Tema 4

Tema 4: Sistemas autónomos: mapas de fase y
sistemas dinámicos
Ecuaciones diferenciales
Dr. Xavier Rivas

Grado en Fı́sica
Escuela Superior de Ingenierı́a y Tecnologı́a
Dr. Xavier Rivas PER3612 1 / 84

Índice
1 Introducción y objetivos
2 Mapas de fases
3 Clasificación de puntos crı́ticos
4 Ecuaciones autónomas de segundo orden
5 Ejemplos

1
Introducción y objetivos

Introducción y objetivos
Encontrar los puntos crı́ticos de un sistema de EDOs autónomo.

Determinar el tipo y estabilidad de cada uno de los puntos
crı́ticos del sistema.
Dibujar el mapa de fases de un sistema de EDOs y extraer
conclusiones sobre su comportamiento.

2
Mapas de fases

Mapas de fases
Consideremos el siguiente sistema de EDOs autónomas de primer

orden: (
ẋ = f1 (x, y) ,
ẏ = f2 (x, y) ,
que puede escribirse en forma vectorial como
ẋ = f (x) .
Observamos que
1. Si x(t) es una solución del sistema, x(t + C) también lo es.
2. x(t) = x0 es una solución de equilibrio cuando f (x0 ) = 0.

Mapas de fases
La primera propiedad significa

que las soluciones son invariantes
bajo traslación temporal, lo que
resulta obvio ya que las ecuaciones no
dependen explı́citamente del tiempo t.
La segunda propiedad
significa que si en un punto el sistema
no varı́a, es un punto de equilibrio.
La solución (x(t), y(t)) describe
de forma paramétrica una curva en
Figura: Proyección en el
el espacio t, x, y. La proyección de esta
plano de fases de una
curva en el plano x, y, llamado plano de
solución del oscilador
fases, se llama órbita de la solución. armónico
Mapas de fases
El conjunto de órbitas de las soluciones de un sistema forman el

mapa de fases o retrato de fases del sistema. El retrato de fases
proporciona información muy valiosa sobre el comportamiento del
sistema de manera visual.
Como ejemplo, vamos a estudiar detenidamente el caso del oscilador

armónico simple:

Ejemplo: el oscilador armónico
Consideremos el oscilador armónico descrito por la ecuación
ẍ = ω 2 x = 0 ,
que puede escribirse en forma vectorial como

! ! !
ẋ 0 1 x
ẋ = = .
v̇ −ω 2 0 v
La solución general viene dada por

!
c1 cos ωt + c2 sin ω t
x(t) = .
−c1 ω sin ωt + c2 ω cos ωt

!
0
El valor inicial x(0) = lleva a la solución de equilibrio
0
! !
0 1
x(t) = . Por otro lado, la condición inicial x(0) = lleva a la
0 0
!
cos ωt
solución x(t) = . Esta segunda solución describe una
−ω sin ωt
hélice en el espacio, y su proyección sobre el plano de fases es una
elipse.

Mapa de fases
La flecha de la órbita indica el sentido en el que se recorre la órbita al
avanzar el tiempo t. La órbita de una solución de equilibrio es un
punto que llamamos punto crı́tico o punto de equilibrio. Notemos
que al variar t recorremos la misma órbita, es decir que la órbita no
depende del tiempo t debido a que el sistema es autónomo.
La forma de las órbitas puede calcularse directamente, sin resolver el

sistema, a partir de una EDO que relaciona x e y. Consideremos el
sistema (
ẋ = f1 (x, y) ,
ẏ = f2 (x, y) .
dy dy dx
Como dt
= dx dt
, tenemos la ecuación de las órbitas:
dy f1 (x, y)
= .
dx f2 (x, y)
Aplicando esto al ejemplo del oscilador armónico, tenemos que la

ecuación de las órbitas es
dy x
= −ω 2 ,
dx y
que se puede integrar fácilmente ya que es separable, obteniendo la
ecuación de una elipse:
y 2 + ω 2 x2 = C .

Mapa de fases
También podemos obtener información sobre la forma de las órbitas a

partir del campo vectorial
! !
f (x, y) ẋ
V (x, y) = 1 = ,
f2 (x, y) ẏ
que proporciona en cada punto del plano de fases un vector tangente

a las órbitas.

El campo vectorial en
el caso del oscilador armónico simple es
!
y
V (x, y) = .
−ω 2 x
En la figura podemos ver representado

el campo vectorial para el caso ω = 1,
!
y
V (x, y) = .
−x
Figura: Campo vectorial
para las órbitas de
ẍ + x = 0

Propiedades de las órbitas
Teorema 2.1
Consideremos el sistema autónomo ẋ = f (x). Por cada punto del
plano de fases pasa una única órbita del sistema. Si una órbita se
corta a si misma, corresponde a una solución perı́odica y dicha órbita
es una curva cerrada simple.
Por lo tanto, las órbitas del mapa de fases solo pueden ser de tres
tipos:
puntos crı́ticos, correspondientes a las soluciones de equilibrio,
curvas cerradas simples, correspondientes a solucioens periódicas,
arcos simples, correspondientes a soluciones no periódicas.
En un punto crı́tico pueden converger más de una órbita, pero esto
no viola el teorema anterior, ya que las órbitas no llegan a tocarse en
tiempo finito, sino que tienden a la solución de equilibrio cuando
t → ∞.
3
Clasificación de puntos
crı́ticos

Introducción
Las soluciones de equilibrio son las soluciones más importantes de un

sistema. Las órbitas cercanas a los puntos de equilibrio nos dan
mucha información sobre el mapa de fases. Vamos a estudiar los
distintos tipos de puntos crı́ticos, que se clasifican en función del
comportamiento de las órbitas cercanas.
Empezaremos con los sistemas lineales, que siempre pueden resolverse

de forma exacta. Después estudiaremos los sistemas no-lineales.

