicaciones realizadas por funciones suaves =
iJ E IWn actan como aplicaciones lineales localmente, en un entorno del
punto dado 3. A la aplicacin f se le puede poner en correspondencia
en un entorno del punto 3 una aplicacin lineal cuya matriz se denomina
jacobiano o matriz de Jaeobi:
a%?),
156
.-
Captulo 6::
Fig. 6.17. Operador lineal que acta en el espacio bidimensional: o) si e l determinante es

diferente de cero, e l operador transforma un cuadrado en un paralelograrno; 6) si uno de los
valores propios es igual a cero, el operador transforma el ciadrado en una recta; c) si ambos
valores propios son iguales a cero, el operador transforma el cuadrado en un punto
Utilizando una notacin ms compacta, podemos escribir
La aplicacin lineal es no-degenerada si, y slo si, det D f (@ # O. En el

caco ms simple, cuarldo x e y son escalares, esta condicin es equivalente
Utilizando la terminologa introducida, uno de los resultados fundamentales del anlisis matemtico, el teorema de la funcin inversa, se formula
as:
Sean f : U -+ Rm una aplicacin suave y 5 E U . Si la aplicacin lineal

D f (55) es no-degenerada, entonces f es u n difeomorfismo local en el punto 2.
Brevemente, si la aplicacin linealizada en un entorno del punto dado
es no-degenerada y, por tanto, invertible, entonces la aplicacin no-lineal
inicial tambin tiene funcin inversa.
Otro resultado del anlisis matemtico que desempea un papel fundamental en la teora de las catstrofes es el teorema de la funcin implcita.
Este teorema responde a la pregunta de cundo el conjunto de soluciones
de la ecuacin f (x,y) = O es el grfico de la funcin y = y($). Al igual que
en el teorema de la funcin inversa, localmente esto est determinado por
la aplicacin lineal D f (E, y)
Modelos matemticos de la teonh de las catstrofes
157
.-
Teorema. Consideremos una funcin f (x, y) de dos variables. Sean
x u n vector m-dimensional, y un vector n-dimensional y la funcin f , u n vector p-dimensional. Supongamos que para cierto punto (5,
y) E IRm x IIB" el conjunto
(donde D f l(z,F)es la aplicacin lineal (6.16) determinada por el jacobiano
tomado en el punto (Z, y)) es el grfico de la funcin y = y (x). Entonces,
tambin para la funcin no-lineal inicial la igualdad
determina el grdfico de cierta funcin suave y = Y($) (fig. 6.18).

Regresemos a la clasificacin de las funciones suaves en un entorno del punto
dado 3.Mediante un despla- (59 i)
zamients de las coordenadas
se puede lograr que 5 = 0.
Es natural considerar que dos
funciones f y g son equivalentes si la una se transforma en
Fig. 6.18
la otra mediante un cambio de
variables no-degenerado suave y = y(%). Partiendo de esta nocin intuitivamente clara, introduzcamos
la definicin siguiente.
Definicin. Dos funciones suaves f y g de Rn en Rn se denominan
equivalentes .por la derecha cerca de cero si existen un difeomorfismo loca).
y: IWR -+ Rn en el entorno de cero y una constante C tales que cerca
de cero
(6.17)
!7(@ = f (34~))
+ C*
La constante C es necesaria para retornar el valor de la funcin a cero
y tener en cuenta las posibles traslaciones del origen de coordenadas.
El trmino equivalencia por la derecha est relacionado con que la funcin y
se encuentra solamente a la derecha de f . Para comprender claramente
cules funciones son equivalentes segn esta definicin, y cules no, citemos
algunos ejemplos.
Ejemplo l.
Para z = O, y = O, las funciones f = y2 y g = -x2 no son equivalentes
por la derecha. (Consideraremos que y(0) = O). En efecto, suporigarnos lo contrario.
Entonces
-x 2 =
+C.
En el punto x = O el primer miembro de la igualdad es igual a cero, y por las

condiciones del problema, ~ ( 0 =
) O. Consiguientemente, C = O. Pero entonces, en
un entorno tan pequeo como se quiera del punto z = O, en el primer miembro de
158
Capitulo 6
la igualdad (6.17) habr una funcin negativa y en el segundo miembro, una funcin
positiva. Esta contradiccin demuestra que la aplicacin y(x) no existe.
Ejemplo 2. Las funciones xk y xm no son equivalentes por la derecha para k # m.
Supongamos nuevamente que y(0) = O, y que, por ejemplo, k < m. Si estas funciones
son equivalentes, entonces se debe cumplir la igualdad
xk = (y(x))" C.
Analizando el punto x = O de igual manera que en el ejemplo anterior, llegamos a
la conclusin de que C = O. Derivemos ambos miembros de la ltima igualdad:
m-1
kxk-' = rny(x)
y (x),
m-1
k(k - 1)xk2 = m(rn - )(yr(x))2y(x)m-2nzy(x)
rl
y (x),
Derivando m veces, obtenemos

O = rn!(y'(x))m y(x)[. ..l.
En el punto z = O tenemos que y(x) = 0; por tanto, yr(x) = O. Sin embargo, esto
contradice el hecho de que y(x) es una transformacin no-degenerada*
Utilizando la nocin de equivalencia por la derecha se puede realizar

una clasificacin local de las funciones suaves, es decir, demostrar que
mediante cierto cambio de variables en el entorno de un punto dado una
curva se puede reducir a la forma cannica. Desde el punto de vista do la
clasificacin y el programa d investigacin de Poincar este resultado es
ideal. Analicemos esto con ms detalle.
Se verifica la importante afirmacin de la equivalencia por la derecha de
cualquier funcin potencial suave xk con k impar, o de una de las funciones
fxk con k par, si la k-sima derivada en este punto es diferente de cero,
mientras que las primeras k - 1 derivadas son iguales a cero. Demostremos
esta afirmacin, pero veamos primero los dos lemas siguientes.
Lema 1. Sea f : Rn -+ R una funcin suave tal que f (O) = O. Entonces en
ciertu en torno del origen de coordenadas,
B f (0)
donde gi(xl, .. ,xn) son funciones suaves y gi(0) = -.
6xi
Demostracin. Representemos la funcin f en la forma
xi dt.
O
i=l
Modelos matemticos de la teonD de las catstrofes
159
Eligiendo las funciones gi en la forma
obtenemos f =
xigi. Derivando la ltima igualdad respecto a xi, resulta

i=l
< < n, entonces
Por cuanto en el origen de coordenadas xi = O para 1 i
Lema 2. Sea q(x) una funcin tal que
donde el smbols Dn denota la n-sima derivada. Entomes en cierto entorno

de cero existe una funcin suave I(x) tal que
DemostraclOn. Utilicemos el mtodo de induccin matemtica. Para
k: = O
es vlido el lema anterior, y la funcin q(x) se puede escribir como

q(x) = xE,(x), donde ll(x) es una funcin suave. Derivando la ltima
igualdad m veces, obtenemos
Supongamos que el lema es vlido para k - 1, es decir, si q(0) = ... Dk-'q(0) = O, entonces q(x) = xkl(x).Demostremos que es vlido tambin
para k.
Sustituyendo z = O en la frmula (6.18) y tomando en consideracin
la igualdad q(O) = ... = Ilkq(x) = O, llegamos a la conclusin de que
tambin l1(0) = ... = lIk-lll (O) = 0. Por consiguiente, por la hiptesis de
induccin tenemos que ll(x) = xkl(x),donde E(x) es una furicin suave en
un entorno del origen de coordenadas. Consecuentemente, q(x) = xk+'l(x),
Ca
que es lo que se quera demostrar.
Esta afirmacin lleva el nombre de lema de Hadamard. Con su ayuda se
demuestra el teorema siguiente.
Teorema. Supongamos que la funcin f : IR + R es sitave y verifica la
condicin f(0) = Df(0) = ... = Dk-'f(0) = O, pero Ilkf(0) # 0.
Entonces, mediante cierto cambio local suave de coordenadas esta funcin se

puede reducir a la forma xk con k impar, y a la forma fxk con k impar.
160
Captulo @*
9
Demostracin. Escribamos el desarrollo de Taylor de la funcin f (x)en un en-:

torno del origen de coordenadas y destaquemos los primeros k trminos:
donde q(x) es de orden k l. Sea -D~f (O)= a # O. Segn el lema anterior,,
k!
en cierto entorno del origen de coordenadas se tiene q(x) = xk+'l(z), donde

1 es una funcin suave. Por consiguiente,
donde el signo coincide con el signo de a en un entorno suficientemente

pequeo de cero, pues xl(x) = O para x = O. Asumamos que g(x) =
x 1a xl(x)ll/k, donde en calidad de raz se ha tomado la nica raz positiva.
Mostremos que la funcin 9 : R + IR es un difeomorfismo local. Utilicemos
el teorema de la funcin inversa. La derivada de g(x) es diferente de cero:
llk
Dg(x) = [x LIa +xl(x)I ~ ' i k ~ ~ l ( l ( z ) + r ~ l ( x ) ) + l a + x l =all"#O.

(i)l]
Entonces, conforme al teorema de la funcin inversa, existe la funcin inversa
x = 9-'(y) y el cambio de coordenadas y = g(x) es suave e invertible.
Sin embargo, f(x) = fg(x)"
&yk. Cuando k es impar se puede
sustituir y por -y y hacer positivo el signo. Si k es par, el signo de la
derivada D~f (O) es esencial, pues al determinar g(x) se tiene que extraer
la raz de una potencia par. As pues, como se verific anteriormente, las
funciones x2m y -22m no son equivalentes por la derecha.
Por consiguiente, las funciones f (x)y fxk con k par, y xk con k impar,
son, en efecto, localmente equivalentes por la derecha.
O
Subrayemos una diferencia muy importante entre este resultado y el
desarrollo estndar en serie de Taylor. En un entorno pequeo de un punto
dado la funcin f (x)puede ser transformada en una funcin potencial xk,
con una precisin de hasta de una constante sin ningn resto. Tambin es
importante destacar que el resultado obtenido no depende de si la serie de
Taylor de la funcin f (x) converge o no en el punto x = O. Recordemos
que existen funciones suaves que poseen una cantidad infinita de derivadas,
pero sus series de Taylor pueden divergir, o bien convergir a otra funcin.
Un ejemplo de tal comportamiento es el que muestra la funcin
para
para
x = 0,
x # O.
Esta funcin se ilustra en la figura 6.19. Tales funciones se suelen

denominar funciones muy planas. Se puede comprobar que todas las derivadas
161
de esta funcin son iguales a cero para x = O. Por consiguiente, la serie de

Taylor O O x O x2 O x3 ... converge, pero no a la funcin f (x).
Se debe subrayar que aqu
. estamos ante un cambio impor\
tante del enfoque del problema
del anlisis de los sistemas no-lineales, tambin relacionado con
el programa de investigacin de
Poincar. Hasta comienzos del siglo XX se prest una gran aten- -1.0
-0.5
cinalaconver~enciadelasseries Fig.6.19. Ejernplodeunafuncinmuyplana
correspondientes a los objetos estudiados. Se construyeron algunos ejemplos convincentes que demuestran
que muchas operaciones con series divergentes son incorrectas. Henri Poincar fundament el uso de series asintticas que no convergen a la funcin
estudiada si se aumenta ilimitadamente el nmero de trminos para un
parmetro pequeo fijo, pero que sus primeros k trminos describen el
objeto estudiado cuando el parmetro pequeo tiende a O.
As surgi la pregunta de en qu medida y cundo los primeros k
trminos de la serie de Taylor, frecuentemente llamados k-chorros, caracterizan las funciones investigadas. La teora considerada da una respuesta en
el caso elemental. La simplicidad y el orden que la teora de las catstrofes
introduce a veces en el mundo de los fenmenos no-lineales, estan relacionados con que diferentes objetos estn caracterizados localmente por los
mismos k-chorros, o bien por sus anlogos dependientes de parmetros.
El teorema que acabamos de demostrar proporciona una clasificacin
de las funciones suaves f (x) en un entorno de cualquier punto dado. Por
. otra parte, el teorema parece evidente: el comportamiento cualitativo de una
funcin est determinado por el primer trmino que no se desprecia de la
serie de Taylor.
Pudiera parecer que la situacin es la misma para el caso de funciones
de varias variables. Sin embargo, eso no es as. Esto se puede demostrar con
el ejemplo siguiente. Consideremos la funcin f (x, y) = x2y. Esta funcin
es igual a cero en las dos rectas x = O e y = O. Ahora tomemos la funcin
g(x, y) = x2y ~ y ~donde
~ + E ~puede
, ser tan pequeo como se quiera y k,
tan grande como se quiera. La funcin g(x, y) se comporta de un modo
totalmente diferente: es igual a cero slo en la recta y = O. La pregunta
sobre cuntos trminos de la serie de Taylor es necesario tomar para obtener
informacin sobre el comportamiento cualitativo de una funcin de varias
variables, es suficientemente compleja. Esta pregunta se resuelve en la teora
de las catstrofes y exige el desarrollo de un aparato matemtico original.
Sin embargo, en ciertos casos particulares importantes, la respuesta

bastante simple.
Consideremos la funcin f (x,, ...,x,) en un entorno del origen de
coordenadas. Si D f (O) # O, es decir, si al menos una de las derivadas parciaaf (0)
af(oj es diferente de cero, entonces la funcin f (x,, . ..,x
les -,
A
. . o f
ax1
03,
localmente representa un sector del plano, y mediante un cambio

variables puede ser reducida a la forma f = u, C (fig. 6.18).
Los puntos de una funcin suave f : Rn + R en los cuales D f (O) =
en forma coordenada,
af-(0) - -- af (0) = o,
(3x1
axn
se denominarn puntos crticos. El valor de la funcin en un punto crtico se
llama valor crtico de la funcin,
Geomtricamente, la condicin formulada significa que en un punto crtico el plano tangente (recta tangente, para n = 1) es horizontal. En el caso unidimensional los
puntos crticos pueden ser mnimos
e . .
Af
"J
(la condicin suficiente es - = 0,

ax
a2f > 0 , m i m o s
= o,
ax2
5
< O)
ox2
o puntos de injlexibn
(fig. 6.20, puntos A, B, C, respectivamente). En el caso bidimensional

los puntos crticos ms difundidos
son los mximos, los mnimos y los puntos de silla. Ejemplos de estos puntos crticos los proporcionan las funciones f = -x2 - y2, f = x2 y2,
f = s2- y2,respectivamente (fig. 6.21 a, b, c). Sin embargo, tambin pueden
existir puntos crticos ms complejos. La funcin f = x2, denominada frecuentemente canal, proporciona un ejemplo de tales puntos. De la figura 6.22
queda clara esta denominacin. Todos los puntos mencionados, salvo los del
Fig. 6.20. Ejemplos de puntos crticos de una
funcin. de una variable
Fig. 6.21. Puntos crticos elementales de una funcin de dos variables
163
canal, son aislados, es decir, en sus entomos no hay otros puntos crticos.
En el caso del canal, el punto crtico es, en realidad, toda una recta. Si el
potencial est determinado por un canal, entonces el punto del espacio de
fase que determina el estado del sistema se encuentra en equilibrio indiferente.
Son posibles tambin otros tipos ms complejos de puntos singulares.
Parece natural que en los casos tpicos que
se presentan en la simulacin de diferentes sistemas, deban surgir puntos crticos elementales
(mximos, mnimos, puntos de silla). La afirmacin denominada lema de Morse formula las condiciones suficientesde surgimiento de tales puntos crticos. De hecho, este lema generaliza las
condiciones suficientes de mximo y mnimo de
una funcin suave y = y(x) para el caso de varias variables. El teorema de Morse permite, ade- Fjg- 6-22. fk~ncincanal. Aqu
ms, reducir a la forma cannica una clase deter- 10s Puntos crticos constituyen
toda una recta
minada de funciones cerca de los puntos crticos.
Introduzcamos la definicin siguiente.
Definicin. La funcin f tiene en el punto u un punto crtico no-degenerado si D f (u) = O y la forma cuadrtica
I
o2f (u) =
2.2
a2f(u)
jaziaxjf
determinada por las derivadas segundas de la funcin f , es no-degenerada.
En otras palabras, el rango de esta forma cuadrtica es igual a n o la
matriz
i,j
* * *
es no-degenerada y, en particular, tiene determinante no-nulo, det H f (u) # O.

La ltima matriz tambin se denomina matriz de Hesse o hessiano. Sealemos
'que estas condiciones se cumplen para los mximos, mnimos y puntos de
silla, cuyas frmulas se escribieron anteriormente, pero no para un canal.
Lema Morse. Sea u u n punto crtico no-degenerado de una funcin suave
f : IRn -t R. Entonces en cierto entorno del punto u se puede indicar u n
sistema de coordenadas y,, ... ,y,, yi(u) = O, 1 i n, tal que
< <
Captulo 6
164
Se puede trasladar el origen de coordenadas a u y considerar que u = 0.

Sin perder generalidad, supondremos que f(u) = f(0) = O. Entonces,
conforme al lema 1, en cierto entorno de cero la funcin f se puede
representar como
Por cuanto el punto es crtico, tenemos que D f (O) = O, consiguientemente
Sf (0)
dx;
9j(O) = -= O. Entonces, en virtud del mismo lema, existen funciones

J
suaves hij tales que
Por consiguiente,
f (x) =
xixjh,(x).
Derivando dos veces la igualdad (6.19) respecto a si y xj,verificamos que

en el origen de coordenadas,
Segn las condiciones del lema la matriz Hij es no-degenerada.

Hagamos una transformacin que no cambie la forma cuadrtica, pero
que simetrice la matriz correspondiente:
Procederemos de la misma manera que cuando redujimos las formas cuadrticas a formas cannicas. Cambiando la numeracin de las coordenadas
o girando el sistema de coordenadas, si es necesario, logramos
que
el
elemento diagonal superior sea diferente de cero, Hll # 0.
Tomemos la funcin g(u,, ... ,u,) = JIH~~('IL~, . ,un)I y hagamos el
cambio de variables
vi = ui para i 2 2.
165
La matriz de Jacobi de esta transformacin en el punto u1 = . . . = un = O es
Como se observa, el determinante de esta transformacin es diferente de

cero, por lo que el cambio de variables es suave y no-degenerado. Esto est
garantizado por el teorema de la funcin inversa. Mediante este cambio de
variables la funcin f se-reducea la forma
El signo de v: ser el mismo que el de Hll(ul, ... ,u,).

Se puede comprobar directamente que la matriz H:j tambin es no-degenerada. Nuevamente realizamos los mismos cambios de variables que en
el caso habitual de reduccin de una forma cuadrtica a la forma cannica:
Procediendo de este modo hasta i = n y cambiando la numeracin de las

variables, reducimos la funcin f a la forma
Esta igualdad es vlida en un entorno del origen de coordenadas, donde

la existencia local de la funcin inversa es garantizada por el teorema de
la funcin inversa. La funcin (6.20) se denomina 2-silla de Morse. Si 1 = n,
entonces esta silla determina un mximo y si 1 = O, un mnimo.
As pues, toda funcin que est cerca de un punto crtico en un entorno
del cual la matriz de las derivadas segundas es no-degenerada, se puede
reducir a una silla de Morse. Adems, ella ser equivalente por la derecha
a la funcin inicial.
Si la matriz es degenerada, entonces todo depende de su rango. El tipo
de la funcin en este caso est dado por la afirmacin siguiente, denominada
lema de escisin.
Lema. Supongamos que la funcin suave f : IhP"
-+IR tiene u n punto
crtico
en el origen de coordenadas y que en este punto la matriz de Hesse tiene
Capitulo 6
166
rango r . Entonces en un entorno del origen de coordenadas la funcin f es

equivalente por la derecha a la funcin
donde
r:
2
fz,
f**.f
Rn-'
2,
- ,..., x,),
+ f(z,+,
+ IR es cierta funcin
suave.
La demostracin de esta afirmacin es, en trminos generales, anloga

a la demostracin del lema de Morse.
El concepto de equivalencia por la derecha permite introducir, basndose en el ejemplo expuesto, el importante concepto de estabilidad estructural.
Las consideraciones de estabilidad estructural permiten frecuentemente
sacar conclusiones sobre qu no puede ocurrir en el sistema analizado.
El fundamento de las ciencias naturales modernas es la condicin de
repetitividad de los experimentos. En los campos del conocimiento donde la
realizacin de los experimentos presenta dificultades o es imposible en
principio, tales como la historia, la economa, la sociologa, la psicologa y
una serie de problemas de la ecologa, frecuentemente surgen problemas
serios. Proponer modelos matemticos de contenido all, es mucho ms
complicado que en los campos tradicionales. Al mismo tiempo, incluso en
el caso ms favorable no se logran garantizar las mismas condiciones de un
experimento. Por eso, la condicin de repetitividad presupone la ausencia de
sensibilidad respecto a las perturbaciones pequeas, las cuales pueden variar
de un experimento a otro. Naturalmente, el modelo matemtico tambin
deber caracterizarse por semejante ausencia de sensibilidad. En este caso, las
propiedades estables que pueden ser observadas en experimentos repetidos,
en las teoras maternticac se denominan estructuralmente estables o groseras.
Al construir un modelo matemtico de un fenmeno concreto es
necesario decidir cules perturbaciones son admisibles y cules cambios en
el comportamiento del sistema ignoraremos.
En la teora de las catstrofes generalmente se permiten perturbaciones
pequeas y suaves, y se exige que el sistema obtenido sea equivalente por la
derecha al sistema inicial (ms adelante, veremos otro tipo de equivalencia,
el cual abarca familias de funciones).
Destaquemos que aqu se utiliza una idealizacin ya desde la etapa
de eleccin del tipo de modelo: se supone que las funciones mismas y sus
perturbaciones son suaves. En cada caso concreto es necesario resolver cun
aplicable es esta idealizacin.
Sealemos que, en general, una funcin tomada al azar no tiene que
ser suave. Existe una clase grande de funciones continuas que se utilizan
ampliamente en diferentes campos de las ciencias naturales y que no tienen
derivada en ninguna parte.
Veamos algunos ejemplos de estabilidad e inestabilidad estructural.
Consideremos nuevamente un entorno pequeo del origen de coordenadas.
Modelos matemticos de la t e o h de las catstrofes
167
.-
Es natural asumir que una funcin p es pequea si es pequea junto con

todas sus derivadas.
Para simplificar, supongamos que Dp(0) = O. Analicemos cmo acta
tal perturbacin sobre una funcin de Morse f . En un punto singular de
Morse, det Hf (O) # O (aqu H, al igual que antes, es la matriz de derivadas
segundas o matriz de Hesse). Si la perturbacin p es suficientemente
) O, puesto que el determinante es
pequea, entonces det H( f (O) ~ ( 0 )#
una funcin continua. Por consiguiente, f p tambin es una silla de
Morse. Teniendo en cuenta la pequeez de la funcin p y el procedimiento
de reduccin a la forma cannica, el lector puede comprobar que esto no
cambia el tipo del punto de silla (nmero I en la frmula (6.20)).
Si se omite la condicin Dp(0) = O, entonces el punto de Morse en el
origen de coordenadas deja de ser crtico, pero cerca surge otro punto crtico
del mismo tipo. Obviemos la demostracin y citemos algunos ejemplos.
Sea f = x 2 , fl(0) = O , f"(0) #O, p = 2 ~ x E, < 1,
Dado que [(x E ) ~- E*]' = 2(x E), entonces la funcin f p tiene un

mnimo en el punto x = - E . El desplazamiento depende suavemente de E ,
pero el punto no cambia su tipo.
Si el punto no es de Morse, el cuadro que veremos es completamente
diferente. Sea f = z3,f '(O) = O, f "(O) = O,
Para
< 0, x =
&m,( f +p)" = 6x,
De este modo, para una perturbacin p = EX el punto crtico. x3 de

desintegr para E < O en dos puntos de Morse: un mximo y un mnimo.
Por consiguiente, este punto es estructuralmente inestable. En la teora
de las catstrofes se demuestra que un punto crtico es estructuralmente
estable si, y slo si, es no-degenerado. Consiguientemente, todo punto
degenerado es estructuralmente inestable. Por eso, puede parecer que un
fenmeno inestable tan extico cmo los puntos crticos degenerados no merece un estudio detallado y no debe surgir al modelar fenmenos concretos.
Y, en efecto, esto es as. En el caso de una funcin suave tomada independientemente no deben haber puntos crticos degenerados. Sin embargo, en
el caso de familias de funciones la situacin puede ser totalmente diferente.
Uno de los mtodos ms efectivos de anlisis de los sistemas no-lineales
es el anlisis de bifurcaciones, es decir, el estudio de cmo cambia el
comportamiento de un sistema al variar los parmetros. El momento central
Captulo 6
168
4
A
en la teora de las catstrofes no es el estudio de las funciones por separado,

sino de las familias de funciones suaves dependientes de un parmetro.
La definicin de equivalencia de familias se obtiene como la generalizacin natural del concepto de equivalencia por la derecha. Recordemos
que dos funciones f y g: Rn -t R son equivalentes por la derecha cerca
del origen de coordenadas si existe un difeomorfismo local y(x): Rn -+ IRn
y un trmino desplazante 7 tal que
(6.21)
9 ( ~=) f (Y($)) + 7.
Consideraremos las familias de funciones f (x, A) y g(x, A): IRn x Rr -t R,
en las cuales la variable x pertenece al espacio Rn y el parmetro A,
al espacio F.En lugar de un difeomorfismo separado y, el cual figura
en la frmula (6.21), se introduce una familia de difeomorfismos yA(x)
que dependen suavemente del parmetro A. Adems, en lugar de una
constante 7 se introduce una familia de funciones ?(A) (Rr + R). Aparte de
esto, es necesario introducir el difeomorfismo ,u = p(X) (Rr -+ IR"), el cual
refleja la posibilidad de cambio de variables en el espacio de parmetros.
Definicin. Denominaremos a dos familias de funciones f (x, A) y g(x, A)
equivalentes si existen tales funciones p, y, 7,definidas en cierto entorno
de cero, que
~ ( x I X )= f (YA(X)I
p(A)) + r(W*
El sentido geomtrico de esta definicin se ilustra en la figura 6.23. Aqu los
espacios Rn (de variables y) y Rr (de parmetros) son unidimensionales:
En la parte izquierda de la figura 6.23 se muestran las lneas de nivel de
la familia de las funciones f : f (z, A) = const, mientras que en la derecha
se muestran las de la familia de las funciones g : g(y, p ) = const. Estas
funciones son equivalentes.
La aplicacin p(A) contrae o dilata este conjunto de lneas de nivel a
lo largo del eje de abscisas. La aplicacin p transforma las lneas verticales
f(z,A) = const
s (Y,P) = f (~A(x),
P ( ~ )+)
Fig. 6.23. Ejemplo de dos familias equivalentes de funciones
= conSt
169
.-
X = const (vase la parte izquierda de la figura 6.23) en lneas verticales

p(X) = const (parte derecha de la misma figura). La aplicacin yA(x)
determina la deformacin de este cuadro a lo largo del eje de ordenadas.
Podemos imaginarnos una parte del espacio IIg" x Rr como un cubo de
goma en el que existen superficies de nivel f (x, A) = const. Las funciones
p(X) e yA(x) determinan la deformacin de dicho cubo. En este caso no
suceden rupturas y los puntos que al principio estn cercanos siguen
estndolo despus de la deformacin.
As pues, un punto crtico tomado al azar es no-degenerado. Las
propiedades de una funcin tomada al azar de una clase dada se denominan
propiedades t {picas.
Las definiciones formuladas permiten enunciar un resultado fundamental de la teora de las catstrofes, el teorema de clasificacin de Thom.
Teorema de Thom. En el caso tpico, la familia r-paramtrica de funciones
suaves Rn + Rn para todo n y todos r 5, es estructuralmente suave y
<
equivalente (en el sentido de la definicin introducida anteriormente) cerca de

cierto punto a una de las formas siguientes:
a no-crtica: u,;
crtica no-degenerada o de Morse: u: + . ..+u: - u:+, - .. - U: (O i n);
a catstrofes cuspidales:
<<
o
o
o
o
+ Alul + ( M ) ;
A, cspide: f(u;' + A,u: + X1ul) + (M);
A, cola de milano: u: + X,u? + X2u: + Xlul + (M);
A, mariposa: f(u! + X,u; + X3u: + X2u: + X1ul) + (M);
A, tienda india (wigwam): u: + X,U; + X4ut + X3u: +
+
X,u, + ( M ) ;
A, pliegue: u:
X,U:
catstrofes umbilicales:
o
o
o
o
+ X3u: + X2u2+ X1u1+ (N);

04 ombligo hiperblico: u:u2 + u: + X,u: + X2u2+ Xlul + (N);
D, ombligo parablico: f(u:u, + ud;+ X4u; + X3u: + X2u2+
DT ombligo elptico: u:u2 - u:
Ap,)
+(N);
X1ul
+(N);
0 6 segundo ombligo elptico: u:u2 - U: + X5uz+ X4u$+ Su: + X2u2+
+ X4u2 + X,U: +
segundo ombligo hiperblico: u:u2 + u; +
X2u2+ X,u, + ( N ) ;
E, ombligo simblico: *(u; + u: + X ~ U , U ; + X ~ U +
; X3u1u2+ X2u2+
o D:
o
X1u,)
+ (N);
Captulo 6
170
.-
donde (u,, .. . ,u,) E Rn,(A,, . . ,A,) E Rr, el smbolo M denota una

funcin de Morse del tipo u; + ... + ui2 - 2 - ... - un (1 i n), y el
smbolo N denota una funcin de la forma u$ + ... + u: - u:+, - . .. - u:
( 2 i < n).
< <
<
Las siete catstrofes donde no figura el parmetro A5 se denominan
catstrofes elemen tales.

En la lista de catstrofes figura cierto potencial que no depende de
los parmetros, llamado usualmente germen de la catstrofe, y una funcin
dependiente de los parmetros denominada perturbacin.
Cada una de las catstrofes elementales ha sido investigada detalladamente. Aunque para un nmero de parmetros mayor que dos no es
posible construir figuras tan simples como en el caso de los pliegues y las
cspides, aqu el cuadro cualitativo tambin est descrito detalladamente.
La existencia de este resultado generalizador fundamental permite utilizar la
teora de las catstrofes durante la simulacin matemtica en varios niveles.
En el primer nivel, en los casos cuando el modelo tiene la forma (6.1)
y el nmero de parmetros de control es pequeo, se pueden utilizar los
resultados estndares de la teora.
Un ejemplo tpico de este nivel es la descripcin clsica de las transiciones de fase. En la descripcin termodinmica, la ecuacin de estado de una
sustancia define cierta variedad n-dimensional en un espacio 2n-dimensional. Las n primeras variables zi, 1 i n, de este espacio caracterizan los
parmetros termodinmicos intensivos, y las segundas Ai, 1 i n, los
extensivos. Las variables extensivas determinan los parmetros de control,
y las intensivas, las variables de estado. Para la descripcin del sistema fsico
se introduce una familia de funciones potenciales V ( x ,A) dependientes de
los parmetros. Se supone que el estado de 'la funcin es descrito por el
valor crtico de la variable x que minimiza a este potencial. Es decir, al
describir el objeto estudiado se deben analizar aquellos puntos crticos
< <
< <
que son localmente estables. En ellos la matriz de Hesse
debe ser definida positiva.

En este caso, al variar cierto parmetro A, a las transiciones de fase
les corresponde la transicin desde la rama que caracteriza al estado de
equilibrio, a otra rama. Si nos guiamos por el principio de retardo mximo,
entonces las transiciones de fase sucedern cuando la curva que describe el
cambio de estado del sistema al variar los parmetros, corte la componente
Modelos matemticos de la teonda de los
catstrofes
171
Fig. 6.24. En muchos problemas fsicos, los parmetros para Los cuales ocurren los saltos
catastrficos estn determinados no por el principio de retardo mximo (o), sino por e l
principio de Maxwell (6)
del conjunto de bifurcacin en la que nacen o desaparecen los mnimos locales (como en el problema de la mecedora). Se puede decir que en este caso
el sistema aminimiza localmente a la funcin potencial. El comportamiento
exacto se ilustra en la figura 6.24a. Sin embargo, si en el sistema investigado
el nivel de ruido es suficientemente alto (una descripcin detallada de las
fluctuaciones exige un modelo ms complejo que la ecuacin (6.1)), entonces
el sistema tiene la posibilidad de estimarno slo el mnimo local donde se
encuentra, sino tambin los valores del potencial cercanos donde pueden estar sus mnimos. En este caso puede ocurrir una minimizacin no-local, sino
global. El estado del sistema bajo estas condiciones estar determinado por el
mnimo global de la funcin potencial. El comportamiento tpico en este caso
se muestra en la figura 6.24 b. Esta aproximacin, utilizada frecuentemente
en la teora de las transiciones de fase, se denomina principio de Maxwell.
En la descripcin de las transiciones de fase de segundo gnero es
utilizado ampliamente el modelo Gunzburg-Landu. Este modelo est dado
por el potencial
donde x es cierto parmetro de orden que describe el estado del sistema,

a es el partimetro de bifurcacin, cuyo sentido es el de la desviacin de la
temperatura T respecto al valor crtico T,. El diagrama de bifurcaciones para
este caso se muestra en la tabla 1 del captulo 5. Este tenedor es, con una
precisin de hasta un cambio de la direccin del eje de abscisas, el mismo
que el del problema de la flexin de una barra. El potencial (6.22) describe
un sistema invariante respecto al cambio de signo de x. Sin embargo, existen
procesos fsicos que violan esta simetra. En tal caso es necesario considerar
172
Capitulo 6
el potencial
1 4
1
2
V(x,a, b) = -x
-ax
bx.
4
2
Este potencial coincide con una catstrofe cspide, y los efectos no-lineales en tal sistema sern los mismo que en el problema de la mecedora
o de la mquina de Zeeman. En otras palabras, el problema se redujo a lo
estudiado anteriormente. Algunas diferencias pueden surgir si, en virtud de
las particularidades fsicas del problema, se debe partir no del principio de
retardo mximo, como sucede habitualmente, sino del principio de Maxwell.
Al describir las transiciones de fase de primer orden a veces es necesario
considerar un potencial an ms general
1
1
1
V(x,a, b, c,d) = -a: 6 -ax4
-bx3
-a2
dx.
6
4
3
2
Mas este potencial determina simplemente una catstrofe mariposa As, cuya
descripcin detallada se expone en los textos de estudio de teora de las
catstrofes.
De esta manera, en el primer nivel se logra hacer corresponder los
modelos matemticos de diversos sistemas no-lineales con los modelos ya
estudiados de la teora de las catstrofes. En una serie de casos esto permite
descubrir efectos nuevos en muchos campos.
Se debe anotar que en muchas disciplinas, en particular en la termodinmica, la teora de la elasticidad, la fsica de los lseres y la teora de
estabilidad de las naves, los problemas fundamentales fueron resueltos sin
utilizar la teora de las catstrofes.
Aun as, la teora general permite formular las regularidades descubiertas en una forma ms simple y clara. Adems, surge la posibilidad de
destacar los rasgos cualitativos generales de diferentes sistemas no-lineales.
Este tipo de trabajos se puede atribuir al segundo nivel.
El tercer nivel, el ms profundo e interesante, est relacionado con el
anlisis de objetos ms complejos, los cuales obligan a salirse del marco
de la teora elemental de las catstrofes, exigiendo frecuentemente tanto la
creacin de nuevos modelos como el desarrollo del aparato matemtico.
1. Analizar el conjunto de bifurcaciones para la catstrofe cola de milano
Dnde en un entorno del punto x = O hay pliegues y cspides? Cmo es

el conjunto de bifurcaciones en el espacio de parmetros a, b, c? En cules
problemas fsicos puede surgir una catstrofe de este tipo?
173
2. Para describir las transiciones de fase Van der Waals propuso la ecuacin de
estado fenomenolgica
Aqu P, V y T son, respectivamente, la presin, el volumen y la temperatura

del medio, y R es una constante. A veces en lugar del volumen se toma la
densidad p = 1/V.
Los experimentos muestran que si la temperatura es menor que cierta temperatura crtica T,, entonces existen presiones para las cuales son posibles
varios valores de la densidad. En tales sistemas se pueden presentar saltos
tales como, por ejemplo, que un lquido difcil de comprimir se convierte
repentinamente en un gas fcilmente cornpresible. Describe el modelo de Van
der Waals este comportamiento? Tomemos la temperatura y la presin como
variables de control, y la densidad como variable de estado. Tendr lugar aqu
una catstrofe? Cual es el valor crtico T,? Es posible reducir localmente este
modelo a cierta forma cannica?
3. Una olla vaca se coloca al sol. La luz que incide en ella se refleja en sus paredes
cilndricas y forma una custica. Cul es la forma de esta custica? Cul es
su ecuacin?
4. Por qu podemos ver un arco iris? Por qu al observarlo desde un avin
vemos una franja circular y no un arco? Podemos considerarlo como una
custica? Investigar la geometra de los rayos paralelos con igual longitud de
onda que inciden en una gota.
5. En muchos problemas de acstica, ptica ondulatoria y mecnica cuntica
surgen cuadros de difraccin semejantes. Esto est relacionado con el hecho
de que las soluciones de estas ecuaciones constituyen frecuentemente integrales
rpidamente oscilantes
u(x, r) =
eiTl(xn)a(x,
a, r) da,
donde T es un parmetro grande, y la integracin se realiza en cierta regin G.

En una serie de casos la integral se aproxima mediante la suma
donde a,, ...',a,(x), para x dado, son soluciones de la ecuacin
Por qu tal aproximacin frecuentemente es aceptable? Cul es el cuadro

tpico si a,, ...,ar(x) son singularidades de Morse?
6. Demostrar que la relacin doble es invariante respecto a las proyecciones
centrales.
174
Captulo 6
7. En ciertos casos las abejas salvajes no forman colonias. En otros casos forman
colonias en las que viven decenas de miles de ejemplares. Prcticamente no
hay variantes intermedias. Explicar este fenmeno suponiendo que la densidad
de abejas se debe mantener en un nivel de B abejas/krn2. Considerar que
la colonia vive en una regin circular de radio R. El nmero de abejas es
N z ~ R ~ElBtiempo
.
que gasta una abeja en un viaje de ida y vuelta desde el
A
R. Asumir que la productividad de una abeja es P(R)= c - BR,
dS
y que la ganancia S ( R ) debida a la cooperacin es una funcin tal que - > O
dR
dS
para R = R,, y lim - = O cuando R + OO. Analizar la funcin de utilidad
dR
F ( R ) = P(R) S(R) y determinar el tipo de catstrofe.
centro es
8. La energa de un sistema formado por una barra rgida apoyada en una

articulacin sin rozamiento y sostenida por dos muelles situados en los planos
yz y xz, est dada por el potencial (modelo de Augusti)
u = o (x2
+ y2) + b(x4 + y4) + cx2y*,
donde x e y son los desplazamientos del extremo de la barra. Pueden

presentarse en este sistema saltos catastrficos (papirotazos catastrficos>>)?
Bibliografa
Una introduccin elemental a la teora de las catstrofes y sus aplicaciones, con
muchos ejemplos e ilustraciones, se presenta en el libro:
Posto~zT., Stewart 1. Catastrophe theory and its applications. Pitman, 1978.
La exposicin en este libro comienza con las nociones fundamentales de lgebra
lineal, geometra analtica y anlisis matemtico. Se consideran las aplicaciones a
la teora de estabilidad de los barcos, ias corrientes de lquidos bidimensionales, la
ptica geomtrica y-ondulatoria, la teora de la elasticidad, la fsica de los lseres y
un crculo grande de problemas relacionados con la simulacin blanda.
Un libro de texto ms complejo, el cual revela las particularidades matemticas de
la teora y aplicaciones importantes a problemas de la aerodinmica, la climatologa
y la mecnica cuntica, es
Gilrnore R. Catastrophe Theory for Scientists and Engineers. Wiley 1981.
La particularidad de este libro consiste en que en l se analiza la transicin de la
teora de las catstrofes a la teora de las bifurcaciones, la cual permite investigar
modelos matemticos ms complejos, que no se pueden describir mediante una
funcin potencial. En el libro
Arnold V; 1. Teora de catstrofes. Alianza Universidad, 1989.
Se consideran las aplicaciones de la teora de las catstrofes al problema del anlisis
de la distribucin a gran escala de la materia en el Universo, los problemas de
optimizacin y el problema de evasin de las dificultades. En el libro tambin se analizan
las relaciones profundas de la teora con otras reas de la matemtica moderna.
Enfoques matemticos ms rigurosos se proponen en los libros:
175
.-
Bruce 1. W.,Giblin P. J. Curves and Singularities. Cambridge University Press,

1992;
Brocker Th., Lander L. Differentiable Germs and Catastrophes. Cambridge
University Press, 1975.
Una exposicin de los resultados rigurosos de la teora se da en el libro:
Amold V: l., Varchenko A. N.,Gusein-Zade S. M. Singularities of Differentiable
Maps. Birkhauser, 1985.
Sistemas elementales
con tiempo discreto
cada poca hay que darle lo que se merece! Los tiempos nuevos tambin han alcanzado
logros brillantes.
jA
R. Shumann
Hasta hace poco tiempo se pensaba que la comprensin ms profunda de

los fenmenos no-lineales iba a estar relacionada con el anlisis de modelos
matemticos ms complejos. Esto hace que sea ms asombroso el hecho
de que los grandes xitos en el estudio de los sistemas no-lineales y en
la prediccin de efectos nuevos se hayan logrado investigando modelos
matemticos elementales, las aplicaciones unidimensionales dependientes de
parmetros:
La frmula explcita (7.1), la cual define una aplicacin unidimensional,

permite hallar a partir del nmero x, el nmero siguiente x,+~,y de este
modo proporciona toda la sucesin {x,). Se puede decir que la frmula (7.1)
corresponde a cierto proceso iterativo.
Por eso, la sucesin numrica {x,) se denomina frecuentemente iteraciones del punto inicial x'.
Aplicaciones elementales del tipo (7.1) ya eran conocidas por Euclides
y Arqumedes. Para f (x,, A) = Xx,, la frmula (7.1) define una progresin
geomtrica con razn A, y para f (x,, A) = X x,, una progresin aritmtica.
Sin embargo, si f (x, A) es una funcin no-lineal elemental de argumento z, por ejemplo, una parbola cuadrtica, entonces las propiedades de la
sucesin {x,) pueden resultar completamente inusuales. En los anos 70 se
dio un paso fundamental en la comprensin de estas sucesiones. Ello fue
posible gracias a la utilizacin de las computadoras.
En la actualidad, las aplicaciones unidimensionales sirven, por una parte, como modelos simplificados de una gran variedad de procesos, y por otra,
como lenguaje en el que se puede hablar de muchos fenmenos complejos.
Sistemas elementales con tiempo discreto
177
La investigacin de las aplicaciones unidimensionales permiti introducir nuevos conceptos, aplicables a una clase grande de sistemas disipativos,
descubrir una serie de fenmenos nuevos y responder a varias preguntas
fundamentales. Cmo ocurre la transicin de los regmenes ordenados
ms simples a los regmenes caticos al variar los parmetros? Cmo se
suceden en el espacio de parmetros las regiones en las que se observan el
orden y el caos? Cmo ocurre la complejizacin del orden cuando varan
los parmetros? Cmo son los tipos elementales de caos en los sistemas
no-lineales abiertos y cules son los mtodos para describirlos?
Veamos algunas situaciones tpicas donde las aplicaciones unidimensionales participan como modelos matemticos, o bien surgen en el proceso
de resolucin numrica de las ecuaciones;
Aplicaciones como modelos de procesos con tiempo discreto. Anteriormente analizamos las propiedades de la ecuacin diferencial no-lineal
denominada ecuacin logstica. En este modelo el tiempo t se considera
continuo y puede tomar cualquier valor real en el intervalo O t < OO.
El tamao poblacional x(t) se considera una funcin diferenciable y continua
de este argumento. En realidad, nosotros asumimos implcitamente que
tenemos la posibilidad de medir la magnitud x(t) en cualquier instante y
compararla con las predicciones del modelo.
Pero es posible una situacin completamente diferente. Supongamos
que existe la posibilidad de estimar el tamao poblacional slo una vez al
ao. Entonces, es natural considerar a la variable temporal como una variable
discreta, no-continua. Por ejemplo, ella puede tomar slo valores enteros
n = 1,2,. . . . Entonces, el tamao poblacional se expresar mediante una
funcin de argumento discreto x(n), o utilizando la notacin habitual, x,.
Para simplificar denotaremos la sucesin x,, x2, ... mediante {x,).
Se puede suponer que x, es el tamao poblacional en el ao nmero n.
Por lo visto, entre los nmeros x, hay 'cierta regularidad. Es natural esperar
que el tamao poblacional en el ao x,+, dependa de cuntos individuos
haba un ao atrs, es decir, de la magnitud x,. De este modo, en el caso ms
simple (cuando x,+~depende slo del tamao poblacional del ao anterior y
no de x,-,, xnm2,
etctera.), obtenemos un modelo matemtico del tipo (7.1).
En este modelo f es una funcin unvoca continua de sus argumentos, X es
un parmetro que depende del problema concreto analizado, y x' (valor
inicial) es el primer trmino de la sucesin {x,). Frecuentemente se utiliza
una funcin f de la forma Xx(N - z):
<
Esta dependencia se elige siguiendo los mismos razonamientos que para

el primer miembro de la ecuacin logstica. La frmula (7.2) muestra que
si XN > 1, entonces el tamao poblacional de la especie crece mientras
178
-
Captulo 7
.-
2,
< N.Debido a la limitacin de recursos, el tamao poblacional comienza
a disminuir cuando los animales son muchos. Al igual que en la ecuacin

logstica, esto se toma en cuenta mediante un trmino cuadrtico restrictivo.
Aqu es cmodo realizar el cambio de variables x, = xLN, X = Xt/N.+
En este caso, la frmula (7.2) toma la forma
I
x,+,
= xtx;(l -xk),
o < X;
< l.
(7.3)
En lo sucesivo omitiremos los apstrofos en las variables nuevas. Las

aplicaciones (7.2) y (7.3) se denominan frecuentemente aplicaciones logsticas.
A nosotros nos interesa saber qu suceder con las distintas especies al
cabo de un tiempo suficientemente largo, es decir, cules son los atractores
de la aplicacin analizada. Para responder a esta pregunta en este modelo
elemental es suficiente determinar el comportamiento de la sucesin {x,)
cuando n + oo para diferentes valores de A. En la actualidad se utilizan
aplicaciones del tipo (7.1) para la descripcin fenomenolgica de una serie
de procesos de la economa, la hidrodinmica, la electrnica y otros campos.
Aplicaciones que surgen como resultado de utilizar e l mtodo de Euler

a l resolver ecuaciones diferenciales. Cuando analizamos las ecuaciones
diferenciales lineales hemos considerado el modelo de Malthus, segn el
cual el tamao poblacional debe crecer ilimitadamente. Para que el modelo
tenga en cuenta la limitacin de los recursos disponibles y la seleccin
intraespecfica, es natural introducir un trmino restrictivo no-lineal. Esto
conduce a la ecuacin
dN- aN(1- N).
dt
Hemos elegido las unidades de medicin de tal manera que como unidad se
tome el tamao poblacional lmite: para O < N(0) < 1 se tiene que N ( t ) -+ 1
cuando t -+ oo. No es difcil verificar esto haciendo una investigacin
cualitativa del .modelo. El punto fijo N = O es inestable y el punto N = 1
es estable.
Escribamos la frmula del mtodo de Euler para esta ecuacin:
Introduzcamos. la notacin N ( ~ T=) Nk. Entonces,
De esta manera, hemos 0btenid.o nuevamente la aplicacin unidimensional (7.3). Como veremos ms adelante, sus propiedades son similares a
las propiedades de la ecuacin diferencial slo para valores pequeos de 7.
Cuando el paso temporal T supera cierto valor crtico, el comportamiento
de estos dos objetos comienza a diferenciarse cualitativamente.
179
.-
Aplicaciones elementales que surgen al resolver numricamente ecuaciones algebraicas no-lineales. Un mtodo estndar de resolucin numrica
de las ecuaciones algebraicas no-lineales de la forma
es la construccin de una sucesin (2,) convergente a su raz z*. Esto se
puede hacer utilizando el mtodo de iteracin simple (fig.7.1 a)
o bien el mtodo de Newton (fig. 7.1 b)
Como se ve, en ambos casos surgen aplicaciones unidimensionales.
Fig. 7.1. Ilustracin grfica de procesos iterativos de resolucin de ecuaciones algebraicas

no-lineales: a ) mtodo de iteracin iimple; b) mtodo de Newton
Construccin de aplicaciones como un mtodo de procesamiento de