Sistemas lineales
Consideremos el sistema homogéneo
(
ẋ = a11 x + a12 y ,
ẏ = a21 x + a22 y ,
que podemos escribir como ẋ = Ax. Supongamos que |A| = 6 0, de

modo que el único punto crı́tico es x0 = 0 y los valores propios son
no nulos. Recordemos que la solución general del sistema es
x(t) = P eJt P −1 C ,
donde P = (v1 , v2 ) es la matriz de paso, siendo v1 , v2 vectores

propios asociados!a los valores propios λ1 , λ2 respectivamente,
eλ1 t 0
eJt = , donde ε = 0 o ε = t, y C un vector constante,
ε e λ2 t
que podemos redefinir como Ce = P −1 C.
Caso 1: dos valores propios reales distintos
Sean λ1 , λ2 ∈ R los dos valores propios distintos. La solución general

tiene la forma
x(t) = c1 eλ1 t v1 + c2 eλ2 t v2 .
Un vector tangente a las órbitas es
x0 (t) = c1 λ1 eλ1 t v1 + c2 λ2 eλ2 t v2 .
Sean L1 , L2 las rectas generadas por los vectores propios v1 , v2 .

Distinguiremos tres casos:
1a. λ2 < λ1 < 0,
1b. λ2 > λ1 > 0,
1c. λ2 < 0 < λ1 .

Caso 1a: λ2 < λ1 < 0
Si λ2 < λ1 < 0, entonces cuando t → ∞ todas las soluciones tienden
al punto crı́tico, y el vector x0 (t) tiende a v1 (si c1 6= 0). Todas las
soluciones tienden al punto crı́tico con la pendiente dada por el vector
propio asociado al valor propio mayor (v1 en este caso), excepto dos
órbitas, las soluciones asociadas a c1 = 0, que tienden al punto crı́tico
a lo largo de L2 . El punto crı́tico recibe el nombre de nodo estable.

Caso 1b: λ2 > λ1 > 0
Si λ2 > λ1 > 0, las órbitas tienen la misma forma que en el caso
anterior pero con sentido opuesto. Esto equivale a invertir la flecha
del tiempo. El punto crı́tico recibe el nombre de nodo inestable.

Caso 1c: λ2 < 0 < λ1
Si λ2 < 0 < λ1 , las órbitas sobre L2 se aproximan al punto crı́tico y
las órbitas sobre L1 se alejan de él. El resto de órbitas tiende
asintóticamente a L1 cuando t → +∞ y hacia L2 cuando t → −∞.
El punto crı́tico recibe el nombre de punto de silla.

Caso 2: un valor propio doble y matriz J diagonal
En este caso,
! la solución general del sistema tiene la forma
c
x(t) = 1 eλt .
c2
Distinguiremos dos casos:

2a. λ < 0,
2b. λ > 0.

Caso 2a: λ < 0
Si λ < 0 es un valor propio doble, las órbitas se acercan al!punto
c
crı́tico siguiendo semirrectas definidas por los vectores 1 . El
c2
punto crı́tico recibe el nombre de nodo estelar estable.

Caso 2b: λ > 0
Si λ > 0 es un valor propio doble, las órbitas están formadas por las
mismas semirrectas recorridas en sentido opuesto. El punto crı́tico
recibe el nombre de nodo estelar inestable.

Caso 3: un valor propio doble y matriz J no
diagonal
Si la forma canónica de Jordan de A no es diagonal, la solución
general del sistema es

x(t) = c1 w + (c1 t + c2 )v eλt ,
donde v es el único vector propio de λ. El vector tangente a las

órbitas es

ẋ(t) = (c1 veλt ) + λ c1 w + (c1 t + c2 )v eλt .
Distinguiremos dos casos:

3a. λ < 0,
3b. λ > 0.
Caso 3a: λ < 0
Si λ < 0, cuando t → +∞ todas las órbitas entran en el punto
crı́tico con la pendiente dada por el vector v. El punto crı́tico recibe
el nombre de nodo de una tangente estable.

Caso 3b: λ > 0
Si λ > 0, el sentido de las órbitas se invierte, alejándose del punto
crı́tico. En este caso, el punto crı́tico se llama nodo de una
tangente inestable.

Caso 4: dos valores propios complejos conjugados
Sean λ = p ± iq los dos valores propios. En este caso, la solución es

!
c cos qt + c2 sin qt pt
x(t) = 1 e ,
c3 cos qt + c4 sin qt
donde las ci son constantes reales, de las cuales solo dos son
independientes.
Distinguiremos tres casos:

p = 0,
p < 0,
p > 0.

Caso 4a: p = 0
Si p = 0, todas las soluciones son periódicas y las órbitas son curvas
cerradas que rodean al punto crı́tico, que recibe el nombre de centro.
El sentido de giro queda determinado por el campo vectorial V .

Caso 4b: p < 0
Si p < 0, las órbitas son espirales decrecientes que tienden hacia el
punto crı́tico cuando t → +∞. El punto crı́tico recibe el nombre de
foco estable.

Caso 4c: p > 0
Si p > 0, las espirales se alejan del punto crı́tico. El punto crı́tico
recibe el nombre de foco inestable. El sentido de giro viene dado
por el campo vectorial V .

Sistemas no lineales
Consideremos el sistema no lineal
(
ẋ = f1 (x, y) ,
ẏ = f2 (x, y) ,
!
x
donde x0 = 0 es un punto crı́tico. Para estudiar este sistema no
y0
lineal usaremos las series de Taylor de las funciones f1 , f2 en un
entorno del punto crı́tico. Esto nos permitirá obtener una
aproximación lineal alrededor del punto crı́tico. El desarrollo en serie
de Taylor de las funciones es
∂f1 ∂f1
f1 (x, y) = f1 (x0 , y0 ) + (x − x0 ) + (y − y0 ) + Rf1 (x, y)
∂x (x0 ,y0 ) ∂y (x0 ,y0 )
∂f2 ∂f2
f2 (x, y) = f2 (x0 , y0 ) + (x − x0 ) + (y − y0 ) + Rf2 (x, y)
∂x (x0 ,y0 ) ∂y (x0 ,y0 )

Como los restos de Taylor Rf1 y Rf2 tienden a cero al acercarnos al

punto crı́tico, es razonable pensar que las órbitas cercanas al punto
crı́tico serán similares a las de la aproximación lineal.
Como sabemos que f1 (x0 , y0 ) = f2 (x0 , y0 ) = 0, la aproximación

lineal del sistema es
( 0
x = f1 x (x0 , y0 )(x − x0 ) + f1 y (x0 , y0 )(y − y0 ) ,
y 0 = f2 x (x0 , y0 )(x − x0 ) + f2 y (x0 , y0 )(y − y0 ) .
Por comodidad, es conveniente trasladar el punto crı́tico al origen

mediante el cambio de variables u = x − x0 , v = y − y0 .

Por lo tanto, el sistema toma la forma

( 0
u = f1 x (x0 , y0 )u + f1 y (x0 , y0 )v ,
0
v = f2 x (x0 , y0 )(u + f2 y (x0 , y0 )v ,
que puede escribirse como
u0 = Au ,
! !
u f (x , y ) f1 y (x0 , y0 )
donde u = y A = 1x 0 0 .
v f2 x (x0 , y0 ) f2 y (x0 , y0 )

Supongamos que |A| = 6 0. En este caso decimos que x0 es un punto

crı́tico elemental. Esto significa que x0 es una singularidad aislada,
es decir que existe un entorno de x0 en el que no hay otros puntos
crı́ticos.
Si |A| = 0, será necesario acudir a la EDO de las órbitas y resolverla,

si es posible. El siguiente teorema relaciona el carácter y la
estabilidad de un punto crı́tico del sistema no lineal con las del mismo
punto crı́tico en la aproximación lineal.

Relación entre el sistema no lineal y el linealizado
Teorema. Tenemos tres posibilidades:

si en la aproximación lineal x0 es un nodo, un punto de silla o un
foco, entonces x0 es un punto crı́tico de igual tipo y estabilidad
que en la aproximación lineal.
si en la aproximación lineal x0 es un nodo estelar o un nodo de
una tangente, si f1 y f2 tienen derivadas parciales segundas
contı́nuas, x0 es un punto crı́tico de igual estabilidad que la
aproximación lineal.
si en la aproximación lineal x0 es un centro, si f1 , f2 son
analı́ticas, entonces x0 es un centro, un foco estable o un foco
inestable.

Por lo tanto, analizando la aproximación lineal del sistema, a menudo

podemos conocer la forma de las órbitas alrededor del punto crı́tico.
Notemos que fuera de cierto entorno, las órbitas del sistema no lineal
pueden ser totalmente diferentes a las del sistema linealizado.
Parece razonable que los centros sean los únicos puntos crı́ticos que
no se conservan necesariamente, ya que las perturbaciones producidas
por los términos no-lineales pueden modificar las órbitas cerradas en
espirales hacia dentro o hacia fuera.

∂f1 ∂f2
Si el sistema es exacto, es decir, si + = 0, los puntos crı́ticos
∂x ∂y
del sistema lineal solo pueden ser centros o puntos de silla. Por tanto
los centros de la aproximación lineal lo son también del sistema
no-lineal.
También se conservará un centro si las órbitas del sistema no-lineal

poseen simetrı́a respecto a alguna recta que pase por x0 . El análisis
de las simetrı́as se puede hacer a la vista de las propias órbitas o a
partir del campo V :

Teorema
Sea x0 es un punto crı́tico del sistema

(
ẋ = f1 (x, y) ,
ẏ = f2 (x, y) ,
tal que en la aproximación lineal es un centro y, o bien

x0 está sobre el eje x, f1 (x, −y) = −f1 (x, y),
f2 (x, −y) = f2 (x, y) (órbitas simétricas respecto al eje x),
o bien
x0 está sobre el eje y, f1 (−x, y) = f1 (x, y),
f2 (−x, y) = −f2 (x, y) (órbitas simétricas respecto al eje y).
Entonces, el punto crı́tico x0 es un centro del sistema no-lineal.