Los datos experimentales. Consideremos cierto proceso complejo que se
desarrolla en el tiempo y est caracterizado por la funcin x ( t ) . Procedamos
los
s mximos locales de la funcin x(t).
del modo siguiente. ~ e s t a ~ u e r n o
Denotemos el primer mximo con M,., el segundo con M,, el k-simo
con Mk (fig. 7.2 a). El primer mximo se alcanza en el instante t,, el
segundo en el instante t,, etctera. Sealemos en el plano (Mk,Alk+,) los
puntos de coordenadas (Mk,Mk+,), es decir, el primer punto es (M,, M,),
el segundo es (M,, M,), etctera (fig. 7.2 b). Resulta que para algunas
reacciones qumicas oscilantes, modelos matemticos de la hidrodinmica y
otros sistemas, los puntos (Mk,Mk+l)se ajustan con gran precisin a curvas
continuas unvocas M,+, = f (M,). En la figura 7.2 b se ilustra la forma
180
Captulo 7
Fig. 7.2. Una aplicacin unidimensional puede surgir a l analizar datos experimentales: o) determinacin de los mximos locales en la dependencia z(t);b) forma tpica d e la aplicacin
surgida durante e l anlisis de las reacciones qumicas oscilantes con comportamiento catico
tpica de la aplicacin que surge en el experimento natural de investigacin

de las reacciones qumicas oscilantes con comportamiento catico.
La presencia de tal funcin f permite construir en una serie de casos
modelos fenomenolgicos simples de los fenmenos analizados. En particular, estos modelos permiten predecir los valores posteriores de los mximos
locales a partir de los valores anteriores, es decir, pronosticar la marcha
ulterior del proceso a partir de su prehistoria.
La existencia de la curva f muestra que en el sistema hay autoorganizacin: su dinmica se describe eficazmente mediante un sistema dinmico
discreto con un solo grado de libertad.
En al caso analizado nosotros podemos predecir la magnitud M,+,
si conocemos el mximo M, y la aplicacin f . Sin embargo, la aplicacin
unidimensional no permite calcular el instante t,+,. En algunos sistemas,
por el contrario, los intervalos de tiempo At, = t,+, - t,, al cabo de los
cuales la funcin x(t) alcanza los mximos locales, se pueden determinar
con gran precisin'mediante cierta aplicacin Atn+l = g(At,).
Naturalmente, en el caso general de anlisis de los datos experimentales,
los puntos (M,, M,+J llenan regiones enteras en el plano (M,, M,+,). Por
eso se debe considerar un gran xito el que algunos datos experimentales
definan una aplicacin unidimensional.
Transicin a l caos. Escenarios de Feigenbaum

El anlisis de la aplicacin logstica permiti aclarar muchas propiedades
generales de las aplicaciones unidimensionales. Analicemos con ms detalle
este modelo matemtico.
Para valores pequeos de X (O < X < 10) se tiene que x, -+ O cuando
n -+ oo, independientemente de la eleccin de 3,. En este y otros casos es
cmodo representar grficamente el comportamiento de esta sucesin.
181
Construyamos el grfico de
la recta y = x y de la curva
y = f (x) para el valor elegido
de X (fig. 7.3). Sealemos x, en el
eje de las abscisas y tracemos una
vertical desde este punto hasta
cortar la curva y = f(x) (punto A); luego tracemos una horizontaldesdeelpunto Ahastala Fig.7.3. Representacin grfica de La sucesin
interseccin con la recta y = x {x,) para La aplicacin Logstica en e l caso
x, -+ 0 cuando n -+ m
(punto B). Ahora tracemos una
vertical desde el punto B hasta el
eje x y denotemos el punto de interseccin mediante x2. NO es difcil verificar que x2 = f (x,) Tomando el punto x2 como punto inicial y repitiendo el
procedimiento anterior obtendremos x,, despus obtendremos x,, etctera.
Este procedimiento, denominado construccin de la escalera de Lamerey, permite hallar grficamente los trminos de la sucesin {x,). En la figura 7.3 se
observa que x, -+ O cuando n -t m. A partir de la frmula (7.3) se deduce
que la funcin f (x) transforma el segmento [O, 11 en el segmento [O, X/4].
Si X 4, entonces todos los valores x, pertenecen al segmento [O, 11 siempre
que O x, 1. Precisamente por esto se dice que la frmula (7.3) define
una aplicacin de un segmento en s mismo.
Supongamos ahora que X es un poco mayor que la unidad. En este
caso, la sucesin {x,) se comporta de otro modo (fig. 7.4): la sucesin {x,)
tiende a un valor constante x* > O. Aplicado al problema biolgico inicial, esto significa que el-tamao
poblacional de la especie se estabiliza al cabo de varios aos, y con
el tiempo deja de cambiar.
'El valor de x* se puede hallar
a partir de la ecuacin
<
< <
x* = f (x*,A).
(7.4)
Todos los puntos que satisfaFig. 7.4. Funcin f (3) y primeros trminos de
cen esta ecuacin se denominan
La sucesin {xnlfX n -f Z* cuando n
m
puntos fijos de la aplicacin, pues
x, = x* para todo n si 2, = x*.
de las iteraciones de la
En la figura 7.4 se muestra un cuadro tpico
aplicacin unidimensional en un entorno del punto fijo x*. Para n grandes,
en el entorno de este punto las magnitudes x, - x* tienden a una progresin
geomtrica:
x,
0,2
0,4
0,6
0,8
1 x
-f
182
Captulo 2
.-
Sealemos que todos los puntos fijos yacen en la interseccin del grfico de
la funcin x,+~= f (x,, A) con la bisectriz del ngulo del primer cuadrante
x,+, = x,. En efecto, el punto de interseccin de estas lneas satisface la
definicin de punto fijo, x,+, = f (x,, A) = x,.
~x~erimentando'con
la escalera de Lamerey o bien analizando la aplicaO f (x*)
cin elemental x,+~= TX,, en la que el cero es el punto fijo x* y
dx = 7,
se puede comprobar que si fx(x*,A) > O, entonces los elementos de la
sucesin {x, ) convergen montonamente a x* para 1 > f x (x*,A) > 0, divergen para f,(x*, A) > 1; y si f,(x*, A) < O, entonces los elementos de la
sucesin (2,) oscilan alrededor del punto fijo (fig. 7.1 a), convergiendo si
O > f (x*,A) > -1 y divergiendo si fx(x*,A) < -1.
Para A < 1 la ecuacin cuadrtica x* = Ax*(l - x*) tiene una raz
no-negativa x* = O. Para X > 1 tiene dos races no-negativas: X* = O y
A-1
x* = -. Para A = 1 el punto fijo x* = O pierde la estabilidad, y el
X
punto que aparece se convierte en el punto estable.
No es difcil determinar la estabilidad del punto fijo x* de la aplicacin
f (x, A). Sea x, = x* Ax,, donde Ax, es un nmero pequeo. Si el punto es
estable, entonces al crecer n la magnitud IAx,l debe disminuir. Escribamos
la frmula (7.1) en la forma
x*
A)
Ax,.
+ af (x*,
dx
= f (x* Ax,, A) x f (x*)
Durante el anlisis de la estabilidad de los puntos singulares de

las ecuaciones diferenciales ordinarias para el caso no-degenerado todo
est determinado por los trminos lineales (primer mtodo de la teora
de estabilidad de Liapunov). Aqu, razonando de manera 'anloga, se
puede comprobar que la estabilidad del punto x* est determinada por el
comportamiento de la aplicacin lineal
Pero esto no es otra cosa que una progresin geomtrica habitual. Por
consiguiente, lAx,l -+ 0 cuando se cumple la desigualdad
sta es la condicin suficiente de estabilidad del punto x*. Ella,

naturalmente, coincide con la condicin suficiente de convergencia del
mtodo de iteracin simple. Si se cumple la desigualdad contraria, se puede
afirmar que el punto x* es inestable. Si la derivada es igual a la unidad, es
necesario considerar los trminos siguientes de la serie de Taylor.
Fig. 7.5. Ciclo S2 en la aplicacin Logstica.

El punto de mximo z = 112 es un element o del ciclo. Tales ciclos se suelen llamar
183
Fig. 7.6. La funcin f (x)

y e l ciclo estable S4
superes fables
Continuemos aumentando el parmetro A. El comportamiento del sistema cambia nuevamente: a partir de valores de n suficientemente grandes,
en la sucesin {x,) se alternarn dos nmeros: a, y a,. (Hablando ms
exactamente, la sucesin {x,) es tal manera que x,,+, + a,, x,, -+ a,
cuando n -+ co.) Estos nmeros estn relacionados mediante las expresiones
a, = f (a,), a, = f (a,). En este caso se dice que la aplicacin (7.3) tiene un
ciclo estable de perodo dos y se denota con S2,y los nmeros al y a, se denominan elementos del ciclo. En la figura 7.5 se muestra la forma de un ciclo S'.
La transicin del punto fijo (se puede considerar como un ciclo S')
al ciclo S2 tuvo lugar como resultado de una bifurcacin denominada
bifurcacin de duplicacin del perodo. En este caso, el punto x* no desapareci,
- Of (x*,A)
se hizo menor que -1.
pero la magnitud
ax
Con el aumento ulterior de X la sucesin {x,) cambia nuevamente.
Surge un ciclo S4 (fig. 7.6):
x~~ -+ a,,
x4,+,
-+
a,,
x4,+, -+ a,,
x4,+,
-+
a,
cuando m -+
con la particularidad de que

= f (a1), a, = f (a,), a, = f(a3), a, = f(a4)
Aumentando ms el valor del parmetro X veremos los ciclos S8,SI6,
S3', etctera. Adems, cada vez que el ciclo S,' pierde la estabilidad ocurre
una bifurcacin de duplicacin del perodo y el ciclo
se convierte en el
ciclo estable. Finalmente, para cierto valor de &.denotado a veces con A,
la frmula (7.3) proporciona una sucesin {x,) no-peridica.
El cuadro observado es muy interesante. En primer lugar, el modelo
asombrosamente simple (7.1) muestra un comportamiento muy complejo.
'2
s2'+'
184
Captulo 7
.-
En segundo lugar, en l se logra observar un nmero grande de bifurcaciones

que conducen a la complejizacin de la solucin. Hacer esto en modelos
ms complicados es mucho ms difcil. En tercer lugar, para O < X < A,
son estables slo los ciclos de perodo 2P. Sera bueno comprender qu es lo
que provoca esto y analizar con ms detalle el comportamiento del modelo.
Analicemos junto con la aplicacin (7.1) la aplicacin
/
En este captulo f n(x, A) siempre

corresponder a la n-sima iteracin
de la funcin f . En nuestro caso, la
forma de la funcin f 2(x,A) se muestra en las figuras 7.7 y 7.8. La primera
figura corresponde a un puiito fijo
estable y la segunda, a un ciclo estable S2.El grfico de f2(x, A) corta
0,2 0,4
0,6 O,8 1,O x
a la recta y = x en todos los puntos
Fig. 7.7. Dependencia y = f 2(x), Para fijos de la aplicacin, as Como en 10s
este valor del parmetro la aplicacin f (x) puntos pertenecientes a 10s ciclos S'.
tiene un punto fijo estable
En efecto, si x* = f(z*), entonces
f (f(x*)) = f (x*) = x*. Adems, si
a, y a, son los elementos del ciclo S2, entonces a, = f (al, A) = f (f (a2,A)),
al = f (a2,A) = f (f (a,, A)). Al aumentar el parmetro A, nosotros dilatamos
la funcin f *(x,A) a 10 largo del eje y. Y si para cierto valor de X las lneas
Y = x e y = f 2(x,A) se cortan en un punto (fig. 7.7), con el aumento de X
pueden aparecer otros dos puntos de interseccin (fig. 7.8). Precisamente,
I
Fig. 7.8. Forma de la funcin f2(x) para la aplicacin logstica cuando f (z)determina
ciclos superestables: a) ciclo S2;b) ciclo S4
185
ellos determinarn el ciclo S2.La transicin S2 + S4en la aplicacin f (x, A)

est condicionada por el hecho de que en la aplicacin f2(x, A) uno de
los puntos fijos pierde la estabilidad y en su entorno aparecen dos nuevos
puntos fijos estables. Analizando las funciones f 4(x,A), f 8(x, A), etctera, se
puede ver cmo ocurren las duplicaciones siguientes. En cada uno de estos
casos uno de los puntos pierde la estabilidad y aparecen otros dos puntos
estables, por lo que el perodo del ciclo se duplica. El surgimiento del ciclo
estable S4en la aplicacin x,+~ = f (x,, A) est relacionado con la aparicin
de dos ciclos estables en la aplicacin f y cuatro puntos fijos en f 4.
Procediendo del mismo modo que en el caso de un punto fijo, se
puede mostrar que la estabilidad de un ciclo S P con elementos x,, . .. ,xp
BfP(xktA)
est determinada por la magnitud
, k = 1, ... ,p. En efecto, los
Bx
puntos x,, ... ,xp son puntos fijos de la aplicacin G(x,A) = fP(x, A):
xl = f(xp,X) = f(f(xP-,,A)) = ... = f ( f ...(x,)) = G(xl,X) etctera.
+
p veces
Por consiguiente, la condicin suficiente de estabilidad del punto fijo X, (o de

cualquiera de los puntos x2, ...,xp) se puede utilizar para la funcin G:
Derivando esta funcin como una funcin compuesta, y omitiendo la

dependencia respecto al parmetro A, no es difcil verificar que esta condicin
es equivalente a la desigualdad
1 1
BfP ser5 :1 misma

De esta frmula se deduce tambin que la magnitud en todos los puntos del ciclo SP.
As pues, el ejemplo del modelo (7.3) permite comprender no slo las
regularidades cualitativas, sino tambin cuantitativas del surgimiento del
caos. Para observar estas regularidades, construyamos el grfico de x(A).
Representemos en el eje x los puntos xl, x2, .. . ,xp pertenecientes a un
ciclo estable o a otro atractor, y en el eje A los valores del parmetro. Estos
diagramas de bifurcaciones se construyen fcilmente en una computadora:
es necesario calcular varios miles de iteraciones de la aplicacin f , despreciar los primeros 300-500 valores, y representar los dems valores en
el plano (x, A) (fig. 7.9). Los primeros trminos se deben omitir para evitar
el .proceso de transicin. Al ciclo S2 le corresponden dos puntos en una
vertical, al ciclo S4 le corresponden cuatro puntos, etctera. Denotemos
I
Captulo 7
Fig. 7.9. Complejizacin de Los ciclos estables de la aplicacin x,+, = Ax,(lcomo resultado de Las bifurcaciones de duplicacin del perodo
3,)
con A,, A,, A,, . . . los valores del parmetro X para los cuales ocurren las
duplicaciones, y con Al, A,, A,, ... los valores del parmetro para los cuales
x = 112 es uno de los elemento del ciclo S2,S4,SS, etctera. Tales ciclos
se denominan superestables (el nombre queda claro de la desigualdad (7.8)).
Introduzcamos tambin las magnitudes d,, d,, ... ,d,, .. ., iguales a la distancia entre x = 112 y el elemento del ciclo s2'ms cercano a l para
A = A2'. Todas estas notaciones se aclaran en la figura 7.9. De esta figura se
ve que dn = f:"31/2) - 112.
Los clculos realizados en computadoras muestran que para valores
grandes de n los nmeros A, y A, se comportan como progresiones geomtricas. Su razn est dada por la constante 6 = 4,6692016.. . . En otras
palabras,
El cociente dn/d,+, tambin tiene lmite, igual a a = -2,5029078 . . . .

En lugar de (7.3) se puede considerar otra familia de funciones simtricas (con un mximo en [O, l] y similares a una parbola cuadrtica
cerca del vrtice) tal que en ella tambin tenga lugar una cascada infinita
de bifurcaciones de duplicacin del perodo cuando vara el parmetro A.
Result que en cualquier modelo de stos, los nmeros a y 6 son los
mismos. Ms an, independientemente de la forma de f (x), el lmite
siempre existe y es el mismo. Este lmite se denominafuncin universal go(x).
187
Estas regularidades asombrosas fueron descubiertas y comprendidas

en 1978 por el matemtico estadounidense M. Feigenbaum. l propuso ecuaciones funcionales para determinar a a , 6,g,(x). Debido a la universalidad
de los nmeros a, 6,go(x) y de otras funciones de este tipo, esta teora se
denomina teora de la universalidad. En una serie de trabajos precedentes. ya
haba sido establecido el hecho de que en muchas aplicaciones unidimensionales la transicin al caos ocurre como resultado de una cascada infinita de
bifurcaciones de duplicacin del perodo. Sin embargo, la propiedad (7.9)
y la existencia de las funciones universales obtuvieron una explicacin,
precisamente, en la teora de la universalidad.
En esta teora se utiliza el mtodo de renormalizacin, ampliamente
utilizado en la teora cuntica de campos y en la fsica estadstica. Bajo
este enfoque el problema se reduce, usualmente, a la resolucin de cierta
ecuacin funcional invariante respecto a la renormalizacin relacionada
con el cambio de los parmetros del objeto estudiado. En la teora de la
universalidad la constante a puede determinarse a partir de una ecuacin
que tiene un sentido geomtrico evidente.
Comparemos las figuras 7.5 a y 7.8 b. El elemento de la curva f 2(x),
contenido en el interior del cuadrado ms pequeo, es muy similar al arco
de la funcin f '(x) contenido en el interior del cuadrado en la figura 7.5 a.
Ellos prcticamente se diferencian slo en la escala y en la orientacin de
los ejes. Los clculos muestran que para la funcin f 2n, n > 1, para X = A,
tambin tiene lugar esta semejanza. Ella se cumple tanto ms exactamente,
cuanto mayor es n. Hagamos el cambio de variables x,,,,
= xVi,, - 0,5.
Supongamos que para cierta funcin g(x) tal semejanza se cumple
exactamente. Si se considera que el coeficiente de dilatacin a lo largo de
ambos ejes es igual a a, entonces para la funcin g(x) se puede obtener la
ecuacin funcional
A partir de esta ecuacin es posible determinar tanto la funcin g(x) como

el valor de a. La funcin 9 est definida en el segmento [-1,1]; se supone
que g tiene un mximo nico para x = O y es simtrica: g(x) = g(-x). Cerca
del mximo g(x) debe ser parecida a una parbola cuadrtica y g(0) = 1.
El operador T se denomina transformacin de duplicacin.
En la teora de la universalidad se considera el espacio de aplicaci6nes
del segmento [-1,1] en s mismo, tales que f (x) E c2([-1, 11) y x = O
es el punto de mximo f (O) = 1. Este espacio es invariante respecto a la
transformacin T.
Se puede demostrar que la funcin g(x) est determinada por cierta
serie
g(x) = I - 1,52763x2 0,104815z4 - 0,0267057~~. . . .
Existe una analoga palpable entre los puntos fijos de las aplicacio
unidimensionales y los objetos de la teora de la universalidad.
Elementos de la teora de la :universalidad l)

Para demostrar esto, introduzcamos, por analoga con g,(z), la familia de
funciones universales
Se puede verificar que gi(x) y gi-,(x) estn relacionadas mediante una

. transformacin de duplicacin T:
En efecto,
(-
1
= niim
+o(-a)(-c~)~jf:+~
(-a)m
Por consiguiente, al pasar al lmite respecto i,
obtenemos la ecuacin para el punto fijo del operador de duplicacin:
Para demostrar que existe una constante universal 6 y que los valores A,
forman una progresin geomtrica, se puede razonar del modo siguiente.
Supongamos que despus de desplazar la coordenada x en 112,
la coordenada del vrtice coincide con x = O. Consecuentemente, los
valores A,, para los que hay ciclos superestables, satisfacen la ecuacin
')
Esta seccin se puede omitir en la primera lectura del libro.
189
(figs.7.5 y 7.6). Desarrollemos la funcin f (A, x ) en el punto A,:
f (x,
d f (G A,)
donde 6 j ( x ) z
dX
igualdad proporciona
+ ( A - X,)6f
= f (x,A),
(x),
. La aplicacin del operador de duplicacin a esta
+ ( A - X,)L(
T f (x,A) = T f (x,A,)
(2,A,))6
+ O ((6f
)2).
Sumando un incremento pequeo 6 f ( x ) a la funcin f (x) obtenemos
Aplicando n veces el operador de duplicacin resulta
T n f(x,A) = ~ " (x,f A,)
+ ( A - A,)LT~-'J(X,A,).
.. +
+ Lf (2,A,)6f + 0 ( ( 6 f )2)
Sin embargo, por cuanto
g ( x ) Lim gi ( x )E lim Iim (-a)n f 2"

i+cmn+oo
i+oo
n 2"
(-a)f
A,)
(-,x
An+i) z
= T" f ( x ,A,)
para n B 1,
entonces tiene lugar la aproximacin
T n f ( x , X )~ g ( x+ )( A - X,)Ln@(x))df(x) para n > 1.

Es natural suponer que el operador lineal L tiene valores propios pk y
funciones propias pk. Desarrollemos las funciones 6 f ( x ) respecto a estas
funciones propias:
En la teora de la universalidad se demuestra que p,

A # 1. Por consiguiente,
> 1; lpkl < 1
para
L ~ @ ( x ) ) G f r clpypl para n > l.

Por tanto,
T n f(2,A,)
g(x)+ - A,)p:(O,(x)c,.
Recordemos que g(0) = 1, y que para los valores A, correspondientes al
ciclo superestable
s2",tenemos que
Tnf(O,An)= ( - ( y ) n f
2n
(O,An) = O.
190
Captulo 7
-
Consiguientemente,
De este modo, los nmeros A, forman una progresin geomtrica con una
misma razn p-', independientemente de la funcin f . De aqu queda claro
que el valor propio pl coincide con la constante universal de Feigenbaum 6.
Escenario de Feigenbaum y transicin a l caos

en diferentes sistemas noclineales
El escenario del surgimiento del movimiento no-peridico - d e l atractor
extrao- como resultado de una cascada de bifurcaciones del perodo,
fue investigado inicialmente para la aplicacin logstica. Posteriormente
se obtuvieron resultados precisos que permitieron destacar las clases de
aplicaciones unidimensionales para las cuales la transicin al caos tiene
lugar de acuerdo con el escenario de Feigenbaum. Sin embargo, el estudio
experimental y la simulacin computacional de un conjunto de sistemas
no-lineales mostraron que en ellos es caracterstica una sucesin de bifurcaciones de duplicacin del perodo, y que los valores de los parmetros
de bifurcacin y las amplitudes de los ciclos se caracterizan por las mismas
constantes universales o! y 6. Adems, los objetos analizados pueden ser
descritos mediante aplicaciones multidimensionales, sistemas aut&wmos O
no-autnomos de ecuaciones diferenciales ordinarias, o bien mediante ecuaciones en derivadas parciales. Esto es un hecho notable. Una ase grande
de fenmenos no-lineales muestra no slo un comportamient~cualitativo
.
idntico, sino tambin regularidades cuantitativas universales.
Citemos algunos ejemplos.
La aplicacin logstica, as como todas las aplicaciones unidimensionales con comportamiento suficientemente complejo, son irreversibles; en
ellas, a una misma imagen z,+~ le pueden corresponder dos preimgenes x; y z
:
. Por ejemplo, para la aplicacin logstica se tiene que
f
Por otra parte, esta situacin no es tpica en las ecuaciones diferenciales.

Las aplicaciones que ellas generan, Z(t) -+ 5(t T ) , san generalmente
biunvocas para intervalos finitos de tiempo, es decir, a una imagen Z(t T)
le corresponde una nica preimagen 3C(t). Las aplicaciones se utilizan,
habitualmente como modelos simplificados de ecuaciones diferenciales,
y en muchos casos es importante que ellas reflejen esta univocidad.
191
Una de las aplicaciones bidimensionales ms conocidas, la aplicacin de

Hnon,
fue propuesta como un modelo simplificado de un sistema dinmico con

tiempo continuo: el modelo de Lorenz. A su vez, ste ltimo surgi como
un modelo para la descripcin del movimiento de un lquido. Por otra parte,
el cambio de variables S,+, = zn C permite eliminar el trmino constante
y reducir la aplicacin de Hnon a la forma zn+l = g(zn,zn-,), la cual
recuerda la aplicacin logstica. Esta aplicacin se puede interpretar como el
modelo de la dinmica de una poblacin en la cual el recurso es consumido
no slo por una generacin de tamao poblacional zn, sino tambin por la
generacin anterior de tamafio poblacional 2,-, .
El modelo (7.11) muestra un comportamiento catico, con la particularidad de que la transicin al caos puede suceder como resultado de una
cascada de bifurcaciones de duplicacin del perodo, por ejemplo, en el
intervalo de parmetros b = 0,3; 1,2 < X < 1,96.
Las aplicaciones bidimensionales se utilizan en calidad de modelos
matemticos en la ptica no-lineal. En los trabajos del investigador japons
K. Ikeda se analiz un resonador parcialmente lleno de un medio con no-linealidad defase. Este medio cambia la fase E de una onda electromagntica en
dependencia de su amplitud IEl.El resonador es exitado por un rayo lser.
Mediante un sistema de espejos el rayo de salida es llevado nuevamente al resonador. En el caso ms simple este sistema fsico es descrito por la aplicacin
Aqu A es un parmetro que caracteriza la intensidad de la radiacin

lser, B es una magnitud determinada por la propiedades pticas del resonador, E, es la amplitud compleja de la onda electromagntica una vez
que la luz ha pasado n veces por el resonador. La cascada de bifurcaciones de duplicacin del perodo se observa, por ejemplo, para B 0,154
y 100,S > A > 99,5. Numerosos experimentos naturales con resonadores
no-lineales han confirmado la existencia de caos ptico>>y han permitido
investigar detalladamente sus propiedades.
Consideremos el modelo del pndulo matemtico analizado anteriormente. Supongamos que su longitud Z cambia peridicamente con una
frecuencia $2.Esta situacin se presenta, por ejemplo, cuando usted periddicamente flexiona y estira las piernas al balancearse en un columpio. Parece
natural que eligiendo apropiadamente la frecuencia Q se puede entrar en resonancia (denominada en este caso resonancia paramtrica) y aumentar mucho
la energa de las oscilaciones. Para velocidades grandes se vuelven importantes los procesos disipativos, por ejemplo, el rozamiento viscoso. Esto conduce
192
Captulo 7
.a una ecuacin diferencial ordinaria no-autnoma de segundo orden
+ 7x + (1+ A cos ni!)sen x = O.
= 1,56, y una variacin de la amplitud A en el intervalo

Para 7 = 0,15,
0,51 < A < 0,92, aqu tambin tiene lugar una transicin al caos segn el
escenario de Feigenbaum.
Uno de los modelos de la dinmica no-lineal ms conocidos, en el
cual por primera vez se demostr convincentemente la existencia de un
atractor extrao, es el sistema de Lorenz. Analizando los resultados de las
observaciones de una red de estaciones meteorolgicas, el meteorlogo
norteamericano E. Lorenz tropez con un fenmeno que ms tarde recibi
el nombre de sensibilidad respecto a las condiciones iniciales. Este fenmeno
est relacionado con la divergencia de trayectorias cercanas. Precisamente
con esta propiedad de la dinmica de la atmsfera E. Lorenz relacion las
dificultades principales para la obtencin de un pronstico del tiempo a
medio plazo (2-3 semanas). Estas dificultades tampoco se lograron superar
utilizando computadoras y algoritmos ms eficientes, pues stos estn
condicionados por las propiedades internas de los procesos no-lineales que
influyen en el estado de la atmsfera. Como ejemplo de procesos de este tipo,
E. Lorenz consideraba la conveccin en una capa lquida o gaseosa calentada
por debajo. Tal modelo refleja el hecho de que la superficie terrestre,
calentada por el Sol, es mucho ms caliente que las capas superiores del aire.
El modelo ms simple de este fenmeno es el sistema de Lorenz
2 = XY - bt,
donde r es el nmero de Rayleigh, p es el nmero de Prandtl, el cual es

proporcional al cociente de la viscosidad cinemtica y la conductividad
calorfica, y el coeficiente b refleja la geometra del problema. Las variables
y y t corresponden a los armnicos de Fourier del campo de temperaturas,
mientras que x es el campo de velocidades.
Durante el estudio de este modelo matemtico se descubrieroii muchos
otros fenmenos interesantes, se aprobaron varios algoritmos asintticos
y computacionales. Para valores grandes del nmero de Rayleigh, en este
sistema surgen ventanas de periodicidad)), en las cuales los atractores son
ciclos lmites. Disminuyendo la magnitud T, en el interior de estas franjas
se puede observar una cascada de bifurcaciones de duplicacin del perodo.
En particular, una cascada de stas se observa para p = 10; b = 8/3;
100,8 < r < 99,52.
Estos y muchos otros problemas estudiados activamente en los aos
ochenta del siglo XX muestran que estamos ante un comportamiento
universal, caracterstico de un conjunto gigantesco de diferentes sistemas.
193
Ciclos ruidosos, ventanas de periodicidad,

intermitencia
Hasta ahora nosotros hemos considerado las iteraciones de la aplicacin
logstica hasta el valor del parmetro A, para el cual la sucesin (3,) no
tiende a un ciclo. En este caso el atractor est determinado por una trayectoria no-peridica. Veamos el diagrama de bifurcaciones para valores grandes
del parmetro A. A gran escala este diagrama tiene el aspecto mostrado en
la figura 7.10. Es natural relacionar con el caos dinmico las franjas donde
los puntos {x,) ocupan intervalos enteros. stas se alternan con ventanas
de periodicidad en las cuales se observan ciclos de diferentes perodos. En la
figura se puede ver que la ventana ms grande est relacionada con el ciclo S3.Al aumentar el parmetro A, en esta ventana ocurren las bifurcaciones
S3-+ S6-+ SI2-+ S24-+ ..., es decir, nuevamente estamos ante una cascada
de bifurcaciones de duplicacin del perodo. Si se observa la evolucin de la
aplicacin inicial y los ciclos estables de la aplicacin f 3(x), dicha evolucin
resulta anloga a la observada para la cascada S -+ S2-+ S4 -+ S8 -+ . . .
Esta cascada se caracteriza por las mismas constantes a y 6. Un cuadro
anlogo se observa tambin en otras ventanas de periodicidad, es decir, la
transicin al caos en ellas tiene lugar segn el escenario de Feigenbaum.
Es interesante aclarar cmo surge el ciclo estable S3 a partir de un
atractor catico al aumentar el parmetro A. Problemas similares surgen
tambin durante la investigacin de otros sistemas dinmicos. Habitualmente, tales problemas aparecen despus de la construccin computacional
de un diagrama de bifurcaciones anlogo al de la figura 7.10.
Una de las hiptesis que se enuncia frecuentemente, y que se debe tener
en cuenta al cambiar el tipo de atractor, es la siguiente. Si nosotros fijamos los
datos iniciales x, (o bien, incluso, si los tomamos del atractor para el valor
Fig. 7.10. Forma del diagrama de bifurcaciones para la aplicacin Logstica.

En la figura se observan la ventanas de periodicidad
194
Captulo 7
anterior del parmetro), entonces puede resultar que en el sistema hay varios
atractores y un cambio del parmetro X traslada el punto xl de la regin
de atraccin de un atractor a la regin de atraccin & otro. Para aceptar o
rechazar esta hiptesis es necesario saber cuntos atractores puede tener el
sistema investigado y cules son sus regiones de atraccin. Incluso para ias
aplicaciones bidimensionales es muy difcil dar respuesta a estas preguntas.
Afortunadamente, para la aplicacin logstica la situacin es suficientemente simple. La pregunta sobre el nmero de atractores fue respondida
por D. Singer para la denominadas aplicaciones S-unirnodales. El modelo (7.3)
tambin puede ser reducido a estas aplicaciones mediante un cambio
de variables.
Una funcin se denomina S-unirnodal si:
1) es continua;
2) f(0) = 1;
3) f es estrictamente decreciente en [O, 11 y estrictamente creciente
en [-1, O];
4 ) fl(0) = O, f" < 0;
5) f aplica el segmento [f (l),11 sobre s mismo;
6) la magnitud
denominada derivada de Schwarz, cumple la condicin Sf(x) < O para

todo x E [-1,1], y en el punto x = O puede ser igual a -00.
Ha sido demostrado que si la aplicacin f es S-unimodal, entonces
ella tiene no ms de un ciclo estable y tal vez, un punto fijo estable en el
segmento [-1, f (l)]. Si el ciclo estable existe, entonces las iteraciones de
casi todos los puntos iniciales del intervalo (f (1),1) convergen a dicho ciclo.
A l convergen, en particular, las iteraciones del punto z = 0.
La ltima afirmacin proporciona un mtodo de construccibn de
aplicaciones que no tienen ciclos estables. Para esto es necesario que una de
las iteraciones de cero caiga en un punto inestable o en un ciclo inestable.
Durante el anlisis de un diagrama de bifurcaciones es natural precisar
cules atractores pueden ser clasificados como caticos. Un primer mtodo
para resolver este problema se apoya directamente en una analoga con la
teora de probabilidades. En esta teora se aclara primero cules sucesos
pueden tener lugar y, despus, cun frecuentemente suceden, lo cual permite
asignarles probabilidades.
Si x es una magnitud aleatoria cuyos valores pertenecen a cierto
intervalo, entonces se puede proceder del modo siguiente. Se hace una
particin del intervalo en M subintervalos de longitud E . A continuacin, se
construye una funcin n i ( N )que muestre con qu frecuencia la magnitud x
195
.-
cae en el i-simo intervalo. Para esto es suficiente tomar inicialmente

en el programa n,(N) = O para 1 i M, y aumentar nk(N) en una
unidad tan pronto la magnitud x tome un valor perteneciente al k-simo
intervalo. Esto se ilustra en la figura 7.11. Si el tamao de la muestra es N ,
despus es necesario normalizar los valores n,(N): n, E nk(N)/N. Este
procedimiento
se denomina construccin del histograma. Para ilustrar mejor
lo dicho, supongamos que lanzamos un dado N veces y contamos cuntos
unos (n,), doses (n,), etctera, han cado.
Si N es suficientemente grande, entonces las magnitudes k tienden a
sus probabilidades correspondientes:
< <
lim &(N), S pk.
N+oo
En el ejemplo analizado, pk = 116, k =

1, . . . ,6. La situacin es semejante para
la magnitud continua a(N):
lim k(N)= pk(&),
N+oo
donde p&) es la probabilidad de que

la variable aleatoria x caiga en el k-simo intervalo de longitud E . Sea y
(k - 1 )+~~ / 2el punto medio de este
intervalo. Fijemos el punto y y reduzcamos la magnitud E. Obtendremos las
probabilidades pk (y, E). Analicemos el
lmite
P&)
lim -= P(Y),
&+O
Fig. 7.11. Una idea sobre e l atractor

catico se puede obtener construyendo
e l histograrna para una sucesin {S,}
a partir de N elementos de dicha sucesin, Pasando a l Lmite cuando N + oo
y E -t O, se puede obtener una medida
invariante
&
denominado densidad de probabilidad. En otras palabras, la probabilidad de

que la variable x pertenezca al intervalo de longitud E con punto medio y,
es igual a p(y) E .
En los cursos de teora de probabilidad y procesos estocsticos se
exponen razonamientos ms rigurosos y las condiciones de existencia de
los lmites.
Regresemos a las aplicaciones unidimensionales. En el caso del punto
fijo x*, la densidad de probabilidad est determinada por la funcin delta de
Dirac, p(x) = 6(x - x*), pues al crecer n los elementos de la sucesin {x,)
caern cada vez con mayor precisin en el punto x*. En el caso de un
ciclo estable SP tendremos
1
P(X)
= - ):6(x - x,),
,=1
< < p, son los elementos del ciclo.
donde x,, 1 1
Captulo 2
196
f(x)= 1-22
f(z)=l-244
f ( x )= 1 - M / ( l + ( x - a ) * )
a = 0,52
a)
b)
c)
Fig. 7.12. Ejemplos de medidas invariantes de las aplicaciones unidimensionales: a ) La medida tiene singularidades en s = -1 y x = 1; b) La medida es una funcin acotada, continua
y diferente de cero en e l interior de todo el intervalo; c) la medida esta concentrada en dos
islas, lo que corresponde a un ciclo ruidoso
Sin embargo, los elementos de la sucesin (3,) puedeti llenar todo

el intervalo o varias islas en l. En la figura 7.12 se muestran ejemplos
de tales atractores. Los atractores del ltimo tipo recibieron el nombre de
ciclos ruidosos o H trayectorias semiperidicas.
Supongamos que la densidad es diferente de cero en los lmites de p
islas. Tales atractores se denotan mediante xP. El orden en que se rodean
las islas est determinado rigurosamente, por lo que es posible predecir en
los lmites de cul de las islas resultar el elemento x, para cualquier n
(esto hace que se parezcan a los ciclos). Sin embargo, para n grandes la
posicin del punto cambia irregularmente y, en este caso, los elementos
estn prximos a regmenes estocsticos.
Los histogramas y la densidad de distribucin se pueden ver desde
otro punto de vista. Supongamos que analizamos no uno, sino un conjunto
infinito de sistemas dinmicos iguales, en los cuales los datos iniciales zo
tienen densidad de.distribucin p,(x) .
En general, la primera iteracin transforma esta distribucin en una
distribucin pl(x). Sin embargo, puede suceder que despus de aplicar f
la densidad P(x) no vare. En este caso se dice que la aplicacin f tiene
medida invariante con densidad P(x). Las medidas invariantes caracterizan la
distribucin de probabilidad lmite,el atractor de la aplicacin investigada.
Como vemos, tales medidas pueden ser colecciones de furiciones delta.
Con posibles aplicaciones en las que la densidad p(x) es diferente de cero
en una o varias islas. En una serie de casos ellas tienen singularidades
integrables (fig. 7.12 a). Finalmente, la medida puede ser semejante a s
misma a escalas pequeas, es decir, poseer invariancia de escala. As es,
197
por ejemplo, el atractor de Feigenbaum que surge despus de una cascada

infinita de bifurcaciones de duplicacin del perodo.
;De este modo, es posible establecer cun catico es un atractor de una
aplicacin unidimensional construyendo un histograma que de una idea
de la medida invariante. Cuanto ms suave y regular es la densidad de
distribucin p(x), tanto ms estocsticas son las propiedades del atractor.
Otro test de caoticidad utilizado frecuentemente, est relacionado
con la pregunta de si el sistema posee o no sensibilidad respecto a
las condiciones iniciales. Para esto es necesario estimar el exponente de
Liapunov para una trayectoria en el atractor investigado. Aqu, al igual
que en los sistemas continuos, es cmodo considerar no las iteraciones de
dos puntos infinitamente cercanos xo y X , E , sino de la aplicacin en
.
variaciones
- Bf (x,)
x,+1 = f ( S , )
Y,+l Yn,
dx
Est claro que
entonces el sistema posee sensibilidad respecto a las condiciones iniciales,

la distancia entre las iteraciones de dos puntos infinitamente cercanos al
principio, crece en trmino medio. Esto habla en favor de que estamos ante
un atractor catico ').
Regresemos a la pregunta de cmo surge una ventana de periodicidad
a partir de un atractor catico que posee sensibilidad respecto a las
condiciones iniciales. La respuesta a esta pregunta fue obtenida en 1980 por
P. Mameville y Y.Pomeau.
As, para cierto valor del parmetro X (X 3,83), a partir del caos aparece de salto el ciclo estable S 3 . Analicemos la aplicacin f 3(x) E f ( f (f ( x , A)))
antes (A < X, fig. 7.13 a). y despus (A >
fig. 7.13 b) de la aparicin del
ciclo. Al aumentar el parmetro X la curva f 3 ( x ) se vuelve ms abrupta,
y en ella aparecen nuevos puntos de interseccin con la recta y = X .
X,
)' Habitualmente, en los programas computacionales correspondientes se calcula no el

producto, sino la suma de logaritmos
198
Captulo 7
En la figura 7.13 b estos puntos se denotan mediante las letras M,, M,, M3
y N,, N,, N,. Todos ellos son puntos
. los punfijos de la aplicacin f 3 ( ~ )En
tos M,, M2,M3 la derivada de f 3 ( ~es
)
la misma y no supera en mdulo a la
unidad (vase la condicin de estabilidad de un ciclo). Precisamente, estos
puntos determinan el ciclo estable S3.
La pendiente del grfico en los puntos
Y
N,, N,, N, tambin es la misma, pero
0,8
b)
all se cumple la desigualdad inversa.
En la aplicacin f a ellos les corres0,6
ponde el ciclo inestable S3que apareci
O,4
= 3,83
simultneamente con el estable.
El surgimiento simultneo de pun02
tos singulares estables e inestables recio
0,2 0,4 0,6 0,8 1 x
bi el nombre de bifurcacin tangencial.
Este nombre se debe a que en el punto
Fig. 7.13. Forma de La funcin f3 ande bifurcacin la curva f (x) es tangente
tes y despus del surgimiento del ciclo
a la diagonal y = x. Correspondienteestable S3: a) X < Ac; 6) A > A,
mente, la derivada 0f /0x en este punto
es igual a la unidad. Subrayemos la analoga de esta bifurcacin con el
punto regular extremal, analizado en el captulo 5, donde los estados de
equilibrio estable e inestable aparecieron simultneamente de la nada.
Tomemos un valor inicial cualquiera y veamos cmo acta la aplicacin f 3(x) para X > X y para X < X. En otras palabras, vamos a hacer
un seguimiento de cada tercer elemento de la sucesin {x,). Los clculos
muestran que, en el primer caso, despus de largo un proceso de transicin
los puntos se acercan al ciclo S3 (fig. 7.14 a). En el segundo caso tiene
lugar un movimiento lento hacia el punto M (fig. 7.14 b), pero despus
los elementos de la sucesin se alejan de este punto. Posteriormente, ellos
comienzan nuevamente a aproximarse a l. En la figura 7.15a se ilustra tal
comportamiento para una de las aplicaciones con vrtice agudo. Como se
observa, los intervalos de movimiento hacia el punto M, cuando la solucin
se parece a una solucin regular, se alternan en la sucesin con saltos caticos rpidos. En la dependencia de z, respecto a n los destellos turbulentos
cortos se alternan con intervalos largos de fase laminar (fig. 7.15 b). En este
modelo elemental hay intermitencia.
El anlisis de los sistemas reales con intermitencia cerca de un punto
de bifurcacin tangencial, encierra dificultades considerables, puesto que
durante un largo tiempo se puede observar solamente la fase laminar.
199
.-
Fig. 7.14. Forma de la funcin f 3 en una escala ms grande: a) X = 3,830, e l punto M,

corresponde a l ciclo estable S3 y e[ punto N, a l inestable; b) A = 3,825, e l ciclo
an
no ha aparecido
s3.
Fig. 7.15. Cuadro tpico de intermitencia: o) algunas de Las primeras iteraciones de la aplica.
cion xn+, = 1 - Ixn - ~ 1 " ~ [ 1(+x n- X ) 2 ] - 1 f X = 0,769; b) dependencia de La sucesin respecto al nmero de La iteracin. Para una mejor ilustracin, Los puntos x , y xn+, estn unidos
Estimemos cmo la duracin T de la fase laminar depende del parmetro A.