Ejemplo (parte 1)
Consideremos la ecuación no lineal ẍ = cos(x + ẋ2 ), que podemos
reescribir como el sistema

ẋ = y,

ẏ = cos x + y 2 ,
cuyos puntos crı́ticos son

!
2k+1
π
x0 = 2 , con k ∈ Z .
0
La aproximación lineal alrededor de los puntos crı́ticos es


ẋ = y,
ẏ = (−1)k+1 x .

Ejemplo (parte 2)
Por tanto, la matriz de coeficientes del sistema linealizado es

!
0 1
A= k+1 ,
(−1) 0
de donde obtenemos que el polinomio caracterı́stico es

p(λ) = λ2 + (−1)k+1 , que tiene raı́ces λ = ±1 si k es impar, y
λ = ±i si k es par. Por lo tanto,
si k es impar, x0 es un punto de silla de la aproximación lineal, y
por lo tanto también lo es de la ecuación no lineal.
si k es par, x0 es un centro de la aproximación lineal. Como x0
está sobre el eje OX, f1 = y es impar y f2 es par respecto a y,
también es un centro de la ecuación no lineal.

El significado geométrico de la estabilidad de las soluciones de

equilibrio es evidente. Un punto de equilibrio x0 es estable si las
órbitas que parten suficientemente cerca no se salen de cualquier
cı́rculo de radio prefijado, y es asintóticamente estable si, además, las
órbitas tienden a x0 cuando t → +∞.
La inestabilidad de alguna de las soluciones no constantes también se

ve claramente en el mapa de fases. Si las órbitas se alejan del punto
crı́tico, también lo hacen las soluciones de las que son proyección.
Pero la estabilidad no se puede ver tan fácilmente ya que órbitas
próximas pueden corresponder a soluciones muy diferentes. Por
ejemplo, las órbitas de un sistema lineal con un punto de silla se
acercan entre si, y sin embargo todas las soluciones son inestables.

4
Ecuaciones autónomas de
segundo orden

Sistemas dinámicos
Todo lo dicho hasta ahora sobre sistemas autónomos se puede aplicar

al caso de ecuaciones autónomas.
Definición 4.1
Un sistema dinámico es una partı́cula (o un conjunto de partı́culas)
cuyo estado varı́a con el tiempo obedeciendo un sistema de
ecuaciones diferenciales respecto al tiempo. Dichas ecuaciones
reciben el nombre de ecuaciones del movimiento.
Hay que destacar que esta definición es muy amplia y la teorı́a de

sistemas dinámicos se aplica a una gran variedad de disciplinas:
biologı́a, quı́mica, economı́a, medicina, etc.

Un sistema dinámico posee un número n de grados de libertad,
representadas por n coordenadas generalizadas x1 , . . . , xn . Las
coordenadas generalizadas pueden estar asociadas a cualquier
cantidad que varı́a con el tiempo. Pueden representar posiciones,
ángulos, poblaciones, cotizaciones en bolsa, etc.
Una gran cantidad de sistemas dinámicos pueden describirse

mediante ecuaciones autónomas de segundo orden, no
necesariamente lineales. Por lo tanto, habitualmente tendremos un
sistema de n ecuaciones de segundo orden del tipo ẍi = fi (xj , ẋj ), o
2n ecuaciones de primer orden
(
ẋi = y ,
con i = 1, . . . , n .
ẏi = fi (xi , yi ) ,

Las soluciones de este sistema describen trayectorias en un espacio de
fases de dimensión 2n con coordenadas (xi , ẋi ). Bajo condiciones
muy generales (teorema de Picard–Lindelöf), una trayectoria
particular queda determinada por 2n valores iniciales
x1 (0), . . . , xn (0), ẋ1 (0), . . . , ẋn (0).
La evolución de un sistema dinámico, tanto hacia el futuro como

hacia el pasado, queda completamente determinada por el estado del
sistema en un instante de tiempo dado. Pensad en esto
detenidamente.
Los mapas de fases nos ayudan a entender el comportamiento de un

sistema dinámico y, como veremos más adelante, proporcionan una
herramienta para el estudio del caos. Sin embargo, es imposible
representar un espacio de fases de más de dos dimensiones, por lo
que nos limitaremos a sistemas con un solo grado de libertad.
Propiedades de los sistemas dinámicos autónomos
Consideremos un sistema dinámico con un solo grado de libertad,
descrito por una EDO autónoma de segundo orden:
ẍ = f (x, ẋ) ,
que podemos reescribir como

(
ẋ = y ,
ẏ = f (x, y) .
La matriz de la aproximación lineal es

!
0 1
A= ∂f ∂f ,
∂x ∂y
evaluada en cada punto crı́tico.