Siipongamos que para X = O tiene lugar una bifurcacin tangencial. En la
figura 7.14 b se ve claramente que en el sector de inters la aplicacin
analizada puede ser aproximada del modo siguiente:
Por cuanto x,+~ - x, < 1, cuando X -+O la ltima frmula se puede
aproximar mediante la ecuacin diferencial
Est claro que la aplicacin (7.12) constituye la aproximacin en diferencias

de la ecuacin (7.13), obtenida por el mtodo de Euler con r = 1.
Integrando la ecuacin (7.13) se puede verificar que el tiempo T
(y por tanto, el nmero de iteraciones) durante el cual la trayectoria x(r)
200
Captulo 7
se encuentra cerca de cero es proporcional a x-'/~. Precisamente e

dependencia es la que se observa en los clculos.
La transicin al caos relacionada con la intermitencia se observa en
muchos sistemas no-lineales. Para determinados parmetros ella tambin
tiene lugar en el sistema de Lorenz. Esta transicin tambin se relaciona con
el fenmeno de intermitencia en los sistemas hidrodinmicos. En algunas
corrientes se puede ver cmo en un flujo laminar ordenado aparecen
de repente torbellinos cuyo comportamiento parece aleatorio. Despus el
cuadro de la corriente vuelve a ser nuevamente simple, regular y ordenado.
Aqu el rgimen ordenado se alterna con islas de caos.
1. Supongamos que se conocen la aplicacin unidimensional xl+, = f (x,) y el
k-simo trmino de la sucesin { x , ) . Es posible hallar a partir de estos datos
los trminos 2,-,, zk-,, etctera? Esto siempre es posible? Se requiere para
esto alguna informacin adicional?
2. Qu modelos matemticos de tiempo discreto pueden ser propuestos para los
sistemas tipo depredador-presa, parsito-hospedadom, para la descripcin
de la dinmica de dos especies que compiten por recursos comunes?
3. Hallar una solucin aproximada de la ecuacin de Feigenbaum
suponiendo que en la expresin de g ( x ) figura slo una constante y un trmino

cuadrtico, que la funcin g ( x ) es par y que g(0) = 1.
4. Supongamos que la ecuacin f (x) = x , donde f ( x ) = ox2 bx c, no tiene
races reales. Demostrar que la ecuacin f (f ( 2 ) ) = x tampoco tiene races
reales.
5. Resolver el sistema de ecuaciones
+ +
COS x1
= x2,
COS x2
= x3/
cos x,-l = z,,

cos 2, = x l .
6. Una persona sostiene un extremo de una cuerda de goma de un metro de
longitud, mientras que el segundo extremo est sujeto de un rbol. Desde el
extremo que est en el rbol, un escarabajo comienza a caminar por la cuerda
hacia el otro extremo con una velocidad de 1cm/s. Cada segundo la persona se
aleja del rbol 1m sin soltar la cuerda. Alcanzar el escarabajo a la persona?
Si no la alcanza, por qu? Si la alcanza, al cabo de cunto tiempo?
201
.7. Un plano inclinado infinito forma un ngulo a con el horizonte. Una bola
absolutamente elstica cae sobre el plano con un ngulo de cada 7r/2 - S y
una velocidad de cada v . Rebotando en el plano y cayendo nuevamente, la
por el plano. Hallar la coordenada del n-simo rebote
bola comienza a <<subir>>
y estimar la distancia mxima que avanza la bola a lo largo del plano desde el
punto donde cay por primera vez.
8. Consideremos un tringulo ABC. Tracemos sus alturas. Denotemos sus bases
(es decir, los puntos donde ellas cortan los lados correspondientes) mediante
A,, B,, C,.Ahora tomemos el tringulo AIB,C, y denotemos las bases de
las alturas mediante A,, B,, C,,etctera. Denotemos los ngulos del tringulo
A,, B,, Cl mediante a,, B, ,y, ; los ngulos del tringulo A, BnC, mediante
u,, B,, y,. Construir la aplicacin
y hallar sus exponentes de Liapunov. Tiene esta aplicacin puntos fijos

no-triviales o ciclos (diferentes de a*= S* = 7' = 7r/3)?
9. Cul debe ser la fuerza que acta sobre un punto material para que la
solucin numrica de las ecuaciones diferenciales obtenida por el mtodo de
Euler coincida con la solucin exacta?
10. Qu sucede con las iteraciones de la aplicacin x,+, = Xx,(l - x,) para A > 4?
Existen puntos iniciales 5 para los cuales O x, 1 para todo n?
11. Resolver la ecuacin
< <
12. Uno de los primeros modelos matemticos de un sistema dinmico, surgi en un

problema propuesto a inicios del siglo MI1 por Leonardo Fibonacci. l formul
su problema as: *Alguien coloc un par de conejos en un corral cercado por
todos los lados, para saber cuntas parejas de conejos nacern en un ao. Debido
a su naturaleza, los conejos son frtiles slo a partir del segundo mes de nacidos,
y procrean cada mes una pareja de conejos hembra-macho que slo se aparean
entre s. Por cuanto la primera pareja tiene descendencia en el primer mes, el
nmero de conejos se duplica y en el primer mes resultan dos parejas de conejos.
Una de estas parejas, la primera, procrea otra pareja el mes siguiente, de modo
que en el segundo mes se tienen tres parejas ... Cuntasparejas de conejos habr
al final de un ao? Hallar la frmula para calcular el nmero F, de conejos
que habr al cabo de n meses. Cmo ser el cociente Fn+,/Fn
para n grandes?
202
13.
14.
15.
16.
17.
Captulo 7
.En un trapecio ABCD de bases AB = a y CD = b se traza el segmento A,B,

que une los puntos medios de las diagonales. En el trapecio A,B,CD se traza
el segmento que une los puntos medios de las diagonales, y as sucesivamente.
Qu se puede decir de la sucesin de longitudes de los segmentos {AnBn}?
Supongamos que la'funcin universal g(x), la cual es la solucin de la ecuacin
g(x) = -ag(g(-zla)), tiene un punto fijo x*. Mostrar que ella tambin tiene
un ciclo S2.
Cmo se comportan las iteraciones de la aplicacin zn+, = Xxn?
Por qu las aplicaciones de dilatacin unidimensionales f , las cuales cumplen la condicin laf 1851 > 1 en todo un segmento, no tienen ciclos estables?
Cules son las condiciones suficientes de estabilidad del punto fijo (x*,y*) de
la aplicacin bidimensional
Xn+,
= f (S,, Y,),
= 9(xn,Y,)?
18. Supongamos que x, = 1, x, = a > O, y
Yn+l
Demostrar que la sucesin {x,} converge. Hallar el lmite.

19. Sean c, > O, c, > O y cn+, = Jc Jc,,
para n 2 1. Demostrar que la
sucesin converge y hallar su lmite.
20. Con cul de los das comienza con ms frecuencia el ao nuevo: con el sbado
o con el domingo? Recordemos que un ao bisiesto tiene 366 das, pero los
aos cuyo nmero es divisible por 100, pero no por 400, tienen 365 das.
21. Los trminos de la sucesin {x,} estn definidos del modo siguiente: x, = o,
- 22.;
xn+l -
cJ2;
- 1 para n 2 l. Hallar todos los a para los cuales la sucesin {x,}
est definida y tiene lmite finito.
Bibliografa
Una visin general de la teora de las aplicaciones unidimensionales y un anlisis
de sus resultados fundamentales se exponen en los libros:
Collet P., Eckmann J. P. Iterated Maps on the Interval as Dynamical Systems.
Birkhauser, 1980;
Guckenlzeimer J., H~lmesP. Nonlinear Oscillations, Dynamical Systems and
Bifurcations of Vector Fieldes. Springer-Verlag, 1990;
Schuster H. G. Deterministic Chaos. An Introduction. Physik Verlag, 1984.
La teora de la universalidad se discute tanto en estos libros como en los artculos:
Feigenbaum M. J. Universal Behaviour in Nonlinear.Systems. Los Alamos Science 1, 4-27, 1980;
Kuznetsov A. P., Kuznetsov S. P. Dinmica crtica de las aplicaciones unidimensionales. Parte 1. Escenarios de Feigenbaum (en ruso).
203
La preparacin matemtica debe ser 'ms seria para leer los artculos originales
* Feigenbaum M. J. Quantitative Universality for a Class of Nonlinear Transformations // J. Statist. Phys. 1978. Vol. 19, No 1. P. 25-52;
Feigenbaum M. J. The Universal Metric Properties of Nolinear Transformations //
Ibid. 1979. Vol. 21, No 6. P. 669-706;.
Vul Ye. B., Sinay Y. G., Janin K.M. Universalidad de Feigenbaum y formalismo
termodinmico (en ruso).
Un resumen de una serie de resultados claves en este campo, orientado a los
matemticos, se presenta en el libro
Sharkovski A. N.,Maistrenko Yu. L., Romanenko E. Yu. Difference Equations and
their Applications. Kluwer Academic Publishers, 1993.
CAPITULO 8
Autooscilaciones y ciclos lmites

Nada menos que el propio Newton nos mostr
que una ley no es ms que la relacin necesaria entre
el estado actual y el estado inmediatamente siguiente. Todas las dems leyes descubiertas posteriormente
conducen a lo mismo: ellas son, en conclusin, ecuaciones diferenciales.
H. Poincar
La ley fundamental de la dinmica, la segunda ley de Newton, se expresa

mediante un sistema de ecuaciones diferenciales. Cuando el movimiento
ocurre a lo largo de una recta y la fuerza que acta sobre un punto material
depende slo de las coordenadas y de la velocidad del punto, es decir,
F = F ( x , x ) , este modelo se puede representar como un sistema de dos
ecuaciones diferenciales autnomas
En la ley de ~ e w t o nf(x, y) = y, g(x, y ) = F(x, y)/m.

Los modelos de este tipo, surgidos inicialmente en la dinmica (de
aqu el nombre general de sistemas dina'micosf;enla~ctUlida~aSeutiIEan~
ampliamente en la electrnica, la cintica qumica, la ecologa y en muchos
otros campos. Los sistemas tipo (8.1) constituyen la base de la teora de las
oscilaciones. Una de sus propiedades ms interesantes es que ellos pueden
describir autooscilaciunes. Por autooscilaciones se entienden las oscilaciones
no-amortiguadas en sistemas no-lineales no-conservativos, para las cuales las
caractersticas fundamentales de las oscilaciones (la amplitud, la frecuencia,
la forma de las oscilaciones, etctera) estn determinadas por los parmetros del sistema y, en ciertos lmites, no dependen de la eleccin del estado
inicial (xo,yo).
El espacio de fase de esta ecuacin es un plano o bien otra superficie
bidimensional, lo cual permite ilustrar el comportamiento de la familia de
trayectorias de fase y formarse una idea clara del comportamiento cualitativo
del modelo.
-. ---
--
--
Autooscilaciones y ciclos 1imites
205
Los sistemas analizados en los primeros captulos, relacionados con el

movimiento del pndulo y con el movimiento de un planeta alrededor del
Sol, son de esta clase. En este captulo analizaremos otros modelos bsicos tipo (8.1), prestando especial atencin a los mtodos de investigacin
cualitativa. En otras palabras, nos interesarn los mtodos que permiten
responder a las preguntas: cul es el nmero de estados de equilibrio en un
sistema dinmico dado?, json estables estos estados?, existen trayectorias
cerradas?, cuntas hay?, jcmo estn dispuestas?, cules son sus regiones
de atraccin?
La investigacin inicial de los sistemas tipo (8.1) comienza, generalmente, con el anlisis de las preguntas siguientes.
ES disipativo e l sistema analizado? Es importante aclarar si el sistema

posee o no atractores, si en l las trayectorias cercanas tienden la una a la
otra. Para aprender a responder a estas preguntas, precisemos el concepto de
cisterna disipativo. Para ello debemos cambiar nuestro punto de vista acerca
de todos los modelos analizados anteriormente. Hasta el momento, en cada
caso hemos tratado con un sistema dinmico concreto, cuyo comportamiento
estaba determinado slo por unas condiciones iniciales. Ahora rechazaremos
temporalmente este enfoque y consideraremos un conjunto de sistemas
dinmicos cuyas condiciones iniciales (so,
yo)pertenecen a cierta regin G(0)
del espacio de fase.
Supondremos que cada sistema de este conjunto infinito de sistemas
evoluciona conforme a la ecuacin (8.1). Aclaremos cmo cambia en este
caso la imagen G(t) de la regin G(0) del espacio de fase (fig. 8.1). A la
regin G(t) pertenecen los puntos del espacio de fase (x(t),y(t)) de un
sistema con condiciones iniciales (x,,y,) pertenecientes a G(0). Con el
tiempo la regin G(t) no puede dividirse en varios pedazos no-conexos.
Fig. 8.1. Cuadro tpico de l a variacin del volumen de fase de un elemento

pequeo: a) en un sistema conservativo; b) en un sistema disipativo
206
Captulo 8
.-
Adems, el punto (Z(t),jj(t)) no puede ser la imagen de dos puntos diferentes

( ( O ) , ( O ) ) , (xU(0),y" (O)). Otro comportamiento estara en contradiccin
con el teorema de la dependencia continua de las soluciones respecto a las
condiciones iniciales, as como el teorema de unicidad.
Averigemos cmo vara el volumen de fase de la regin G(t) (en el caso
de dos variables ste, simplemente, coincide con el rea).
Elijamos inicialmente cierto tringulo pequeo ABC. Calculando el
rea de los tringulos y trapecios que lo conforman (fig. 8.2), bien
utilizando la conocida frmula de geometra analtica para el clculo del
producto vectorial, verificamos que
Tomemos un incremento pequeo At. Supongamos que en el instante tl

el sistema dinmico se encontraba en el punto ( ~ ( t , )y(t,))
,
del espacio de
fase. Entonces, en el instante t, At se encontrar en el punto
x(t, + At) = x(t,) Atf (x,, y,),

(8.2),
~ ( t+
, At) = ~ ( t , +
) Atg(x,, y,),
como se deduce de la ecuacin (8.1). Despreciemos los infinitsimos de
rdenes superiores ( ~ t )( ~~ , t )etctera.
~,
Entonces al final del intervalo At
los puntos A, B, C se encontrarn en los puntos A', B', C' del espacio de
fase (fig. 8.2):
A ($1, Y,) -+ (3, + Atf (xl, Y,)/ Y, Atg(xl, y,)) A',

B E (2, + a,, y, b,) -+ (z, a, At f (2, a,, b, y,),
y1 + b1 + Atg(xl al, b1 y,)) B',
+ +
+ +
+ +
c (x,+ a,, y, + b,) -+ (xl + a, + At f (x, + a,, y, + b,),
y, + b, + Atg(x, + a,, y, + 4)) c'.
Fig.8.2. Variacin del volumen de fase de u n elemento pequeo
.--
207
En estas igualdades, para abreviar hemos denotado z(tl) e y(tl) mediante

2, e y,, respectivamente. Suponiendo que el tringulo ABC es pequeo,
utilicemos el desarrollo en serie de Taylor
j(x,
+ a,, b1 +y,)
=f
+ fxal + jybl +
Aqu hemos omitido los argumentos en la funcin f , puesto que en lo

sucesivo nos referiremos slo al punto (x,,yl).
Esto da la posibilidad de hallar las coordenadas (a;, b;) del vector A'B'
y (a;, bi) del vector A'C':
+ At(a,f, + b,fy),
b; = b1 + At(alg, + blgo),
a; 2 a, + At(a,f, + 4f,X
a;
a,
4 4 + At(a2gx+ 49,)*
La ltimas relaciones permiten hallar el rea del tringulo A'B'C' (se pueden
despreciar las alteraciones pequeas de las aristas):
SABc = V(tl),
SAlBjc = V(tl
+ At)-
En estas igualdades hemos despreciado los trminos de orden ( ~ t )De

~ .la
frmula (8.3) se deduce que
De este modo, la variacin de un elemento pequeo del volumen de

fase est dada por la frmula
v=QV,
donde
a = f,+g,.
(8-4)
Esta importante frmula se generaliza a sistemas autnomos de cualquier

orden N:
xi = fi(xl,. . . ,xN); i = 1,... , N ,
N
a f i ( x , , ,xN)
.
axi
i=l
La frmula (8.5) permite precisar el concepto de sistema disipativo, Denominaremos sistemas disipGivos a los sistemas dinmicos en los que ' 0 < O
v = OV,
donde S2 =
208
Captulo 8
4
al menos en ciertas regiones del espacio de fase. Denominaremos sistemas

conservativos a los sistemas dinmicos en los que C2 = 0.
Se puede demostrar que C2 = O para los modelos del pndulo y de]
movimiento de un planeta analizados anteriormente. As son todos los
sistemas hamiltonianos, a los cuales pertenecen casi todos de los modelos
matemticos de la mecnica clsica:
Existe una diferencia de principio entre los fenmenos no-lineales

descritos por los sistemas disipativos y los conse~ativos.Para simular
uno u otro fenmeno mediante un sistema conservativo, es necesario tener
una idea clara de qu se conserva en el caso analizado, y de cules son
las causas. Precisamente por eso es que en la simulacin blanda en la
economa, la ecologa, la sociologa y la psicologa se recurre generalmente a
los sistemas disipativos. Adems, en muchos problemas de hidrodinmica,
radiofsica, cintica qumica, biologa y fsica del plasma, desempean un
papel fundamental los procesos disipativos relacionados con la dispersin de
energa y materia, con los fenmenos irreversibles; por eso all, usualmente,
surgen sistemas dinmicos disipativos. Los sistemas conservativos aparecen
en los problemas de la mecnica clsica, especialmente, de la mecnica
celeste, la fsica del plasma, la teora de ondas, as como en una serie
de teoras fundamentales en las cuales el papel clave lo desempean las
distintas simetras y las leyes de conservacin con ellas relacionadas.
Una diferencia cardinal entre los sistemas disipativos y los conserva-tivos consiste en que en los primeros puede ocurrir la llegada a atractores
y el olvido de las condiciones iniciales, mientras que en los segundos las
condiciones iniciales no se olvidan y, por eso, stas desempean un papel
mucho ms importante. Adems, los sistemas disipativos poseen frecuentemente estabilidad estructural. Por estabilidad estructural se suele entender la
conservacixi de las propiedades cualitativas (en particular, del nmero y de
los tipos de atractores) para cambios pequeos de los segundos miembros.
Al mismo tiempo, es suficiente introducir una perturbacin disipativa
tan pequea como se quiera en un sistema conservativo para que su comportamiento cuando t -+ oo sea completamente diferente. Naturalmente,
tambin se diferencia el aparato matemtic0 desarrollado para el anlisis de
estas dos clases de sistemas. En adelante centraremos nuestra atencin en
los sistemas disipativos.
A utooscilaciones y ciclos 1im ltes
209
.-
Al estudiar algunos sistemas de tres o ms ecuaciones diferenciales,

a menudo surgen sGuaciones en las que C2 < O en todo el espacio de fase. Sin
embargo, si nos fijamos en la ecuacin logstica investigada, veremos que la
magnitud Q es positiva para O < x < 112 y negativa para 112 < x < m. Del
mismo modo est organizada la mayora de los sistemas de dos ecuaciones
diferenciales ordinarias autnomas. En tales sistemas las regiones con Q > O
se denominan frecuentemente regiones de no-disipacin.
A veces, durante el anlisis de sistemas concretos es muy til determinar
las regiones de no-disipacin, pues u n atractor de u n sistema disipativo (8.5)
no puede pertenecer completamente a una regin de no-disipacin.

Supongamos que esto no es as y que un atractor A del sistema (en la
figura 8.1b es un ciclo lmite) pertenece junto con su regin de atraccin B
a una regin de no-disipacin H (0> O para 5 E H).
Destaquemos alrededor del atractor un tubo estrecho SA contenido
en B. Veamos qu sucede con el volumen de fase V ( t ) de los sistemas en
los que Z(0) E SA.Por cuanto A es un atractor y SApertenece a su regin
de atraccin, entonces Z(t) -t 5 E A. Por eso V(t) + V(A) cuando t + oo.
Supongamos que el volumen de fase del atractor A es igual a cero (evidentemente, esto es as para los puntos singulares y los ciclos lmites que ya hemos
estudiado). Consiguientemente, V(t) + O cuando t + m. Pero esto contradice la igualdad (8.5), conforme a la cual la magnitud V(t) ideber crecer!
Para el sistema de ecuaciones diferenciales (8.1) tiene lugar otro resultado notable, que relaciona la existencia de ciclos lmites con la magnitud n.
no cambia
Teorema. Si en cierta regin simplemente conexa D la magnitud
de signo en ninguna parte y no es idntica a cero, entonces en la regin D no

hay ciclos lmites.
Este teorema, a menudo denominado criterio de Bendixson, se puede
demostrar por el mtodo del absurdo. En efecto, supongamos que en una
regin D existe un ciclo lmite r con una regin interior G.Segn el teorema-
de Stokes
Supongamos que A = (-9, f ); dF = (dx, dy) = (f dt, g dt). Precisamente en la ltima igualdad se considera el hecho de que estamos tratando con
el campo vectorial correspondiente al sistema dinmico (8.1). Est claro que
la integral del vector A por el ciclo lmite es igual a cero. A partir de la
frmula del rotacional de un campo vectorial,
210
Captulo 8
?
. Y 3
donde r, 5, k son los vectores unitarios en las direcciones de los ejes X, y, z ,

y A,, A,, A, son las componentes del vector A, obtenemos
Por consiguiente, teniendo en cuenta que

dinmico, resulta
r es un ciclo lmite del sistema:
Esto contradice las condiciones del teorema, puesto que la integral por
la regin G debe ser o bien positiva, o bien negativa. Esto demuestra la
afirmacin. Veamos en calidad de ejemplo uno de los modelos tipo (8.1)
ms conocidos.
Ejemplo. Modelo de Lotka-Volterra.
Uno de los primeros modelos matemticos que

utiliz un sistema de dos ecuaciones diferenciales ordinarias para una simulacin
blanda, fue el modelo que describe la variacin del tamao poblacional de dos
especies biolgicas que interaccionan. A comienzos del siglo XX Vito Volterra not
las oscilaciones peridicas de los tamaos poblacionales de los peces depredadores
grandes y los peces pequeos.
El modelo de Lotka-Volterra, denominado posteriormente modelo depredadorpresa, fue propuesto precisamente para explicar este fenmeno.
Volterra fundamenta este modelo del modo siguiente: Si en un medio dbnde
habitan estas especies se encontrara slo una de ellas, por ejemplo, las presas, entonces ella tendra cierto ndice de crecimiento E,, el cual consideraremos constante
y positivo. La otra especie (los depredadores), la cual se alimenta slo, o bsicamente, de las presas, suponiendo que exista aisladamente tendra cierto ndice
de crecimiento -E,, el-cual consideraremos constante y negativo. Cuando las dos
especies coexisten en un medio limitado, la primera crece tanto ms lento cuanto
ms individuos hay de la segunda especie; la segunda se desarrolla tanto ms rpido
cuanto ms numerosa es la primera especie. Una hiptesis, suficientemente simple,
consiste en que los ndices de crecimiento son, respectivamente, iguales a
(7,y 7, son constantes positivas). Esto conduce al siguiente sistema de ecuaciones

diferenciales para la descripcin del tamao poblacional de las especies:
A utooscilaciones y ciclos 1mites
211
.Un rasgo caracterstico de este sistema es la presencia de cierta magnitud que

se conserva. De la ecuacin (8.7)inmediatamente se deduce que
Por tanto,
r2Nl -
log N,
+ ?,N2 - el log N, = C = const,
er(2N~ ~ - ' 2
= ce-71N2 ~
2 '
En el plano de fase (N,, N,) a cada valor de C le corresponde una curva cerrada
(fig. 8.3).En el interior de estas curvas est
\
Si se considera que en el instante inicial el
O ) prximo
)
al punto
punto ( N , ( O ) , N ~ ~est
singular, entonces se puede linealizar el
sistema dinmico (8.8) en un entorno de
este estado de equilibrio:
N2 = - + A N 2 .
71
Despus de linealizar el sistema (8.8) obtenemos
Nl = 2 + A N l ;
'72
Ni
Fig. 8.3. Trayectorias de fase tpicas en
e l modelo de Lotka-Volterra
-- --
--
--
ANl = ANl(0)cos (wt),

\i
'72W
AN, = -AN2(0)
sen (wt).
&,'y1
En otras palabras, en esta aproximacin la ecuacin se reduce al sistema

dinmico lineal que describe las oscilaciones pequeas de un pndulo matemtico
con frecuencia ,/-.
En un entorno del punto siiigular las oscilaciones son cercanas
212
Captulo 8
a las armnicas. Lejos de este punto las oscilaciones tienen una forma ms compleja.
Estas oscilaciones se pueden interpretar del modo siguiente. Mientras el tamao
poblacional de las presas sea suficientemente grande, el tamaiio poblacional de los
depredadores crecer (sector AB en la figura 8.4). Sin embargo, tiene lugar una
retroalimentacin negativa: el aumento del nmero de depredadores conduce a la
disminucin de la poblacin de presas. Esto hace que comience a disminuir el
nmero de depredadores (sector BC en la figura 8.4). Pero cuando N,(t) se hace
suficientemente pequeo, la poblacin de presas comienza a crecer nuevamente,
Esto provoca nuevamente el crecimiento de la poblacin de depredadores, etctera.
Come~itandolas consecuencias
biolgicas del modelo matemtico
construido, Volterra seala: A aquellos que se ocupen de la comprobacin experimental de los resultados
obtenidos, es decir, de la aplicacin de
la teora, les corresponder realizar el
anlisis detallado de las suposiciones
1
iniciales y de la legitimidad biolgica
A
B
C
de las conclusiones basadas en los
Fig. 8.4. Forma caracterstica de La curva
experimentos, las observaciones y su
integral en e l modelo (8.7)
anlisis estadstico.Se debe subrayar
que en muchos problemas relacionados con la simulacin matemtica, esta parte del trabajo es la ms complicada y
laboriosa. Precisamente por esto es que en el estadio de la investigacin matemtica
del modelo se debe tratar de establecer sus posibles defectos.
En el caso del sistema dinmico (8.7),como uno de tales defectos, por lo visto,
se debe considerar la existencia de la integral (8.8). En efecto, es natural suponer
que si en cierta rea del hbitat de los animales se observan oscilaciones del tamao
poblacional, entonces su amplitud y perodo deben depender de las propiedades del
rea y de las especies que en ella habitan. Al mismo tiempo, se puede suponer que la
amplitud y el perodo no dependen de cambios pequeos de las condiciones iniciales
N,(O) y- N2(0).En otras palabras, en el sistema deben ocurrir autooscilaciones.
Sin embargo, el modelo (8.7) no posee esta propiedad. En efecto, las magnitudes
N,(O) y N2(0) determinan unvocamente la constante C de acuerdo con la frmula
(8.8). A su vez, a diferentes valores de esta constante les corresponden diferentes
curvas cerradas en el plano de fase y, por consiguiente, oscilacion~scon amplitudes
diferentes, es decir, en tal sistema las condiciones iniciales nunca son olvidadas.
Ntese que esto sucede a pesar de que en este sistema i2 # 0.
Regresemos a las preguntas tradicionales que se intentan aclarar al investigar
los sistemas de dos ecuaciones diferenciales ordinarias.
Cmo son los estados de equilibrio en e l modelo analizado? Para aclarar

esto es necesario resolver el sistema de dos ecuaciones algebraicas
Sea (x*,y*) una de las soluciones de este sistema. El par de nmeros (x*,y*)
determina las coordenadas de un punto singular en el espacio de fase. Para
213
.-
determinar de qu tipo es este punto, es decir, el comportamiento de las

trayectorias en un entorno suyo, se analiza la ecuacin (8.1), linealizada en
dicho entorno:
~ ( t=) Ax(t) + x*, y(t) = Ay(t) + y*,

Aa = f (x* Ax, y* + Ay) e f (x*,y*) + allAx + a,,Ay,
Ay = g(x* Ax, y*
+ Ay) Z g(z*,y*)+ a,,Ax + a,,Ay,
donde al, = f,(x*,y*), al, = f@*, y*), a2, = gz(x*,Y*), = g9(x*,y*), es

decir, los segundos miembros contienen los primeros tres trminos de las
correspondientes series de Taylor. Asumiendo que (x*,y*) es un punto de
equilibrio y despreciando los infinitsimos de segundo orden, obtenemos la
ecuacin lineal
Suponiendo que Ax = clePt, Ay = c,ePt (c, y c, son constantes), obtenemos

la ecuacin lineal homognea
(a,, - p)c, + a,,% = 0,
a21c1 + (a,, - p)c, = 0.
Para que la ecuacin (8.11) tenga solucin no-trivial, la magnitud p debe
satisfacer la ecuacin caracterstica (secular)
es decir,
P* - (a1, + ~
_-_
__
_-
__
- a,,a,,) = 0,
p2 a l p a. = o,
2 2 ) (alla,
~
-_
-__
donde
al = - tr A,
a0 = det A,
Aqu, mediante tr A y det A se han denotado, respectivamente, la traza y el

determinante de la matriz A.
El tipo del punto singular (x*,y*) est determinado por las races pl
y p2 de la ecuacin (8.12).
A diferentes tipos de estados de equilibrio corresponden diferentes
tipos de movimiento en un entorno del estado de equilibrio, los cuales se
suelen denominar regmenes (vase la figura 8.5).
l. Si p, y p2 son nmeros reales negativos, el punto singular es un nodo
estable. El punto que determina el estado del sistema en el plario de
fase se aproxima aperidicamente al estado de equilibrio.
214
Captulo 8
Fig. 8.5. Estados de equilibrio en u n sistema autnomo de dos ecuaciones

diferenciales ordinarias
2. Si p1 y p, son nmeros reales positivos, el punto singular es un nodo

inestable. El punto que determina el estado del sistema en el plano de
fase se aleja aperidicamente del estado de equilibrio.
3. Si p1 y p, son nmeros complejos con parte real negativa, el punto
singular es unfoco estable. El punto que determina el estado del sistema
realiza oscilaciones amortiguadas y se aproxima asintticamente al
estado de equilibrio.
4. Si p, y p2 son nmeros complejos con parte real positiva, el punto
singular es un foco inestable. El punto que determina el estado del
sistema realiza oscilaciones de amplitud creciente y se aleja del estado
de equilibrio.
5. Si p, y p2 son nmeros reales de signos diferentes, el punto singular es
un printo de silla. El rgimen es inestable. Para pequefias desviaciones
aleatorias respecto al estado de equilibrio, el sistema comienza a
alejarse de ste en una direccin dada. Sin embargo, apuntado con
precisin. es posible moverse durante un tiempo infinitamente largo
hacia el punto singular. Las dos curvas integrales destacadas que llegan
al punto singular se denominan variedades estables del punto de silla
( O A y OB). Las lneas a lo largo de las cuales el punto se aleja ms
rpido de la posicin de equilibrio se denominan variedades inestables.
6. Si p, y p, son nmeros imaginarios puros, el punto singular es un
centro. Se observan oscilaciones no-amortiguadas y la trayectoria de
215
.fase del sistema es una elipse. Para una desviacin pequea respecto al
estado de equilibrio, el sistema comienza a describir una elipse alrededor del punto (x*,y*). La posicin de equilibrio es estable, pero no
asintticamente estable.
Como se deduce de la ecuacin (8.12), el'tipo
del punto singular est determinado por la traza y
el determinante de la matriz del sistema linealizado
(por los nmeros a, y a,). Si se tiene en cuenta que
el sistema (8.1) depende del parrnetro A, y consiguientemente, a, = cu,(A), a, = a2(A),entonces
para comprender cmo puede cambiar el tipo del
punto singular al variar el parmetro, resulta muy
til la figura 8.6.
Esta figura ha sido construida partiendo del Fig. 8.6. Divisin del esteorema de Viite y de las propiedades elementales de pacio de parmetros sela ecuacin cuadrtica (8.12). En particular, en esta gn el tipo de los estafigura se observa que para una variacin pequea dos de equilibrio: 1) nodo
un centro se convierte, usualmente, en un foco estable; 2) nodo inestable;
estable o inestable. En esta figura tambin se ve que 3) foco estable; 4) foco inen la lnea a, = 4 1 4 un foco se convierte en nodo. estable; 5) silla; 6) centro
Existen ciclos lmites en e l sistema (8.1)? Cmo son? La existencia de
ciclos lmites es la principal diferencia entre un sistema de dos ecuaciones
diferenciales y una sola ecuacin. Analicemos inicialmente el modelo ms
simple, en el que el nico atractor es un ciclo lmite, y en el que se puede
hallar analticamente todo el conjunto de curvas integrales. Este sistema dinmico se presenta en la cintica qumica, en la hidrodinmica y en la teora de
ondas, durante la descripcin asinttica de un conjunto de modelos tipo (8.1)
cuyos parmetros se encuentran cerca de la lnea al = O, a, > O (fig. 8.6).
Es cmodo escribir este sistema de dos ecuaciones respecto a x(t) e y(t)
como una ecuacin respecto a una funcin compleja W ( t ) :
W(t) = x(t) iy(t),
El anlisis de esta ecuacin se simplifica bastante si se pasa a las coordenadas

polares x = r cos p, y = r sen p. Entonces, IWI2 E x2 y2 = r2.Teniendo
en cuenta que
escribamos las ecuaciones (8.13) en coordenadas polares:
216
Captulo 8
Multiplicando la primera ecuacin por cos p, la segunda por sen p y

sumando, obtenemos
7 ' = X i - r3.
(8.14)
Multiplicando la primera ecuacin por - sen p, la segunda por cos (p y
sumando, resulta
@ = 2- y .
(8.15)
Una propiedad notable del modelo analizado es que la ecuacin para T
se puede resolver independientemente, sin prestar atencin a la ecuacin
para p.
Un punto singular de la ecuacin (8.13) es el origen de coordenadas
r = O. Para X > O existe otro punto singular, r = 6.
En la ecuacin inicial,
a este punto le corresponde una curva cerrada, la circunferencia
Precisamente esta curva es un ciclo lmite estable. Esto se puede verificar

construyendo todas las dems curvas integrales:
De la frmula (8.17) se deduce que para X < O, independientemente de las

condiciones iniciales r(0) = r,, p(0) = pO,las trayectorias de fase tienden
al origen de coordenadas. Cuando X > O, de esta igualdad se deduce que
ext + m, por tanto r(t) + A. Consiguientemente, aqu el atractor es la
solucin (8.16).
De este modo, para X = O tiene lugar la siguiente bifurcacin: el
foco estable se vuelve hestable y nace un ciclo lmite estable de amplitud
pequea
4.Esta bifurcacin en la literatura se denomina bifurcacin de
nacimiento de u n ciclo lmite o bifurcacin de Andrnou-Hopf. En las figuras 8.7 a
se muestra el cuadro tpico para valores positivos y negativos de A. La dependencia del atractor respecto al parmetro X se muestra en la figura 8.7 b.
Tambin es posible otra variante de bifurcacin de nacimiento de un
ciclo, como resultado de la cual surge un ciclo lmite inestable (fig. 8.7 c).
En particular, esta bifurcacin tiene lugar en el sistema
Esta ecuacin se convierte en el modelo (8.13) mediante el cambio de

variables t + -t. Consiguientemente, el cuadro en este caso es exactamente
igual al de la figura 8.7a, si se invierte el sentido de las flechas. En particular,
un foco estable se vuelve inestable y un ciclo lmite estable se vuelve
217
Fig. 8.7. Bifurcacin de nacimiento de un ciclo lmite: o ) dependencia del atractor del
sistema (8.13) respecto al parmetro A; b) nacimiento de un ciclo estable a l aumentar e l
parmetro A; c) ((aniquilacin)) de un foco estable y de un ciclo Lmite inestable
inestable. Por consiguiente, como resultado de la bifurcacin, a partir de un

foco inestable nace un ciclo inestable, y el foco en el inicio de coordenadas
se vuelve estable.
Aqu estamos ante un fenmeno no-lineal interesante: como resultado
del choque de dos conjuntos invariantes inestables nace un atractor: un
foco estable. Al aumentar el parmetro, el tamao de la regin de atraccin
crece como A. Veamos un ejemplo de modelo matemtico donde el
descubrimiento de un ciclo lmite desempe un papel clave.
Ejemplo. Modelo del bruselador. El bruselador o modelo trimolecular, propuesto
en 1968 por Ilya Prigogine y Ren Lefever, actualmente es uno de los modelos
ms conocidos de la cintica qumica. Con ayuda de este modelo y de su generalizacin a los sistemas espacialmente distribuidos, se pronosticaron varios fenmenos
no-lineales interesantes.
Analicemos una reaccin qumica con dos productos intermedios X e Y cuyas
concentraciones pueden variar con el tiempo. Se supone que el sistema es abierto
y que todas las dems concentraciones son constantes. El conjunto de reacciones
analizado es
Las condiciones de no-equilibrio se crean eliminando inmediatamente las

sustancias D y E del reactor. Esto es equivalente a que k-, = k-, = O. Supongamos
tambin que k-, a O, lo cual tiene lugar en condiciones de un exceso de la
sustancia A, y k-, a O. Estas suposiciones, junto con la ley de accin de masas,
Captulo 8,
218
-
conducen al sistema dinmico
lCI
lC
Los cambios de variables relacionados con el cambio de escala de t, X, Y y con la

introduccin de nuevas notaciones, permiten pasar a las ecuaciones
El sistema dinmico (8.19) se deymina bruselador. Sus puntos singulares son las
soluciones de las ecuaciones algebraicas
Los valores X = O y X = B/Y satisfacen la segunda ecuacin. Sin embargo, X = O
no verifica la primera ecuacin. De la segunda ecuacin se obtiene que Y # O, pues
de otro modo X = O. Por consiguiente, tomando en consideracin que XY = B,
hallamos las coordenadas del punto singular:
Averigemos para qu condiciones este punto es estable. Haciendo X = AX A,

Y = AY BIA, obtenemos el sistema linealizado en un entorno del punto singular:
X'
eI
'
(B+~YY
4A
Fig. 8.8. Forma caracterstica del ciclo

lmite en e l modelo del bruselador, lejos
del punto de bifurcacin
de donde a, = A2, al = A2 1 - B .
El parmetro que se puede cambiar en el
sistema es la concentracin B. La figura 8.6
nuestra qu sucede con el punto singular
de este sistema al aumentar el valor del
parmetro B. Por cuanto a, = A2 > 0,
el punto que caracteriza al sistema en
el espacio de parmetros pertenece al semiplano superior. Cuando B es pequeo
( B < A2-2A+l, lnea a, = a:/4),el punto
singular es un nodo. Despus se convierte en un foco estable. Finalmente, para
B = A2 1 el foco estable se vuelve inestable. Aqu ocurre una bifurcacin de Hopf.
El ciclo lmite se convierte en un atractor
del sistema. En la figura 8.8 se muestra un
ejemplo de ciclo de este tipo para valores
suficientemente grandes del parmetro B.
Hasta comienzos de los aos 70 del
siglo pasado, la mayora de los qumicos
A utooscilacones y ciclos 1mites
219
.-
pensaba que las reacciones qumicas no pueden transcurrir en un rgimen oscilante.

Las investigaciones experimentales de los cientficos soviticos B. F. Belosov y
A. A. Zhabotinski demostraron la existencia de tales reacciones. Se plante, entonces,
el problema del anlisis terico y la construccin de los modelos matemticos
correspondientes. Se puede decir que el modelo del bruselador se encuentra en el
inferior de una gran jerarqua de modelos matemticos que describen reacciones
qumicas oscilantes. El bruselador muestra cun simple puede ser el esquema de
una reaccin para que en un sistema abierto tengan lugar autooscilaciones.
El anlisis posterior del modelo est relacionado con la obtencin de la ley
de variacin del perodo, de la amplitud de las oscilaciones y de otros parmetros
del ciclo lmite, en funcin del parmetro B . Habitualmente esto se hace utilizando
unos u otros mtodos numricos. Veamos algunos de los mas simples.
-1. Mtodo de establecimiento. Se toman unos datos' iniciales (x,Y ) y un
conjunto de parmetros X (A,, A,, . .), para los cuales se realizarn los clculos. Para
cada valor del parmetro se calcula la trayectoria durante un tiempo suficientemente
prolongado (para estar seguros de que estamos tratando con un atractor y no con
un proceso transitorio) hasta llegar al ciclo lmite, es decir, hasta que para cierto
intervalo T(A) se verifique la condicin
con la precisin deseada E . El cumplimiento de esta desigualdad nos da una base

para afirmar que, en los lmites de precisin de los clculos, hemos hallado una
solucin peridica.
La ventaja principal de este mtodo es la simplicidad. Los dos defectos ms
importantes son los siguientes. La llegada al atractor, especialmente cerca de las lneas
de bifurcaciones, puede demorar mucho. Comenzando con unos datos iniciales, al
variar el parmetro es posible caer en la regin de atraccin de otro atractor (puesto
que la regin de atraccin, naturalmente, depende de los parmetros). Esto puede
conducir a la conclusin errnea de que, por ejemplo, el ciclo desapareci o cambi
bruscamente los parmetros.
2. Anlisis de la funcin de seguimiento. Condicin de estabilidad del ciclo
lmite. Intentemos desarrollar otro enfoque de bsqueba del ciclo lmite que no est
relacionado con la integracin de la trayectoria hasta llegar al ciclo.
Tracemos un rayo O A (fig. 8.9 a) que corte a ciencia cierta al ciclo lmite y a
las trayectorias cercanas a ste. Por ejemplo, el rayo que parte del punto singular O,
Fig. 8.9. Construccin de La funcin de seguimiento
220
(+,)e
Capitulo 8
.el cual pertenece al interior del ciclo lmite. Introduzcamos una coordenada r a
lo largo de este rayo. Consideremos una trayectoria que parte de un punto A
perteneciente al rayo (fig. 8.9 a). Supongamos que esta trayectoria corta por primera
vez al rayo en el punto B . Introduzcamos la funcin
la cual asigna a cada punto de coordenada rA la coordenada r, del punto B .
Supongamos tambin que el tiempo que tarda una trayectoria en llegar desde el
punto A hasta el punto B es finito tanto para el ciclo como para todas las trayectorias
cercanas a l.
La funcin f es continua y unvoca. Supongamos lo contrario. Si la funcin f
es discontinua en el punto C,
+ E ) f lim f (r, - e),
lim f (re
&+O
&-+O
entonces para el modelo (8.1) no es vlido el teorema de dependencia continua de

la solucin respecto a las condiciones iniciales en el punto C . Si se supone que la
funcin f no es unvoca, entonces en ciertos puntos no se cumple el teorema de
unicidad. Por consiguiente, mientras no est claro que estamos en una situacin en
la que los modelos no satisfacen los teoremas estndares de existencia y unicidad,
no hay razn para considerar que la aplicacin f es discontinua o no-unvoca.
Denotemos mediante r, la coordenada de la n-sima interseccin de la
trayectoria con el rayo. Entonces (8.20) se puede escribir equivalentemente como la
aplicacin unidimensional
=f
(8.21)
Al ciclo lmite le corresponde el punto fijo r* de esta aplicacin,
r* = f (r*).
En efecto, la igualdad (8.22) indica que partiendo del punto de coordenada r* en el
eje OA, al cabo de un tiempo finito la trayectoria regresa a este mismo punto.
Evidentemente, si r, + r* para todo r, perteneciente a un &-entornodel punto r*, entonces elgciclo lmite, al cual corresponde el valor r*, ser asintticamente
estable.
La condicin suficiente de estabilidad coincide con la condicin de convergencia
del mtodo de iteracin simple (8.21) de resolucin de la ecuacin algebraica r = f (r):
La condicin suficiente de inestabilidad del ciclo lmite es
Nota. Cuando analizbamos las aplicaciones unidimensionales (las condiciones de

estabilidad de un punto fijo) y la convergencia del mtodo de iteracin simple, en las
desigualda,des correspondientes figuraba el valor absoluto. Aqu el valor absoluto
df (x*)
se puede omitir, pues -- 2 O debido a que las trayectorias de fase yacen en el
dx
plano y no pueden cortarse.
221
De lo dicho queda claro cmo puede ser construido numricamente el ciclo

lmite en el modelo (8.1). Para ello es suficiente resolver la ecuacin algebraica (8.22)
y hallar el punto de coordenada r* perteneciente al ciclo.
Esto se puede hacer si se logra hallar dos puntos S y q tales que f (S) > S
y f (q) < q (fig. 8.9 b). Entonces, en virtud de la continuidad de la funcin f , existe
un punto r* tal que f(r*)= r*. Para hallar este punto dividimos el segmento
s+q
[S,q] a la mitad y calculamos f si
> 2 entonces en
('lq). (T)
el paso siguiente tomamos el segmento (S,, q,), donde
si
S,
(F)3
(F)
<
= S, ql = f
S,
S,
(y).
q1 =
e,
, en el paso siguiente tomamos el segmento (S,, q,), donde
.Fuesto que para el segmento (sl, p,)
se tiene que j(sl) > sI,
f (qi)< q, ,entonces pdemos aplicar nuevamente el procedimiento descrito: calcular

el valor de la funcin en la mitad de este segmento, es decir, f
el segmento (S,, g,), etcetera. Es claro que /pn - snl
L
< N,
as que qn + r*,
2"
Una ventaja del enfoque descrito es su simplicidad. Adems, este mtodo

funciona independientemente de si el ciclo lmite es estable o no, lo cual puede
resultar muy importante. Su principal defecto es la lentitud de convergencia.
Sealemos que el algoritmo del mtodo de establecimiento, analizado anteriormente,
no permite determinar los ciclos inestables.
Recordemos que para obtener el valor de f (r) a partir de un r dado, es necesario
integrar el sistema de ecuaciones diferenciales con datos iniciales y coordenada r
hasta que la trayectoria corte al rayo OA. Por eso, en este caso, la aplicacin del
mtodo de iteracin simple, es decir, la construccin de la sucesin {fn)(rn+ r,
cuando n -+ m),
es equivalente al mtodo de establecimiento.
Para resolver la ecuacin (8.22), la cual se puede escribir en la forma
se puede utilizar el mtodo de Newton, pero para ello es necesario conocer la
dF
df
derivada - = 1 - -. El mtodo ms simple de hacer esto consiste en utilizar la
dr
dr
definicin de derivada: se elige un punto r' y un punto prximo a l #+e. Se ca~culan
numricamente las dos trayectorias hasta cortar el rayo, lo que proporciona f ( r t )
df ( r ' ) f (r' E ) - f (r') (fig. 8.9 b).
y f (r' E ) . De aqu hallamos dr
e
Sin embargo, este mtodo puede resultar incmodo, pues tenemos que calcular
la diferencia de dos magnitudes prximas f (r' E ) y f (r'), las cuales posiblemente
conocemos con un error suficientemente grande, y despus dividir esta diferencia
por una magnitud pequea. Por tanto, generalmente se procede de otro modo,
N
N
se toman dos trayectorias cercanas
A continuacin, a partir de los desarrollos en series de Taylor se obtiene la ecuacid

para la desviacin Aii(t) de la trayectoria v'(t) respecto a ( t ) . Si se considera que las
trayectorias u(t) y v(t) estn infinitamente cerca, se puede suponer que los trminos
cuadrticos son pequeos. Esto permite obtener la denominada ecuacin en variaciones
dh(u)
dU
cosa que el jacobiano calculado a lo largo de la solucin ( t ) . Si escribimos el
sistema (8.25) en forma coordenada
Esta ecuacin es lineal respecto a AG. La derivada
- (la matriz A ) no es otra
entonces
En calidad de A(0) habra que tomar 63.Sin embargo, por cuanto la ecuacin (8.26)
es lineal, es ms cmodo tomar el vector unitario W en la direccin que nos interesa.
En nuestro caso de dos variables, el \rector W est dirigido a lo largo del rayo OA,
Resolviendo el problema (8.26), (8.28) obtenemos
De este modo, AG(t) es la derivada de la solucin u'(t) en la direccin w'. Esta

derivada se calcula fcilmente resolviendo simultneamente la ecuacin inicial (8.25)
y el sistema en variaciones (8.26). Si se conoce la expresin analtica del segundo
A utooscifaciones y ciclos lm ites
223
miembro de (8.25), entonces el segundo miembro del sistema en variaciones se

puede calcular tambin mediante la frmula (8.27).
Pasando del caso general a un sistema concreto de dos ecuaciones y observando
detalladamente la figura 8.9 c es posible hailar la derivada 8f lar.
Sea TI el tiempo al cabo del cual la trayectoria considerada corta nuevamente el
rayo OA, y sea AG(T1)la solucin del sistema en variaciones (8.26), (8.27) en el instante TI.El vector A(Tl) se puede descomponer en la direccin del rayo d (componente
Au, en la figura 8.9 c) y en la direccin perpendicular (componente Au,). La componente Au, describe el desplazamiento del punto de interseccin de la trayectoria
perturbada a lo largo del rayo; la componente Au, garantiza que la trayectoria
perturbada llegar al rayo O A algo ms rpido que la inicial. Luego, partiendo de
consideraciones geomtricas simples se puede estimar la derivada 8f lar.
La generalizacin del enfoque analizado hoy es muy popular en la investigacin
de los fenmenos no-lineales. En particular, al pasar del modelo (8.1) a sistemas con
un nmero mayor de dimensiones, en lugar del rayo O A es necesario considerar
cierto hiperplano
denominado plano de Poincar. La seccin de las trayectorias del sistema dinmico

analizado mediante este plano, se denomina seccin de Poincar. El anlogo de la
coordenada r es la coleccin de coordenadas r,, ,r,-, En lugar de una aplicacin
unidimensional (8.21) surge una aplicacin (m - 1)-dimensional
. ..
Al ciclo lmite elemental le corresponde el punto fijo de la aplicacin (8.30),

Sin embargo, el ciclo lmite en un espacio de ms de dos dimensiones puede cortar
varias veces el plano de Poincar. Los ciclos que cortan q veces a este plano se
denotan mediante Sq
La transicin de un sistema continuo de m ecuaciones diferenciales a una
aplicacin (m - 1)-dimensional, es muy til en una serie de problemas. Ante todo,
porque es ms fcil hablar de muchos fenmenos no-lineales en el lenguaje de las
aplicaciones discretas que en el lenguaje de los sistemas dinmicos continuos. Adems, muchos sistemas de ecuaciones diferenciales generan aplicaciones similares. Por
eso, en la actualidad las aplicaciones unidimensionales y bidimensionales se toman
frecuentemente como modelos simplificados de diferentes procesos. En muchos casos
es importante establecer no slo la existencia de ciclo lmite, sino tambin determinar
cmo dependen sus caractersticas de los parmetros del problema. Muy a menudo
esto se logra utilizando mtodos asintticos. Ilustraremos los rasgos caractersticos
de estos mtodos con el ejemplo de un modelo clsico de la teora de oscilaciones.
Oscilador de Van der Pol. La ecuacin de Van der Po1 es uno de los modelos
matemticos bsicos. Este sistema dinmico es uno de los sistemas de
ecuaciones diferenciales ms investigados.
Dicho modelo surgi en la electrnica durante la descripcin de
la generacin de oscilaciones en esquemas electrnicos. La presencia de
resistencia en un circuito oscilante lineal conduce a que la energa d i ~ p o n i b f ~

en e l sistema disminuya y las oscilaciones se amortigen. Recordemos ~4
la resistencia de un conductor desempea el papel de rozamiento viscoso
el sistema mecnico que se describe mediante las mismas. ecuaciones.
Para que tengan lugar oscilaciones no-amortiguadas es necesario s w i 2
nistrar energa desde el exterior. Esto se puede garantizar si en el sistema
hay elementos activos. Cuando la corriente pasa por estos elementos las oscilaciones no se debilitan, sino se intensifican. Tal comportamiento se puedi
asegurar mediante diferentes procesos fsicos, por ejemplo, conectando a loa
circuitos elctricos lmparas elctricas que realicen una retroalimentacih:
positiva. Se puede obtener elementos activos utilizando semi conductor es)^
diodos tnel superconductores; diodos %um, etctera. En sistemas mq
complejos los elementos activos pueden ser aceleradores cunticos pticos;'
diferentes dispositivos de plasma y haces electrnicos. Los mtodos de!
construccin de tales elementos se analizan detalladamente en los cursos de
electrnica y teora de oscilaciones.
Un mtodo simple para averiguar a qu conduce la presencia de un
elemento activo en un circuito, consiste en conectar una resistencia no-lineal.
Supongamos que en el circuito,hay un elemento que no satisface la ley d e
Ohm. Esto significa que la dependencia i = i(v) (o, como se denomina,
caracterstica tensin-corriente) de la intensidad de la corriente que pasa por
el elemento, respecto a la tensi6n aplicada, es no-lineal:
&"
7
El' elemento activo elemental puede ser lineal,
i = a,v,
a, = const
< 0.
-_
-_
Sin- _ embargo, el campo_-de ----aplicacin de este

modelo es muy pequeo.
- - ----En realidad, la energa de oscilaciones en el sistema debe crecer ilimitadamente. Esto no es difcil de comprobar: sustituir t por -t en un sistema
lineal, es equivalente a sustituir R por -R. Por eso, el cambio de signo
de la resistencia implica el crecimiento de la energa. Consiguientemente,
a medida que aumenta la amplitud de la corriente o la tensin, todos los
elementos negativos deben hacerse menos negativos y, a continuacin,
positivos. Es por esta razn que, en la. mayora de los casos, se supone que
los' elementos activos son no-lineales.
Consideremos el oscilador elemental, cuyo esquema elctrico se muestra
en la figura 8.10 a. La caracterstica tensin-corriente se muestra en la
figura 8.10 b. Esta caracterstica es una' pariibola cbica,
-
--
--
A utoosclaciones y ciclos Imites
225
Fig. 8.10. Modelo de Van der Pol: a) esquema del oscilador; 6) caracterstica
tensin-corriente del elemento activo
fi
Para Ivl < 7 v 0 la resistencia es negativa. Si la intensidad de corriente yace

L
en este intervalo, el elemento activo garantiza el suministro de energa al
sistema y fuera de este intervalo, su disipacin.
Conforme a la ley de Kirchhoff, la suma de las corrientes en el punto A
debe ser igual a cero:
Derivando esta igualdad respecto al tiempo y teniendo presente la dependencia i = i(v), obtenemos la ecuacin de Van der Po1
Los cambios de variables del tipo

t' + pt, v' + qu, reducen esta ecuacin
a la ecuacin
la cual, a su vez, se puede escribir como

el sistema de dos ecuaciones diferenciales de primer orden
v=E(~-u2)v-u, U=V.
Fig. 8.11. Cuando La magnitud
G/C es
la ecuacin de Van der Po1
Para E = O la ecuacin de Van der describe oscilaciones cercanas a [as siPo1 se convierte en la ecuacin de las
nusoidales
oscilaciones de un pndulo matemtico
con frecuencia wo = 1.
Con ayuda de computadoras no es difcil verificar que para valores
pequeos de E el sistema posee un nico ciclo lmite y que las oscilaciones
estacionarias son cercanas, por su forma, a las sinusoidales (fig. 8.11). Por
Captulo 8
226
consiguiente, el esquema mostrado en la figura 8.10 se puede utilizar.

como generador de tales oscilaciones. Las oscilaciones electromagnticas
sinusoidales se utilizan ampliamente en la radio y televisin. Sobre ellas se
superpone u& mdulakin lenta, la cual codifica el sonido o la imagen.
Aqu surge una pregunta lgica: cules son la frecuencia y la amplitud
del ciclo lmite en el sistema dinmico (8.31) y en otros sistemas de este
tipo? Sabiendo a partir de los clculos que las oscilaciones son parecidas a
las armnicas y que el parmetro E es pequeo, podemos utilizar mtodos
asintticos.
Para qu son necesarios los mtodos asintticos? Antes de utilizar algn

mtodo, es natural aclarar si se puede proceder del modo ms simple y
natural, partiendo de los principios bsicos.
Busquemos el desarrollo directo de la solucin en la forma
Sustituyamos (8.32) en la ecuacin (8.31):
Igualemos los trminos de las potencias iguales de

de la ltima igualdad:
+ u0 = O,
1
2
E : l + u1 = u0 - ~ ~
en ambos miembros.
,
(8.33a)
: o
EO
i i ~ ,
(8.33b)
Lo lgico es resolver a'continuacin las ecuaciones lineales respecto a uO,ul,

etctera, y obtener la solucin
en la forma
. (8.32). El objetivo de todos los
----r a z o n a m ~ n t o s ~ s t e r i o r eess demostrar que as no se debe proceder.
La solucifp dde 1a ecuacin (8.33a) es
--
.,
'
S
ii
uO= A sen (t
+ po),
po = const.
A = const,
Sustituyendo en la ecuacin (8.33b), resulta
+
= A cos(t +
= A cos (t
+ pO)1- (2t + 2po) cos (t + (p,)

cos (t + p,) + tos (3t + 3po)
COS
cos (t
>
Autooscilaciones y ciclos 1imites
227
Aqu hemos utilizado el hecho de que sen2 a =
.-
1 - COS 2a
3
Por cuanto la ecuacin (8.34) es lineal, su solucin se puede escribir

como lasuma de las soluciones de las tres ecuaciones
= p(t)
U#)
+ q(t) + r(t),
+ p = 0,
(8.35a)
(8.35b)
(8.35~)
q + q = Ccos(t+po),
F r = D cos (3t 3p0),
donde
Las soluciones particulares de estas ecuaciones son

p = a sen (t
+ p,),
p, = const,
Q=
Ct
tos (t + loo),
3
D
r = - - cos (3t + 39,).
8
Es especialmente importante la dependencia q(t), en la cual figura
explcitamente la coordenada temporal. (La ecuacin (8.35b) se puede
resolver utilizando el mtodo de variacin de la constante.)
De este modo, el desarrollo directo proporciona la solucin asinttica
Nota. La solucin construida debe satisfacer las condiciones iniciales. Si u,(t)

satisface estas condiciones, entonces u,(t) &ul(t) no las-satisfaceF-Por .eso, es
cmodo considerar que
+
A = A, +&Al+ E ~ A ~...,
$0,
+ + e2cp2+
= qo +cpl
y partiendo de la forma de la solucin (8.37), no es difcil hallar las constantes

A,, A,, . ..; p,, p,, ... . Esto permite suponer que la dependencia p(t) (vase (8.36))
ya se ha tenido en cuenta en el primer trmino A sen (t p,).
La presencia de los trminos subrayados en la expresin (8.36) y (8.37)
desempea un papel fundamental, pues muestra que la solucin aproximada que

el trmino de
acabamos de construir no es peridica. Adems, para t 2 O(&-'),
correccin de orden E resulta tener el mismo orden, o hasta mayor, que el primer
trmino del desarrollo u,(t), lo cual contradice la premisa inicial lu,(t)l >> leul(t)l.
Por consiguiente, el desarrollo (8.37) es no-uniforme respecto a t, puesto que para
tiempos grandes su validez se infringe explcitamente.
En la mecnica celeste los productos de funciones algebraicas y trigonomtricas
(en nuestro caso t cos (t cp,)) se denominan trminos seculares. Esta denominacin
228
Captulo 8
.est relacionada con el hecho de que en los modelos matemticos de la astronoda

la magnitud E es muy pequea, y el producto ~t comienza a desempear un papel
importante en las magnitudes del orden de cientos de aos.
De este modo, el intento de seguir el camino ms simple y utilizar el

desarrollo directo fracas, debido a la aparicin de trminos seculares.
Mtodo de renormalizacin. En qu radica la causa de las dificultades
surgidas? Ante todo, en que el perodo del ciclo lmite en la ecuacin de
Van der Pol, hablando en trminos generales, no coincide con el perodo
de la solucin de la ecuacin no-perturbada u = O. La ausencia del
trmino secular en (8.37) significara que los perodos de la solucin u(t,e)
y de uo(t) coinciden con gran precisin.
Para construir soluciones peridicas de ecuaciones no-lineales de perodo dependiente del parmetro E, se utiliza frecuentemente un procedimiento
denominado mtodo de renormalizacin. Conforme a este mtodo, se pasa a
una nueva variable independiente
Despus de sustituir (8.38) en el desarrollo (8.37)) obtenemos
Los senos y cosenos que figuran en (8.39) se pueden desarrollar en series

de Taylor del modo siguiente:
tos (37
+ 310, - 3Ewl7 + ...) = cos (37 + 3po)+
~ E W sen
~ T (37
+ 3p0) + ... .
Utilizando estas igualdades, el desarrollo (8.39) se puede escribir como
u = A sen (T
+ po)+ E
-wiAr cos (7 + (P*)+
Para que en esta expresin no hayan trminos seculares, se deben cumplir

las igualdades
Aw, = O
w1 = 0,
229
Autooscilaciones y ciclos 1rnites
Por cuanto no nos interesa la solucin trivial, sino el ciclo lmite, tomamos
A = 2.
Consiguientemente, el ciclo lmite en la ecuacin de Van der Po1 est
determinado por la igualdad r = t
u = 2 sen (t
+ (o,) - -4 cos (3t + 3p0)+ ... .

CI
As pues, el mtodo de renormalizacin permite obtener una expresin

asinttica para el atractor de Van der Po1 para valores pequeos de E .
Es interesante que con una precisin de hasta E ~ los
,
perodos del ciclo
lmite y de la ecuacin'no-perturbada coinciden y son iguales a 27r. Con todo,
la posibilidad misma de construir soluciones cuyo perodo depende de E ,
posibilidad que yace en el mtodo de renormalizacin, permite liberarse de
los trminos seculares.
Lamentablemente, el mtodo de renormalizacin no permite construir
las soluciones que describen la llegada al ciclo lmite en la ecuacin de Van
der Pol, lo cual tambin es importante en una serie de casos. En efecto,
supongamos que en calidad de generador de autooscilaciones queremos
utilizar un sistema descrito por la ecuacin de Van der Pol. Tales oscilaciones
deben tener, con suficiente precisin, perodo y forma constantes. Por eso,
es natural averiguar al cabo de cunto tiempo de haber conectado el aparato
las oscilaciones adquieren perodo y forma constantes. Esto requiere la
aplicacin de otros mtodos asintticos.
Mtodo de promedio. La idea de este mtodo tiene mucho en comn con el

mtodo de variacin de la constante utilizado en la resolucin de ecuaciones diferenciales ordinarias. Para 6 = O la solucin de la ecuacin de Van der Po1 es
donde a: y P son constantes arbitrarias. Para E # O supondremos que la
solucin de la ecuacin (8.31) tiene la misma forma, pero que las magnitudes
(Y y p dependen del tiempo ( a = a(t),@ = P(t)):
~ ( tE,) = a(t) cos (t + p(t)).
(8.42)
En lugar de una funcin incgnita u(t), la cual satisface la ecuacin (8.31), hemos obtenido tres funciones u(t), ~ ( t )P(t),
,
relacionadas por
la igualdad (8.42). Esta igualdad proporciona cierta libertad, que podemos
utilizar para hallar la solucin en una forma ms simple. Esto se puede hacer
por analoga con el caso lineal. De (8.41) se deduce que u = -U sen (t P).
Asumamos que esto es vlido tambin para la ecuacin no-lineal:
u(t, E ) = -a(t) sen (t

Derivando (8.42) resulta
+ P(t)).
(8.43)
230
Captulo 8
Y
Tomando en consideracin (8.43) hallamos

Derivando (8.43) respecto al tiempo obtenemos la siguiente ecuacin para @:
Sustituyamos u,
a sen (t
y iijen la ecuacin inicial (8.31):
+ P ) + ab cos (t + p) = EC sen (t + p)(1 - a2cos2(t+ P)).
(8.45)
El sistema de dos ecuaciones diferenciales ordinarias de primer orden (8.44), (8.45) para las funciones a y p, se puede resolver respecto a
a y B. Multiplic.ando la igualdad (8.44) por cos (t P), la igualdad - (8.45)
por sen (t ,O) y sumando los resultados, obtenemos
Despus de multiplicar (8.44) por

sumar las dos expresiones, resulta
- sen (t + ,@),(8.45) por
+ p)).
a b = ~a cos (t + p) sen (t + /3)(1- a2cos2(t
cos (t
+ /3)
y de
(8.46b)
Utilizando las identidades trigonomtricas elementales
A ,
cos 7 sen 7 = - sen 27,

2
el sistema (8.46) se transforma en
Por cuanto el seno y el coseno de cualquier argumento real pertenecen al segmento [-1,1], para toda funcin a acotada obtenemos = O(&)
y 1= O(&).
Por consiguiente, para un valor suficientemente pequeo del parmetro E
las funciones a(t) y P(t) son funciones de variacin lenta dependientes del
tiempo. Por eso, en el segmento [O, 2ir] ellas cambian poco, y en una primera
aproximacin se las puede considerar constantes en este intervalo.
Esto da la posibilidad de promediar en el segmento [O, 2?r] los miembros
primeros y segundos de las ecuaciones (8.47):
231
Aqu hemos utilizado el hecho de que (o x t (de lo contrario habramos tenido que elegir de otro modo los lmites de integracin y promediar respecto al
perodo) y de que los valores medios de las funciones sen (np) y cos (mp)
(n, m = 1,2,3, ...) respecto al perodo, son iguales a cero. Promediando de
la misma manera la ecuacin (8.47), para la funcin P(t) obtenemos
As pues, las ecuaciones (8.48) proporcionan la ley del variacin de las variables a(t) y P(t). Junto con la igualdad (8.43) ellas determinan la solucin
aproximada de la ecuacin de Van der Pol. En particular, en el marco del
mtodo de promedio se logra describir no slo los parmetros del ciclo
lmite, sino tambin el rgimen de transicin.
Perturbaciones singulares. Patos. Sistemas rgidos

En su tiempo la radiotcnica plante ante la matemtica aplicada y la teora
de oscilaciones un conjunto de problemas relacionados con la simulacin de
diversos sistemas no-lineales. Generalmente, en estos modelos los atractores
eran ciclos lmites que describan las oscilaciones cercanas a las armnicas.
Sin embargo, el desarrollo de la radiolocalizacin, la televisin y las
tcnicas computacionales exiga la ampliacin de la clase de esquemas
electrnicos simulados y de los correspondientes procesos no-lineales. Los
esquemas electrnicos utilizados en estos campos deben, a menudo, generar
impulsos elctricos de forma rectangular o de diente de sierra. Se puede
decir que en ellos hay dos escalas temporales caractersticas: el tiempo
rpido, durante el cual se forma el frente delantero o trasero del impulso,
y el tiempo lento, que caracteriza la formacin de la cima suave del
impulso, o el intervalo entre las oscilaciones. Tales procesos recibieron el
nombre de procesos de relajacin. Muchos modelos matemticos de esta clase
surgieron en la aerodinmica, relacionados con el desarrollo de la aviacin
supersnica y la tcnica csmica, lo que estimul tanto la creacin de nuevas
teoras matemticas como la aparicin de ideas sobre las particularidades
cualitativas de los procesos de relajacin no-lineales.
Al analizar la ecuacin de Van der Po1 nos vimos en una situacin en
la que algunos trminos de la ecuacin diferencial eran mucho menores
que los trminos restantes. Esto era reflejado por el parmetro pequeo E .
El sistema no-perturbado, al cual llega el sistema inicial para E = 0, era del
mismo tipo y del mismo orden que ste ltimo. En este caso se habla de
perturbaciones regulares.
232
Captula~
.-
5%
Sin embargo, es posible otra situacin. Supongamos que el sistema

dinmico que describe al objeto analizado tiene la forma
;
Para
= O obtenemos un sistema de ecuaciones algebraicas y diferenciales:
Ntese que los espacios de fase de los sistemas (8.49) y (8.50) son diferentes.
En efecto, sea z un vector de m componentes y sea y iin vector de n
componentes. Para determinar unvocamente el estado del sistema (8.49)'
es necesario definir m n nmeros. La trayectoria est determinada por2
m n condiciones iniciales. En el caso del sistema (8.50) el espacio de fase
es n-dimensional y slo se necesitan n condiciones iniciales.
Respecto a ( 8 5 0 ) el sistema (8.49) se denomina frecuentemente sistema
perturbado, y respecto al sistema (8.49) el sistema (8.50) se denomina
sistema degenerado. Cuando en presencia de una perturbacin el tipo de
un sistema cambia respecto al sistema no-perturbado de tal manera que'
para determinar las soluciones del sistema perturbado se requieren ms
condiciones complementarias que para el no-perturbado, la perturbacin se
denomina singular.
Se puede mostrar adnde pueden conducir las perturbaciones singulares en el ejemplo del modelo lineal elemental
La. ecuacin degenerada es algebraica:

.
Integrando la ecuacin inicial obtenemos la solucin exacta
Comparemos las frmulas (8.51) y (8.52). Ntese que si t > & / a ,entonces el
primer trmino en la frmula (8.52) se vuelve pequeo y x(t) -+ -b/a cuando
t + m, es decir, la solucin del sistema perturbado tiende a la solucin
del sistema no-perturbado. Sin embargo, en la regin O < t < / a estas
soluciones se diferencian sustancialmente, sin importar cun pequeo sea
el parmetro E. Este fenmeno, el cual consiste en que en presencia de
una perturbacin singular la solucin de la ecuacin perturbada (8.49) se
233
A utooscilaciones y ciclos lmites
Fig. 8.12. Forma caracterstica de las soluciones de problemas singularmente perturbados:

a) capa lmite en la frontera de una regin; esta capa puede describir cierto rgimen de
transicin; b) capas Lmites internas, las cuales pueden corresponder a estructuras disipativas
estacionarias ((picudas))
diferencia considerablementede la solucin de la ecuacin degenerada (8.50),

recibi el nombre de fenmeno de capa lmite.
La forma caracterstica de la capa lmite para el sistema (8.49) se
muestra en la figura 8.12 a. Aqu las componentes del vector z decrecen
exponencialmente a escalas relacionadas con el tiempo rpido r = t / ~ ,
y despus cambian suavemente a escalas del tiempo lento t.
El nombre de capa lmite proviene de la hidrodinmica. Aqu se
estableci que las ecuaciones de un lquido ideal (no viscoso) no sirven
para describir una corriente cerca de la frontera del cuerpo rodeado por
la corriente, incluso si la viscosidad es pequea. Esta regin prxima a la
frontera se denomin capa lmite.
Se puede decir que el mundo de los modelos matemticos est lleno
de ecuaciones singularmente perturbadas. Tales son los modelos de la hidrodinmica, en los cuales como parmetro pequeo figura frecuentemente la
magnitud 1/R, donde R es el nmero de Reynolds; las ecuaciones de la
.mecnica cuntica, ddnde la pequeez del parmetro est relacionada con la
pequeez de la constante de Planck h; en muchos casos son tambin de este
tipo las ecuaciones de la ptica no-lineal, de la acstica y de otros campos.
Las ecuaciones (8.49) tienen una interpretacin evidente en los problemas de la cintica qumica. Ellas describen la situacin cuando un grupo de
~
ms rpido que otro grupo. Naturalmente,
reacciones transcurre 1 / veces
surge la pregunta de cundo se puede considerar que las componentes z(t)
son cuasiestacionarias, es decir, que estn completamente determinadas por
las componentes y(t). En la sinergtica los parmetros de orden y(t) se
denominan con frecuencia modos de larga vida, en contraposicin con los
modos de corta vida ~ ( t )Para
. los sistemas en los cuales al cabo de cierto
tiempo se puede pasar de un modelo tipo (8.49) a uno tipo (8.50),.se suele
decir que se cumple el principio de subordinacin de los modos de corta vida a
los de larga vida. Este principio fue formulado por Hermann Haken.
234
Captulo 8'
.El ejemplo lineal considerado muestra que no siempre se puede pasar
del sistema (8.49) al sistema (8.50). En efecto, si a < O en la frmula (8.52),
entonces no existe ningn valor de t para el cual la funcin z(t) tiende
a la solucin del sistema degenerado (8.51). Un resultado clsico que da
las condiciones suficientes para que la solucin del sistema degenerado
est cerca de la solucin del sistema inicial cuando E -+ O, es el teorema de
A. N. Tjonov. Analicemos este teorema y su demostracin.
Regresemos al sistema degenerado (8.50). Supongamos que se logr
hallar la solucin 2 = p(y, t) de la ecuacin F(z, y, t) = 0, que Z es una
funcin continua de los argumentos y y t, y que k es una raz aislada de la
ecuacin F ( z , y, t) = O (es decir, incrementando z en un vector pequeo u,
obtenemos F(z u, y, t) # O. Despus de sustituir la solucin hallada en la
ecuacin para y, resulta
Es claro que el vector (jj(t),(o(jj,t)) es solucin del sistema degenerado (8.50).

Introduzcamos el denominado sistema asociado
en el cual el segundo miembro depende de los parmetros y y t. Fsicamente,

este sistema describe los procesos que transcurren en tiempos del orden
de E . Este es el caso de variacin de las componentes rpidas)), durante la
cual las variables lentas casi no varan. Matemticamente, el sistema (8.54) es
necesario para formular un anlogo de la condicin a < O para la solucin
del problema lineal.
Es claro que la solucin 2 = (o(g,t) de la ecuacin algebraica
F(Z,- y, t ) = O es un punto singular del sistema dinmico (8.54). Supongamos que este punto es asintticamente estable, es decir, Z(T) -+ (~(y,t )
cuando T -+m. Supongamos tambin que para los valores y = yo y t = O
de los parmetros, las condiciones iniciales Zo del sistema (8.54) pertenecen
a la regin de atraccin de este punto singular.
Entonces, si se cumplen las condiciones tradicionales de existencia y
unicidad de las soluciones de las ecuaciones diferenciales correspondientes,
para la solucin y(t, E ) , z(t, E) del problema (8.49) se tiene que
-
--
lim y(t, E) = y(t)
para
lim z(t, E) = Z(t) E cp(jj(t), t )
para
&+O
&+O
< t < T,
O < t < T,
O
donde [O, T] es el segmento en el cual se analiza la solucin.

Este teorema proporciona las condiciones bajo las cuales la solucin del
sistema degenerado puede dar una idea del comportamiento del sistema
235
Autooscilociones y ciclos lmites
..
inicial. Sin embargo, en una serie de casos es importante tener una idea
de cmo cambian las variables en la capa lmite. En este caso tambin se
utilizan mtodos asintticos. Las series asintticas correspondientes se diferencian sustancialmente de las que aparecen en los problemas regularmente
perturbados. En los ltimos la solucin aproximada x,(t, E ) a la solucin
exacta ~ ( tE ,) , se busca frecuentemente en forma de una serie de potencias:
Generalmente esta serie tiene una precisin Ilx(t, E ) - z,(t, E)II de oruniformemente en el segmento O t T . En los problemas
den o(~"+'),
singularmente perturbados que hemos analizado, la serie contiene'tambin
trminos denominadosfunciones de capa lmite nk(7):
< <
Las funciones de capa lmite dependen del tiempo rpido, y al igual

que en el problema lineal, contienen un factor exponencialmente decreciente. En los trabajos de A. B. Vaslieva y V. E Butzov se pueden hallar
algoritmos de construccin de tales series para problemas del tipo (8.49),
para ecuaciones integrales, para sistemas con retraso y para un conjunto de
ecuaciones en derivadas parciales. En la literatura este enfoque se denomina
mtodo de la capa lmite.
As pues, en los problemas singularmente perturbados, en las. fronteras de las regiones de variacin de las variables independientes pueden
surgir capas lmites. Pero tambin puede tener lugar una situacin ms
compleja. Anteriormente analizamos sistemas tipo reaccin-difusin, utilizados ampliamente en-la simulacin de diferentes sistemas no-lineales. Las
estructuras disipativas estacionarias que stos describen estn determinadas
en el caso unidimensional por las soluciones del problema de contorno para
el sistema de dos ecuaciones diferenciales ordinarias de segundo orden
En una serie de modelos de la morfognesis y la cintica qumica

se supone que existe cierta sustancia u (activador) que estimula el
surgimiento de las heterogeneidades e inestabilidades, y cierta sustancia v
(inhibidor)que obstaculiza estos procesos. En muchos casos resulta que
236
Captulo pi
I
los coeficientes de difusin de las sustancias se diferencian en varios rdenei

DI < D,. En este problema el parmetro pequeo es el cociente E = D 1 / ~ @
de los coeficientes de difusin.
En estos casos surgen las denominadas capas limites internas (fig. 8.12 li)- La escala caracterstica de variacin de la variable v est determinada pijt
el coeficiente D,.El ancho de los picos del activador est relacionad($
con el coeficiente DI.
Las estructuras disipativas de este tipo, denominadas
.estructuras picudas, han sido descubiertas en muchos sistemas no-lineales;
El anlisis asinttico de tales soluciones es un problema bastante complejoi
pues es necesario determinar el nmero y la posicin de las capas lmites;
Adems, usualmente el problema (8.55) posee no una, sino muchas soluci0nes, con la particularidad de que su nmero crece al aumentar la longitud 1
de la regin. Esto genera dificultades complementarias.
Un ejemplo clsico de oscilaciones de relajacin es proporcionado por la
ecuacin de Van der Po1 analizada en este captulo. Est claro que es posible
elegir los parmetros del esquema elctrico de modo que el parmetro
pequeo sea el coeficiente de la derivada de orden superior:
EX+
(x2- l ) x + x = O.
La ecuacin degenerada (x2 - l)x
(8.56)
+ x = O se puede integrar:
r,
La forma caracterstica de las curvas integrales para este caso se muestra

en la figura 8.13 b. Debemos destacar el valor t = a - 112 del tiempo. En este
punto se tiene x = f1, y las cuatro ramas determinadas por la frmula (8.57)?
no pueden ser continuadas.
Ntese la diferencia fundamental entre esta situacin y la situacin considerada en el_____teorema
______________de A. N. Tionov. En la -ltimafiguran sistemas-enlos
c-ales la ecuacidn degenerada tiene solucin para O t < OO. Precisamente
estas soluciones atraena las Qayectorias del sistema perturbado. En el caso
--
<
Fig. 8.13. Ecuacin de Van der Po1 con e l parmetro pequefio en la derivada superior:
a) forma caracterstica del ciclo lmite en e l plano de Linard; 6 ) curvas integrales de La
ecuacin para E = O; C) forma tpica de las oscilaciones de relajacin
237
.-
analizado estas trayectorias desaparecen y se puede esperar que los procesos

rpidos, determinados por el trmino EX, conviertan la solucin en una
trayectoria lenta, descrita por la frmula (8.57) para otro valor de la constante a. La curva integral resulta como que cosida de pedazos rpidos y
lentos (fig. 8.13 c). Surge una pregunta: jcmo se debe realizar este cosido?
Hagamos un cambio de variables y pasemos a un sistema de ecuaciones
de primer orden:
x3
E X = U - F ( x ) , u=-$,
F ( x ) = 3 - x.
(8.58)
El espacio de fase de esta sistema se denomina plano de Linard.
Derivando la primera ecuacin del sistema (8.58) y sustituyendo en ella la
expresin de u de la segunda ecuacin, se puede verificar que realmente este
sistema es equivalente al modelo (8.56). Los campos vectoriales definidos por
sistemas del tipo EX = f (x, u), u = g(x, u), se denominan frecuentemente
campos vectoriales rpido-lentos. En la figura 8.13 a se muestran las isoclinas
nulas (es decir, las curvas dadas por las condiciones f (x, u) = O y g(x, u) = 0)
x3
para el sistema (8.58). La condicin x = O se cumple en la curva u =
- x.
J
Tomemos en la primera ecuacin del sistema (8.58) la variable u como
dF
un parmetro. Entonces - - -x2 + 1. Esta magnitud es negativa para
dx
x3
1x1 > 1 y positiva para 1x1 < l. Por consiguiente, la curva U = - - x est
3
compuesta de los puntos singulares))del sistema EX = u - F(x),los cuales
son estables para 1x1 > 1 e inestables para 1x1 < l. Conforme a esto, en la
x3
curva lenta u = - - x se pueden destacar los tramos atrayentes para 1x1 > 1
3
y los tramos repelentes para 1x1 < l.
Es natural suponer (procediendo, por ejemplo, por analoga con
.- el
principio de retardo mximo en la teora de las catstrofes) que el ciclo
lmite tiene el aspecto indicado en la figura 8.13 a, es decir, yace en un
entorno de la curva cerrada r definida mediante las relaciones
,
n
m3
Un anlisis asinttico bastante complejo de la trayectoria en el entorno de

la curva r, permite obtener la siguiente expresin para el perodo:
238
Captulo 4
donde las constantes Do, a,,

I, se expresan mediante funciones especiales,
Esta frmula fue obtenida en 1947 por A. A. Dorodnitsyn.
En los aos 80 fue desarrollado un nuevo e inesperado enfoque para
el anlisis de los sistemas singularmente perturbados y de las oscilacione~
de relajacin, el cual simplific toda una serie de razonamientos. Dicho en2
foque est relacionado con el denominado anlisis no-estndar. Un momento
fundamental en la construccin del anlisis matemtico es la introduccion
de magnitudes infinitamente pequeas (infinitsimas) e infinitamente grax~des (infinitas). Sin embargo, en el enfoque tradicional no se logra dar un
sentido riguroso a los conceptos de pequeoy grande. No se logra dar
rigurosidad a expresiones evidentes como la suma.de un nmero pequeo
de sumandos pequeos es pequea o la diferencia de un nmero grande
y un nmero pequeo es un nmero grande. En el anlisis no-estndar
se construye una teora matemtica en la que figuran nmeros habituales o
nmeros esfndares, los nmeros infinitos y los nmeros infinitsimos.
Un nmero real x se denomina nmerofinito si existe un nmero entero'
estndar n tal que 1x1 < n. Un nmero x no-finito se denomina nmero
infinito. Un nmero real se denomina nmero infinitsimo si 1x1 < l/n para
todo nmero estndar positivo n. En uno de los enfoques de construccin
de tal anlisis se utiliza eficazmente la axiomtica de la teora de probabi-"
lidades, donde las aplicaciones se pueden considerar equivalentes si ellas
son iguales en casi todas partes.
De este modo, cerca de una aplicacin dada hay una aureola de
aplicaciones que se diferencian de ella en un infinitsimo. As mismo, cerca
de un nmero estndar aparece una aureola de nmeros que se diferencian
de l en un infinitsimo.
En el anlisis de la ecuacin de Van der Po1 mediante estos mtodos,
la magnitud
--E se considera infinitsima, Naturalm~te,~~t~od~s~los~resultados
obtenidos mediante el anlisis no-estndar pueden ser deducidos utilizando
otros instrumentos matemticos. Sin embargo, esta tcnica permite simplificar los razonamientos y obviar una serie de teoremas relacionados con
el paso al lmite. Con su ayuda se logr no slo reproducir resultados
conocidos, referentes a una serie de ecuaciones diferenciales ordinarias
singularmente perturbadas, sino tambin descubrir un fenmeno no-lineal
interesante denominado gato.
Este fenmeno se puede ilustrar mediante la ecuacin de Van der Po1
con trmino independiente.En el plano de Linard esta ecuacin se escribe en

la forma E X = u - F(x), U = a- x.El nico punto fijo es (a, F(a)).Para a < 1
este punto es un nodo inestable y para a > 1, es un nodo estable. Para U = 1
Autooscilacjones y ciclos lmites
tiene lugar una bifurcacin

de nacimiento de un ciclo lmite. La presencia del parmetro infinitsimo E provoca
que la amplitud de este ciclo
crece excepcionalmente rpido en un entorno del punto de bifurcacin (fig. 8.14).
La magnitud de dicho entorno se puede estimar mediante la relacin
239
/-j
-****e.
i
a =0399*7404512
Fig. 8.14. Ecuacin de Van der Po1 con trmino independiente singularmente perturbada. Crecimiento
superrpido de La amplitud del ciclo lmite despus
de La bifurcacin de Hopf. Aqu e = 0,01
Este fenmeno se puede considerar como una especie de resonancia,

en la que la trayectoria sigue durante algn tiempo un tramo repelente
de la curva lenta (sector decreciente de la parbola cbica). Debido a su
forma, estos ciclos lmites notables comenzaron a ser denominados patos
(fig. 8.15). Result que este modelo clsico, detalladamente investigado,
posee notables particularidades cualitativas.
Cuello
Fig. 8.15. Forma caracterstica de las resonancias denominadas patos. Las trayectorias
patos siguen durante algn tiempo un tramo repelente de La curva Lenta
En el anlisis-d e las-ecuaciones diferenciales no-lineales singularmente perturbadas se utiliza ampliamente la simulacin computacional. Sin
embargo, aqu es necesario prestar una especial atencin a los algoritmos computacionales que se aplican, y utilizar frecuentemente mtodos
numricos especiales.
La esencia de las dificultades surgidas se puede ilustrar mediante
el ejemplo de un problema lineal de capa lmite. Consideremos un peso
pequeo de masa E unido a un resorte dentro de un medio con rozamiento
viscoso. Supongamos que su dinmica es descrita por la ecuacin diferencial
La solucin de esta ecuacin es
x ( t ) = C, exlt + c2eA2',
donde A,, X2 son en este caso los valores propios de la matriz de Jacobi A,
y C,,C2 son constantes determinadas por las condiciones iniciales. Aqu
El nmero de condicin de esta matriz es
Para E pequeo este nmero es muy grande. Tales matrices se denominan,

generalmente, matrices mal condicionadas.
El cuadro cualitativo aqu es el mismo que el de la figura 8.12 a.
El trmino c1eXlt
es esencial en tiempos del orden de 1 / y~describe la capa
lmite. En esta regin la derivada dxfdt es muy grande.
El trmino c2exzt
es el principal para t > E y describe una funcin de
variacin lenta.
Supongamos que z(t) es la solucin de un sistema de ecuaciones
diferenciales ordinarias para la cual se cumple la desigualdad
donde T es el intervalo en el que se considera la solucin, L ( x ( t ) ) es el

mdulo del mayor valor propio de la matriz de Jacobi en este intervalo, y N
es un nmero grande que muestra cuntas veces disminuye la derivada
fuera de la capa lmite. En la matemtica computacional las ecuaciones
diferenciales que poseen tales soluciones se denominan ecuaciones rkidas.
Sera natural enfocar la solucin numrica de los sistemas rgidos del
siguiente modo. En la capa lmite se toma un paso temporal pequeo que
asegure una precisin suficientemente alta. Fuera de la capa la funcin ~ ( t )
cambia lentamente, y el paso se puede aumentar-considerablemente, lo
que hace que el volumen de clculos sea admisible. Lamentablemente, este
enfoque ingenuo casi siempre fracasa. En la mayora de los mtodos efectivos
para la resolucin de los sistemas no-rgidos, el intento de aumentar el paso
conduce frecuentemente a un crecimiento brusco del error.
Este fenmeno, denominado a veces rigidez, se puede ilustrar con la
ecuacin
x = ( Y ( x - ( o ) + I ~ , x(O)=X0, p(0)=po,
(8.60)
donde
(o
es una funcin dada del tiempo. La solucin de esta ecuacin es
El mtodo de Euler conduce en este caso a la aplicacin
Autooscilaciones y ciclos Im ites
241
.donde h es el paso temporal. Escribiendo esta aplicacin en la forma
se puede hallar una expresin explcita para z,:
Observando esta funcin queda claro que el mtodo de resolucin numrica

es estable si
11 ha1 < 1.
(8.62)
En caso contrario, un error pequeo en la definicin de zo (o0 crecer en

progresin geomtrica al aumentar el nmero del paso.
Sea (Y = -lo9, p(t) = e-t, O t 1. En este caso el sistema (8.60) es
rgido: en la capa lmite z(t) cambia como elodt y fuera de ella, como e - t .
Aqu sera natural utilizar un paso h grande. Sin embargo, cunforme a (8.62),
el problema de integracin numrica ser estable si h < 2Para obtener
la solucin de esta ecuacin diferencial elemental por un mtodo explcito,
hay que realizar un nmero de pasos del orden de los mil millones.
Utilicemos ahora para la resolucin el mtodo implcito de Euler, en el
cual el segundo miembro en el paso n se calcula a partir de los valores de
las variables en ese mismo paso (a diferencia del mtodo explcito de Euler,
donde se utilizan los valores del paso n - 1).Si la ecuacin fuera no-lineal,
entonces en cada paso temporal se tendra que resolver un sistema de
ecuaciones algebraicas no-lineales. Aqu, debido a la linealidad y a la forma
especial de la ecuacin, se puede hallar explcitamente 2:,
< <
Zn+1
= tn+ h ~ ~ n - 1 h4 (-~ ' , + l -~ ( P , + I )
La condicin de estabilidad de este algoritmo es
De este modo, en el caso de valores negativos de (Y, como en la ecuacin

considerada, no hay limitaciones sobre el paso de integracin. El paso se
puede elegir a partir de consideraciones de aproximacin de la derivada
'n+1 - ' n
. Despus, dependiendo del carcter de la
mediante la diferencia
h
solucin, es posible aumentar el paso.
242
Captulo 8
.-
La necesidad de resolver problemas singularmente perturbados en

la simulacin de muchos procesos no-lineales, condujo al surgimiento de
muchos mtodos especiales orientados a los sistemas rgidos. Naturalmente,
esta clase de problemas tambin se presentan durante la resolucin numrica
de ecuaciones en derivadas parciales. En este tipo de problemas, a menudo
es necesario ajustar tanto el paso temporal como el espacial. La construccin
de algoritmos de este tipo (esquemas en diferencias adaptables a la solucin)
es en la actualidad una de las direcciones de ms rpido desarrollo en la
matemtica computacional.
1. La interaccin competitiva de dos especies (o la autoinhibicin de dos grupos de

neuronas) se describe en una serie de trabajos mediante el modelo matemtico
Investigar el comportamiento cualitativo de las soluciones para diferentes

valores de n, suponiendo que Q = 112.
2. El estado de equilibrio en un sistema autnomo de dos ecuaciones diferenciales
ordinarias es tal que A, <O, 4 0. Es siempre estable este estado de equilibrio?
3. Cmo se comportan las trayectorias de fase de un sistema dinmico cuyo
punto singular es una silla-nodo
<
x = Xx , y = by?
4. Para la descripcin de la reaccin qumica oscilante de Belosov-Zhabotinski,
R. Field y R. Noyes propusieron el esquema de reaccin siguiente:
donde f es cierto coeficiente. Cul es el sistema de ecuaciones diferenciales

qu describe la variacin de las concentraciones de las sustancias X, Y, Z?
Cuantos parmetros esenciales hay en este modelo? Cmo son? Bajo qu
condiciones el punto singular de este sistema pierde la estabilidad? (Respuesta.
Este modelo, denominado oregonador, puede ser reducido a la forma
2
- y - z y f fz
k = s ( y - z y + z - q x ), y =
, Z = W(X - t).
S
Los valores caractersticos de los coeficientes son p

parmetro de bifurcacin.)
lo-',
lo2; w es el
A utooscilaciones y ciclos 1mites
243
5. Las ecuaciones clsicas del movimiento de un avin en un plano vertical tienen

la forma
p = p - coscp,
p = 2p(A - pp - sen 10).
Realizar un anlisis cualitativo de este sistema para diferentes p. Hay en este
sistema trayectorias heteroclnicas que van de un punto singular a otro? Cmo
se comporta el sistema para otros valores de p?
6. Para la descripcin fenomenolgica de la prdida rgida de la estabilidad en
los sistemas autooscilantes, en una serie de trabajos se utiliza la ecuacin
donde W es una funcin compleja y A,, A,, A, son parmetros complejos.