Propiedades de los sistemas dinámicos autónomos
dy
La ecuación de las órbitas tiene la forma y dx = f (x, y), y el campo
vectorial tangente a las órbitas es
!
y
V (x, y) = .
f (x, y)
A partir de estas expresiones, podemos deducir lo siguiente:
Los puntos crı́ticos de las ecuaciones están sobre el eje y = 0, y
vienen dados por los ceros de la función f (x, 0).
Las órbitas se dirigen hacia la derecha en el semiplano superior
(y > 0) y hacia la izquierda en el inferior (y < 0).
Las orbitas que cortan el eje OX (y = 0), lo hacen
perpendicularmente.
Las ecuaciones no poseen nodos estelares. !
1
Un vector propio asociado a un valor propio λ es v = .
λ
Teorı́a de la estabilidad
Las ecuaciones que describen un sistema dinámico suelen cumplir el

teorema de existencia y unicidad de Picard–Lindelöf. Como el estado
de un sistema en un instante dado (condiciones iniciales) determinan
de manera única su evolución tanto hacia el futuro como hacia el
pasado, estos sistemas reciben el nombre de deterministas.
Sin embargo, el hecho de que un sistema dinámico sea determinista

no quiere decir que sea predecible en la práctica. Por un lado,
nuestro conocimiento sobre las condiciones iniciales nunca será total,
ya que toda medida está sometida a un cierto error. Además, muchos
sistemas dinámicos no pueden resolverse de forma analı́tica y
requieren de métodos numéricos aproximados que introducen un
cierto error en cada paso.

Teorı́a de la estabilidad
Ya sabemos que pequeños errores pueden dar lugar a soluciones muy

distintas con el paso del tiempo. Aunque ya nos hemos encontrado
varias veces con las nociones de estabilidad e inestabilidad, las
repasaremos, ya que son fundamentales en la teorı́a de sistemas
dinámicos, distinguiendo entre la estabilidad de puntos crı́ticos (caso
estático) y la estabilidad de soluciones o estabilidad orbital (caso
dinámico).

Definición. Estabilidad de puntos crı́ticos
Consideremos un sistema dinámico autónomo ẋ = f (x), y sea x0 un
punto crı́tico del sistema en el espacio de fases.
1. x0 es estable si para todo ε > 0 existe un δε tal que si x(t) es
una solución tal que kx(0) − x0 k < δε , se tiene que
kx(t) − x0 k < ε para todo t > 0. Es decir, si en t = 0 una
solución x(t) está suficientemente cerca de un punto de
equilibrio x0 , entonces la solución nunca se aleja de ese punto.
2. x0 es asintóticamente estable si existe un δ > 0 tal que
x(t) → x0 cuando t → ∞ si kx(0) − x0 k < δ. Este punto en el
espacio de fases recibe el nombre de atractor. La región del
espacio de fases en que las trayectorias tienden al atractor se
llama cuenca de atracción.
3. En el resto de casos x0 es inestable. Esto quiere decir que hay
trayectorias que pasan arbitrariamente cerca de x0 y luego se
alejan.
Estabilidad de puntos crı́ticos
Los nodos estables, nodos estelares estables, nodos de una tangente

estables y focos estables son asintóticamente estables. Los centros
son estables. Los demás tipos, incluidos los puntos de silla, son
inestables.
A continuación definiremos las distintas nociones de estabilidad para

soluciones (estabilidad orbital).

Definición. Estabilidad orbital
1. x(t) es estable si para todo ε > 0 existe un δε tal que si x∗ (t)
es otra solución tal que kx∗ (0) − x(0)k < δε , se tiene que
kx∗ (t) − x(t)k < ε para todo t > 0. Es decir, x(t) es estable si
toda solución que empiece cerca de ella se mantiene próxima a
ella.
2. x(t) es asintóticamente estable si es estable y, además,
lı́mt→∞ kx∗ (t) − x(t)k = 0. En otras palabras, la solución
aproximada x∗ (t) se va acercando cada vez más a x(t). Por lo
tanto, las ideas de atractor y cuenca de atracción se pueden
generalizar al caso dinámico. Si existe una cuenca de atracción,
esta es la región más importante del espacio de fases, ya que las
trayectorias que pasan por ella al cabo de un cierto tiempo
acaban convergiendo a la misma órbita, independientemente de
la condición inicial.
Definición. Estabilidad orbital
3. x(t) es inestable si no es estable. En este caso, hay soluciones
x∗ (t) arbitrariamente cercanas en un cierto tiempo a x(t) que se
separan de x(t). Las órbitas inestables también se pueden definir
como aquellas en las que lı́mt→∞ kx∗ (t) − x(t)k = ∞, y cabe
distinguir varios tipos, en función de la velocidad a la que el
lı́mite anterior tiende a infinito. Si el error tiende a infinito
exponencialmente, decimos que el sistema tiene sensibilidad
fuerte a las condiciones iniciales. Este es uno de los
elementos que caracterizan los sistemas caóticos.
Figura: (a) estable, (b) asintóticamente estable, (c) inestable

Sistemas integrables y no integrables
Un sistema integrable es aquel cuya ecuación del movimiento se

puede resolver por cuadraturas, es decir, cuya solución general se
puede encontrar mediante un número finito de integraciones de
funciones.
Todos los sistemas lineales y los sistemas exactos con un grado de

libertad son integrables. Sin embargo, en el mundo real, los sistemas
integrables son la excepción y no la norma.
En los sistemas integrables, es posible encontrar una solución general

al problema o de manera exacta o con un margen de precisión
arbitrario para todo tiempo t, mediante un número finito de
operaciones que no depende de t. Llamaremos a esta situación
comportamiento regular.

Sistemas integrables y no integrables
Para los sistemas no integrables no existe ningún algoritmo finito

que de la solución para todo t, y la cantidad de operaciones que
habrı́a que realizar para encontrar la solución en el instante de tiempo
t con cierta precisión crece más deprisa que t.
Esta situación ocurre cuando la inestabilidad juega un papel

importante en el sistema, de modo que mantener una cierta precisión
cuesta cada vez más esfuerzo en términos de operaciones. A esta
situación se le llama comportamiento irregular o caótico.

Caos
El descubrimiento del comportamiento caótico durante los años 70
produjo un profundo impacto en la teorı́a de los sistemas dinámicos y,
por extensión, a todas las disciplinas en que se aplica, desde la
meteorologı́a hasta la biologı́a.
Como el comportamiento caótico solamente se da cuando las

ecuaciones no son lineales, es habitual referirse a la teorı́a del caos
como dinámica no lineal, aunque hay ecuaciones no lineales que sı́
son integrables, como por ejemplo la ecuación de Bernoulli.
La alta sensibilidad a las condiciones iniciales que caracteriza a los

sistemas no integrables se suele ilustrar con el paradigma de una
mariposa cuyo aleteo (la condición inicial) causa un huracán en la
otra punta del mundo (solución a tiempo t), por eso la teorı́a del caos
ha trascendido a la cultura popular como el efecto mariposa.
Diferencia entre los sistemas integrables y no
integrables
Es preciso señalar que los sistemas integrables pueden tener y de

hecho tienen soluciones inestables (como ya hemos visto) y los
no-integrables pueden tener soluciones estables. La diferencia entre
los sistemas integrables y no integrables está realmente en la
proporción de soluciones inestables y su sensibilidad a las
condiciones iniciales.
En la integrabilidad de un sistema juega un papel esencial la

existencia de integrales primeras:

Integrales primeras
Definición 4.2
Una integral primera, o constante del movimiento, es una
función del tiempo, de las variables xi y sus derivadas ẋi constante a
lo largo de una trayectoria en el espacio de fases. Es decir, una
función C es integral primera si, y solo si C(t, x(t), ẋ(t)) = cnt,
donde (x(t), ẋ(t) es una trayectoria en el espacio de fases.
El nombre de integral primera proviene del hecho que en un inicio, los

matemáticos intentaban resolver todas las ecuaciones diferenciales
mediante integraciones sucesivas. Un ejemplo de integral primera o
constante del movimiento es la energı́a de una partı́cula en un campo
conservativo, que en una dimensión es
1
E(x(t), ẋ(t)) = mẋ2 (t) + V (x) ,
2
donde V (x) es el potencial.
Teorema. Integrales primeras
Un sistema dinámico de orden m tiene exactamente m integrales
primeras independientes entre sı́.
Consideremos el sistema




ẋ1 = f1 (x1 , x2 , . . . , xm ) ,
..

 .



ẋm = fm (x1 , x2 , . . . , xm ) ,
con solución definida y única en un abierto D ⊂ Rm+1 , y
consideremos las condiciones iniciales
x1 (t0 ) = x10 , x2 (t0 ) = x20 , ··· , xm (t0 ) = xm0 ,
con (t0 , x10 , x20 , . . . , xm0 ) ∈ D. La solución general tiene la forma
xk = Ck (t; t0 , x10 , x20 , . . . , xm0 ) , con k = 1, 2, . . . , m ,
donde vemos la dependencia de los valores iniciales.
Integrales primeras
Del teorema anterior deducimos que si conocemos un conjunto de m

integrales primeras independientes entre sı́, la solución del sistema es
inmediata. Supongamos que conocemos m integrales primeras
Ck (t, x1 , x2 , . . . , xm ) = ck , con k = 1, 2, . . . , m .
Entre ellas, al menos una debe depender explı́citamente del tiempo, o

no habrı́a movimiento. Como las Ck son funcionalmente
independientes, se pueden invertir localmente, de modo que
xk = fk (t, c1 , c2 , . . . , cm ) , con k = 1, 2, . . . , m ,
que es la solución general del sistema, dependiente de m integrales

primeras.

Integrales primeras
Aunque el sistema tenga m integrales primeras independientes y las

funciones Ck se pueden invertir, cuando las constantes están dadas
por funciones que no son algebraicas pueden ser no-aislantes, lo que
significa que la región del espacio de fases que definen está
infinitesimalmente próxima a las definidas por otras constantes.
Por ello, las integrales primeras no-aislantes no sirven para resolver la

ecuación del movimiento. En estas situaciones además se producen
inestabilidades ya que en un intervalo infinitesimal de unos datos
iniciales se cruzan trayectorias distintas que van a regiones separadas
del espacio de fases. Por tanto, la integrabilidad de un sistema
depende de la existencia de un número suficiente de cantidades
conservadas con buenas propiedades.

Sistemas exactos
Definición 4.3 (Sistema exacto)

Un sistema de ecuaciones diferenciales del tipo
(
ẋ = f1 (x, y) ,
ẏ = f2 (x, y)
∂f1 ∂f2
es exacto si + = 0.
∂x ∂y

Sistemas exactos
Si el sistema es exacto, la ecuación de las órbitas también lo es:

dy
f2 (x, y) − f1 (x, y) = 0,
dx
y puede resolverse encontrando una función H(x, y) tal que
∂H ∂H
f1 = , f2 = − .
∂y ∂x
Entonces, la solución de la ecuación de órbitas, es decir, las órbitas
del sistema, vienen dadas por H(x, y) = C, donde C es una
constante. Además sus puntos crı́ticos satisface la siguiente
propiedad:

Sistemas exactos
Teorema 4.4
Los puntos crı́ticos elementales de un sistema exacto solo pueden ser
centros o puntos de silla.
Para verlo, consideremos la matriz de la aproximación lineal alrededor
de (x0 , y0 ):  
∂f1 ∂f1
 ∂x (x0 ,y0 ) ∂x (x0 ,y0 ) 

A=  ∂f1
∂f1  .
∂x ∂x (x0 ,y0 )

(x0 ,y0 )
El polinomio caracterı́stico es
! !
∂f1 ∂f2 ∂f1 ∂f2
0= −λ −λ − =
∂x ∂y ∂y ∂x
!