Realizar un anlisis cualitativo de este modelo y construir el diagrama de
bifurcaciones.
7. Para la descripcin de las oscilaciones glicolticas, en calidad de modelo matemtico elemental se utiliza el sistema dinmico
2 = 1-xy7,
y=4xy7-4y,
7>0.
Realice un anlisis cualitativo de este sistema.
8. El sistema elemental con retroalimentaci6n negativa retardada tiene la forma
Tales modelos surgen, por ejemplo, en la descripcin del sistema inrnunolgico.
Obtener las condiciones para las cuales el estado estacionario de este sistema
es estable. Bajo qu condiciones pueden surgir procesos oscilantes en este
sistema?
9. Consideremos el pndulo descrito por el sistema
S + g(t)x
+ w2(t)x= o,
donde w(t) es una funcin montona positiva. Obtener las condiciones suficientes de acotacin de las oscilaciones en este sistema. (Indicacin. Realizar
t
el cambio de variables
u($)
ds y analizar la variacin de energa del
i
sistema.)
10. Investigue el comportamiento cualitativo de los sistemas dinmicos
Bibliografa
Las nociones bsicas de la teora clsica de oscilaciones, en la cual los ciclos lmites
desempean un papel clave, se presenta en los libros:
Andronov A. A., Vitt A. A,, Khaikin S. E. Theory of Oscillators. Dover, 1989;
Rabinvich M. 1,Trubetskov D. 1. Introduccin a la teora de oscilaciones y ondas
(en ruso);
244
Captulo 8
.-
Bautin N. N,,Leontvich E. A. Mtodos y procedimientos de investigacin

cualitativa de sistemas dinmicos en el plano (en ruso).
Resultados ms rigurosos se exponen en el libro:
Hartnzan P. Ordinary Differential Equations. Wiley 1964.
Los mtodos asintticos de anlisis de tales sistemas se consideran en el libro:
Nayfeh A. H. Perturbation Methods. John Wiley 1973.
Como una introduccin a la teora de los problemas singularmente perturbados
puede servir el libro:
Vass'lievuA. B., Butzov V: E Desarrollo asinttico de las soluciones de ecuaciones
singularmente perturbadas (en ruso).
Los mtodos de investigacin de las oscilaciones de relajacin se analizan detalladamente en el libro:
Mischenko E. E, Rozov N.Kh. Differential equations with small parameters and
relaxation oscillations. Plenum Press, 1980.
El uso del anlisis no-estndar en la investigacin de los problemas singularmente
perturbados se considera en los artculos:
Cartier P. Pemirbations singulieres des quations diffrentielles ordinaire et
analyse non-standard. Asterisque 92-93, 1982;
Zvonkin A . K., Shubin M . A. Non-standard analysis and singular perturbations
of ordinary differential equations. Russian Math. Surveys, t. 39, 2, 1984.
A los algoritmos de investigacin de los sistemas rgidos est dedicado el libro:
Rakitski Yt4. V , Ustnov S. M., Chernorutski 1.G. Mtodos numricos de resolucin
de sistemas rgidos (en ruso).
Los libros siguientes son ms apropiados para fsicos:
Moisieu N. N. Mtodos asintticos de la mecnica no-lineal (en ruso);
Trubetskov D. 1. Introduccin a la sinergtica. Caos y estructuras. Editorial URSS,
2005 (de prxima edicin en espaol).
Acerca de los fundadores del anlisis asinttico y sobre las fuentes de esta direccin de
las investigaciones y de muchas otras aplicaciones nuevas se puede consultar el libro7
Andrinou 1. V , hrntsev R. G., Manivich L. 1. Matemtica asinttica y sinergtica. Editorial URSS, 2004 (de prxima edicin en espaol).
Mtodos topoLgicos
en la investigacin
de Los sistemas no-lineales
En cierto sentido la topologa es la ciencia que
estudia la continuidad: partiendo de la continuidad
del espacio o de las formas, ella pasa a las generalizaciones, las cuales despus conducen a un nuevo
concepto de continuidad, y el espacio habitual,, tal
como nos lo imaginamos, se queda muy atrs, lejos.
S. Barr
Las imgenes y nociones geomtricas desempean un papel importante

en la investigacin de los fenmenos no-lineales. En particular, adquieren
un significado especial los mtodos de una rama de la matemtica que
inicialmente formaba parte de la geometra, la topologa. En 1872 el notable
matemtico Felix Klein formul un programa de investigacin relacionado
con la clasificacin de las diferentes reas de la geometra, denominado
Programa Erlangew.
*Lasfiguras geomtricas en el plano o el espacio pueden ser someti;
das a diversas transformaciones (traslaciones, rotaciones, deformaciones).
Es natural averiguar cules propiedades de las figuras se conservan cuando
stas son sometidas a una u otra transformacin. El sistema de afirmaciones
relacionadas con tales propiedades constituye la geometra de la clase dada
de transformaciones. Por ejemplo, en la geometra afn la traslacin paralela
y la .simetra central son transformaciones admisibles. Las afirmaciones de
esta geometra, muchas de las cuales eran conocidas por Euclides, son
vlidas al proyectar paralelamente de un plano a otro. En esta geometra no
se consideran las circunferencias, ni se miden los ngulos. En cambio, sus
afirmaciones so11 vlidas en la geometra del espacio-tiempo de Minkowski,
utilizada en la teora especial de la relatividad.
El grupo que caracteriza a la geometra afn est compuesto por las
transformaciones afines (x, y) + (x', y'), donde
246
Captulo 9
x' = ax + by + p ,
y' = cx
Fig. 9.1. En la geometra proyectiva se consideran Las propiedades que se conservan al

realizar una proyeccin central
+ dy + q,
ad - bc # O.
La ltima desigualdad es necesaria para que la transformacin sea

biunvoca. En la geometra proyectiva se analizan las propiedades
que se conservan al realizar una
proyeccin central desde un punto O de las figuras de un plano r
sobre un plano r' (fig. 9.1). En este caso 10s planos y
pueden
ser paralelos o no. Un invariante
respecto a tales transformaciones
es la relacin doble
Sin embargo, las transformaciones consideradas en las geometras afn

y proyectiva son casos particulares del grupo ms amplio de las transformaciones topolgicas. Estas transformaciones entre los puntos p de una
figura A y los puntos p' de una figura A' poseen las propiedades siguientes:
1. Biunivocidad. En otras palabras, a cada punto p de la figura A le
corresponde un nico punto p' de la figura A' y viceversa.
2. Continuidad en ambos sentidos. Si tomamos dos puntos p y q de la
figura A y comenzamos a mover p de modo que la distancia entre
p y q tienda a cero, la distancia entre los puntos p' y q' de la
figura A' tambin tender a cero (fig.9.2). Esto tambin es vlido para
la transformacin inversa A' -+ A.
Las aplicaciones que poseen estas dos propiedades se denominan
aplicaciones horneonzorfas. Las propiedades de las figuras que no cambian bajo
las transformaciones homeomorfas se denominan propiedades topolgicas de
las figuras o invariantes topolgicos.
Precisamente del estudio de las propiedades topolgicas de las figuras
es que se ocupa la topologa.
Para ilustrar la diferencia entre las geometras mencionadas anteriormente, veamos en qu figuras se puede transformar un cuadrado ABCD
mediante diferentes transformaciones (fig.9.2 a). Las transformaciones afines
pueden transformar este cuadrado en un paralelogramo arbitrario A'B'C'D'
(fig.9.2 b). Las transformaciones proyectivas lo pueden transformar en un
cuadrngulo arbitrario AuB"C"D" (fig. 9.2 c). Las transformaciones topolgicas en el plano se definen mediante aplicaciones homeomorfas x' = f (x,y),
247
.-
Fig. 9.2. Las transformaciones afines permiten transformar e l cuadrado ABCD en e l

paralelogramo A'B'CtD'; las transformaciones proyectivas, en e l cuadrngulo AttB"C"D";
las transformaciones topolgicas, en una mancha>>o un pulpo
y' = g(x,y). Aqu el grado de arbitrariedad es muy grande: f y g pueden

ser cualesquiera dos funciones no-lineales que satisfagan esta exigencia.
Las transformaciones topolgicas pueden convertir el cuadrado ABCD
en cualquier figura sin huecos en su interior (o, como se dice, en una
figura simplemente conexa) A"'B'"C"'Dtl'. Esta figura puede ser una mancha. (fig. 9.2 d) o bien un pulpo (fig. 9.2 e), pero los puntos A"'B1"C"'D"'
pertenecern a la frontera de la figura. La propiedad de ({pertenecer a la
frontera es un invariante topolgico. Adems, el orden de los puntos en la
frontera At1'B"'C1''D'" es exactamente igual al de la figura inicial. En otras
palabras, si nos movemos a lo largo de la frontera de la figura inicial
pasando consecutivamente por los puntos A, B, C y D, entonces, cuando
recorramos la frontera de la figura A"'B"'C1''D", si partimos del punto A"
y llegamos al punto B"', podemos estar seguro que luego encontraremos
al punto C'", a continuacin al punto D"', y despus volveremos al punto
inicial A'". No obstante, la forma de la figura puede ser caprichosa, como
es el caso de la mancha o del pulpo.
Para ilustrar la idea de transformacin topolgica, imaginmonos que
la figura inicial est dibujada sobre una hoja de goma que se puede
deformar arbitrariamente sin romperse ni superponerse. Todo lo que se
248
Captulo 9
obtenga en esta hoja a partir de la figura inicial, es su imagen despus de

la transformacin topolgica.
Por cuanto durante la descripcin de muchos fenmenos no-lineales surgen funciones no-lineales continuas arbitrarias, el estudio de las
propiedades topolgicas de estas ltimas es muy importante.
Los mtodos topolgicos son probablemente los instrumentos ms
poderosos de demostracin de los teoremas de existencia. Se puede decir
que en muchos casos los mtodos topolgicos proporcionan el aprincipio
de prohibicin)), es decir, muestran cules son, entre una clase amplia,
las propiedades que en principio no puede poseer el modelo matemtico.
Adems, en los ltimos anos se desarrolla activamente una serie de campos
donde la topologa proporciona la llave para la creacin de objetos con propiedades fsicas fundamentalmente nuevas. Intentemos, mediante ejemplos
elementales, dar una idea de las posibilidades de este enfoque.
Continuidad. Un ejemplo simple de teorema topolgico es la afirmacin

siguiente, la cual se demuestra habitualmente en los cursos de anlisis
matemtico.
(x) est definida y es continua para todos los

valores x de cierto intervalo cerrado a x < b, entonces en este intervalo f (x)
alcanza su valor mnimo m y su valor mximo M . Adems, para todo valor
de y en el intervalo cerrado n2 < y < M , la ecuacin y = f (x)tiene al menos
una solucin x perteneciente al intervalo a < x < b.
Teorema. Si una funcin f
Este teorema se ilustra en la figura 9.3. En el lenguaje geomtrico,

significa que una curva continua que va desde el punto de mnimo (x,, m)
hasta el punto de mximo (xM,M) corta al menos una vez a cualquier
recta horizontal y = c, donde c es un nmero arbitrario tal que m c M.
En la figura se ve que esta ecuacin no-lineal puede tener varias soluciones.
Un rasgo notable de este teorema es su generalidad: l es vlido para
cualquier funcin continua. Un aspecf(x)
to negativo es que tanto el teorema
M
como su demostracin no dan una
informacin ms concreta sobre la solucin o el mtodo para hallarla.
Con este teorema estn relacioY
nados varios resultados interesantes
e inesperados. Veamos dos de ellos.
m
El primer resultado lo constituye
la solucin del denominado problema
de Wkitney. Un tren se mueve desde
a 31 Xm 2 2 XALI
un punto A hacia un punto B seFig. 9.3
gn una ley de movimiento arbitraria
< <
1
'

.-
249
= f (t),donde S es la distancia medida desde el punto A. Supongamos

que el tren puede acelerar o desacelerar, e incluso, durante cierto tiempo,
moverse hacia atrs. Del piso de uno de los vagones est sujeta una barra
pesada. La barra puede girar sin rozamiento alrededor de un eje paralelo a
los ejes del vagn, hacia adelante y atrs, desde una parte del piso hasta la
otra, con la particularidad de que al tocar el piso puede quedarse all y dejar
de moverse. Surge la siguiente pregunta: jes posible en el instante cuando
el tren arranca colocar la barra en una posicin inicial a tal que durante
todo el camino desde A hasta B ella no toque el piso del vagn (fig.9.4)?
Por asombroso que parezca, tal
posicin existe para cualquier ley de
movimiento s(t). Para demostrar esto ni siquiera es necesario conocer
las leyes de la dinmica. Es suficiente
A
B
saber que el movimiento de la barra
est determinado por cierta ecuacin
Fig. 9.4
diferencial. Supongamos que la solucin de esta ecuacin depende continuamente de las condiciones iniciales y
que en el instante inicial la barra esta fija y forma un ngulo a, con el piso del
vagn. La interpretacin fisica de continuidad aqu es evidente: si para una
determinada posicin inicial a, la barra se cae durante el movimiento hacia
la derecha (a = O), entonces para a, Acto, donde Aso es una magnitud
suficientemente pequea, ella no se caer hacia el lado opuesto (a = 180").
Hagamos la demostracin por el mtodo de reduccin al absurdo.
Supongamos que para toda posicin inicial, en el punto B la barra obligatoriamente se cae hacia uno u otro lado, es decir, el ngulo a toma uno de
los valores O" 180".
Definamos una funcin f (a,) de la manera siguiente. Supongamos
que esta funcin es igual l valor del ngulo a formado por la barra y
el piso en el punto B, dividido por n. Entonces f (a,) = 1 si durante el
movimiento la barra se cae hacia la derecha y f (a,) = -1 si la barra se cae
hacia la izquierda para un tiempo suficientemente grande. Naturalmente,
la funcin f (ao)es continua. Es evidente que f (O) = +1 y f(180")= -1.
Supongamos ahora que la funcin toma slo dos valores, es decir, la barra
siempre cae, independientemente de a,. Del teorema formulado al inicio
de este pargrafo, se deduce que f (a,) = O para cierto a,. Esto contradice
la suposicin de que la funcin f (x) toma slo dos valores +1 y -1. Por
consiguiente, existe al menos una posicin inicial ZY, para la cual la barra
no se cae al piso durante el recorrido del tren desde A hasta B.
Ahora veamos el segundo problema. Se puede circunscribir cualquier
figura plana acotada F con un cuadrado, de tal manera que cada lado del
cuadrado toque al menos un punto de la figura F?
S
250
Captulo 9
Fig. 9.5
Los razonamientos que demuestran que esto siempre se puede hacer,

son los siguientes. Elijamos dos rectas paralelas arbitrarias 1 y 1' que formen
cierto ngulo a con la horizontal. Traslademos estas rectas paralelamente
a s mismas, hasta que toquen la figura F. Supongamos que las rectas
obtenidas son y P (fig. 9.5 a). A continuacin elegimos dos rectas m y m'
perpendiculares a las rectas 1y 1'. Trasladamos estas dos rectas paralelamente
a s mismas hasta que toquen la figura F. Supongamos que las rectas
obtenidas son y fi' (fig. 9.5 b). As pues, la figura F result inscrita en el
rectngulo ABCD. Demostremos que para cierta direccin a* de la recta
1 = l(a*), este rectngulo se transforma en un cuadrado.
Denotemos la longitud del lado AD, paralelo a 1, mediante hl(l(a)),
y la longitud del lado AB, mediante h2(l(a)).El rectngulo ABCD es un
cuadrado si h,(l(a)) = h,(l(a)). Giremos ahora la recta l . Cuando 1 gire 90'
coincidir con m, el lado AD ocupar el lugar de AB, y el lado AB ocupar
el lugar de AD. Por consiguiente,
Consideremos la funcin g(a) = h,(l(a)) - h,(l(a)). Es evidente que
g(a) = h, (1(a))- h2(1(a)) = h2(1 (a 90')
) - hl (1 (a +90') ) = -g (a + 90),
es decir, la funcin g(a) tiene signos diferentes en los puntos a y a 90".

Por tanto, de acuerdo con el teorema formulado, existe un valor a* tal
que g(a*) = O. Consiguientemente, hl(l(a*))= h2(l(a*)).Para este valor del
ngulo el rectngulo circunscrito es un cuadrado (fig. 9.5 c).
Conjuntos abiertos, continuidad e invariantes topolgicos. En la geometra de goma, en la cual se permiten dilataciones, compresiones y
muchas otras transformaciones continuas, no tiene sentido medir ngulos,
longitudes y reas. Aqu se vuelven claves tales conceptos como entorno,
conjunto abierto y conjunto cerrado.
251
Ilustremos estos conceptos mediante ejemplos elementales y mostremos

cmo se puede hablar de continuidad en este lenguaje topolgico.
Supongamos que cierto conjunto X pertenece al espacio eucldeo Rn.
Segn el teorema de Pitgoras,.en este espacio la distancia entre dos puntos
A y B de coordenadas (xf, .'. ,xn) y (x;, . .,x:), respectivamente, se
determina mediante la frmula
Sea x un punto del conjunto X, y r cierto nmero positivo. Entonces el
conjunto de todos los puntos de X cuyas distancias hasta x son menores que r, se .
denomina entorno de radio 7 del punto x en el conjunto X y se denota mediante
el smbolo N ( r , x, X).
Definicin. Un subconjunto U de un conjunto X (U C X) se denomina
conjunto abierto en X si para todo punto x E U existe un nmero r > O
tal que N($,
T , U)C U.
El lector puede verificar que todos los entornos son conjuntos abiertos,
y que la interseccin de cualquier nmero finito de conjuntos abiertos en X

es un conjunto abierto en X.
Tambin es natural considerar abierto al conjunto vaco 0 , el cual no
contiene a ningn punto. Por cuanto el conjunto 0 no tiene puntos, se
puede considerar que cada punto suyo tiene un entorno contenido en 0 .
Por otro lado, si un conjunto A no es abierto, entonces l contiene cierto
punto que no tiene entorno contenido en A. Por consiguiente, tal conjunto
no puede ser vaco.
Definicin. Sea X un conjunto en Rn. El subconjunto A C X se
denomina conjunto cerrado en X si su complemento (es decir, el conjunto
de los puntos que pertenecen a X, pero no pertenecen a A) es abierto.
En otras palabras, A es cerrado en X si X - A es abierto en X.
Las definiciones introducidas permiten formular una definicin topolgica de continuidad.
Teorema. Una funcin f: X -+ Y es continua si, y slo si, la preimagen
de todo conjunto abierto en. Y es un conjunto abierto en X . O bien, una
funcin f es continua si, y slo si, la preimagen de todo conjunto cerrado
en Y es u n conjunto cerrado en X .
La definicin clsica que se estudia en los cursos de anlisis matemtico,
la cual se remonta a la poca de Cauchy y utiliza el lenguaje &E, es la
siguiente. Una funcin f es continua si para todo punto x E X y todo E > O
existe un 6 > O tal que f aplica el G-entorno del punto x en el -entorno
del punto f (x).
252
Captulo 9
Supongamos que f es una funcin continua y V es cierto conjunto

abierto en Y. Debemos demostrar que todo punto x E f-'V posee un
entorno contenido en f-'V. Por cuanto f (x) E V y V es un conjunto
abierto en Y, entonces existe un nmero E > O tal que N(f (x), E,Y) C V.
Puesto que la funcin f es continua, conforme a la definicin clsica de
continuidad, existe un 6 > O para el cual la imagen del entorno N(x, 6, X)
est contenida en N(f (x), E, Y) y consiguientemente, en V. De este modo,
N(x, 6, X) C f -'V, es decir, la preimagen de todo conjunto V abierto en Y,
es abierta en X .
Demostremos ahora la afirmacin recproca. Supongamos que la funcin f es tal que la preimagen f-'V de todo conjunto V abierto en Y
es abierta en X. Demostremos que f es continua segn la definicin en
el lenguaje 6-6. Sean x E X y E > O. El entorno N(f (x), E, Y) es un
conjunto abierto en Y. Denotemos mediante U su preimagen en X. Segn
la condicin del teorema, el conjunto U es abierto. Por consiguiente, existe
un entorno N(x, 6, X) contenido en U. El entorno N(x, 6, X) est contenido en f -'V. Por eso, f (N(x, 6, X)) C N (f (x), E,Y), as que la funcin es
continua en el sentido de la definicin 6-E.
El lector puede demostrar de manera anloga la parte del teorema
referente a los conjuntos cerrados.
As pues, las transformaciones continuas aplican conjuntos abiertos en
conjuntos abiertos. En otras palabras, la propiedad de un conjunto de ser
abierto es un invariante topolgico.
Sin embargo, supongamos que el conjunto es cerrado, por ejemplo,
una letra dibujada en una hoja de goma. Podemos imaginarnos las configuraciones extravagantes que puede adquirir esta letra despus de una serie
de compresiones y dilataciones. No es difcil transformar la letra C en
una S, a continuacin en una G, despus en "U", etctera. Por eso, surge
de cules letras no pueden ser transformadas la una en la otra.
la
Evidentemente, no se pueden transformar las letras que tienen invariantes topolgicos diferentes. Por ejemplo, la letra no se puede transformar
en una D, puesto que la N se compone de dos partes separadas y
la .D, de una parte. El nmero de pedazos o componentes conexas (es
decir, el nmero de partes por las que se puede viajar sin abandonar la
figura) es un invariante topolgico. Dos figuras homeomorfas tienen un
mismo nmero de componentes.
Se puede considerar que una letra est formada por un nmero finito
de arcos. En la topologa, las figuras compuestas de un nmero finito de
arcos se llaman grafos finitos. En un grafo finito se puede destacar una
coleccin de puntos (vrtices del grafo) unidos mediante arcos (aristas del
grafo) que no se cortan. Dos vrtices pueden estar unidos por varias aristas.
Adems, pueden existir aristas cerradas (bucles o lazos) las cuales comienzan

.-
253
y acaban en un mismo punto. El nmero de aristas que inciden en un

mismo vrtice se denomina grado del vrtice. Est claro que el nmero de
vrtices que poseen un mismo grado es un invariante topolgico de una
figura. Esto permite, por ejemplo, demostrar que la letra T no se puede
convertir en una H. La primera letra tiene un solo vrtice de grado tres,
mientras que la H tiene dos.
Todos los invariantes topolgicos de este tipo parecen muy simples
y evidentes. Sin embargo, incluso ellos resultan ser muy tiles durante
la resolucin de problemas nada fciF - - les. En la microelectrnica, por ejemplo,
muchas veces es necesario determinar
si es posible unir sin intersecciones un
conjunto de puntos dispuestos en un
mismo nivel. El problema ms simple
de este tipo es el problema de las casas
y los pozos. Consideremos seis puntos
en un plano: las casas D I ,D,,D3 y los
pozos K,, K,, K3. Se pide determinar si
es posible trazar senderos desde cada
Fig. 9.6
casa hasta cada pozo de modo que los
senderos no se corten (fig. 9.6).
La solucin de este problema est relacionada con la introduccin de
nuevos invariantes topolgicos. Sean a y b dos segmentos en el plano,
ninguno de los cuales contiene los extremos del otro. Si estos segmentos se
cortan, entonces diremos que el grado de interseccin ~ ( ab), de los segmentos
a y b es igual a la unidad, j(a, b) = 1. En caso contrario, 3(a, b) = 0.
Denominaremos ciclo a un grafo finito en cada vrtice del cual incide
un nmero par de aristas.
Introduzcamos la magnitud I(a, b) denominada grado de interseccin de
dos ciclos. Para esto, inicialmente calculamos la suma S = j(ai, b j ) , es
----
i,j
decir, la suma de los grados de interseccin de cada segmento al, . .. ,aM

del ciclo a con cada segmento b,, . . . ,bN del ciclo b. Si S es un nmero
par, entonces I(a,b) = O; en caso contrario, I(a, b) = 1. En otras palabras,
I(a, b) = S mod 2.
Demostremos que el grado de interseccin de dos ciclos en el plano
es igual a cero. Recordemos que cada vrtice de un ciclo tiene grado par,
es decir, en l incide un nmero par de aristas. De esto se deduce que
el ciclo contiene una quebrada cerrada homeornorfa a una circunferencia.
En efecto, supongamos que recorremos un ciclo con vrtices Cl,. ..,CL,
y que el recorrido comienza en el vrtice Cl. Al llegar al vrtice Ck (k # 1)
podemos continuar el recorrido, pues si el recorrido termina en Ck,esto
significa que en dicho vrtice incide una sola arista, lo cual contradice
254
Captulo 9
.la definicin de ciclo. Por cuanto el nmero de vrtices es finito, tarde o

temprano la trayectoria regresa a Cl. En este caso, si durante el recorrido
hemos pasado por todos los vrtices, entonces la quebrada es homeomorfa
a una circunferencia. En caso contrario, desechamos todas las aristas por las
que pasamos, quedando nuevamente uno o varios ciclos (pues, el grado de
cada vrtice restante ser, como antes, par). Repitiendo este procedimiento
un nmero suficiente de veces, comprobamos que cada ciclo se puede
representar como una unin de un nmero finito de quebradas cerradas
homeomorfas a una circunferencia, las cuales no tienen aristas comunes.
Por eso, para demostrar que el grado de interseccin de dos ciclos es
igual
a cero, es suficiente considerar el caso cuando ambos son homeomorfos
a una circunferencia. Un ejemplo
de dos ciclos de stos se mues1
tra en la figura 9.7 (ciclo b en la
posicin 1). Tomemos una recta 1 y desplacemos el ciclo b
paralelamente a esta recta. Para
simplificar, elijamos la direccin
de la recta 1 de tal manera que
ningn vrtice del ciclo a coinFig. 9.7
cida durante el movimiento con
ningn vrtice del ciclo b. Supongamos que esto tambin se cumple para
las aristas. Adems, consideraremos que cuando un vrtice de un ciclo yace
en una arista, como se muestra en la figura 9.7 (ciclo b en la posicin 2),
los grados de interseccin de los segmentos j(ai, b,) y ~ ( a ,b,+,)
,
son
iguales a cero. Es claro que durante el movimiento del ciclo tropezaremos
de vez en cuando solamente con la situacin mostrada en la figura 9.7. Sin
embargo, en este caso, el grado de interseccin de los ciclos permanece
constante. *cadavez el nmero de intersecciones disminuye exactamente en
dos. Alejando suficientemente el ciclo b del ciclo a, llegamos a la situacin
en la que estos ciclos no tienen puntos comunes. Pero, entonces, I(a, b) = 0.
De este modo, el grado de interseccin de los dos ciclos es igual a cero.
Regresemos al problema de las casas y los pozos. Denominaremos
senderos no-adyacentes a los senderos que van de diferentes casas a diferentes
pozos. Por ejemplo, los senderos no-adyacentes respecto al sendero DIKl
son D,K,, D2K3,D3K2,D,K3. En la figura 9.6 se muestra una configuracin
de senderos en la cual los senderos no-adyacentes se cortan una sola vez.
Mostremos que no es posible reducir este nmero. Primero que todo, demostremos que cambiando continuamente la configuracin de los senderos
mostrada en la figura 9.6 se puede obtener cualquier otra configuracin,
pero no cambiar el grado de interseccin de los senderos no-adyacentes.
En efecto, supongamos que tenemos dos configuraciones {DI
Kl D2K2D3K 3 )
-------
255
.-
y {DiK; DiK; DiK;), y que los vrtices DIKl D2K2D3K3son los mismos para ambas configuraciones, pero las quebradas pueden ser diferentes (fig.9.8).
Supongamos que en el primer caso D I K , es la quebrada a, y en el segundo,
Di K; es la quebrada
(fig.
i 9.8). Las quebradas ri forman un ciclo. Denotmoslo
mediante a&.Pero D2K,D3 K3D2 tambin
forma un ciclo. Sin embargo, el grado de
interseccin de estos ciclos es igual a ce- a l a
ro, es decir, sustituyendo el sendero DIKl
por la quebrada DiK;, no cambiamos la
paridad de la interseccin. Razonando del
Fig. 9.8
mismo modo para los dems senderos
concluimos que los senderos restantes se
pueden deformar, convirtiendo {DIKl D2K2D3K 3 ) en {DiK; D;K;Di K j } .
Supongamos que existe una configuracin de los senderos en la cual no
hay intersecciones y, por tanto, el grado de interseccin In de los senderos
no-adyacentes es igual a cero.
Sea esta configuracin {DiKiDiKiDiKi). Pero el grado de interseccin In de esta configuracin es exactamente el mismo que el de la
configuracin mostrada en la figura 9.6, donde In = 1. Esto significa que
es imposible trazar senderos desde las casas hasta los pozos sin que dichos
senderos se corten.
Problemas similares, aunque ms complejos, relacionados con la bsqueda de invariantes topolgicos, surgen en la teora de nudos. En esta
teora se determina si es o no posible transformar un nudo de una cuerda
cerrada en otro nudo sin cortar la cuerda. En los ltimos tiempos la teora
'de nudos ha comenzado a aplicarse activamente en la fsica estadstica.
Probablemente, aparecern otros campos de aplicacin, sobre todo en la
qumica, donde se trata no de deshacer nudos gordianos, sino de analizar
sus configuraciones.
Poliedros. Teorema de Euler. El siguiente resultado topolgico notable ya

era conocido por Euler y Descartes. Se puede demostrar que para cinco
poliedros regulares (tetraedro, cubo, octaedro, dodecaedro, icosaedro), as
como para las pirmides y los prismas, tiene lugar la igualdad
V - A+C=Z,
(9.1)
donde V es el nmero de vrtices, A es el nmero de aristas y C es el

numero de caras del poliedro. En cada uno de estos poliedros cualquier
cara es homeomovfa a u n crculo. La superficie cada uno de estos poliedros, al
igual que la de cualquier otro poliedro convexo, es homeomorfa a una esfera.
El teorema de Euler afirma lo siguiente:
Captulo 9
256
.-
Para todo poliedro cuya superficie es horneomorfa a una esfera y cada cara es
horneomorfa a u n crculo, se verijica la igualdad (9.1).
Supongamos que el poliedro es vaco por dentro y est hecho de una

capa delgada de goma. Inflemos el poliedro hasta transformarlo en una
esfera, despus retiremos una de las caras y estiremos la parte restante
del poliedro de goma hasta convertirla en una figura plana. Este procedimiento se ilustra en las figuras 9.9a y 9.9 b, donde se ha retirado la
cara ABCD del cubo. Como resultado de tal transformacin el nmero de
vrtices y aristas no cambia, pero el nmero de caras disminuye en uno,
pues una cara fue retirada. Mostremos que para el grafo obtenido en el
plano, se cumple la igualdad V - A C = 1.
Fig. 9.9
Si entre las caras hay polgonos de ms de tres lados, entonces

trazaremos diagonales hasta que todas las caras se conviertan en tringulos.
No es difcil verificar que trazando diagonales nosotros aumentamos en una
unidad tanto el nmero de caras como el nmero de aristas, por lo cual
la magnitud V - A C se mantiene constante. Como resultado de esta
triangulacin apGece& triZiIuloi tipo ABE y tipo CFG (fig 9.9 cj.
Una vez terminado este procedimiento, comenzamos a eliminar uno tras
otro los tringulos fronterizos de la red triangular obtenida, como se muestra
en la figura 9.10. Eliminando los tringulos del primer tipo, nosotros reducimos en una unidad tanto el nmero de aristas como el nmero de caras,
y la magnitud V - A+ C se conserva. Al eliminar los tringulos del segundo
tipo, el nmero de caras y vrtices disminuye en una unidad, y el nmero
de aristas, en dos unidades, por lo que la magnitud V - A C permanece
constante. Continuando este procedimiento, llegar el momento en que en
el plano quede un solo tringulo, el cual tiene tres vrtices, tres aristas y una
cara, de modo que para l V - A+ C = 1.Pero conforme a los razonamientos
expuestos lo mismo es vlido para la red inicial en el plano. Teniendo en
cuenta que al comienzo se retir una cara, concluimos que V - A C = 2.
El teorema de Euler permite resolver muchos problemas.
257
Fig. 9.10
Euclides opinaba que uno de los resultados geomtricos claves era

la demostracin de la existencia de cinco poliedros regulares convexos.
Recordemos que se denomina poliedro convexo a una regin finita cerrada
del espacio, acotada por cierto nmero de planos, con la particularidad de
que el interior del poliedro se encuentra a un mismo lado respecto a cada
plano. Para los poliedros regulares todas las caras son congruentes (iguales),
y todos los ngulos planos en los vrtices son iguales entre s.
Platn consideraba a los poliedros regulares como los smbolos de los
cuatro elementos: la tierra, el fuego, el aire y el agua, y al quinto poliedro
como una figura que abarca todo el Universo. Inscribiendo estos poliedros
el uno en el otro, Kepler intent construir una teora para predecir los
tamao$ de las rbitas de los planetas del Sistema Solar.
El nmero y las caractersticas de los poliedros regulares pueden ser
predichos partiendo del teorema de Euler. Supongamos que en cada uno
de los V vrtices inciden q aristas. Entonces qV = 2A, por cuanto cada
arista se cuenta dos veces. Si cada cara tiene p lados, entonces 2A = pC.
De este modo,
qV=2A=p-C.
Pero,
V-A+C
.-.
~PP
Dado que estos nmeros son positivos, tenemos

2p +2q - pq
>O
(p - 2)(q - 2) < 4.
El producto de dos nmeros positivos enteros puede ser menor que cuatro
si los factores son iguales, respectivamente, a
Esto conduce a los siguientes pares {p, q): {3,3) - tetraedro, {4,3) cubo, {3,4) - octaedro, {5,3) - dodecaedro, {3,5) - icosaedro.
258
-
Captulo 9
.-
Caracterstica de Euler de una superficie. Teorema de Poincar. El teorema

de Euler es vlido para poliedros cuyas superficies son homeomorfas a una
esfera. Por eso, es natural considerar que la magnitud
denominada caracterstica de Euler, refleja, ante todo, las propiedades de

una superficie, y no de cada poliedro concreto. Se puede esperar que otras
superficies tengan otras caractersticas de Euler.
Hallemos, a ttulo de ejemplo, esta magnitud para el cuerpo denominado esfera con una asa (vase fig. 9.11).
A D
D'A'
Fig. 9.J 1
Utilicemos el hecho de que estamos tratando con una geometra de

goma,y que la caracterstica de Euler de cualquier poliedro en la superficie
de una esfera es igual a dos. Supongamos que las bases de las asas son
caras triangulares o cuadradas de cierto poliedro.
Dividamos la superficie de la esfera con una asa, en la superficie de
dos cuerpos: una esfera con dos huecos y una asa, la cual es homeomorfa
a la superficie lateral de un prisma (fig. 9.11). Para la esfera con dos hukos
el nmero de caras del poliedro correspondiente es menor en dos que en el
caso cuando no hay huecos. Por consiguiente x = O. En la superficie lateral
del prisma, los vrtices y aristas de la base del prisma ya fueron considerados
al calcular la caracterstica de Euler del poliedro en la esfera. De este modo,
es necesario considerar slo las aristas nuevas y la misma cantidad de caras
nuevas, pero para ellas tambin V - A + C = O, es decir, la caracterstica de
Euler de la esfera con una asa es igual a cero. Estos razonamientos muestran
que la caracterstica de Euler xp para una esfera con p asas es
Mediante razonamientos ms rigurosos se puede demostrar que la

caracterstica de Euler es un invariante topolgico.
Una superficie notable, construida por Mobius, muestra que la caracterstica de Euler no necesariamente es un nmero par, y que el concepto
mismo de superficie es ms profundo y complejo de lo que parece a primera
vista.
Mtodos topolgicos en la investigacin de los sistemas no-1ineales
259
.-
Esta superficie, denominada cinta de Mobius, se puede obtener torciendo

una cinta rectangular y uniendo sus extremos opuestos (fig.9.12). Aqu el
segmento AB se pega. (se identifica)con el segmento A'B'. Esta superficie
es unilateral, es decir, tiene una sola cara. El lector puede construir un modelo
de esta superficie. Un anillo habitual tiene dos caras, cada una de las cuales
es homeomorfa a una circunferencia. Si un anillo habitual se comienza a
pintar desde cierto punto, al final quedar pintada una sola cara, la externa
o la interna. En cambio, realizando este mismo experimento con la cinta
de Mobius, sta quedar pintada completamente. La cara de esta cinta es
homeomorfa a una sola circunferencia.
Fig. 9.12. La cinta de Mobius

se puede obtener identificando
e l segmento A B con e l segmento A'B'
Las superficies unilaterales poseen otra propiedad interesante que permite

formular otra definicin de superficie unilateral. Tracemos una normal
desde cierto punto A de la cinta, y alrededor de su base describamos una
circunferencia pequea indicando en ella un sentido de giro. Supongamos
que si observamos la circunferencia desde el extremo de la normal, el
sentido del giro es antihorario. Ahora desplacemos por la cinta el punto A
junto con la normal y la circunferencia.
Despus de recorrer la cinta de Mobius y regresar a la; posicin inicial,
la nomal estar dirigida en la direccin contraria y el sentido de giro en
la circunferencia ser el opuesto. Estas trayectorias cerradas se denominan
recorridos que cambian la orientacin. Si en una superficie no existen tales
recorridos, entonces ella se denomina bilateral u orientable. n caso contrario
la superficie se denomina unilateral o no-orientable.
La existencia de un objeto como la cinta de Mobius permite crear
objetos inusuales. En efecto, para definir la superficie fue necesario definir
un entorno de cada punto. Debe quedar claro adnde llegaremos al movernos
en diferentes direcciones por la superficie. Un entorno de stos se puede
definir, no slo estirando o comprimiendo continuamente cierto conjunto
inicial, sino tambin pegando (identificando)diferentes puntos o segmentos.
Precisamente es esto lo que se hace al construir la chta de Mobius. Esta
operacin no depende de cun bien podamos imaginarnos este objeto, ni de
si l se puede colocar sin autointersecciones en el espacio tridimensional.
El borde de la cinta de Mobius es homeomorfo a una circunferencia.
Procedamos del modo siguiente. Cortemos p crculos en una esfera y
tap&noslos con cintas de Mobius, identificando el borde de cada hueco
260
Captulo 9
.-
(circunferencia) con el borde de la correspondiente cinta de Mobius. Es claro

que como resultado de tal operacin obtendremos una superficie cerrada.
Denotmosla mediante Np.
Graficando esta superficie se puede comprobar que su caracterstica
de Euler es igual 2 - p. Este conjunto cerrado no se puede colocar sin
autointersecciones en un espacio tridimensional. Uno de los ejemplos ms
conocidos de esta clase de superficies es la botella de Klein.
Denotemos mediante Pk una esfera con k asas. A primera vista puede
parecer que tapando los huecos de una esfera mediante asas y cintas de
Mobius, pegndolas de modo complejo, se pueden obtener superficies de
las formas ms variadas y caprichosas. Parece que no tiene solucin el
problema de la clasificacin topolgica, es decir, de la enumeracin de todas
las superficies cerradas no-homeomorfas dos a dos, tales que cualquier
superficie cerrada sea homeomorfa a una de ellas.
Esto hace que parezca an ms extraordinario el resultado obtenido
por Mobius y Jordan en el siglo XIX. Ellos demostraron que la coleccin de
esferas con asas Po,P,, .. ..,Pk,. . proporciona una clasificacin completa
de las superficies cerradas orientables, y la coleccin de esferas con cintas de
Mobius N,, N,, ..,N,, ... da una clasificacin completa de las superficies
cerradas no-orientables .
Estos resultados estn directamente relacionados con la teora de
sistemas dinmicos tipo
en los cuales una superficie cerrada puede desempear el papel de espacio

de fase. Este espacio no tiene que ser un plano. Recordemos el pndulo
matemtico. En l la variable angular (o est determinada con una precisin de hasta 27r, y la velocidad @ est determinada unvocarnente. Por
@)y ((P 2am, @), m = f1, f2,
, se pueden
consiguiente, los puntos (9,
identificar, con lo que el espacio de fase adquiere forma de tubo.
Las funciones f (x, y) y g(x, y) definen en el espacio de fase G cierto
campo vectorial. Este campo determina en cada punto de la superficie G un
vector tangente. Desde el punto de vista geomtrico esto es comprensible.
Si no fuera as, entonces el punto (x(t),y(t)) que caracteriza al estado del
sistema dinmico, abandonara la superficie G . Pero entonces G no sera
un espacio de fase.
Prestemos atencin a los puntos singulares de un sistema dinmico. En estos puntos el valor absoluto del vector de velocidad de fase
v' = (f (x,y), g(x, y)) tiende a cero. Si se toma en consideracin la direccin
G EZ /ll de este vector, entonces resulta que en los puntos regulares la funcin v depende continuamente de las variables de fase x e y. En los puntos
singulares esta funcin es discontinua, como se observa en la figura 9.13,
Mtodos topoLgicos en La investigacin de Los sistemas no-linea Les
261
- Fig. 9.13. El vector W en un entorno de diferentes puntos singulares
donde se muestran los campos vectoriales en un entorno de diferentes

puntos singulares.
Surge la pregunta de si es o no posible construir en una superficie
dada, por ejemplo, en una esfera, un campo de direcciones W continuo, es
decir, si es o no posible definir en cada punto el vector tangente de tal
manera que al desplazarnos de un punto a otro, ste cambie continuamente.
En otras palabras, definir un campo vectorial, es decir, un sistema dinmico
tipo (9.2), que no posea puntos singulares. Este problema se suele denominar
problema del erizo. Supongamos que desde cada punto de una esfera se
traza cierto vector (una pa).Se pregunta si es posible peinar al erizo de
tal manera que no queden pas perpendiculares a la esfera. Proyectando
una pa sobre la esfera se puede verificar que la respuesta sera positiva
si en la esfera existiera un campo vectorial sin puntos singulares.
Fig. 9.14. Para determinar e l

ndice de un punto singular de
u n campo vectonal hay que
observar cmo cambia la di- .
reccin del vector W a l rodear
e l punto
La solucin de este problema fue obtenida por H. Poincar. Observemos

la figura 9.14. Rodeemos cada uno de los puntos singulares siguiendo un
contorno cerrado y movindonos en sentido antihorario. Al rodear un nodo,
un foco o un centro, el vector gira 2a, y al rodear un punto de silla,
gira -27r, es decir, realiza una vuelta en sentido contrario. Asignemos a los
nodos, focos y centros el ndice +1, y a los puntos de silla, el ndice -1.
Poincar demostr la afirmacin siguiente.
Supongamos que en una supeScie cerrada orientable G est definido un

campo de vectores tangentes no-nulos, continuo en todas partes, salvo en un
nmero finito de puntos singulares. Entonces la suma de los ndices de todos
los puntos singulares de este campo es igual a la caracterstica de Euler x(G)
de la superficie G.
Ca ptu16 !#
262
De aqu se deduce inmediatamente que es imposible peinar al erizo.