∂f1 ∂f
2
2 ∂f1 ∂f2 ∂f1 ∂f2
=λ − +
λ+ − .
∂x
∂y ∂x ∂y ∂y ∂x

Sistemas exactos
El término en λ es cero ya que el sistema es exacto, mientras que el
término independiente es el determinante de A, por lo que tenemos
λ2 + |A| = 0 .
Si |A| es negativo, los valores propios son reales de signo distinto, de

modo que el punto crı́tico, tanto del sistema original como del
linealizado, es un punto de silla.
Si |A| es positivo, las raı́ces del polinomio caracterı́stico son

imaginarias puras y el punto crı́tico en la aproximación lineal es un
centro. Además, se puede ver que el término en λ del polinomio
caracterı́stico se sigue anulando si incluimos más términos del
desarrollo de Taylor, de modo que el punto crı́tico, que es un centro
en la linealización, lo sigue siendo en el sistema no lineal.
Ejemplo. Sistemas Hamiltonianos
Un tipo especialmente importante de sistemas dinámicos son los

sistemas Hamiltonianos. Los sistemas Hamiltonianos son aquellos
que están regidos por las ecuaciones de Hamilton:
∂h

q̇i

 = ,
∂pi

 ∂h
ṗi = − ,


∂qi
donde qi son las coordenadas generalizadas que determinan la
posición del sistema en un instante de tiempo, mientras que pi son
los momentos conjugados a cada coordenada qi , y h(qi , pi ) es la
función Hamiltoniana.

A partir de la definición de sistema Hamiltoniano es fácil deducir todo
sistema Hamiltoniano de la forma
∂h ∂h
q̇ = , ṗ = −
∂p ∂q
es exacto, ya que
∂ 2h ∂ 2h
− = 0,
∂p∂q ∂q∂p
y por lo tanto las órbitas vienen dadas por h(q, p) = C.
El oscilador armónico es un sistema Hamiltoniano. Su Hamiltoniano

es
1
h(q, p) = (p2 + ω 2 q 2 ) .
2

A partir del Hamiltoniano es fácil obtener tanto la ecuación de

movimiento como la ecuación de las órbitas. La mecánica
Hamiltoniana tiene un papel fundamental en fı́sica. Además de
ofrecer un método elegante para encontrar las ecuaciones del
movimiento de cualquier sistema sin rozamiendo, proporciona una
conexión teórica entre la mecánica clásica y la mecánica cuántica.

5
Ejemplos

Ejemplos
A continuación estudiaremos un par de ejemplos de interés para

ilustrar la teorı́a ofrecida en este tema:
Modelos depredador-presa
Especies competitivas

En un intento de dar un modelo matemático capaz de describir
fluctuaciones de carácter periódico observado en la población de
tiburones (y) y de los peces que les servı́an de alimento (x) en el mar
Adriático, V. Volterra propuso el sistema (propuesto
independientemente por A. J. Lotka):
( 0
x = ax − bxy ,
0
y = −cy + dxy .
Los términos ax y −cy dan cuenta del crecimiento (a > 0) natural de
la población de peces en ausencia de tiburones y del decrecimiento
(−c < 0) de la población de tiburones en ausencia de presas. Por su
parte, los términos en xy corrigen este comportamiento de forma
proporcional al número de encuentros entre depredadores y presas. Su
efecto es positivo para la población de tiburones y negativo para la de
peces.
El sistema de Lotka–Volterra tiene dos puntos crı́ticos.

El punto (0, 0) no tiene ningún interés: se trata un punto de silla
que representa la extinción de ambas especies.
c a

El punto crı́tico relevante es x0 = , y0 = . En esos niveles
d b
precisos de población x0 , y0 (que supondremos positivos), las
poblaciones están en equilibrio. Veamos qué ocurre con niveles
de población distintos.
Mediante el cambio de variable
u = x − x0 , v = y − y0 ,
trasladamos el punto crı́tico al origen.

En las nuevas variables u, v el sistema es


bc
u 0 =− v − buv ,


d

ad
v 0 =

u + duv .


b
√
Los valores propios de su linealización son ±i ac. Como
consecuencia, el punto crı́tico (x0 , y0 ) es un centro estable con
trayectorias elı́pticas a su alrededor con ecuación
ad2 u2 + b2 cv 2 = cnt. ,
para el sistema linealizado.

Sin embargo, como el punto crı́tico es un centro en la aproximación

lineal, no podemos deducir nada del sistema original.
Afortunadamente, a partir del sistema inicial, sabemos que
!
c a

− d dx + − b dy = 0 ,
x y
lo que es una ecuación separable con solución
ln(xc y a ) = (by + dx) + cnt .
Puede demostrarse que son curvas cerradas alrededor del punto

crı́tico, deformaciones de las elipses del sistema linealizado. De
manera que el punto crı́tico es un centro estable.