La caracterstica de Euler de una esfera es igual a dos, es decir, el campo
vectorial debe tener en la esfera, como mnimo, dos puntos singulares. Por
ejemplo, dos nodos (como en un globo en el que un punto se mueve a
lo largo de los meridianos). Si queremos que el campo tenga un punto de
silla, entonces es necesario aadir otro punto con ndice +1, por ejemplo,
un foco, y el nmero total de puntos ser igual a cuatro. De este teorema se
deduce que s se puede peinar un toro espn: el campo vectorial en esta
superficie puede no tener ningn punto singular (evidentemente, un toro
es una esfera con un asa). En ninguna otra esfera con asas existe tal campo;:
En la simulacin blanda de objetos biolgicos, sistemas ecolgi&s
y diversos esquemas electrnicos, los especialistas tienen frecuentemente
nociones intuitivas del sistema analizado, del nmero y carcter de los
estados de equilibrio del objeto analizado. Cuando acuden a los especialistas
en simulacin matemtica, ellos generalmente piden reflejar esto en los
modelos creados. Aqu el teorema de Poincar desempea a menudo un
papel fundamental. l proporciona una regla de prohibicin que indica
cules modelos pueden ser construidos en principio y cules no.
Veamos la idea bsica de la demostracin del teorema de Poincar.
Para ello, demostremos primero que la suma de los ndices de cualesquiera dos campos vectoriales es constante,
v; Y)
y despus calculemos dicha suma para el
campo vectorial elemental.
Supongamos que en una superficie
orientable G estn definidos dos campos
vectoriales no-nulos v, (x, y) y v2(x,y), los
cuales tienen un nmero finito de puntos
singulares. Partamos la superficie G en
polgonos pequeios,.de modo que cada
polgono contenga no ms de un punto
singular y que este ltimo no se encuentre
enlafronteradelpolgono(fig-9*15)Fig.9.15. Uno de los polgonos en
Sealemos que lejos de los puntos sinlos que se ha partido la superficie G
gulares podemos girar los vectores de los
campos vectoriales analizados de tal modo que los campos mismos siguen
siendo continuos y no cambia la suma de sus ndices. Teniendo esto en cuenta, hagamos girar los vectores del campo vl(x, y) cerca de los vrtices de los
polgonos construidos, de tal manera que en cada vrtice los vectores G,(x, y)
y v,(x, y) coincidan (aqu Gl(x, y) denota el campo vl(z, y) modificado).
Elijamos en la superficie un sentido positivo de giro de los angulos. Por
ejemplo, el sentido antihorario, si observamos desde el lado exterior. Esto
se puede hacer, pues la superficie G es orientable.
($9
263
.-
Tomemos una arista del polgono, por ejemplo, r,, la cual une los
vrtices A y B. Supongamos que al movernos de A hacia B seguimos cierto
vector W que coincide con El(x, y), y que al movernos de B hacia A, este
vector coincide con v2(x,y).
Al moverse desde A hasta B y, despus, desde B hasta A, el vector W
realiza un nmero entero de vueltas. Esto se deduce de la construccin
del campo vectorial Zl(x, y): 5,(A) = v2(A), %(B) = v2(B). Denotemos
con d(rl) el nmero de vueltas que da el vector G al moverse a lo largo de
la arista rl. En la figura 9.15, por ejemplo, d(r,) = 1, d(r2)= O, d(r,) = -1.
Sealemos que si recorremos la arista r1 en sentido contrario, desde B
hasta A, y regresamos a B, entonces la magnitud d(rl) cambia de signo.
Recorramos uno de estos polgonos M en sentido positivo. Supongamos que, en este caso, el vector G1(x, y) realiza z,(M) vueltas. Recorramos
ahora el contorno en sentido contrario y supongamos que el vector v2(x,y)
realiza z2(M)vueltas. Naturalmente, z, y z2 son nmeros enteros, pues los
vectores considerados, despus de recorrer el contorno cerrado, regresan a
la posicin inicial.
Como resultado, el vector w' realiza zl(M) - z2(M) vueltas. Al mismo
tiempo, observando el movimiento a lo largo de cada una de las aristas, se
puede concluir que
En efecto, para obtener tanto las magnitudes zl, z2 como el valor

d(rk),hemos recorrido cada arista una vez en sentido positivo (siguiendo el
vector El(x, y)) y una vez en sentido negativo (siguiendo el vector v2(2,y)).
Sumemos ahora las frmulas (9.3) para todos los polgonos en los
que est dividida la superficie G. Entonces el segundo miembro se hace
igual cero. La causa de esto se ilustra en la figura 9.16. La arista r,, por
ejemplo, se encuentra en esta suma dos veces, puesto que es comn a dos
polgonos, M, y M,. Al recorrer estos polgonos
\
en sentido antihorario la arista r, es recorrida
en sentidos diferentes. Al recorrer Ml obtenemos d(r,), y al recorrer M2 obtenemos -d(r,).
Lo mismo es vlido para cualquier otra arista.
Consecuentemente,
Ezi(Mk) E
z2(Mk)= O*
(904)
zl(Mk) est determinado
Sin embargo,
k
por la suma de 10s ndices del campo vectorial

v,(x, y ) (consiguientemente, vl (x, y ) ) . La causa de
esto es la siguiente.
N
Fig. 9.16. Al recorrer Los poLfgonos MI y M, en sentido

antihorario, la arista rs se
recorre dos veces en sentidos contrarios
264
Captulo 9:
.-
Supongamos que en el interior del poligono M hay un punto singular xo (fig. 9.17),
Construyamos un sistema de lneas cerradascercanas la una de la otra, como se muestra
n o suna de ellas
en la figura. ~ u ~ o n ~ a r que
coincide con una circunferencia pequea coit
centro en el punto x0, y que otra coincide
con el contorno del polgono M. Al pasar
de una lnea a otra cercana a ella, como se
deduce de las consideraciones de continufdad, el nmero de vueltas de! vector G,(X,9)
Fig. 9.17; Construyendo un siste- debe cambiar POCO. Sin embargo, el nmero
por tanto, no puede
ma de lneas cerradas se puede de vueltas es entero
comprobar que el ngulo de giro cambiar en una magnitud pequea, es dedel vector 3 al recorrer e l contar- cir, se mantiene constante. Pero al recorrer la
est determinado por jndice circunferencia pequea con centro en el pundel punto singular en el interior
to x, obtendremos el ndice de este punto,
del polgono
y al recorrer el contorno del polgono obtenemos la magnitud zl(M).Consiguientemente,
estas dos magnitudes son iguales. Entonces, de la frmula (9.4) se deduce
que la suma de los ndices de los campos vectoriales vl(x, y) y v,(x, y)
(y de otros campos en la superficie G) es la misma.
Fig. 9.18. puntos singulares de un campo
vectorial cuyo ndice no es difcil calcular:
a ) nodo situado en un vrtice; b) punto de
silla situado en el punto medio de una arista;
c) nodo situado en el centro de una cara
Fig. 9.19. Forma tpica del campo

vectonal construido
b)
a)
c)
Elijamos ahora un campo vectorial cuya suma de ndices no sea difcil

calcular. Para esto, partamos la superficie G en polgonos. Coloquemos en
cada vrtice un nodo (fig. 9.18 a), en el
punto medio de cada arista coloquemos un punto de silla (fig. 9.18 b) y
en el centro de cada polgono, tambin
un nodo (fig. 9.18 c). El cuadro tpico de tal campo vectorial se muestra
en la figura 9.19. Su ndice es igual a
(+i)V (-l)A (+l)C = x(Q).
265
De este modo, existe una relacin notable entre las propiedades topolgicas del espacio de fase G y los campos vectoriales que se pueden
construir en l.
Experimento computacional, diseo molecular

y mtodos topolgicos
El enfoque tradicional de la simulacin matemtica de los problemas de las
ciencias naturales est relacionado con la determinacin y descripcin de
los rasgos ms importantes de los objetos y fenmenos. Sin embargo, en
los ltimos tiempos est adquiriendo un significado cada vez mayor otra
clase de problemas, en los cuales Se deben predecir las propiedades de
objetos que no existen en la naturaleza o que an no han sido descubiertos.
Tal situacin surge, por ejemplo, al crear nuevos materiales compuestos,
durante el diseo computacional de medicamentos y al inventar nuevos
instrumentos electrnicos.
Como si fuera poco, en muchos casos tenemos a nuestra disposicin
cantidades gigantescas de informacin: bancos de datos de protenas, de
diversos compuestos qumicos, de fotografas csmicas, de datos de las
estaciones meteorolgicas y ssmicas, etctera. Existe una gran redundancia
de muchos de los recursos informativos. Para responder a una pregunta
concreta, generalmente se necesita una parte insignificante de toda la
informacin disponible, y para destacar dicha parte, a menudo es necesario
hallar una especie de parmetros de orden en el conjunto de informacin.
En tales problemas los mtodos topolgicos pueden desempear un
papel importante. Ellos conducen a un enfoque diferente, a una simulacin
matemtica relacionada con nuevas posibilidades de experimentos natural
y computacional.
Uno de los gandes logros en laqumcCmoderna7fueel descubrimiento
de una clase de compuestos, denominados fullerenos, los cuales poseen
muchas propiedades notables. David Jones, el autor de las <<fantasas
cientficas. originales, publicadas en 1966 en la revista New Scientist,
prest atencin a una regularidad curiosa: existe una brecha entre las
densidades de los gases (del orden de 0,001 g/cm3) y las densidades de los
lquidos y slidos (entre 0,5 y 25 g/cm3).
En los catlogos de fsica no hay sustancias con densidades intermedias.
Este intervalo, segn Jones, debera estar ocupado por las denominadas
molculas huecas, es decir, por ciertas molculas polimricas de forma
esfrica o ms compleja.
Un candidato natural a desempear el papel de material para tales
molculas es el carbono. Si el tomo de carbono est enlazado con cuatro
tomos iguales a l, entonces se obtiene una red tridimensional, caracterstica
266
Capitulo Q
a
.-
del diamante. Si los vecinos son dos, entonces se obtienen estructuras

lineales, tpicas en las molculas polimricas. Si hay tres vecinos cercanos,
entonces los tomos pueden yacer en los vrtices de hexgonos regulares
que llenan un plano. Tal disposicin surge en los cristales de grafito.
Formulmonos la pregunta siguiente: es posible construir ciertos poliedros
disponiendo solamente de tomos de carbono? Consideraremos que, al igual
que en el grafito, cada tomo tiene tres vecinos cercanos.
Supongamos que el poliedro que queremos obtener est formado slo
por celdas hexagonales, cuyo nmero es igual a n6. Entonces el nmero
de caras es A = n,, el nmero de vrtices es V = 6n6/3 y el nmero de
aristas es A = 6n6/2.Utilicemos el teorema de Euler. Para este poliedro
x = V C - A = O, es decir, su superficie es homeomorfa a una esfera
con una asa o a un toro. Yo no dispongo de ninguna informacin sobre
estructuras carbnicas de forma toroidal, pero sera interesante aclarar la
posibilidad de existencia de tales configuraciones con la ayuda de clculos
mecnico-cunticos.
As pues, para construir molculas huecas de superficie homeomorfa
a una esfera no pueden utilizar solamente caras hexagonales. Supongamos
que tenemos adems n5 caras pentagonales y n7 caras heptagonales.
El papel de vrtices lo desempearn los tomos, y el de aristas, los enlaces
de valencia. Utilizando el teorema de Euler se puede demostrar que
(vanse los ejercicios propuestos).

Lo ms notable aqu es que la estructura elemental de este tipo se nos
presenta muy a menudo. sta es un baln de ftbol cosido de 12 pentgonoe
regulares y 20 hexgonos regulares (fig.9.20 a).
Esta configuracin es muy bonita. Sin embargo, una vez construida es necesario verificar si vale la pena buscarla mediante experimentos
Fig. 9.20. a) Poliedro que determina la estructura del fullereno Cm futboleno;

6) estructura de la P-ciclodextrina
267
.naturales. Para esto existen experimentos computacionales y numerosos

programas de clculo de molculas. En algunos de estos programas los
tomos se sustituyen por bolas y los enlaces de valencia, por resortes; en
otros se introducen elementos de naturaleza mecnico-cuntica. Utilizando
estos programas se puede averiguar cun ventajosa es esta configuracin
energticamente, y si ella tiene derecho a la existencia. En la actualidad
dicha metodologa de trabajo est ampliamente difundida. En particular,
ltimamente est siendo muy utilizado el diseo computacional de medicamentos. Antes de sintetizar compuestos qumicos complejos es conveniente
saber lo mximo posible sobre ellos. Esto es especialmente importante en
la biotecnologa, donde se buscan y cultivan microorganismos capaces de
producir sustancias necesarias para nosotros.
Result que la molcula C6()es estable y existe en cantidades ms que
suficientesen la naturaleza. Ella se puede encontrar en el holln, en las costras
frescas, etctera. Esta sustancia fue llamada buckrninsteufilllereno, en honor
al arquitecto e ingeniero norteamericano Richard Buckminster Fuller, quin
haba utilizado estas estructuras en el diseo de sus cpulas geodsicas.
Esta molcula tambin se conoce con el simple nombre de futboleno.
Esta asombrosa estructura geomtrica conduce a admirables propiedades fsicas. Estas molculas poseen una alta resistencia: no se destruyen
incluso al chocar contra una barrera a una velocidad de lo4 m/s. Esto
permite utilizarlas como lubricantes. Por otra parte, su vacuidad permite
utilizar los fullerenos (compuestos de frmula estructural CZk)para empacar en su interior tomos o molculas aisladas, lo cual puede tener un
gran valor en la microbiologa y la medicina. Los compuestos de fullereno
tambin poseen propiedades admirables. Por ejemplo, el fullerido K3Cb0y
otros compuestos resultaron ser superconductores a altas temperaturas. Ms
an, se aclar que la producciii de fullerenos puede ser excepcionalmente
efectiva ybarata si se evapora grafito en una atmsfera de helio.
El proceso de cambio de la topologa de las molculas puede desempear un papel muy grande- tambin para las sustancias orgnicas
ms complejas que participan en los procesos bioqumicos. El investigador
N. G. Usno~:del Instituto de Biologa de Uf de la Academia de Ciencias de
Rusia, llam mi atencin sobre las cepas de microorganismos que se dedican
a cambiar tnpologas. Resulta que existen bacterias que transforman a las
molculas liiieales habituales de almidn en una especie de <<ovillos>>
formados por varios cientos de tomos (ciclodextrinns) cuya forma nos recuerda
a un toro (fig.9.20 b).
Dentro de estos <<ovillos>>
tambin se pueden empacar diversas
molculas, obligando a disolverse a algunas sustancias que son insolubles
sin este procedimiento. Con su ayuda se pueden aromatizar muchos objetos.
En los ltimos aos en el mundo se han registrado ms de 4000 patentes
268
Captulo 9
.relacionadas con las diferentes tecnologas que utilizan las ciclodextrinas. Las
investigaciones de Usnov mostraron que la participacin de la ciclodextr~.
en las reacciones habituales del libro de texto escolar puede ejercer una:
influencia cardinal en la marcha de dichas reacciones. En los ltimos ao$
han aparecido razones de peso para considerar que la ciclodextrina y sus
anlogos no son tan exticos como parece, y que la naturaleza los utiliza en
muchas de sus estructuras.
La sntesis orgnica directa de las ciclodextrinas es compleja y costosa:
Por eso, actualmente se trabaja en la bsqueda de microorganismos que puedan convertir el almidn habitual en ciclodextrina. Para qu necesitan las
bacterias cambiar la topologa del almidn produciendo ciclodextrina? Existen dos hiptesis. Conforme a .la primera, ciertas cepas de bacterias realizan
este proceso para almacenar alimento, creando una especie de conservas
que no representan ningn inters para los competidores. De acuerdo con la
segunda, las bacterias utilizan las ciclodextrinas para cambiar la solubilidad
de una serie de sustancias que participan en su ciclo vital.
Sin embargo, la bsqueda de microorganismos productores de anlogos
de las ciclodextrinas y de objetos afines, exige grandes esfuerzos. Por eso
se tiene que acudir nuevamente a la simulacin matemtica. Estimar con
ayuda de computadoras la estabilidad de las molculas cuyos productores
se busca, y modelar las reacciones qumicas en las cuales los compuestos
creados deben participar en el marco de una u otra tecnologa.
Hay otro campo de las investigaciones aplicadas donde los mtodos
topolgicos conducen a resultados importantes. Hasta el da de hoy se
han descubierto y descrito ms de siete millones de compuestos qumicos;
Cmo predecir a partir de los compuestos conocidos las propiedades de
las sustancias an no creadas? Cmo pronosticar las caractersticas de los
objetos ya conocidos sin tener que recurrir a experimentos costosos?
Se puede proponer el siguiente enfoque. Suponer que la molcula es
cierto grafo, ignorar su forma tridimensional, la magnitud de los ngulos
entre los enlaces qumicos y otras caractersticas. Introducir ciertos ndices
topolgicos que reflejen, por ejemplo, con cuntos tomos est enlazado
cada tomo de una molcula dada, y si stos forman cadenas lineales o
estructuras ramificadas.
Hace ya bastante tiempo se conoce un ndice elemental, relacionado
con un invariante topolgico de un <<grafoqumico. Si se analizan los
hidrocarburos, es decir, los compuestos de carbono e hidrgeno, entonces
se puede considerar que el grafo est compuesto slo por los tomos de
carbono (vrtices) y los enlaces entre ellos (aristas). El invariante elemental
es el nmero de vrtices. Este invariante, conocido en la qumica como
nmero de carbono, est relacionado con toda una serie de caractersticas
fsicas de los hidrocarburos.
Mtodos topolgicos en lo investigacin de los sistemas no-1ineules
269
Sin embargo, el anlisis de las molculas ramificadas requiere parmetros topolgicos ms complejos. Uno de ellos es el ndice de Wiener. A veces
en la teora de grafos se utiliza el concepto de distancia topolgica entre dos
vrtices, que es el nmero de aristas que intervienen en el camino ms corto
entre estos dos vrtices. Para el caso de una molcula, el ndice de Wiener es
igual a la suma de las distancias topolgicas entre todos los pares de tomos
de su esqueleto de carbono. Resulta que conociendo el ndice de Wiener se
puede determinar con mucha precisin la temperatura de ebullicin de una
amplia clase de compuestos.
Existe toda una serie de ndices topolgicos que permiten pronosticar tales caractersticas como la temperatura de fusin, el octanaje y el rendimiento
de holln en la combustin incompleta de los hidrocarburos. Se ha logrado
relacionar algunos ndices con la manifestacin de actividad fisiolgica en las
molculas: con su aroma, su toxicidad, su capacidad de detener el crecimiento de una serie de bacterias, y su carcinogenicidad. La topologa molecular
ha resultado ser un camino efectivo de simplificacin del anlisis de los
objetos estudiados, lo cual es muy importante en la simulacin matemtica.
1. Demostrar que toda aplicacin continua f de una circunferencia en una recta,
transforma cierto par de puntos diametralmente opuestos en un punto.
2. Demostrar que la ecuacin algebraica no-lineal de grado impar
donde
f
tiene al menos una raz real.
3. Se pide construir un sistema dinmico con las propiedades siguientes:
\
3 = f ($1 y),
Y = 9(x,y),
f (x, Y) = f (3 a, y), g(x, y) = 9 ( +~ a, y),
f(x,Y) = f(S, y b), g(x, y) = g(x, y + b).
Adems, el sistema debe poseer apropiedades de trigger>),es decir, tener dos

nodos estables y un punto de silla, y no tener otros puntos singulares. Construir
semejante sistema o demostrar que esto es imposible.
4. Uno de los organismos multicelulares ms simples, el alga volvox,constituye
una cpsula esfrica formada por clulas pentagonales, hexagonales y heptagonales. En cada vrtice de este cuerpo confluyen tres clulas. Los bilogos
notaron que el nmero de clulas pentagonales es mayor en 12 que el de
clulas heptagonales. Por qu?
.Es posible conectar diez ciudades entre s mediante caminos que no se corten,
y de modo que de cada ciudad salgan cinco caminos que lleguen a otras cinco,
ciudades?
Demostrar que en todo poliedro convexo existen dos caras con el micm0
nmero de aristas.
Demostrar que no existe un poliedro, en cada vrtice y en cada cara del cu4
inciden no menos de cuatro aristas.
En un plato yacen dos hojuelas de forma irregular. Es posible cortarlas con
solo golpe de un cuchillo en dos partes equivalentes (de reas iguales)?
Se puede cortar en cuatro partes iguales una hojuela en un plano mediante
dos rectas perpendiculares?
Uno de los primeros resultados de la geometra proyectiva, obtenido en el
siglo XVII, 'es la afirmacin siguiente. Supongamos que dos tringulos ABC
y A'B'C estn dispuestos en un plano de tal manera que las rectas AA', BB'
y CC' se cortan en un punto. Denotemos mediante P, Q y R los puntos de
interseccin de las rectas AB y A'B', AC y A'C', BC y B'C', respectivamente;
Demostrar que los puntos P, Q y R pertenecen a una misma recta.
Cada uno de los puntos de una circunferencia es negro o blanco. Demostrarque existe un tringulo issceles inscrito en esta circunferencia cuyos vrtices
son de un solo color.
12. Tres torres de un castillo estn ubicadas en los vrtices de un tringulo ABC.
La cuarta torre est en un punto O del interior del tringulo. Las murallas del
castillo se extienden a lo largo de los segmentos AB, BC, AC, AO, BO, CO.
Es posible visitar todo el castillo, es decir, recorrer todas las murallas y visitar
todas las torres, sin pasar dos veces por una misma muralla?
13. Se puede cubrir todo el plano con un nmero finito de interiores de parbolas?
14. En un plano se han trazado n lneas rectas. Demostrar que las regiones, en las
que estas rectas dividen el plano, se pueden pintar con dos colores, de modo
que cualesquiera dos regiones vecinas (que tienen en comn un segmento de
recta) poseen diferente color.
-- .Imtryamos
uEZSnadeMo5iusy despus cortmosla a lo largo de la lnea
central. Es no-orientable la superficie obtenida?
16. Demostrar que toda aplicacin continua de un crculo en sf mismo, tiene al
menos un punto fijo. (Indicacin. Considerar la analoga de este problema con
el problema del peinadode una esfera o un toro.)
17. Dado un tringulo acutngulo ABC, hallar en su interior un punto O tal
que la suma de las longitudes de los segmentos OA, OB, OC sea mnima.
(Indicacin. Prstese atencin a los problemas similares que surgen en relacin
con las pelculas de jabbn, las superficies mnimas, etctera.)
18. Los poblados A, B, C,D se encuentran en los vrtices de un cuadrado. Cul
es el sistema de caminos de longitud mnima que une los poblados A, B, C, D
de tal manera que desde cada uno se puede llegar a cada uno de los restantes?
Se puede generalizar este resultado a un sistema de n poblados A,, . ,A,?
Qu algoritmos de clculo propondra usted en este caso? (Indicacin. Utilice
el resultado del problema anterior.)
--
- -
..
.-
271
19. Construyamos una cinta de Mobius de papel. Disminuyamos la longitud de la

cinta mientras esto sea posible. Qu figura se obtendr finalmente?
20. Es posible unir tres anillos de tal manera que todos ellos estn unidos, pero
que ninguno de ellos est enganchado con ninguno otro?
,
21. Consideremosuna esfera con dos asas ensartadas la una en la otra. La existencia
de tal figura no contradice el teorema de clasificacin de las superficies
bidimensionales orientables?
22. Tome una camisa, un lpiz y un hilo. Doble el hilo en forma de un lazo de
longitud menor que la mitad de la longitud del lpiz. Ensarte este lazo de hilo
en un ojal de la camisa. A continuacin inserte un extremo del lpiz en el lazo
de hilo, y despus ate fuertemente los dos extremos libres del hilo cerca del
otro extremo del lpiz (generalmente es cmodo hacer un surco en el lpiz
en el lugar donde se atarn los extremos 'del hilo). Como resultado de esta
operacin, el lpiz quedar atrapado en la camisa. Se puede liberar el lpiz
sin quebrarlo y sin cortar el hilo?
23. Un tringulo equiltero est dividido en un nmero finito de tringulos. Demostrar que al menos en uno de ellos todos los ngulos no son mayores que 120".
24. En el siglo XIX un estudiante ingls not que para colorear el mapa de Gran
Bretaa de modo que los condados vecinos (los que tienen frontera comn)
queden pintados de diferente color, son suficientes cuatro colores. Esta observacin sirvi de inicio a un gran ciclo de trabajos relacionados con el anlisis
del problema de los cuatro colores. Construir un ejemplo que demuestre que para
un mapa dibujado en la superficie de un toro, cuatro colores no son suficientes.
25. Tres vrtices A, B, C de un grafo se encuentran en los vrtices de un tringulo ABC. Los vrtices E y F son los extremos de un segmento que se encuentra
en el interior del tringulo ABC. Las aristas del grafo enlazan cada vrtice con
todos los dems. Es posible colocar este grafo en el plano de manera que sus
aristas no se corten?
26. Inscribir en un tringulo acutngulo dado el tringulo de permetro mnimo.
(Indicacin. La clave para la solucin puede estar en el principio de Fermat y
en las leyes de la ptica geomtrica.)
Bibliografa
Las nociones fundamentales de la topologa a nivel elemental se pueden ver en los
libros:
Boltiariski V G., Yefrimovich V A . Topologa intuitiva (en ruso);

Chinn W. G., Steenrod N. E. Primeros conceptos de Topologa. Alhambra, 1975;
0 Coxeter H. S. M. Introduction to Geometry. Wiley 1989.
Un curso ms formal, el cual analiza la realizacin de la parte topolgica del
programa de Poincar, se puede encontrar en el libro:
Borisovich Yu. G., Bliznyakov N. M., Izrailevich Ya. A,, Fomenko T. N. Introduction
to topology MIR, 1985.
272
Captulo g
Ejemplos de utilizacin de los mtodos topolgicos en el anlisis de los sistemas

dinmicos se exponen en los libros:
Bautin N. N,,Leontvich E. A. Mtodos y procedimientos de investigacin
cualitativa de sistemas dinmicos en el plano (en niso);
Arnold V.1.Chapitres supplrnentairesde la thorie des quations diffkrentielles
ordinaires. MIR, 1980.
El descubrimiento de los fullerenos y la utilizacin de los mtodos topolgicos en la
proyeccinde nuevas sustancias, se analizan en los trabajos:
Jones D. The Further Inventions of Daedalus. Oxford University Press, 1999;
njodiyev S. Estructuras de carbono (en NSO);
Rouvray D. H. Predicting chemistry from topology. Scientific American, 255,
1986.
Redes neuronales
Hoy no podemos decir con certeza si la ecuacin de Schrodinger contiene ranas, compositores
o alguna moral, o si ella no puede contener nada
semejante. Nosotros no podemos decir si se necesita
o no algo superior a la ecuacin, alguna especie
de dioses. Por eso cada cual puede tener su propia
opinin al respecto.
R. Feynman
Neurociencia
Las computadoras han ayudado mucho a la dinmica no-lineal. Ellas han
permitido investigar modelos matemticos que surgen en diferentes reas
y descubrir todo un conjunto de efectos no-lineales interesantes. Hoy la
dinmica no-lineal est pagando las deudas a las ciencias y tcnicas
computacionales.
La simulacin computacional desempea un papel importante en
el enfoque interdisciplinario denominado neurociencia. Este enfoque est
llamado a responder cmo trabaja el cerebro, cules sucesos psquicos
estn determinados por patrones de impulsos nerviosos en el cerebro.
La neurociencia surgi a caballo entre varias disciplinas cientficas, entre las
que se cuentan la neurofisiologa, la bioqumica, la psicologa cognitiva, la
matemtica y la tcnica computacional.
El desarrollo de la neurociencia mostr que la construccin e investigacin de modelos matemticos son el mtodo principal de comprensin de
los procesos que transcurren en el cerebro, de interpretacin de los datos
. experimentales disponibles y de planteamiento de problemas nuevos. Naturalmente, hay que reconocer que el camino desde el estado actual de este
campo hasta la comprensin profunda de los principios de funcionamiento
del cerebro, por lo visto, es muy largo. Los modelos ms bien responden al
cmo podran funcionar unos u otros sistemas que concuerdan en algunos
aspectos con los datos sobre la arquitectura, las funciones y las particularidades del cerebro. No obstante, las investigaciones en la neurociencia ya han
abierto el camino para la creacin de nuevas arquitecturas de computadoras
274
Captulo 10
y para dotar a los sistemas computacionales de una especie de intuicin,

memoria asociativa y generalizacin de la informacin recibida, es decir, de
posibilidades que antes se consideraban prerrogativas de los sistemas vivos.
El enorme inters mostrado en los ltimos aos hacia estos trabajos est
condicionado por varias causas. En los aos 60 y 70 del siglo XX se cifraron
grandes esperanzas en la direccin cientfica denominada inteligencia artificial.
Se pensaba que apoyndose en la lgica y la matemtica discreta, era posible
crear un software que resolviera un crculo amplio de problemas, desde la
demostracin de teoremas y la composicin de versos hasta el ajedrez, el
diagnstico mdico y la planificacin estatal. Aunque se obtuvieron algunos
xitos en la resolucin de problemas concretos, por el camino surgieron
dificultades fundamentales.
En muchos casos la formalizacin de los procedimientos de evaluacin
de una situacin y de obtencin de una solucin resultaba ser muy compleja.
Su realizacin en forma de programa, la elaboracin de instrucciones
detalladas para un nmero muy grande de posibles situaciones con las que
poda tropezar el sistema computacional, tambin exiga muchos gastos.
En particular, uno de los problemas ms importantes que en su tiempo
obligaron a los EE.UU. a renunciar al programa de la guerra de las galaxias
fueron las dificultades para la creacin del software. Un grupo de expertos
estim el trabajo para la creacin de tal sistema en cientos de miles de
aos-hombre de trabajo de investigadores altamente calificados.
Esto oblig a buscar principios nuevos y a ver de otra manera la
capacidad asombrosa del cerebro humano de orientarse en una situacin
desconocida, de controlar el movimiento, de tomar decisiones rpidas y
suficientemente precisas y de reconocer patrones. Un nio de tres aos
distingue con facilidad un gato de un perro reales, dibujados o bajo
diferentes iluminaciones. Para los software ste es un problema sin resolver.
Una segunda circunstancia que contribuy al rpido desarrollo de la
neurociencia y al gran inters hacia ella, fueron los xitos de la biologa.
En los ltimos 40 aos, en una serie de casos importantes se aclar el
camino que se recorre desde la interaccin de molculas separadas hasta
la reaccin del organismo como un todo. En un nivel nuevo, relacionado
con el desarrollo de la biologa molecular, se comprendi la universalidad
de muchos mecanismos biolgicos. Surgi la esperanza de que gracias a los
nuevos mtodos, instrumentos e ideas, es posible seguir este mismo camino
para los procesos relacionados con la percepcin, la conciencia y la psiquis.
Finalmente, el desarrollo de las ciencias exactas, los xitos en la investigacin de los modelos matemticos no-lineales, ayudaron a formular
nuevas ideas en este campo. La idea fundamental consiste en que la percepcin, el aprendizaje, el pensamiento y otras funciones del cerebro estn
condicionados por un proceso colectivo que conduce a un trabajo coordi-
Redes neuronales
275
.-
nado de un conjunto de neuronas (clulas nerviosas de estructura bastante

simple). La autoorganizacin (autoprogramacin) de tales conjuntos es,
precisamente, la clave para la explicacin del funcionamiento del cerebro.
Los trabajos de investigacin de la memoria con personas y animales,
mostraron que no se puede sealar en el cerebro una estructura claramente
localizada, responsable de la memoria. Esto obliga a suponer que estamos
ante un sistema distribuido. Un prototipo fsico simple de la situacin que
probablemente se presenta es el holograma.
El holograma da la posibilidad de grabar y guardar informacin mediante haces de luz coherente. El principio de obtencin de un holograma es
el siguiente: en una placa fotogrfica se registra la figura de interferencia que
se forma al superponerse la radiacin monocromtica (lser) incidente sobre
el objeto en cuestin y la radiacin dispersada por dicho objeto. Si la figura
de interferencia grabada en la placa fotogrfica se ilumina con el mismo rayo
lser, entonces el rayo al dispersarse restablecer la imagen del objeto inicial.
Sealemos que la informacin de un punto arbitrario de la superficie del objeto est dispersa por toda la superficie de la placa fotogrfica-holograma.
Si se daa una parte del holograma, la
imagen del objeto no se pierde, slo se hace
menos ntida. Esto se diferencia radicalmente
de la organizacin de la memoria fotogrfica estndar. Al cortar y botar un pedazo
de una fotografa, perdemos la posibilidad de
saber qu haba impreso en ella.
La transformacin de Fourier proporciona otra ((metforamatemtica de la memoria distribuida. En efecto, supongamos que
se tiene cierta silueta. Su contorno se puede
guardar como el grfico de cierta funcin x(t)
(fig. 10.1 a) definida en un conjunto discreto de
puntos (tl, t2, .. . ,tN). Sin embargo, tambin
se puede guardar en forma de una coleccin
de armnicos de Fourier, por ejemplo,
Si <<olvidamos
los valores de x en algunos puntos, perdemos suficientemente rpido
la idea de toda la figura (fig. 10.1 b). Si olvidamos los coeficientes superiores de Fourier,
lo nico que ocurrir es que el contorno se
Fig. 10.1. Las distorsiones ocasionadas por diferentes maneras

de guardar la informacin, cambian La figura de modo diferente:
a) silueta inicial; 6 ) figura que
surge si se daa una parte de La
funcin x ( t ) ; c) figura que surge si se pierden Los coeficientes
superiores de Fourier C,
276
Captulo 10
hace ms difuso (fig. 10.1c). Por tanto, al trabajar con elementos poco fiables
es preferible utilizar los coeficientes de Fourier en lugar del contorno inicial:
es mejor guardar todos los huevos en una misma cesta.
En este captulo estudiaremos primero las nociones elementales sobre
el funcionamiento del cerebro, que de una u otra forma se reflejan en los
diferentes modelos, y tambin analizaremos algunos modelos matemticos
fundamentales de este campo.
Nociones elementales sobre

e l funcionamiento del cerebro
Hace ms de cien aos Santiago Ramn y Caja1 utiliz para el estudio de
las clulas nerviosas un nuevo mtodo de coloracin con sales de plata,
propuesto por Camillo Golgi. ste fue el inicio de las investigaciones del
cerebro. Result que el cerebro contiene cerca de lo1* neuronas, y consta de
cierta coleccin de unidades funcionales discretas.
En la figura 10.2 se muestra una neurona tpica. Cualquier neurona est
compuesta del cuerpo propiamente dicho y de prolongaciones arborescentes
fuertemente ramificadas, denominadas dentritas. Las dentritas reciben informacin de otras neuronas. La transmisin de informacin est a cargo de una
prolongacin larga sin ramificaciones, llamada axbn.
Los sectores de contacto entre las neuronas recibieron
el nombre de sinapsis. Ellos aseguran la transformacin de los impulsos elctricos, los cuales se propagan
como una onda por el axn, en seales qumicas. Estos impulsos elctricos se conocen con el nombre de
potenciales de ccin. Al llegar a las sinapsis, los potenciales de accin provocan en ellas la liberacin de
-3
unas sustancias denominadas neurotransmisores. Los
neurotransmisores se difunden a travs de la ranura
estrecha que separa a la sinapsis de la neurona dada
de la dentrita de la neurona vecina. Los receptores de
41
las dentritas son tales que mediante ellos la neurona
logra realizar la transformacin inversa de la8 seales
qumicas en potenciales de accin.
El nmero de sinapsis no es el mismo en todas
Fig.10.2. Representalasclulas.Enlasdenominadasclulaspiramid~~eshay
cin esquemtica de
cerca de lo4 sinapsis, en las clulas de Purkinje hay ms
una t~eurona tpica:
de 15 lo4. En la figura 10.3 se muestra la ley tipica de
- den- variacin del potencial de accin en uno de los puntos
tritas, 3 - axn, 4 del axn. Aqu, la escala temporal caracterstica es del
una de las sinapsis
orden de un milisegundo. Generalmente, la amplitud
;i
*c
277
Redes neuronales
.-
y la forma de los impulsos se consideran constantes. El cambio de estado

de la clula se manifiesta en el cambio de la frecuencia de generacin de
los potenciales de accin. Esto lleva v,m~~
a pensar que probablemente los sis80 temas del cerebro se caracterizan por
ri
una codificacin de la frecuencia de
40 la informacin, y que la neurona mis0.
ma recuerda el esquema electrnico
t
-40 conocido en la electrnica como oscilador de bloqueo. Al aplicar una seal a
-80
tal sistema, ste genera un impulso
1
estndar>>deformayamplituddeter- Fig.10.3. Forma tpica del potencial de
minadas. Este proceso autooscilante accin en un punto del axn de La neurona
es tal que despus de cada disparo
el sistema se toma insensible a las acciones exteriores. Este ltimo estado se
denomina refractario. Se puede decir que estamos ante un sistema excitable
que se puede encontrar enfase de reposo (antes de la llegada del potencial de
accin), enfase de excitacin (en el instante en que llega el impulso) y enfase refractaria (durante cierto tiempo, inmediatamente despus que el impulso pasa). La existencia de un perodo refractario determina la mxima frecuencia
posible de generacin de los potenciales de accin: sta no supera los 200 Hz.
La neurona constituye un elemento no-lineal tpico que acta segn el
principio todo o nada. Cuando la seal total proveniente de otras neuronas
supera cierto valor crtico, se genera un impulso estndar. En caso
contrario, la neurona calla.
Los potenciales de accin sirven no slo para la transmisin y procesamiento de la informacin. Ellos pueden cambiar las redes neuronales por
las que pasan. Esta plasticidad de las sinapsis y de la redes neuronales es,
segn los puntos de vistamodeEos, la-base del aprendizaje.
Incluso una comparacin superficial del cerebro con las computadoras
modernas muestra cun notable es la diferencia entre estos objetos.
La diferencia fundamental consiste en que el cerebro es una mquina
autoprogramable,capaz de crear, modificar y perfeccionar su programa de
actividades.
Aunque tanto el.cerebro como la computadora estn compuestos de
una cantidad grande de estructuras elementales (en un caso, de neuronas,
en el otro, de triggers unidos de un modo determinado), entre ellos hay una
diferencia en principio. Los elementos de una computadora son estructuras
muy poco fiables. La rotura de cualquiera de ellos puede significar la rotura
de todo el sistema. A medida que aumenta la edad del hombre el nmero
de neuronas disminuye. Este proceso no es uniforme. Hacia la vejez, como
afirman los especialistas, una serie de estructuras del cerebro pueden perder
278
Captulo 10
hasta el 30-40 % de las clulas, mas esto no conduce necesariamente a

alteraciones de la actividad mental. Por ahora no est claro cul es la posible
arquitectura de semejante computadora con elementos que desaparecen.
Las caractersticas cualitativas de ambos sistemas se diferencian notablemente. La velocidad mxima de un impulso newioso hoy se estima
en 100 m/c. Esto es aproximadamente un milln de veces menor que la
velocidad de propagacin de una seal elctrica por un buen conductor.
La velocidad de reloj de las computadoras personales modernas alcanza los
cientos de megahertzios. La velocidad de reloj lmite de los sistemas
neuronales es' ms de un milln de veces menor.
Qu es lo que asegura la efectividad exclusiva del funcionamiento del
cerebro durante la resolucin de una cantidad enorme de problemas, en
comparacin con las computadoras? El punto de vista generalmente aceptado en la actualidad explica este hecho mediante el funcionamiento paralelo
de un conjunto de procesadores elementales y mediante una arquitectura
perfecta, los cuales permiten paralelizar el problema. Los intentos de
crear computadoras con alto grado de paralelismo (sistemas multiprocesadores, transputadoras, mquinas de autmatas celulares) han mostrado
que la creacin de algoritmos paralelos en los que las partes del sistema
computacional no se estorben la una a la otra y no esperen mucho tiempo
los resultados de las otras partes, es una tarea muy compleja. Por lo visto,
durante la evolucin la naturaleza logr hallar una solucin muy acertada.
Adems, es de esperar que en el cerebro existan algoritmos excepcionalmente efectivos de aprendizajede los conjuntos neuronales, los cuales
aseguran de manera efectiva la correccin y el ajuste de los programas.
Se debe sealar que durante el anlisis de un sistema como el cerebro, es
difcil separar los factores claves de los secundarios, diferenciar los principios
de accin de los detalles de la realizacin tcnica. Frecuentemente, las
opiniones de los especialistas al respecto divergen.
Las neuronas se caracterizan por una variedad estructural bastante
grande. Exteriormente, las clulas de Purkinje y las clulas de la estructura
del cerebro denominada globus pallidus, tienen un aspecto completamente distinto. Es posible que estas diferencias considerables se deban tener
en cuenta en los modelos. El nmero de neurotransmisores conocidos se
aproxima a los cincuenta. Probablemente esto tambin sea un factor importante, el cual asegura el desenlace de los diversos canales informativos
o aumenta la fiabilidad y vitalidad de todo el sistema. Finalmente, las
investigaciones de D. Hubel y T. Wisel sobre el anlisis de la corteza visual
condujeron al descubrimiento de una particularidad estructural importante
en la organizacin del cerebro. Se ha descubierto que las neuronas con funciones iguales estn agrupadas en columnas, una especie de mdulos que
atraviesan la corteza. Cada mdulo puede incluir ms de 100 mil clulas,
279
Redes neuronales
la mayora de las cuales forman redes neuronales locales. Es posible que

la clave para la solucin de los procesos psquicos est relacionada con los
algoritmos y mecanismos de interaccin de estos mdulos? A diferencia de
la computadora, los principios de organizacin de la memoria del cerebro se
desconocen. precisamente esto conduce a opiniones radicalmente opuestas
sobre qu es lo que el cerebro puede memorizar.
A pesar de la gran cantidad de problemas no resueltos en este campo,
en la neurociencia se han logrado xitos importantes. Como tales se pueden
considerar la nueva generacin de compuestos para tratamiento de las
enfermedades psquicas, denominados neurolpticos, y la creacin de los
sistemas neurocornpu tacionales.
Modelo de Hopfield
Por lo visto, la red neurona1 de Hopfield es hoy el modelo matemtico ms
popular en la neurociencia. Esto est condicionado por su simplicidad y claridad. Adems, este modelo result cercano por su descripcin matemtica a
un objeto investigado detalladamente en la fsica estadstica: el vidrio de espn.
La red de Hopfield muestra de qu modo, en principio, se puede
organizar una memoria en una red de elementos que no son muy fiables.
Prestemos atencin a algunas particularidades importantes de la memoria de los animales y el hombre, las cuales sera interesante expresar
mediante un modelo.
Asociatividad. Estabilidad ante los ruidos. Imaginmonos la memoria

como cierta caja negra. Para que un sistema pueda recordar posteriormente
la informacin, ste primero debe ser entrenado. En otras palabras, la
formalizacin elemental del trabajo de un dispositivo de memoria conduce
al cuadro siguiente. Supongamos que en la entrada de la caja negra se
muestra un patrn de entrada t:, el cual contiene N bits de informacin,
y que necesitamos entrenar al dispositivo a reconocer M patrones diferentes,
que llamaremos patrones claves. Al mostrar cierto patrn clave a la <<caja
negra, en su salida debe aparecer un patrn de salida, el cual denotaremos
mediante [yt.Los espacios de patrones de entrada y de salida pueden ser
iguales o diferentes.
Ejemplo. El conjunto
p = 1, . . .,M) puede representar las fotografas de los
son sus nombres y
colegas y {(yt,p = 1, . . . ,M), sus nombres; o bien
{(F;
{(F}
{(rt),
sus nmeros telefnicos.
En el proceso de entrenamiento se establecen de un modo determinado

las relaciones entre un patrn clave dado [
; ( p = 1,.. . ,M) y la salida
deseada (tFt).Es natural suponer que en el proceso de funcionamiento
del dispositivo, ste debe dar
en la salida al mostrarle $' en la
<rt
280
Captulo 10
entrada. Adems, exigiremos que al mostrarle patrones (F cercanos

la caja negra recuerde el patrn clave
(parecidos)a un patrn clave
verdadero,:[ y correspondientemente,en la salida muestre el patrn t,OU'
no distorsionado.
T
~5
Ejemplo.
6: - imagen memorizada por el dispositivo de memoria,
- algn fragmento de esta imagen o la imagen con un ruido superpuesto,
<yt- imagen no distorsionada, almacenada en la memoria;
rr
- fragmento memorizado de un texto,
cy - frase o algunas palabras de este texto,
' :e
fr
' :e
- datos bibliogrficos del texto que contiene al fragmento mostrado;

- cardiograma <<ideal>>,
correspondiente a una enfermedad dada,
- cardiograma real de un enfermo,
- diagnstico de la enfermedad contra la que deben luchar los mdicos.
Hablando de otro modo, en la caja negra creada deben surgir asociaciones

correctas. Es claro que semejante reconocimiento de los patrones mostrados puede
ser til para las guas y sistemas de bsqueda, para la estimacin de las situaciones.
Tambin es claro que un problema importante consiste en la determinacin del
parecido., es decir, de la norma
en el espacio de patrones. En general,
distintas redes neuronales tienen diferentes normas. Un patrn parecido a otro segn
una red puede no ser considerado como tal por otra red. Y para elegir entre ellos
hay que partir de las nociones sobre el problema a resolver. Esto no es competencia
de la red neuronal, sino de quien recurri a su ayuda.
llrr
c:Il
Carcter distribuido del almacenamiento de la informacin. Alta fiabilidad. Partiremos de las ideas ya expuestas sobre el funcionamiento del
cerebro. Por cuanto en el cerebro no se logra indicar un elemento concreto
responsable del almacenamiento de un patrn dado, consideraremos que la
informacin de un objeto es almacenada no por una neurona elemental
de la caja negra, sino por todo un grupo. Adems, sera conveniente
que el dispositivo creado, como en el
caso del cerebro, fuera capaz de funcionar
tambin en el caso de prdida o deterioro
de una parte de sus elementos. Tambin
sera bueno que para la red neurona1
\
creada, la probabilidad de reconocimiento
\
,
\
correcto se comportara, en dependencia
O
50
100 d, %
del porcentaje de elementos deteriorados,
como se muestra en la figura 10.4.
m A
Fig. 10.4. Dependencia deseada de

la probabilidad p de reconocimiento correcto respecto al porcentaje d
de neuronas deterioradas
A~~~~~ rpido a lainformacin. A pesar

de la inercia de los elementos del cerebro y
de que la velocidad de transmisin de las
Redes neuronales
281
seales es extremadamente lenta en comparacin con la de las computadoras,

nuestra memoria funciona muy rpido. Probablemente, el cerebro no analiza
toda la informacin de la cual dispone, sino que acta de una manera ms
racional. Sera deseable que la caja negra creada tambin permitiera
determinar suficientemente rpido el patrn de salida a partir del patrn
de entrada.
Universalidad y adaptabilidad. Sera importante asegurar una estructura

de la <<cajanegra que permitiera tratar diferentes patrones de entrada [f
(imgenes, sonidos, olores, etctera). Se debe asegurar la posibilidad de
reajustar la red neurona1 cambiando los receptores, la periferia, el nmero
de patrones, etctera.
Comparemos estas exigencias con la organizacin de la memoria de
las computadoras de von Neumanm, tradicionales. En el marco de esta
arquitectura es muy difcil asegurar la estabilidad respecto a los ruidos.
Es muy complicado tratar el patrn de entrada
si el nmero de bits N
necesario para su codificacin es grande, incluso en el caso cuando podemos
calcular la noma
Adems, nos vemos obligados a repasar
diferentes patrones claves, comparndolos con los datos. Naturalmente, esto
puede exigir mucho tiempo.
La idea fundamental de la estructura de la red de Hopfield est
relacionada directamente con la teora cualitativa de la ecuacin diferencial
x = v(x), donde x es una magnitud escalar. Recordemos que los atractores
de esta ecuacin pueden ser slo los puntos singulares x*, u(%*)= O. En la
recta que constituye el espacio de fase de este sistema, los puntos singulares
estables se alternan con los inestables. Los ltimos determinan las fronteras
de la regin
de atraccin de los puntos estables. Un punto es estable si
Ov(x*)
~ v ( xj *
< O, e inestable si --- > O.
a~Hagamos correspondera~
a los atractores de esta ecuacin una
- coleccin
( p = 1, . . . M). A los patrones mostrados les corresde patrones claves
ponder el valor inicial x(0). El reconocimiento de un patrn corresponder
a la llegada a un atractor.
El patrn mostrado estar cercano a un patrn clave dado si cae en el
campo de atraccin de este ultimo (fig. 10.5). Para esta ecuacin existe la
funcin de Liapunov o potencial
IlCb ["l.
--
Por consiguiente, la solucin de la ecuacin
282
Captulo 10
.m tiende a uno de los patrones claves
(F,
cuando t -+
v((;) = 0.
En otras palabras, si tanto los patrones de entrada como los patrones
claves fueran nmeros reales, entonces el sistema computacional que resuelve la ecuacin (10.1) podra jugar el papel de caja negra con memoria. Al entrenamiento de semejante
red correspondera la construccin de
la funcin v(x) con puntos singulares estables en los puntos $' ( p = 1,...,M)
del eje numrico; a estos corresponden
los mnimos de la funcin potencial.
La funcin v(x) se puede construir de
tal manera que los puntos singulares
6
52
6
inestables xk (v(xk)= O) tomen valores
Fig. 10.5. La ecuacin (10.1) permite dados (fig.10.5). Ellos definen las regiones de atraccin de los patrones claves
realizar una variante elemental de memona asociativa
y reflejan cules nmeros se parecen
entre s y al patrn clave. Destaquemos un detalle importante: aqu podemos definir por nuestra propia cuenta
no slo los patrones claves, sino tambin sus regiones de atraccin.
Las situaciones que se presentan en la realidad y en las que se aplican
las redes neuronales son, evidentemente, mucho ms complejas. Ante todo,
porque los mostrados y los patrones memorizados t; son vectores de
grandes dimensiones. Por ejemplo, stos pueden ser imgenes, y en 5 estar
grabada la informacin del color de cada pxel de la pantalla.
Sin embargo, la idea general y el planteamiento del problema siguen
siendo los mismos. Si se considera que la investigacin de 10s atractores
del sistema dinmico dado es un problema directo de la teora cualitativa,
entonces aqu estamos tratando con un problema inverso. Para su resolucin
se debe construir un sistema dinmico que tenga una coleccin dada de
atractores (y en el caso ideal, que tambin tenga las regiones de atraccin de
estos atractores). Este problema es un problema mal planteado. Son muchos
y muy diversos los sistemas dinmicos que pueden tener los mismos
atractores (de hecho, son muchas y muy diversas las funciones U ( x ) que
pueden tener extremos en los mismos puntos). Por eso se puede simplificar
el problema considerando, por ejemplo, que estamos tratando con sistemas
dinmicos de un tipo especial, para los cuales existe adems la funcin de
Liapunov. Este enfoque se utiliza en el modelo de Hopfield y en un conjunto
de otras redes neuronales. En este campo de investigaciones, las redes
neuronales que poseen funcin de Liapunov o sus anlogos se denominan
frecuentemente redes convergentes.
Para describir una red neurona1 es necesario:
N
283
Redes neuronales
.-
- determinar la dinmica de sus elementos por separado (de las neuronas);

- definir la arquitectura de la red;
- definir las reglas de interaccin de las neuronas;
- describir el algoritmo de aprendizaje, es decir, el algoritmo de formacin
de las conexiones para la resolucin del problema planteado.
El ltimo punto es especialmente importante. Para subrayar su significado, en la literatura especializada los algoritmos de aprendizaje de las
redes neuronales se denominan psiquis artificial,y la direccin misma de
los trabajos, coneccionisrno.
Analizaremos la versin discreta clsica del modelo de Hopfield, aunque
las ideas principales de su construccin estn relacionadas directamente con
el modelo continuo (10.1). Adems, en la literatura se pueden hallar redes
continuas de este mismo tipo.
Denotemos mediante S(t) la actividad de la neurona en el instante t.
Esta magnitud es discreta y puede tomar el valor +1, lo que corresponde
al estado de excitacin, y -1, lo que corresponde a la inhibicin.
Este carcter discreto refleja la no-linealidad (el carcter de umbral) del
funcionamiento de la neurona, y el conocido principio de la neurobiologa
de todo o nada.
Sea h(t) una accin exterior ejercida sobre una neurona, por ejemplo,
por parte de otras neuronas. Un modelo tradicional de la teora de las redes
neuronales es la neurona de McCulloch-Pitts. Su dinmica est determinada
por la siguiente relacin:
h(t)> O,
h(t)< O
= -1,
(el caso h(t)= O no se considera). Evidentemente, sign (h) es simplemente
el signo de la funcin h. Se considera que el tiempo es discreto: t = 1,2, .;-:y
Tendremos en cuenta que el potencial de membrana de la neurona i en
el instante t depende del estado de otras neuronas. Para describir esta
circunstancia en el modelo, consideraremos que la accin sobre una neurona
dada por parte de otras neuronas est determinada por la suma ponderada
S(t
+ 1)= sign (h(t))
1,
h,(t) = )Jij Sj (t).

Los pesos de las conexiones o pesos sinpticos Jii son una descripcin
idealizada de la interaccin entre las dentritas de la neurona dada y las
sinapsis de otras neuronas. A veces, para cada neurona se introduce un
umbral local Oi, a partir del cual la neurona pasa la estado activo:
284
Captulo 10
Consideraremos que la arquitectura de la red es tal que cada neurona

est conectada con cada una de las otras. Es cmodo representar las
magnitudes Jij en forma de una matriz cuadrada de dimensin N x N,
denominada matriz de conexiones J E {JV)
As, la evolucin del estado de la red {Si(t)) est determinada por el
sistema dinmico discreto
El patrn de entrada fque debe ser reconocido corresponde a los datos

iniciales del sistema (10.4): .
Estas nociones de la neurociencia reflejadas en el modelo tienen un
anlogo directo en la teora del vidrio de espn. A la clula-neurona le
corresponde un espn; al estado de reposo (al estado de excitacin) le
corresponde la orientacin del espn -1 (la orientacin +1); a las pesos
sinpticos, las conexiones Jii; a las conexiones de excitacin, Jij> O; a las
conexiones de inhibicin, Jii < O; a los umbrales Oi, los campos locales.
El modelo (10.4) se simplifica considerablemente suponiendo que las
conexiones son simtricas:
Jij= Jji, J,, = O ,
1< i , j , k < N .
(10.6)
En general, esta suposicin est ms justificada en la teora del vidrio
de espn que en los modelos de la neurociencia, donde las conexiones
entre las sinapsis de una neurona y las dentritas de otra neurona son
unidireccionales.
Denominemos energa a la magnitud
Se puede decir que para el modelo considerado esta magnitud desempea el

papel de funcin de Liapunov. En efecto, supongamos que en el instante t+At
hemos cambiado el valor de la variable S slo para un neurona, de nmero Ic:
Sk(t At) = Sk(t) AS.
Evidentemente, la suma (10.7) en este caso cambiar en la magnitud
= AS,
(-
285
Redes neuronales
.Aqu lo fundamental es la posibilidad de reducirambas sumas a una

sola y liberarse del trmino cuadrtico respecto a ASk, lo que se asegura con
el cumplimiento de las igualdades (10.6). Pero la expresin entre parntesis
en la frmula (10.8) tendr signo contrario al de la magnitud ASk si el
estado de la neurona cambia segn la regla (10.4). Precisamente por eso
la magnitud AE ser no-positiva. A la misma conclusin conducen los
razonamientos ms rigurosos que tienen en cuenta que no una, sino varias
neuronas pueden cambiar de estado.
Analicemos ahora al algoritmo de aprendizaje de la red neuronal. Este
algoritmo permite hallar la matriz de conexiones J a partir de una coleccin
dada de patrones claves
1 p M.
Denotemos mediante
el valor de la variable Si (es decir, el estado
de la i-sima neurona) para el caso de un patrn de entrada de nmero p.
En el modelo de Hopfield los valores de los parmetros de umbral Oi son
iguales a cero y la matriz de conexiones se determina a partir de la regla de
, :<
ciI,
< <
aprendizaje de Hebb:
J
t j P para
=-
i # j;
Jii = 0.
p=l
La regla de aprendizaje de Hebb fue propuesta partiendo de las nociones

neurofisiolgicas siguientes. El aprendizaje de los conjuntos neuronales est
relacionado, por lo visto, con el surgimiento de retroalimentaciones positivas.
Evidentemente, estas conexiones deben establecerse, en primer lugar, entre
las neuronas que durante la realizacin de una tarea se encuentran en
un mismo estado (por ejemplo, excitado). En este caso, la efectividad de
la interaccin de las correspondientes sinapsis y dentritas debe aumentar.
En el modelo, esto debe corresponder al aumento del peso sinptico, por
ejemplo, entre las neuronas i-sima y j-sima, J i j . En otras palabras, en
la frmula (10.9) se calcula el nmero total de veces que las neuronas
resultaron en el mismo estado al mostrarles a todas M patrones claves,
y despus se normaliza respecto al nmero de neuronas. Los razonamientos
son anlogos si las neuronas resultan estar, como regla, en oposicin de fase
y entre ellas surge una retroalimentacin negativa.
Una metfora que aqu se utiliza a menudo es la de la cada de una
piedra por una cuesta de arcilla: cuanto ms veces ruede la piedra por
un camino dado, tanto ms profunda se har la va y tanto mayor ser la
probabilidad de que la piedra ruede por ella.
Verifiquemos que en una red neuronal entrenada segn la regla de
Hebb, en los patrones claves tf ( p = 1,.. . , M ) realmente se alcanza el
mnimo del funcional de energa. Sustituyamos la expresin (10.9) en la
Captulo 10
286
frmula (10.7) para Oi = 0:
donde m p =
&
Sitip. Evidentemente, S;<; = 1. La condicin i # j

i=l
en (10.10) se deduce de la frmula (10.6).

La magnitud m , corresponde a la correlacin, o producto escalar de la
configuracin neurona1 dada y el patrn clave p. La frmula (10.10) define
una frmula cuadrtica respecto a las componentes del vector {Si). Si los
patrones claves son ortogonales uno respecto a otro,
entonces m, = 1, m, = O, m, = O,
-
..., si Si = til.El valor de la energa
N- M
en este caso es E(<,) = - - -. Exactamente as ser para los dems

2
2
patrones claves. Si m, fueran magnitudes continuas, entonces se podra
E
es definida negativa,
comprobar que -= O y que la matriz
a~
amP
a2
@mpam,)
ES decir, la energa E, como una funcin de m,, tiene un mnimo local.

Si los patrones se han tomado al azar, entonces se puede esperar que
El valor de la energa
en este caso es aproximadamente igual a cero
-
(- 5 $) ,
-
lo cual es bonsiderablemente mayor.
As pues, las expresiones (10.4), (10.5) y (10.9) determinan completamente la dinmica de la red de Hopfield, en la cual, bajo ciertas condiciones,
a los patrones claves les corresponden atractores.
El test preferido para el modelo de Hopfield es el reconocimiento de
imgenes que representan distintas letras del alfabeto. En la figura 10.6 se
muestran tres patrones de entrada: las imgenes de las letras A, Y y K, con
287
Redes neuronales
.-
step :
step
8I
8l
81
811
U # i @ II
I@
W8
II
lil
a:
II
Ir
1
1
1
am
1:'
BI
UI
91
88
111111
11188
e:
m8
88
R#1188188111818118
P8
II
88
II
1
1
1
aaeu
.1211E+06
UDlb@1061181W110
1111
1116
#8
88
II
8
al
II
Ia
U8
II
88
10
111
e:
.1740E+06
111 r
@M
I D
II 88
1I
II
I1
88
m
r
1)1
48
II
88li
m1
11881818
1118
llllllllli
P I
11111 81
a1
M I
umn
',a
step:
8B
ri
DI
8li
88
11i
811
8U
a#
88
88
I
II
88
18~B0181018188DDIB
i88l#8~l98#0D88I88
il
111
RI
ID
U@
DI
QI
UI
06
II
e:
.1861E+06
au
8I
Fig. 10.6. Ejemplo de reconocimiento de un patr6n por la red de Hopfield. En la fila superior
se muestran Los patrones claves. En la inferior tenemos e l reconocimiento de una letra A
a la cual se le suQerpuso un ruido. E l parmetro step corresponde a l nmero de paso T ;
e son las energas de la configuracin mostrada S ( t ) . Al cabo de vanos pasos la red reconoce
.correctamente el patrn
las cuales fue entrenada la red segn la regla de aprendizaje de Hebb. Ms

abajo se muestra la evolucin de la configuracin neuronal para el caso de
una letra A distorsionada. En este caso se llega bastante rpido al atractor
correspondiente al patrn clave. Debido a que todos los elementos actan
paralelamente, el reconocimiento ocurre en slo varios pasos.
Una caracterstica importante de una red neuronal es el cociente del
nmero M de patrones claves que se pueden memorizar y el nmero N de
neuronas de la.red:
Para el modelo de Hopfield en la literatura se indica frecuentemente

a = 0,14. Sin embargo, tal estimacin tiene lugar slo si los patrones son
Captulo 10
288
.-
cercanos a cierta coleccin de vectores tomados al azar. Generalmente, el

coeficiente a es considerablemente menor.
Para muchos sistemas no-lineales donde son posibles los procesos
colectivos, se pueden destacar algunas variables principales (parmetros de
orden), a las cuales se adecan todos los dems grados de libertad del
sistema investigado. Para el modelo de Hopfield tales parmetros tambin
existen, y sus papeles son desempeados por la magnitudes denominadas
correlaciones entre los patrones [2]:
Una pregunta tradicional que surge durante el anlisis de una red es

la siguiente: Les posible adicionar a los M patrones existentes un patrn
ms tM+, de tal manera que ste tambin se convierta en un atractor
del sistema investigado y que los dems continen siendo atractores?
En los ltimos aos se ha demostrado que la respuesta a esta pregunta
est determinada unvocamente por la correlacin entre los patrones [2].
Intuitivamente es claro que
cuant mayor sea la correlacin entre un patrn
nuevo y uno de los ya grabados, tanto ms difcil)) le es a la red neuronal
memorizarlo y reconocerlo.
E l sentido del caos

El modelo de Hopfield tiene dos defectos notables. El primero se suele
denominar memoria falsa, existencia de fantasmas, de <<espectros,
de
patrones falsos. El sentido de este fenmeno se muestra en. la figura 10.7.
Aqu la red tambin est entrenada a reconocer las imgenes de tres letras.
Cada una de ellas es un atractor del sistema-correspondiente. Abajo se
muestra el proceso de reconocimiento cuando a la imagen de la letra A se le
ha superpuesto un ruido grande. Aqu tambin se llega a un atractor, pero
ste no coincide con ninguno de los patrones claves. En otras palabras, entrenando a la red neuronal segn la regla de aprendizaje de Hebb, junto con
los atractores verdaderosobtenemos una coleccin de atractores parsitos.
El segundo defecto est relacionado con un experimento imaginario
bastante simple. Supongamos que la red neuronal est entrenada para
reconocer gatos y perros, que le hemos mostrado la imagen de un ave,
y que la trayectoria de la red evit sin problemas todas las imgenes falsas.
Tuvo lugar el reconocimiento, el funcional de energa disminuy y alcanz
el mnimo local, y la red reconoci en la imagen mostrada a un perro.
Estaremos satisfechos con el resultado? Evidentemente, no. As queda
claro otro defecto considerable: la red no sabe decir no s>>;ella realiza el
reconocimiento incluso si no existen bases para ello.
289
Redes neuronales
.-
step :
M
m+
.
:"".:
.
.
.
:
:
..!
.
m :
1
llLN
Da 8
m .
11 111 11
1 111 111
mmm .B
8 111
.m
m
.
mm m m m
.
1
11
1 Ia :
1
a
BID B
18 D 1
I
18 111 8
m. m 8 1
m
.m
umm
111
111
D
mi1 118 1 1C 11
DIIDIIB
II
11 111
m1 amm
1 1 1
I1
1I
11
m1
m
D
1 11.
88,
1 E
1 1
1 1
m
1 1
e:
m m
'
1
11 m1
1 8 1
e : -.3692E+04
step :
step:
'D
e 1
:
LI
I
D H
- .7544E+05
M
\
e:
- .1530E*06
Fig. 10.7. Efecto de memoria falsa. En La fila superior se muestran los patrones claves conocidos por la red. La fila inferior ilustra la Llegada de la red a una configuracin estacionaria,
independiente del tiempo. Esta configuracin no corresponde a ninguna imagen clave
Ms adelanteeveremos el modelo modificado de Hopfield. En este

modelo se intent eliminar ambos defectos complicando el modelo de la
neurona. La neurona idealizada de McCulloch-Pitts reacciona instantneamente a los estados de las neuronas vecinas, independientemente del
estado en el que ella misma se encuentre. Esto contradice una serie de datos
fisiolgicos, los cuales afirman que una neurona real es un sistema inercia1
extraordinariamente complejo.
La investigacin de la actividad elctrica durante el reconocimiento de
olores por los mamferos, mostr que un papel fundamental en este proceso
lo desempefian las oscilaciones caticas y las regulares. El reconocimiento
de los olores comienza en los receptores olfatorios, los cuales cubren los
canales de la nariz. Ellos entran en contacto con las molculas de la sustancia
aromtica y envan seales a las clulas del bulbo olfatorio. A cada olor le
corresponde un patrn de actividad de los receptores, el cual frecuentemente
est distorsionado, pues como resultado de los remolinos del aire aspirado
no todos los receptores interaccionan con la sustancia aromtica.
290
Captulo 10
De los resultados obtenidos por el profesor W. Freeman y sus colegas

se deduce que cuando no hay actividad en los receptores, la actividad del
bulbo olfatorio posee una amplitud baja, es irregular y, al parecer, catica.
Cuando un animal aspira un olor conocido, la actividad se toma
peridica. En cada punto del bulbo olfatorio las oscilaciones del potencial
del electroencefalograma estn en fase, pero se diferencian en amplitud.
En particular, a cada olor conocido responde su propio patrn espacial de
amplitud, una especie de onda estacionaria que no cambia durante todo el
tiempo de realizacin del experimento.
Fue establecido que si el olor aspirado es desconocido, la actividad del
bulbo olfatorio sigue siendo catica. Sin embargo, si durante el proceso de
aprendizaje se crea un reflejo condicionado para el olor dado, entonces la
respuesta se toma peridica.
As pues, se puede decir que en el estado de reposo y durante la
aspiracin de un olor desconocido, la actividad del sistema olfatorio es
catica, lo que se puede caracterizar como el estado no s.. Durante el
reconocimiento de un patrn estudiado, la actividad del sistema es peridica
y, probablemente, est determinada por cierto ciclo lmite. Sobre la base de
los experimentos realizados, W. Freeman lleg a la conclusin de que sin
un comportamiento catico el sistema neuronal no puede aadir un nuevo
olor a su repertorio de olores ya estudiados.
Para reflejar estas observaciones en el modelo, supongamos que el
reconocimiento de los olores se asegura mediante cierta red neuronal de
Hopfield, pero que las neuronas en esta red poseen una dinmica ms
compleja que los elementos introducidos por McCulloch y Pitts. Sealemos
que en los ltimos no se utiliza el valor absoluto de la entrada h; lo
nico importante es su signo. Sera lgico suponer que para Ihl grandes
la transicin al estado de excitacin ocurre realmente rpido, y con la
disminucin de Ihl su velocidad disminuye. Adems, segn los datos
neurobiolgicos, el estado de una neurona en el instante posterior depende
no slo de las acciones exteriores, sino tambin del estado de la neurona
misma en el instante anterior.
Para tener en cuenta estas dos circunstancias, consideraremos que la
dinmica de una neurona solitaria est determinada por cierta aplicacin
unidimensional
(10.11)
S(t 1) = 8'( ~ ( t )~, ( t ) ) ;
dependiente de la magnitud de entrada V como de un parmetro. Denotaremos la magnitud de entrada en este modelo mediante V, pues ella se
calcular un poco diferente que la funcin h en el modelo de Hopfield.
Tambin consideraremos que la magnitud S(t) no es discreta, sino continua.
Supongamos que para V > O esta aplicacin representa un segmento horizontal, lo que corresponde a la neurona de McCulloch-Pitts (fig. 10.8a).
Fig. 10.8. Cada neurona se modela mediante una aplicacin S(t 1) = F(S(t),V(t))
unidimensional dependiente de la accin exterior V(t) como de u n parmetro: a) para
valores grandes de V la neurona analizada es equivalente a una neurona de McCulloch-Pitts;
b) para valores no muy grandes V > 1, e l estado de excitacin +1 todava es un punto
fijo estable; c) para V < 1 la aplicacin se convierte en una aplicacin de dilatacin y la
dinmica de la neurona se torna catica
Supongamos ahora que el extremo derecho del segmento est fijo, y que el
extremo izquierdo puede girar alrededor de este punto como alrededor de un
eje. Es evidente que si el ngulo entre el segmento y la horizontal no es igual a
cero, la transicin al estado de excitacin ya no ser instantnea (fig. 10.8 b).
En este caso la magnitud S(t) se aproximar exponencialmente a +1,
y cuanto mayor sea e ngulo tanto ms lenta ser la aproximacin.
Denotando mediante K(V) la dependencia del ngulo respecto a la
accin exterior V, la aplicacin F(S,V) en la frmula (10.11) para V > O se
escribe como
F(S,V) = 1 (S - l)K(V).
Respectivamente, para
W < 0,
Estas dos expresiones se pueden escribir mediante una sola frmula:
F(S, V) = sign V
+ (S - sign V ) K ( V ) ,
donde la funcin K(V) es simtrica, positiva y tiende montonamente a

cero cuando V -+ OO. Para K ( V ) < 1 la aplicacin es una aplicacin de
contraccin. Su atractor es un punto fijo.
Con la disminucin de la magnitud de la accin exterior V, la pendiente
K(V) aumenta. Una serie de datos de la neurobiologa testimonian que para
una accin fuerte hiperpolarizante o despolarizante el comportamiento de
la neurona es regular (en nuestro modelo esto corresponde a los valores
de los parmetros V < -1 y V > +1), mientras que para cierta accin
intermedia el comportamiento de la neurona es catico. Supongamos que a
esta gama de acciones le corresponde el intervalo -1 < V < +l.
292
Captulo 10
Fig. 10.9. Forma de la funcin K(V) que define la pendiente de la aplicacin unidimensional
continua a trozos y lineal a trozos que determina la dinmica de una neurona solitaria.
En los cuadrados de arriba se muestra la funcin F(S, V) para los valores de V indicados
en el eje de abscisas. Para IVI > 1 la aplicacin unidimensional es de contraccin, y para
IVI < 1 es de dilatacin
Exijamos que para una accin de entrada pequea IV 1 < 1 el modelo de

la neurona tenga tambin un comportamiento catico. Para esto es suficiente
que en este caso la aplicacin (10.11) sea de dilatacin. Esto se puede lograr
haciendo K ( V ) > 1 para todo IVI < 1, y
F(S, V) = (sign V
+ (S - sign V)K(V) + 1) mod 2 - 1.
En la figura 10.9 se muestran la forma de la funcin K(V) =

*
(10.12)
2
l + lvl Y la
aplicacin F(S,V) para valores diferentes de V.
As, la aplicacin unidimensional construida, la cual describe la dinmica de la neurona, se ha elegido de tal manera que para una accin fuerte positiva (V > +1)6 negativa (V < -1) la neurona pasa correspondientemente
al estado de excitacin o de inhibicin,
V=i,l
mientras que para una accin exterior
dbil la actividad de la neurona es ca-\
tica. En la figura 10.10 se muestran diferentes tipos de dinmica de una neurona solitaria para una entrada fija V.
V=-0,7
El entrenamiento, como en el moi9i
\-- delo clsico de Hopfield, se realiza seFig. 10.10. Actividad de una neurona en gn la regla de aprendizaje de Hebb:
u/"--
a-s......
- IZJ
v=- 123
dependencia de la accin exterior V.

Para mayor claridad, S(t) y S(t 1) estn unidos mediante un segmento. Para
V = 0,7 (V = -0,7) la dinmica de la
neurona es catica, pero la neurona pasa
la mayor parte del tiempo en estado de
excitacin (de inhibicin). Para V = O
ambos estados (excitaci6n e inhibicin)
son equitativos
para
i # j;
Jii= 0.
Para describir la interaccin entre las

neuronas, introduzcamos un parmetro A con sentido de fuerza de i~ate-
293
Redes neuronales
raccin entre stas:

N
De las frmulas (10.11) y (10.12) se infiere cul ser el comportamiento

de tal red en los casos lmites. Para A = O ella se descompone en N aplicaciones unidimensionales de comportamiento catico no relacionadas entre
s. Cuando X + oo ella es equivalente al modelo estndar de Hopfield, con
todos los defectos de este ltimo. En particular, incluso para cocientes M / N
no muy grandes existe una cantidad enorme de <<patronesfalsos, es decir, de
1 p M.
atractores que no coinciden con ninguno de los patrones claves
Durante el anlisis de la red generalizada.de Hopfield construida segn
la receta descrita anteriormente, se descubri un efecto extraordinariamente
interesante. Result que esta red neuronal sabe luchar contra los patrones
falsos, haciendo inestables los correspondientes puntos fijos de la aplicacin.
Consideremos el patrn de entrada {$*(O), 1 i N) como vector S(O),
y supongamos que X < OO. Partiendo del estado inicial S(O),el vector g(t)
cae en la regin de atraccin de algn atractor no inmediatamente, sino
al cabo de cierto proceso intermedio que se puede denominar reflexin.
Cuanto ms parecido sea el patrn de entrada S(0) a algn patrn clave,
tanto menor es el tiempo que necesita la red neuronal para la reflexin.
Correspondientemente, cuanto menos se parezca el patrn mostrado g(0)
a los patrones memorizados anteriormente, tanto mayor es el tiempo que
necesita la red neuronal para tomar una decisin.
Al cabo de un tiempo suficientemente grande T, el vector g(t) puede
converger a un punto fijo estable. IV, / > 1, Si se encuentra en un entorno de
+1 -1, y ySi > O para todo i . Si para alguna neurona
1 < 1, entonces
la actividad de la red neuronal es catica.
Durante la realizacin de los experimentos numricos, ante la red
neuronal se plante el problema de reconocer un patrn arbitrario g(0) para
un nmero finito de pasos T = 250. Al cabo de este tiempo la red puede
encontrarse en uno de los tres estados:
- estado de reconocimiei~tocorrecto, cuando S(t)converge a uno de los
patrones memorizados;
- estado de reconocimiento errneo, cuando S(t) converge a un patrn
falso;
- estado no s, cuando la red neuronal todava est en la etapa de
reflexin, o bien cay en un atractor catico.
Si mediante p,, p2 y p3 (pl p2 p3 = 1) denotamos, respectivamente,
las probabilidades de reconocimiento correcto, de reconocimiento errneo
y de estado <<nos, entonces, como muestran los clculos, la dependencia
cp, < <
<<
/K
'
+ +
294
Captulo 10
de estas magnitudes en funcin de la fuerza de conexiones sinpticas A

tiene el aspecto mostrado en la figura 10.11.
Veamos los resultados de un clculo tpico. En esta red, N = 128,
< M se tomaron al azar.
1,
<p ,
M = 8, y los patrones
Cuando X = m, como
1 ,o
en el modelo clsico de Hopfeld, la probabilidad de caer
0.8
en un patrn falso es mucho
mayor que la probabilidad
de reconocimiento correcto.
Pero ya para X = 5 la red
neuronal cae con menor frecuencia en patrones falsos,
y para valores de X an meQ,4
norec, prcticamente todos
1 /A
los patrones falsos pierden
Fig. 10.11. Dependencia tpica de Las probabilidades
la estabilidad.
de reconocimiento correcto ( p , ) , de reconocimiento
Sin embargo, por eserrneo ( p , ) y de estado no s (p,), respecto al
parmetro A. Para A-' = O no hay caos, y e l modelo ta capacidad asombrosa de
dado es equivalente a l modelo de Hopfield. Con e l luchar contra los patrones
aumento de A-' la probabilidad de reconocimiento falsos hay que pagar con
correcto no slo no disminuye, sino que, por e l lo siguiente: al disminuir X
contrario, crece. Para 0,3 < A-' < 0,5 todos los
aumenta el tiempo que nepatrones falsos pierden la estabilidad, y la red neuronal cesita la red neuronal pabien da una respuesta correcta, bien pasa a l estado
ra reflexionar y aumenta la
na s
probabilidad de que la red
neuronal no logre tomar una
decisin en el tiempo destinado T (curva p3, fig. 10.11). En una red estndar
la llegada a un atractor tendra lugar al cabo de 5-6 iteraciones. De todas
modos, existe un rango grande de valores del parmetro X para los cuales
la red neuronal logra realizar el reconocimiento en un tiempo aceptable.
Sealemos que el parmetro X no influye en el nmero y la posicin
de los piintos fijos en el espacio de fase. l parmetro influye solamente en
la estabilidad de stos.
Para valores grandes
de A, como en el modelo de Hopfield, junto con los
patrones memorizados pueden encontrarse patrones falsos. Al disminuir este
parmetro, como muestra el anlisis de las regiones de atraccin, primero
<perecenlos puntos fijos correspondientes a los patrones falsos. Al mismo
tiempo, las regiones de atraccin de los puntos fijos correspondientes a
patrones memorizados no slo no disminuyen, sino incluso aumentan.
En la actualidad, la idea de que el caos desempea un papel clave en el
funcionamiento del cerebro es de aceptacin general en la iieurociencia. Los
cp,
295
Redes neuronales
sectores peridicos grandes en los electroencefalogramas son, habitualmente, evidencias de ataques de epilepsia. En muchos casos, el ordenamiento
excesivo es testimonio de enfermedades serias. En la literatura existe ms de
una decena de hiptesis sobre los mecanismos del cerebro que utilizanel
caos dinmico. La generalizacin del modelo de Hopfield permite promover
otra hiptesis ms. El caos puede ser uno de los medios para la lucha contra
la memoria falsa. l puede corresponder a los estados no s, en los
cuales la informacin necesaria para tomar una decisin, o bien el tiempo,
es insuficiente.
Redes neuronales rnulticapas

La redes neuronales y el problema de la interpelacin. Para el modelo de
Hopfield, como prototipo se tomaron los cisternas dinmicos tipo x = u(%),
y la tarea principal era la construccin de sistemas con memoria asociativa.
Sin embargo, no menos importante es otro crculo de problemas, durante la resolucin de las cuales sera deseable que los sistemas computacionales
poseyeran anlogos de la intuicin y supieran aprender de sus propios
errores.
Veamos dos problemas tpicos.
Supongamos que disponemos de un aparato de diagnstico de buena
calidad, el cual proporciona una vasta informacin sobre el estado de los
enfermos. Supongamos que adems de esto, tenemos una coleccin grande
de historias clnicas, las cuales muestran las enfermedades padecidas por
los pacientes. Sera deseable tener una especie de experto-computadora
que se basara en los resultados de los exmenes y en la experiencia anterior,
y nos diera su opinin sobre el diagnstico realizado.
Este problema se puede formalizar del modo siguiente. Supongamos
que los resultados del examen del enfermo estn definidos por el conjunto de
variables (al, . . ,aN). El estado del enfermo se caracteriza por un punto en
este espacio de fase N-dimensional (fig. 10.12). A diferentes enfermedades
en este espacio, por lo victo, les corresponden distintos grupos de puntos
cercanos. Por ejemplo, el conjunto de puntos {S,) caracteriza a los pacientes
con la m-sima enfermedad. Si los puntos del conjunto S, no estn cercanos,
sino distribuidos aleatoriamente en el espacio, entonces esto testimonia
que nuestro diagnstico de esa enfermedad no es efectivo (no existe un
sntoma o grupo de sntomas, definidos por las variables a,, que permitan
diferenciar a los pacientes enfermos de los sanos). Precisamente en esta
etapa son necesarios la experiencia y las historias clnicas. Supongamos
que hemos logrado construir en este espacio multidimensional las regiones
G,, .. . ,G,, . . ., en cada una de las cuales figuran correspondientemente
slo los puntos de los conjuntos S,, . . ,S, . ., y no otros puntos (fig. 10.12).
296
Captulo 10
.Entonces se podra crear un

sistema computaciunal que a para~
tir de los resultados del examen, es decir, a partir de una.
coleccin concreta de variables
(a,, ..,aN)para un enfermo dado, determine la pertenencia del
punto correspondiente al conjunto G,, 1 m M. Esto dara
la posibilidad de suponer que
estamos ante la enfermedad m.
Si el punto no cae en ninguna de
las regiones construidas, entonces esto permitira afirmar que
el paciente no padece de ninguna de las enfermedades que
deba determinar el diagnstico
al
propuesto.
Fig. 10.12. Cuadro tpico que surge en los
En otra palabras, debemos
problemas de diagnsticos
resolver un problema que se reduce a una interpolacin en un
espacio N-dimensional, es decir, a la determinacin del valor de la funcin
en un punto dado de cierta regin a partir de una coleccin conocida de
valores en los puntos gl, .. ,bA. En los problemas de diagnsticos, por
ejemplo, esta funcin puede ser igual a uno en la regin G1, a dos en G,,
a n en G,,y a cero fuera de todas estas regiones. A pesar de la simplicidad
del planteamiento del problema, durante la creacin de los sistemas computacionales surgen, generalmente, muchas dificultades. En primer lugar,
el espacio puede tener una dimensin muy grande, lo cual, naturalmente,.
dificulta la interpolacin. En segundo, casi nunca sabemos cmo disminuir
el nmero de variables y utilizar algn algoritmo lgico simple. En tercer
lugar, las regiones G, pueden tener una geometra complicada; por ejemplo,
pueden no ser convexas.
Otro problema est relacionado con los pronsticos. Supongamos que
se realiz una serie de mediciones a,, ... ,a, de una magnitud a. Partiendo
de estos datos es necesario predecir el valor aNfl. Supongamos que tenemos
mucha suerte, y que el valor de a,+, (m = 1,2, ...) depende slo del valor
de a,, es decir, existe la dependencia
a~
e
CI
< <
a,+, = f (am)*
(10.13)
En este caso, la estrategia de resolucin del problema es la siguiente.
Para simplificar, supongamos que todos los elementos de la sucesin {a,)
pertenecen al intervalo j , es decir, la funcin f aplica este intervalo en s
Redes neuronales
297
mismo. Consideremos el plano de coordenadas (a,, a,+,). Nuestra muestra

de N elementos permite determinar
N - -1 puntos en este plano: (a,, a,),
(a,, a,), (a,, a,), ... . Est claro que estos puntos deben yacer en una curva
uniforme continua, cuya ecuacibn est
dada por la frmula (10.13) (fig.10.13).
Por consiguiente, es necesario interpolar respecto a N - 1 puntos y hallar aproximadamente la dependencia
y = f (3).Denotemos con f la funcin
que aproxima a f . En 10s puntos conocidos de la curva estas funciones deben
coincidir:
a,
Ag. 10.13.' E l problema del pronstico

del comportamiento de un sistema dinmico a partir de una serie temporal se
reduce a un problema de interpolacin
AI
a,+,=
f(a,),
a1a2
m=1,
..., N - 1 .
Sustituyendo el valor de a, en la funcin construida

valor aproximado de a,+, :
(10.14)
f,hallamos el
Existen muchos metodos de construccin de la funcin (algoritmos

de interpolacidn). En la figura 10.14 se muestran los dos ms simples. En el
primer caso, el valor de f en un punto 5 se considera igual al del vecino
conocido ms cercano del conjunto (x,), 1 m N - l. Naturalmente,
semejante interpolacidn mediante funciones continuas a trozos tiene un gran
defecto. En primer lugar, su precisin es pequefia; en segundo, ella pega.
las imgenes de diferentes puntos x que pertenecen a un misino intervalo.
< <
Fig. 10.14. Tipos simples de interpolacin: a) interpolacin mediante funciones

continuas a trozos; b) interpolacin mediante funciones lineales a trozos
298
Captulo 10
.En el segundo caso se realiza una interpolacin mediantefunciones lineales

a trozos. Aqu la precisin es mayor. Adems, la interpolacin es local, es
decir, para determinar el valor aproximado de la funcin en los puntos
interiores del intervalo es suficiente conocer su valor solamente en los
puntos de contorno del intervalo (fig. 10.14).
Finalmente, se puede utilizar el mtodo de Lagrange. Supongamos que
el valor de la funcin en el punto xi es igual a yi. El valor aproximado f
se calcula como la suma de N - 1 sumandos:
Evidentemente, el coeficiente de y, es tal que en el punto xl es igual a

uno, y en los puntos x,, ...,x,-~ es igual a cero. De la misma manera,
el coeficiente de y, es igual a uno en x2 e igual a cero en los dems
puntos del conjunto {x,). Por consiguiente, el grfico del polinomio (10.15)
pasa por todos los puntos (xi,yi), 1 i N - 1. Dado que para definir un
polinomio de grado k es suficiente definir su valor en el (k 1)-simo punto,
la frmula (10.15) permite hallar valores no aproximados, sino precisos, si
la funcin y = f (x)es un polinornio de grado menor que N - 1.
A pesar de la alta precisin, este mtodo de interpolacin tambin
posee defectos considerables. Aqu el volumen de clculos es enorme y la
interpolacin no es local, es decir, el cambio del valor de yk en el punto xk
se refleja en todos los puntos de la funcin
Finalmente, se debe tener en cuenta que durante la interpolacin, por lo
visto, se tienen que utilizar computadoras, las cuales memorizan los nmeros
con una precisin finita y, correspondientemente, aportan un error de ajuste.
Esto, por ejemplo, puede conducir a que durante los clculos haya que dividir
un nmero pequeo, que tiene un error grande, por otro. Naturalmente,
esto disminuye la precisin con la que se aproxima la funcin f .
La teora de interpolacin es uno de los campos ms desarrollados
de la matemtica computacional. Sin embargo, los intentos de utilizar la
mayora de los algoritmos en los casos de espacios de muchas dimensiones
o cuando los elementos de los conjuntos {xi) e {yi) estn dados con
cierto error, tropiezan con grandes dificultades. Incluso el problema de
la bsqueda de los vecinos, el cual surge si deseamos utilizar algoritmos
locales de interpolacin, puede resultar ser muy difcil en un espacio
multidimensional, y exigir la utilizacin de mtodos numricos especiales.
Las redes neuronales resuelven en cierto sentido los problemas de
interpolacin. En una serie de casos, estas soluciones resultan del todo
< <
7.
299
Redes neuronales
.satisfactorias. Sobre su base se logran crear notables sistemas de reconocimiento, diagnstico y prediccin. Sin embargo, la teora de estos sistemas
que permita estimar a priori qu se puede esperar en cada problema, se
encuentra en las primeras etapas de su desarrollo.
Entrenamiento del perceptrn. Las ideas y problemas fundamentales que

surgen durante la creacin de redes interpolantes se pueden ilustrar en el
ejemplo de las redes monocapas elementales, destinadas al reconocimiento de
imgenes. Estas redes fueron propuestas por McCulloch y Pitts en los aos
50 del siglo XX, y recibieron el nombre de perceptrones. El esquema de tal
sistema se muestra en la figura 10.15.
Fig. 10.15. Esquema de un perceptrn elemental que debe distinguir las consonantes
de las vocales
Supongamos que el sistema ya est entrenado, es decir, los pesos wi

se han elegido de modo que se reconozcan los patrones mostrados 9.
Consideraremos que Z es un vector N-dimensional 5 = (zl,'.
..,xN).
El perceptrn funciona de la manera siguiente. Al inicio, el elemento
x,wi. A continuacin, esta seal se
sumador calcula la magnitud S =

i=l
enva a cierto elemento de umbral no-lineal. Si la magnitud S supera el umbral,

entonces el elemento se dispara. (el sistema dice, por ejemplo, que as).
En caso contrario, el sistema no se dispara (el perceptrn dice que no).
Cmo entrenar a semejante sistema? Para esto, al igual que en el modelo de Hopfield, es necesario mostrarle el conjunto de patrones claves {fk)y el
conjunto de respuestas a(&)que, a nuestro parecer, la red neurona1 debe dar
al mostrarle los patrones claves. El conjunto de pares ordenados
a(&.)}
se denominar muestra de aprendizaje o conjunto de entrenamiento.
Como ejemplo, imaginmonos un perceptrn elemental al cual se le
muestran imgenes en blanco y negro de distintas letras, y ste debe determinar si la letra mostrada es una vocal. Si la letra es una vocal, en la salida
debe aparecer un 1 (s);si es una consonante, debe aparecer un O (ano.).
(4,
300
Captulo 10
Dividamos en cuadrados elementales el dispositivo sensible (por ejemplo, un escner) al cual se le muestra la imagen (fig. 10.15). Supongamos
que si el m-simo cuadrado es oscuro (en l hay ms pxeles negros que
blancos), entonces la magnitud x, es igual a la unidad; en caso contrario, es
+
igual a cero. Es decir, t1= (x:, ... ,xh) ,donde el 1en los ndices del vector
corresponden a la primera letra mostrada, t2= (x:, .. . ,
etctera.
La idea del entrenamiento (es decir, el ajuste de los pesos w,) se
puede explicar mediante la parbola siguiente. Supongamos que en cierto
reino, el rey tiene que tomar decisiones responsables con mucha frecuencia,
para lo cual el rey tiene que aconsejarse con sus ministros o expertos. l
no tiene posibilidades de contar con otros expertos, y debe apoyarse en
los que tiene. Cmo aumentar la efectividad de las decisiones tomadas?
Es necesario ver qu consejos han dado los expertos y si fueron correctas la
decisiones tomadas. Sobre la base de esta experiencia el rey puede aclarar
cmo debe valorar a los expertos. Naturalmente, resolver los problemas por
votacin es irracional. Unos expertos deben ser odos y se debe proceder
como ellos aconsejan, mientras que otros deben ser escuchados, pero se
debe proceder al contrario. Las magnitudes {w,) definen precisamente las
diferentes posiciones del rey para con los distintos expertos.
El algoritmo de aprendizaje se puede describir del modo siguiente: si
en el (i 1)-simo paso del entrenamiento el perceptrn dio una respuesta
correcta, entonces los pesos sinpticos no cambian:
wi+l - a
- w,.
4
$N),
<
Aqu el subndice corresponde al nmero de la conexin y el superndice al

paso temporal.
Sea x, el valor en la entrada de la m-sima neurona. Supongamos que
la respuesta es incorrecta: sta es igual a cero, cuando para una respuesta
correcta el perceptrn debera dar uno. Entonces,
En otras palabras, nosotros aumentamos el peso de los elementos que

votaron a favor)).
Si la respuesta incorrecta es uno, entonces
Despus de esto, en la entrada se muestra el mismo patrn, y nuevamente se corrigen las conexiones si la respuesta es incorrecta.
Las frmulas (10.16), (10.17) y (10.18) pueden ser escritas en una forma
compacta y ms simple si se introduce la distancia media 6 entre la respuesta
real ~ % el
n paso i-simo y la respuesta deseada a:
301
Redes neuronales
.-
El argumento indica que a la red neuronal se le ha mostrado el S-simo

patrn clave.
Entonces las frmulas (10.16), (10.17), (10.18) se pueden escribir en la
forma
No es difcil comprobar que la multiplicacin por la magnitud xi, aceptada
en la literatura, no cambia las frmulas (10.16)-(10.18). El coeficiente numrico < 1 se denomina velocidad de aprendizaje. Este coeficiente se introduce
para que la variacin de los pesos sinpticos durante el aprendizaje no
sea demasiado rpida. Este algoritmo de aprendizaje recibi el nombre de
regla delta.
-+
Surge la siguiente pregunta: cules patrones de entrada t8 se puede

aprender el perceptrn? Al inicio del desarrollo de esta direccin de las
investigacionespareca que no existan limitaciones serias: tomando un vector
de entrada suficientemente grande 5,y entrenando a la red neuronal por
un tiempo suficientemente largo, se puede aproximar cualquier regin G
del espacio de patrones de entrada (si el punto se encuentra en la regin G,
el perceptrn dice que s; si est fuera de ella, dice que no).
La investigacin de los perceptrones elementales permiti aclarar dos
conceptos importantes relacionados con estos sistemas. El primer concepto
es el de representatividad perceptrnica. Una funcin lgica determinada,
o un conjunto del espacio de patrones de entrada, posee esta propiedad
si existe una coleccin de pesos {w,)
con ayuda de los cuales, como
respuesta a los patrones claves dados
el perceptrn dar las respuestas
Sin embargo, para ajustar los pesos de esta manera debe
deseadas {a(&)).
existir cierto procedimiento de entrenamiento sistemtico que permita hallar
el conjunto deseado de pesos {w,) partiendo de la muestra de aprendizaje.
(Tal procedimiento puede 'ser, por ejemplo, la regla delta mencionada
anteriormente.) La existencia de tal procedimiento para problemas concretos
significa que el perceptrn tiene capacidad de aprendizaje.
Las investigaciones de F. Rosenblatt realizadas en los aos 60, mostraron
que, bajo condiciones muy generales, los perceptrones elementales poseen
capacidad de aprendizaje si la funcin que ellos deben realizar pertenece
al conjunto de funciones cen representatividad perceptrnica. Pero, cun
grande es este ultimo conjunto? Y, en general, existen funciones que no
pertenezcan a l?
Los trabajos de M. Minsky tambin realizados en los aos 60 del
siglo XX, mostraron que estas funciones son muchas, que existen incluso
funciones muy simples que no poseen representatividad perceptrnica. Esta
conclusin oblig a la mayora de los investigadores a abandonar los trabajos
en el campo de las redes neuronales. En los aos 80 renace el inters por
(61,
302
Captulo 10
las redes interpolantes, lo cual estuvo relacionado con el paso a las redes
neuronales multicapas y a los nuevos algoritmos de aprendizaje.
El ejemplo clsico de Minsky est relacionado con la funcin XOR
(disyuncin exclusiva). sta es una funcin elemental de dos argumentos,
cada uno de los cuales puede ser cero o uno. Ella es igual a la unidad
nicamente si un solo argumento es igual a la unidad. Denotemos una
entrada mediante x y la otra mediante y. Correspondientemente, los
vectores de entrada ( tendrn dos componentes (&, ty).La muestra de
aprendizaje para esta funcin se presenta en la tabla siguiente:
A estos patrones les corresponden los puntos A*, B,, A,, B1del plano
(ex,tg) (fig*10*16)*
Consideremos ahora un perceptrn elemental. La salida del elemento
sumador es la funcin S = wl& w2tg. La conmutacin del elemento
no-lineal tendr lugar si se cumple la condicin
"
1 Bi
A,*
donde O es el umbral. Supongamos que

tenemos una neurona de McCullsch-Pitts:
sign (S - 0 ) 1
Q =
. En tal representacin,
la salida es 1 O, y no +1 y -1 como antes.

La ecuacin (10.20) determina cierta recta en
".
B!
- t el plano (tx,ty).Por encima de la recta la neuO
tx
rona dar una salida (por ejemplo, +1), y por
Fig. 10.16. Espacio de patrodebajo dar otra (por ejemplo, O). Los punnes de entrada para la funcin tos correspondientes a la funcin XOR, deben
XOR
yacer en los vrtices del cuadrado A, B, A, B,
(fig. 10.16). Adems, los puntos A. y A, deben
yacer a un lado de la recta, y los puntos Bo y B,, al otro. Pero en la
figura 10.16 se ve claramente que tal recta no existe. Los puntos A,, A,
y B,, B1no pueden ser separados por una recta. Las funciones que poseen
esta propiedad se denominan linealmente indivisibles.
Si se considera la situacin cuando el perceptrn posee n entradas
binarias, entonces el nmero de patrones de entrada ser igual a 2". Carrespondientemente, el numero de funciones lgicas con estos argumentos
303
Redes neuronales
.ser 22n.En el caso de dos argumentos, de 16 funciones posibles diferentes,

14 son divisibles linealmente. Sin embargo, ya para n = 6, de aproximadamente 1,8 x 1019 funciones posibles, son divisibles solamente 1,5 x lo7. Las
funciones que puede reconocer el perceptrn considerado no constituyen la
regla, sino raras excepciones, incluso para valores pequeos de n.
Regresando a la parbola del rey y sus ministros, se puede decir que
con semejante sistema de control solamente se pueden tomar decisiones
muy simples. Por eso es necesaria una estructura ms compleja.
Redes multicapas. Recordemos el problema del diagnstico. Supongamos

que a la entrada de la red se aplican dos parmetros de diagnstico txy E,,
como se muestra en la figura 10.16. Para simplificar, consideremos que
stos son magnitudes continuas. Supongamos que la regin G , la cual
corresponde a una enfermedad, es un tringulo (fig. 10.17). Es posible en
este caso, partiendo de la red neurona1 considerada, construir un sistema
para el diagnstico? La red monocapa analizada anteriormente permita
decir que <<s
en un semiplano y que no en el otro. El tringulo analizado
se puede considerar como una figura cortada del plano mediante las rectas
A, A,, BIB,, C1C2 (supongamos que tenemos tres neuronas en la primera
&,), como se muestra
capa, a cada una de las cuales se le aplica un vector
en la figura 10.18). Elegimos los pesos { w ) de modo que-la primera neurona
diga que s (es decir, la salida es uno) cuando el punto del plano (tx,
tg)
se encuentre por encima de AlA2, lo cual, por lo visto, se puede hacer.
La segunda neurona dir que <<s>>
cuando el punto se encuentre por debajo
cuando el punto est por debajo de C1C2.
de BIB,, y la tercera dir que <<s
Las salidas de todas estas neuronas se aplican a la entrada de una
neurona de la segunda capa, la cual dice que s cuando las tres neuronas
de la capa anterior dicen que s.Esto se puede lograr tomando los pesos
(ex,
Fig. 10.17. Problema elemental de

diagnstico en e l cual es necesario
determinar si cierto punto cae dentro
del tringulo sombreado
Fig. 10.18. Perceptrn elemental de

dos capas que puede resolver e l problema ilustrado en la figura 10.17
304
Captulo 10
shpticos entre los elementos de la primera capa iguales a la unidad, y estableciendo el umbral del elemento de la segunda capa un poco inferior a tres.
As pues, el paso de una red neuronal monocapa a una de dos capas
permite en este caso construir el sistema de diagnstico. En la parbola del
rey esto:significa que cada ministro (neurona de la primera capa) necesita
un personal de expertos. stos estn definidos por los pesos {u;) de las
neuronas de la primera capa. Sin embargo, el sistema construido tiene un
t3)
defecto muy serio: las regiones que se pueden realizar en el plano (tZ,
deben yacer a un mismo lado de las rectas que la forman, es decir, las regiones
deben ser convexas. Las regiones mostradas en la figura 10.12, las cuales
realmente pueden surgir en los problemas de diagnstico computacional,
no son accesibles a las redes de dos capas (vase tambin la figura 10.19).
Fig. 10.19. En los problemas de

diagnstico computacional pueden
surgir regiones no-convexas
Fig. 10.20. Una red neuronal de tres capas puede resolver e l problema que se ilustra en la
figura 10.19
Sin embargo, este problema puede ser resuelto completamente por

una red de tres capas (fig. 10.20). Supongamos que en la segunda capa
se tienen dos neuronas. Una dice que s cuando el punto cae en el
tringulo A1A2A3. La otra dice que <(scuando el punto no cae en el
tringulo B,B,B,. La neurona en la tercera capa de salida dice que s
cuando ambas neuronas de la segunda capa dicen que s. Como se ve,
para tomar una decisin en estos casos, el rey necesita tener ministros, cuyas
opiniones deben tenerse en cuenta de distintas maneras. stos necesitan
tener ayudantes, los cuales, a su vez, necesitan tener expertos.
Si {&) no es un vector bidirnensional, sino de mayor dimensin,
entonces habr que tratar no con un plano, sino con un espacio, y no con
rectas, sino con hiperplanos. Sin embargo, esto no cambia el cuadro general.
De lo dicho queda claro que las posibilidades de las redes de tres
capas son grandes. Pero surge una pregunta: jcmo entrenar a estas redes?,
cmo ajustar los pasos en cada una de las capas utilizando la muestra
305
Redes neuronales
.de aprendizaje dada? En realidad, en el reino se deben aprobar leyes

generales que determinen cmo debe cambiar la actitud hacia los ministros,
ayudantes y expertos en dependencia de los resultados de su trabajo. Por
eso, el gran inters hacia estas redes result estar relacionado con la creacin
de algoritmos efectivos de aprendizaje.
Algoritmo de retropropagacin
La idea de este algoritmo es simple. El rey los ministros y los ayudantes
deben, a su nivel, estimar quin realiz la mayor contribucin en la toma
de una decisin errnea. La actitud hacia el culpable se debe cambiar en
primer lugar. dem ms, este algoritmo se puede considerar como una especie
de generalizacin de la regla delta.
Fig. 10.21. Funcin sigmoidal utilizada generalmente en la construccin

de redes neuronales
Fig. 10.22. Durante e l entrenamiento de Las

redes neuronales de tres capas se utiliza frecuentemente e l algoritmo de retropropagacin
Frecuentemente, como elemento lineal en las redes de tras capas se

utiliza no la neurona de McCulloch-Pitts, sino una neuroria cuya funcin
de activacin es la funcin sigrnoidal (fig. 10.21):
Esta funcin es cmoda, pues ella tiene una derivada simple:
dy
= ~ (-1y).
dx
Consideremos la red neurona1 mostrada en la figura 10.22.
Paso directo. Sea j un elemento tpico de la capa de salida, e un

elemento tpico de la capa intermedia, anterior a la de salida. La actividad
del elemento de la capa de salida se determina por el esquema siguiente.
En el primer paso se calcula la suma ponderada
Captulo 10
306
donde yi es el nivel de actividad del i-simo elemento en la capa anterior,

y wij es el peso sinptico entre los elementos i-simo y j-simo.
Posteriormente, el elemento no-lineal calcula la actividad del elemento
de salida:
Supongamos que tenemos una red de tres capas ya entrenada, en la

entrada de la cual se muestra cierto vector. Entonces, segn este algoritmo,
primero se pasa de las neuronas de la primera capa a los elementos de la
segunda, y despus, de los elementos de la segunda capa a los elementos
de la tercera, los cuales darn la respuesta de la red a la pregunta
planteada)).En esto el trabajo de la red' termina.
Si la red an no est entrenada, entonces el resultado despus del paso
directo puede no satisfacernos. Al mostrar el vector de entrada ($ del par de
aprendizaje, despus del paso directo la salida puede ser una respuesta y(<)
que no coincide con la deseada O(&).Entonces hay que realizar un pas
inverso que permita corregir los pesos w i j .
-b
Paso inverso.
Paso 1. Despus de determinar la actividad de los elementos de salida yj,
como resultado del paso directo se calcula el error
--
donde yj y iRj son las componentes j-simas de los vectores correspondientes (omitiremos el argumento para simplificar). Si E = O, los pesos no
cambian. En caso contrario, debemos realizar el paso siguiente.-
Paso 2. Estimamos cun rpido vara el error al cambiar la actividad del

elemento de salida:
Paso 3. Estimamos cun rpido cambia el error al cambiar la entrada total

de la neurona de salida x :
Precisamente aqu se recurre a la comodidad de la derivada de la

funcin sigmoidal (10.21).
Redes neuronales
307
.Paso 4. Estimamos cun rpido cambia el error al cambiar los pesos sinpticos wii :
El valor de la ltima derivada se obtiene derivando la frmula (10.22).
Paso 5. Estimamos cunto contribuye al error el elemento i-simo de la capa

anterior a la de salida:
O&
EA, = - EIj wij,
j
donde utilizamos la frmula (10.25).
Paso 6. Ajustamos los pesos wij mediante una variante de la regla delta:
donde n es el nmero del paso (se supone que todas las magnitudes en
las frmulas (10.23)-(10.27) pertenecan al paso n), y 71 es la velocidad de
aprendizaje, un coeficiente que yace en el intervalo 1-0,Ol.
Paso 7. Despus de obtener en el paso 5 la magnitud EAi para las neuronas

de la capa anterior a la de salida (por ejemplo, de la segunda capa, si la capa
de salida es la tercera), nos encontramos exactamente en el mismo estado
que despus del paso 2 para las neuronas de la capa de salida. En otras
palabras, sustituyendo EAj por EA, podemos, utilizando las frmulas
(10.23)-(10.28), ajustar los pesos que conectan a los elementos de la capa
anterior a la de salida con sus antecesores (por ejemplo, los de la primera
capa con los de la segunda).
Despus que todos los pesos en la red neurona1 estn ajustados, se
realiza nuevamente el paso directo. El valor de n aumenta en una unidad.
Se calcula la magnitud del error E (paso 1). Si ste no es aceptable (supera la
precisin con la que deseamos entrenar a la red), entonces hay que realizar
el paso 2, y as sucesivamente.
El mtodo de retropropagacin por su idea se parece al mtodo del gradiente
o del descenso rpido. En este mtodo, para buscar el mnimo de una funcin
U(xl, ...,xp) se elige un punto inicial E (al, . . ,ap) y se halla la direccin
en la cual la funcin decrece ms rpido. Para esto, se calculan las derivadas
au()
au(a y se da un paso en la direccin del gradiente.
parciales 0x1
8%
Esto proporciona un nuevo punto B, etctera. Hablando brevemente, en el
mtodo del gradiente,
utilizando el mtodo de Euler se resuelve la ecuacin
a = --dU ,cuyo atractor corresponde al mnimo de la funcin U.
-
dz
308
Captulo 10
En muchos casos, el mtodo del gradiente y sus modificaciones dan

excelentes resultados al minimizar funcionales. Precisamente por eso, bajo
diferentes nombres y en diferentes campos de investigacin, este mtodo ha
sido descubierto ms de una vez. Lo mismo sucede con el algoritmo de retro.
propagacin. ste tambin es uno de los mtodos de aprendizaje de las redes
neuronales ms conocidos, simples y seguros. Despus de ser propuesto
por P. Werbos en 1974, este algoritmo fue redescubierto varias veces.
Ambos mtodos tienen una serie de limitaciones importantes. Mediante
estos dos mtodos se busca un mnimo local, y no global, de cierta funcin
potencial. Cambiando el punto inicial 8 podemos caer en otro extremo local.
Adems, si el potencial tiene un estructura abarrancada,es decir, el camino
hacia el mnimo va por el fondo de un desfiladeroprofundo y sinuoso de la
funcin U(xl, ...,xp),entonces estos mtodos pueden exigir mucho tiempo.
El anlisis de una serie de problemas tpicos muestra que frecuentemente
la estructura del potencial que surge durante el entrenamiento de las redes
neuronales resulta ser precisamente as.
Adems, durante el entrenamiento de un red multicapa puede ocurrir
un fenmeno denominado parlisis de la red. ste se manifiesta en que, a pesar
de un tiempo prolongado de entrenamiento, el error puede prcticamente
no disminuir, mantenindose suficientemente grande. Tal situacin puede
surgir si los pesos sinpticos y los valores de las actividades poseen mdulos
grandes. En este caso, la entrada de una serie de neuronas se encuentra en
las alas de la funcin sigmoidal, donde la derivada es pequea. Por eso
la red puede reaccionar dbilmente a la correccin de los pesos. sta es una
de las causa por la que frecuentemente no se utiliza el propio algoritmo de
retropropagacin, sino sus modificaciones. Otra de las causas es la necesidad
de trabajar con un nmero menor de neuronas para aumentar la fiabilidad
- del funcionamiento de la red. En efecto, si dos neuronas de la primera o
o dan valores cercanos en toda la muestra de
segunda capa dicen que <<s
aprendizaje, entonces es evidente que podemos utilizar una sola neurona.
La elaboracin de tales enfoques, la cual hoy se lleva a cabo intensamente, tambin es importante con relacin al problema de la transparencia
de la red.. Supongamos que la red entrenada result ser muy efectiva para
la resolucin de cierto problema. Entonces sera deseable no slo calcular
y diagnosticar, sino tambin comprender. Sera bueno simplificar un poco
la red para comprender cules criterios son decisivos para ella. En otras
palabras, hacer que su funcionamiento sea transparente.
Durante el estudio de los fenmenos no-lineales, las redes neuronales
pueden participar de dos maneras diferentes. Ellas pueden utilizarse para
el anlisis, el diagnstico, el pronstico y la bsqueda de leyes que posteriormente se pueden utilizar para la construccin de modelos tradicionales.
309
Redes neuronales
En efecto, la red de pronstico constituye por s misma un modelo especial

de imitacin del proceso analizado.
Las redes neuronales tambin pueden ser utilizadas como un instrumento para la simulacin de diversos sistemas no-lineales. Actualmente,
ellas representan uno de los pocos prototipos de complejidad organizada, la
cual caracteriza a toda una serie de sistemas fsicos y muchos sistemas
biolgicos, tcnicos y sociales.
<<
< <
1. Consideremos un modelo de Hopfield en el cual jii > 0, 1 i N , 1 j N.

Cul es la configuracin tpica en este caso? A qu materiales corresponde
tal comportamiento? Cules sern las respuestas a las preguntas anteriores si
j <o?
2. En los vidrios de espn se conoce un efecto denominadofrustracin, consistente
en que el cambio de orientacin de un espn por separado no cambia la energa
del sistema. Considere tres espines y aclare para qu relacin de los signos de
j12,
jZ3,
j13
es posible este efecto.
3. Una red neurona1 de Hopfield compuesta de 9 elementos es entrenada con los
va trones claves
Cul ser la configuracin final si a la entrada de la red se muestra el patrn
4. Durante la investigacin numrica de la variante discreta de la red de Hopfield

descrita, en la cual .los estados de todos los elementos se restablecan sincrnicamente, se descubri que para ciertas configuraciones iniciales se llega a un
ciclo S2. Explicar este fenmeno. Cmo este hecho est relacionado con la
existencia del funcional de Liapunov?
5. A finales del siglo XIX, Hermann Ebbinghaus realiz una serie de experimentos
clsicos que sentaron las bases de la teora del aprendizaje. A las personas
sometidas a prueba se les mostraba durante cierto tiempo un conjunto de
slabas de tres letras sin sentido. Despus se estableca con qu precisin era
memorizado este conjunto. Result que en la aplastante mayora de los casos,
la probabilidad de error dependa del nmero N de veces que se mostraba el
~ , (ley de Ebbinghaus). Construir un
conjunto, segn la ley P ~ e - C~= const
modelo matemtico que explique esta dependencia.
6. Resulta que la ley de Ebbinghaus no es vlida para las situaciones en las que
se realiza un entrenamiento prolongado de hbitos complejos (preparacin de
operadores de centrales atmicas, de pilotos de aviones caza, etctera). Al principio el tiempo de la toma de decisin cambia en dependencia del tiempo de
Capitulo 10
310
aprendizaje T segn la ley T = T, ~ e - donde

~ ~ ,las constantes r0,C y A
dependen, naturalmente, de las capacidades de la persona entrenada. Despus
ocurre un salto cualitativo y el tiempo T disminuye considerablemente. Explicar este fenmeno teniendo en cuenta el enfoque de la teora de bifurcaciones,
o bien la concepcin de los parmetros de orden.
7. Construir una red neuronal elemental que partiendo de un vector mostrado
(f,, f,, t,) determine si este punto cae en un cubo de arista a de orientacin
dada y centro en un punto dado del espacio.
8. Proponga una red neuronal elemental que prediga el movimiento de un objeto
investigado partiendo de su prehistoria.
Bibliografa
1. Izhikivich E. M., Malinietski G. G. Sobre el posible papel del caos en los sistemas
neuronales (en ruso).
2. Kostyliov 1.A., Malinietski G. G., Potpov A. B. Parmetros de orden en la red
neuronal de Hopfield (en ruso).
Las redes neuronales no slo se utilizan activamente en la resolucin de problemas

aplicados concretos, sino tambin cambian notablemente el paradigma de las ciencias
naturales modernas. Este punto de vista se expone en los libros:
Lo nuevo en la sinergtica: una mirada al tercer milenio (bajo la red. de
S. P. Kurdimov y G. G. Malinietski. En ruso);
Riedko C! G. Biocibemtica evolutiva (en ruso)
y en los artculos:
Malinietski G. G. Escenarios, riesgos estratgicos, tecnologas de la informacin
(en ruso);
Riedko Y G. Modelos de comportamiento adaptativo: enfoque naturalista al desarrollo de las tecnologas de la informacin (en ruso).
ndice de autores
Adams J. C. 62
Andryev A. Yu. 21
Andrnov A. A. 67
Augusti G. 174
Barr S. 245
Bsov N. G. 11
Belosov B. P. 21, 219
Bessel E W. 50
Burgers J. M. 32
Butzov V. E 235
Darwin ch. R. 18
De Broglie L. 25, 26
De Vries C. 32
Dorodnitsyn A. A. 238
Duffing G. 70
Ebbinghaus H. 309
Eigen M. 75
Euler L. 104
Feigenbaum M. J. 121,187,197
Fermi E. 46
Feynman R. Ph. 9
Fibonacci L. 201
Field R. J. 242
Freeman W. J. 290
Fuller R. B. 267
Gardner C. S. 32
Golgi C. 276
Greene J. M. 32
Gunzburg V. L. 171
Gumiliov L. N. 116
Hadamard J. S. 88
Haken H. 233
Hamilton W. R. 25
Heaviside 0. 40
Hebb D. 0.285
Hnon M. 191
Hermite Ch. 50
Hopfield J. J. 279
Hopf E. 32
Hube1 D. H. 278
Hutchinson G. E. 18
Jacobi C. 50,104
Jordan M. 260
Klein F. 245
Korteweg D. J. 32
Krojin O. N. 11
Kruskal M. D. 32
Kurdimov S. P. 8
Lagrange J. L. 104
Laguerre E. N. 50
Landu L. D. 171
aplace P. S. 49
Lawson J. D. 11
Le Verrier U. 62
Lefever R. 217
Leray J. 93
Levandovski M. 1. 21
Liapunov A. M. 117
Lipschitz R. 57
Lorenz E. N. 97, 126, 192
Malthus T. R. 20, 30
Manneville P. 197
Mathieu E. L. 50
May R. 20
McCulloch W. S. 283
ndice de autores
312
.Minkowski H. 245
Minsky M. 301
Miura R. M. 32
Mobius A. E 258, 260
Newton I. 51,204
Noyes R. M. 242
Nuckolls J. 11
Ohm G.S. 25
Oseliedets V. 1. 98
Osgood W. E 87
Pitts W. H. 283
Poincar J. H. 63,104
Pomeau Y. 197
Pontriaguin L. S. 67
Poston T. 128
Prandtl L. 126, 192
Prigogine 1. R. 114, 217
Purkinje J. E. 276
Ramn y Caja1 S. 276
Rayleigh J. 126
Reynolds 0 . 1 1 3
RikitakeT.121
Rosenblatt F. 301
Rossler, O. E. 21
Sjarov A. D. 11
Samarski A. A. 8
Schmidt E. 117
Schrodinger E. 25, 27
Schwartz L. 36,41
Schwarz H. A. 194
Sedov L. 1.46
Shandarin S. E 138
Shumann R. 176
Singer D. 194
Smale S. 154
Sboliev S. L. 36
Stewart 1. 128
Tamm I.E. 11
Teller E. 11
Thom R. 128,143
Tjonov A. N. 89,234
Toynbee A. J. 115,116
Turing A. M. 114
Van der Waals J. D. 173

Vasilieva A. B. 235
Volterra V. 210, 212
werbos P.J. 308
Whitney H. 248
Wisel T.N. 278
Zeldvich Y.B. 137
Zhabotinski A. M. 219
ndice de materias
Aislamiento 120
algoritmo de aprendizaje 283
-- retropropagacin 305
algoritmos de interpolacin 297
Andrnov-Hopf, bifurcacin 216
aplicacin S-unimodal 194
- de contraccin 57
-- Hnon 191
-- un segmento en s mismo 181
- homeomorfa 246
- logstica 20, 178
aplicaciones unidimensionales 176
arista de un grafo 252
armnico de Fourier 192
atractor 65
- extrao 96
autmata celular 15
autooscilaciones 204
axn 276
Bendixson, criterio 209
bifurcacin 104
- de Andrnov-Hopf 216
-- duplicacin del perodo 183
-- nacimiento de un ciclo lmite 216
- tangencia1 198 ,
- transcrtica 110
biocenosis 15
biunivocidad 246
botella de Klein 260
brucelador 114,217,218
buckminsterfullereno 267
bulbo olfatorio 289
Cadena trfica 18
clculo calorfico 15
campo calorfico 15
- vectorial 74
-- rpido-lento 237
campos locales 284
capa lmite 233
-- interna 236
capacidad de aprendizaje 301
carcter umbral de un proceso 81
caracterstica de Euler 258
- tensin-corriente 224
carcinogenicidad 269
carga topolgica 69
-- de un sistema 69
catstrofe 128
- cuspidal 169
- elemental 170
clula de Purkinje 276
- piramidal276
centro 214
ciclo 253
- estable de una aplicacin 183
- lmite estable 65
- ruidoso 196
- superestable 183, 186
ciclodextrina 267
cinta de Mobius 259
coeficiente de Malthus 30
cola de milano 169
complejidad organizada 309
cornpletitud asinttica 124
componente cuasiestacionaria 233
componentes conexas 252
comportamiento adaptativo 310
coneccionismo 283
confinamiento magntico 11
conjunto abierto 251
- de bifurcacin 134
---de la funcin V 133
--entrenamiento 299
-- informacin 265
- discriminante de la funcin U 133
- vaco 251
constante de Lipcchitz 57
-- una reaccin 74
ndice de materias
- reducida de Planck 26
elemento activo 224
construccin de un histograma 195

continuidad en ambos sentidos 246
correlacin 286
correlaciones entre los patrones 288
corteza visual 278
cosmomicrofsica 12
criterio de Bendixson 209
-- Osgood 87
curtica 150
curva integral 74
cspide 141, 169
Densidad de probabilidad 195
dentritas 276
derivada de Schwarz 194
desarrollos multiescala 125
diagramas de bifurcacin 106
difeomorfismo 67, 155
- local 155
dinamo magntico terrestre 121
disco duplo de Rikitake 121
disparo 106
distancia media 300
- topolgica 269
divergencia 135
Ecuacin de Burgers 32
- de umbral 299
elementos de un ciclo de estado

estable 183
energa 284
- total de un sistema 59
equilibrio indiferente 163
equivalencia de funciones 157
- por la derecha 157
escalera de Lamerey 181
escenario de Feigenbaum 121
-- transicin al caos 112
esfera con una asa 258
espacio de control 131
-- fase 73
,
--- ampliado 74
-- funciones de prueba 36
-- variables de estado 131
esquemas en diferencias adaptables a
una solucin 242
estabilidad estructural 67,154,166,208
- local 124
estructura disipativa estacionaria 114
estructuras picudas 236
evoluta 136
existencia total 92
experimento computacional 10
exponente de Liapunov 98
-- condticcin de calor 28
-- dispersin 118
-- Duffing 70
-- Hutchinson 18
-- Korteweg-De Vries 32
Fase de excitacin 277
-- reposo 277
- refractaria 277
--
-- Malthus 20
-- onda 28
-- ramificacin 118
-- Schrodinger 27
-- Van der Po1 223,225
- en variaciones 222
- generalizada de
Gunzburg-Landu
125
- logstica 177
- modlica 123
- rgida 240
- singularmente perturbada 233
ecuaciones de Navier-Stokes
efecto de la capa T 11
93
fenmeno de capa lmite 233

figura simplemente conexa 247
foco estable 214
- inestable 214
forma cuadrtica 145, 148
- inercia1 125
frmula de Rutherford 62
frustracin 309
fuente no-lineal 80
.
fullereno 265
fullerido 267
funcin S-unimodal 194
- de capa lmite 235
-- Green 34
-- Heaviside 40
ndice de materias
315
.-
-- prueba 36
-- seguimiento 219
- definida positiva 83
invariante topolgico 246

isoclina nula 237
- delta de Dirac 35
- generalizada 36
Jacobiano 31
- de uni aplicacin lineal 155
jerarqua de modelos simplificados 15
- muy plana 160

- sigmoidal305
- universal 186
funciones equivalentes por la derecha
157
- linealmente indivisibles 302
futboleno 267
Germen de una catstrofe 170
globus pallidus 278
grado de interseccin de dos ciclos 253
----- segmentos 253
-- un vrtice 253
grfica computacional 14
grafo finito 252
Gunzburg-Landu, ecuacin
generalizada 125
Hadamard, lema 159
Heaviside, funcin 40
Hnon, aplicacin 191
hidrodinmica magnetita 11
hiperciclo 75
hiperplano 223
histresis 134
holograma 275
Hopf-Andrnov, bifurcacin 216
Hutchinson, ecuacin 18
/
Indice de Wiener 269

inestabilidad explosiva 90
instante de explosin 92
integral elptica de primera especie 50
- rpidamente oscilante 173
inteligencia artificial 274
intermitencia 121, 198
interpolacin mediante funciones
continuas a trozos 297
--- lineales a trozos 298
interseccin estricta 125
invariancia de escala 99, 196
- local 124
Kuramoto-~uzuki, ecuacin 125

k-chorros 161
Landu-~unzbur~,- generalizada
125 lema de escisin 165
-- Hadamard 159
-- Morse 140, 163
ley de Ebbinghaus 309
-- Fourier 28
-- Kirchhoff 225
-- Ohm 25
lnea custica 136
- de races mltiples 121, 133
linealidad 24
1-silla de Morse 165
Malthus, coeficiente 30
-, ecuacin 20
mariposa 169
matrices ralas 15
matriz de conexiones 284
--Hesse 163
-- Jacobi 31
-- una forma cuadrtica 148
- mal condicionada 240
May, aplicacin logstica 20
mecedora 131
medida invariante 196
memoria falsa 288
mtodo de aproximaciones sucesivas
56
-- complejizacin 112
-- iteracin simple 179
-- la capa lmite 235
-- Lagrange 298
-- Newton 179
--orden N 55
-- primer orden 54
'
316
fndice de materias
.-
-- promedio 229
- simblico 169
-- retropropagacin 307
- estrictamente no-lineal 118
-- renormalizacin 187, 228

-- variacin de la constante 229
- del gradiente 307
-- problema inverso de la teora de

la dispersin 32
- explcito de Euler 241

- implcito de Euler 241
mtodos de prolongacin respecto al
parmetro 119
- predictor-corrector 56
modelo de Augusti 174
- depredador-presa 210
- Gunzburg-Landu 171
- matemtico bsico 16
- parsito-hospedador 200
- trirnolecular 217
modo de corta vida 233
-- larga vida 233
mdulo 153
momento angular 59
morfognesis 114
movilidad 17
muestra de aprendizaje 299
Neurociencia 273
neurolpticos 279
neurona 275
- de McCulloch-Pitts 283
neurotransmisor 276
nodo estable 213
- inestable 214
nmero de carbono 268
-- condicin 240
-- grados de libertad 73
-- Prandtl 126, 192
-- Rayleigh 126, 192
--Reynolds 113
- estndar 238
- finito 238
- infinitsimo 238
- infinito 238
Ombligo elptico 169
- hiperblico 169
- parablico 169
operador de Laplace 27
oregonador 242
orientacin del espn 284
oscilaciones glicolticas 243
oscilador anarmnico 48
- de bloqueo 277
papirotazos catastrficos 174
parlisis de la red 308
parmetros de orden 124,288
patrn 273
- de actividad 289
-- salida 279
- espacial de amplitud 290
patrones claves 279
perceptrn 299
perodo de semidesintegracin 30
-- una solucin 65
perturbacin 170
- regular 231
- singular 232
pesos sinpticos 283
plano de Linard 237
-- Poincar 223
pliegue 136, 143,169
poliedro convexo 257
potencial 59, 86, 129
- de Coulomb 28
-- membrana 283
- energtico 10
potenciales de acci6n 276
principio de Huygens 137
-- Maxwell 171
-- retardo mximo 134
- -- subordinacin de los modos de
corta vida a los de larga vida 233
-- superposicin 24
probabilidad de desintegracin 30
problema bien planteado 88
- de Cauchy 88
-- correspondencia 61
-- evasin de las dificultades 174
-- la explosin fuerte 46
-- las casas y los pozos 253
-- los cuatro colores 271
ndice de materias
--- dos cuerpos 49

-- Whitney 248
- del erizo 261
- directo 13
- inverso 13
problemas regularmente perturbados
235
proceso de relajacin 231
propiedad estructuralmente estable
166
- tpica 169
propiedades topolgicas de las figuras
246
proyecciones especficas 14
psicologa cognitiva 273
psiquis artificial 283
punto conjugado de una curva 109
- crtico 129, 162
-- no-degenerado 163
- de equilibrio 31
-- silla 214
- doble de una curva 109
- fijo de una aplicacin 56, 181
- regular 106
-- extrema1 106
- singular 31, 109
--extrema1 de una curva 109
Rango de una forma cuadrtica 149
reaccin autocataltica 75
- total 75
receptores olfatorios 289
recta de races 151
red convergente 282
- neuronal 279
redes monocapas elementales 299
- neuronales multicapas 302
redundancia 265
reflexin 293
refractario 277
rgimen con explosin 92
regmenes 213
regin de atraccin de un atractor 65
-- no-disipacin 209
regla de aprendizaje de Hebb 285
regla delta 301
relacin doble de cuatro rectas 153
repetitividad de los experimentos 166

representatividad perceptrnica 301
resonancia paramtrica 191
rigidez 240
rozamiento viscoso 64,224
Salto catastrfico 134
Schwarz, derivada 194
seccin de Poincar 223
segunda ley de Kepler 59
segundo ombligo elptico 169
-- hiperblico 169
seleccin intraespecfica 19
senderos no-adyacentes 254
sensibilidad respecto a las condiciones
iniciales 98, 192
signatura de una forma cuadrtica 149
silla-nodo 242
simulacin blanda 20, 115, 129
sinapsis 276
sistema asociado 234
- computacional282
- conservativo 63, 208
- de ecuaciones diferenciales
autnomo 74
---- no-autnomo 74
-- Lorenz 192
- degenerado 232
- disipativo 64, 205, 207
- distribuido 275
- en variaciones 99
- gradiental 143
. - - multiprocesador 15
- neurocomputacional279
- neuronal 15
- no-lineal abierto 114
-- no-conservativo 204
- no-perturbado 231
- perturbado 232
sistemas dinmicos 54
- espacialmente distribuidos 112
- reaccin-difusin 104
software 274
solucin generalizada 36
soluciones autosemejantes 33
subespacio propio generalizado Y de
dimensin d 124
---
ndice de materias
.sucesin de Cauchy 57
suma ponderada 283
sumidero lineal 80
superficie bilateral 259
- cerrada no-orientable 260
-- orientable 260
- de respuesta 135
- no-orientable 259
- orientable 259
- unilateral 259
Suzuki-Kuramoto, ecuacin 125
Tamao poblacional 17
tecnicas computacionales 13
tempo-mundos 23
tenedor 110
teorema de clasificacin de Thom 169
-- enderezamiento de un campo
vectorial 67
-- la funcin implcita 105, 156
---- inversa 156
-- Picard-Lindelof 57
-- Stokes 209
-- Tjonov 234
--Vikte 215
teora de cscaras elsticas 113
-- estabilidad hidrodinmica 120
-- imperfecciones 107
-- interpolacin 298
-- la universalidad 187
-- las bifurcaciones 103
--- formas normales 123
-- oscilaciones 66
-- semejanza y dimensiones 45
-- variedades centrales 124
--- inerciales 124
trmino de correccin de orden 227
- secular 227
Thom, teorema de clasificacin 169
tiempo de vida medio 30
tienda india 169
tokamak 11
transformacin de duplicacin 187
-- Fourier de una funcin de
prueba 38
- inversa 38
transformada de Fourier de una
funcin generalizada 39
transparencia de la red 308
transputadora 15
trayectoria heteroclnica 243
- semiperidica 196
Umbral local 283
unilateral 259
Valor crtico de una funcin 162
- principal de la integral de l / x 41
Van der Pol, ecuacin 225
variable de control 131
-- estado 131
variables de fase 73
variedad central 124
- estable 214
- inestable 214
velocidad 74
- de aprendizaje 301
-- fase 74
--reloj 278
ventanas de periodicidad 193
vrtices de un grafo 252
vidrio de espn 279
volumen de fase 206
volvox 269

Sin 3 RG 3 Tica

Cargado por

Información del documentohacer clic para expandir la información del documento

Copyright:

Formatos disponibles

Sin 3 RG 3 Tica

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Sin 3 RG 3 Tica

Cargado por

Copyright:

Formatos disponibles

Serie ~Sinergtica:del pasado al futuro>>

Traducido de la cuarta edicin rusa (Editorial URSS, Mosc, 2005)

Domingo Marn Ricoy

ISBN 5-354-01128-0 (edicin en espaol)

O Edicin en ruso: Editorial URSS, 2005

Transicin a l caos Escenarios de Feigenbaum . . . . . . . . . . . . . . . . . .

En los aos 70 del siglo XX comenz, y an contina, una revolucin

y utilizarla. Cmo disponer racionalmente de las posibilidades que se

La simulacin matemtica actual

Surgi una nueva tecnologa de investigacin cientfica: el experimento

La simulacin matemtica actual y los fenmenos no-lineales

donde n es la concentracin de la mezcla reactante y T es el tiempo de

La Gran Explosin y la formacin del Universo. En los aos 60-70 del

La simulacin matemtica actual y los fenmenos no-lineales

Uno de los resultados importantes de la cosmomicrofisica es la construccin

redactar textos, jugar o conservar informacin comercial, es insignificante,

La simulacin matemtica actual y los fenmenos no-lineales

Jerarqua de los modelos simplificados

Simulacin de La dinmica de poblaciones

La simulacin matemtica actual y los fenmenos no-lineales

fenmeno analizado, hallar las caractersticas cuantitativas de los procesos

Aqu, u,, ... ,u, pueden representar el tamao poblacional o la biomasa

dichas especies. L ~ funciones

preez de alguna especie, y de este modo, reflejar la estructura de la

es un modelo aparentemente elemental, mas su anlisis es muy difcil.

La simulacin matemtica actual y los fenmenos no-lineales

La respuesta a esta pregunta suele ser la parte ms importante y difcil

Si lo ms importante son las interacciones entre dos especies, por ejemplo,

Este objeto est perfectamente investigado. Algunas de las propiedades

y \no los procesos a largo plazo. Entonces, obtenemos un modelo lineal

Existe otra forma de simplificar el modelo. Si se calcula el tamao

la cual result ser un objeto matemtico asombrosamente interesante.

nos conduce a las aplicaciones bidimensionales. Sobre tales aplicaciones

Simulacin blanda y fenmenos no-lineales. En los ltimos tiempos se

donde N es el nmero total de obreros, X es el nmero de obreros que no

En el establecimiento de la dinmica no-lineal desempearon un papel fundamental

5amarski A. A., Mijilov A. P. Simulacin matemtica: ideas, mtodos, ejemplos

La simulacin matemtica actual y los fenmenos no-lineales

Jlpov M. Yu. Cosmomicrofsica. Editorial URSS, 2005;

El material de este libro corresponde aproximadamente a un curso semestral,

Modelos matemticos lineales

Antes de ocuparnos de los fenmenos no-lineales y su simulacin, veamos

Modelos matemticos lineales

cia de la primera respuesta se reduce al hecho de que las ecuaciones lineales

que caracterizan una serie de fenmenos naturales, son lineales

no hay corriente. Desarrollando esta funcin en una serie de Taylor en el

se puede despreciar, como en el caso de la interferencia o la difraccin, es

Por consiguiente, en este caso particular,

Para obtener el anlogo ondular de esta ecuacin, sustituyamos la energa

Modelos matemticos lineales

z -h2*, donde A es el operador di Laplace, y en

Esta ecuacin describe el movimiento de una partcula en un campo dado

donde el asterisco (*) indica la conjugacin compleja. Por cuanto en todo

El problema (2.1) y (2.2) junto con las condiciones iniciales

describe la evolucin de la funcin de onda $(F, t ) si se conoce la funcin

Sustituyendo en la ecuacin (2.1), obtenemos el problema de valores propios

esta probabilidad no depende del tiempo.

es posible Limitarse a ecuaciones lineales