De hecho, el carácter cerrado de las trayectorias en el plano explica el
comportamiento periódico observado entre las poblaciones de
tiburones y peces.
Figura: Mapa de fases del sistema de Lotka–Volterra

Si se intenta describir mediante un modelo sencillo la lucha por la

supervivencia entre dos especies que se disputan una fuente de
alimentos común, parece plausible considerar el modelo
( 0
x = ax − bx2 − cxy ,
y 0 = a∗ y − b∗ y 2 − c∗ xy ,
donde a, b, c, a∗ , b∗ , c∗ con constantes positivas.
El término en xy da cuenta de la competencia mutua. Corrige lo que

en ambas poblaciones x, y eran ecuaciones logı́sticas de población
limitada superiormente.

Este sistema tiene cuatro puntos crı́ticos. Tres de ellos suponen la

desaparición de alguna especie: (0, 0), (a/b, 0) y (0, a∗ /b∗ ). El cuarto,
solución simultánea de las ecuaciones
bx + cy = a , c ∗ x + b ∗ y = a∗ ,
es el candidato a representar una posición de equilibrio ecológico

entre ambas especies. Según la influencia de la competitividad sea
grande (cc∗ > bb∗ ) o pequeña (cc∗ < bb∗ ), el comportamiento del
sistema a medida que avanza el tiempo será drásticamente diferente,
como veremos en los siguientes ejemplos.

Ejemplo (parte 1)
( 0
x = 20x − 2x2 − 5xy ,
y 0 = 30y − 5y 2 − 4xy .
En este caso, tenemos que cc∗ = 20 > 10 = bb∗ . Los cuatro puntos
crı́ticos son (0, 0), (0, 6), (10, 0) y (5, 2). Vamos a estudiarlos uno por
uno:
En (0, 0), el sistema linealizado es
( 0
x = 20x ,
0
y = 30y .
Por lo tanto λ1 = 20 y λ2 = 30, ambos positivos, de modo que

tenemos un nodo estable.
Ejemplo (parte 2)
En (0, 6), tras el cambio u = x, v = y − 6 para trasladar el
punto crı́tico al origen, tenemos que el sistema linealizado es
( 0
u = −10u ,
0
v = −24u − 30v .
En este caso, λ1 , λ2 < 0. Tenemos un nodo asintóticamente

estable.
En (10, 0), tras el cambio u = x − 10, v = y, y linealizando,
tenemos ( 0
u = −20u − 50v ,
v 0 = −10v .
De nuevo, los valores propios λ1 , λ2 son negativos. Tenemos un
nodo asintóticamente estable.
Ejemplo (parte 3)
En (5, 2), tras el cambio u = x − 5, v = y − 2, y linealizando,
tenemos ( 0
u = −10u − 25v ,
v 0 = −8u − 10v .
√
Los valores√propios son λ1 = 10( 2 − 1) > 0 y
λ2 = −10( 2 + 1) < 0, de modo que tenemos un punto de silla
(inestable).
Figura: Mapa de fases del sistema

Ejemplo (parte 1)
( 0
x = 20x − 4x2 − 2xy ,
y 0 = 25y − 4y 2 − 3xy .
En este caso, tenemos que cc∗ = 6 < 16 = bb∗ . Los cuatro puntos
crı́ticos son (0, 0), (0, 25/4), (6, 0) y (3, 4). De forma análoga al caso
anterior, podemos estudiar el comportamiento del sistema. En este
caso, ambas especies tienden a un punto de equilibrio donde ambas
especies sobreviven.


Tema 4

Cargado por

Información del documentohacer clic para expandir la información del documento

Copyright:

Formatos disponibles

Tema 4

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

Tema 4

Cargado por

Copyright:

Formatos disponibles

Tema 4: Sistemas autónomos: mapas de fase y

Dr. Xavier Rivas

Dr. Xavier Rivas PER3612 1 / 84

3 Clasificación de puntos crı́ticos

4 Ecuaciones autónomas de segundo orden

Dr. Xavier Rivas PER3612 2 / 84

Dr. Xavier Rivas PER3612 3 / 84

Encontrar los puntos crı́ticos de un sistema de EDOs autónomo.

Dr. Xavier Rivas PER3612 4 / 84

Dr. Xavier Rivas PER3612 5 / 84

Consideremos el siguiente sistema de EDOs autónomas de primer

Dr. Xavier Rivas PER3612 6 / 84

La primera propiedad significa

El conjunto de órbitas de las soluciones de un sistema forman el

Como ejemplo, vamos a estudiar detenidamente el caso del oscilador

Dr. Xavier Rivas PER3612 8 / 84

Consideremos el oscilador armónico descrito por la ecuación

que puede escribirse en forma vectorial como

La solución general viene dada por

Dr. Xavier Rivas PER3612 9 / 84

Dr. Xavier Rivas PER3612 10 / 84

La forma de las órbitas puede calcularse directamente, sin resolver el

Aplicando esto al ejemplo del oscilador armónico, tenemos que la

Dr. Xavier Rivas PER3612 12 / 84

También podemos obtener información sobre la forma de las órbitas a

que proporciona en cada punto del plano de fases un vector tangente

Dr. Xavier Rivas PER3612 13 / 84

En la figura podemos ver representado

Dr. Xavier Rivas PER3612 14 / 84

Dr. Xavier Rivas PER3612 16 / 84

Las soluciones de equilibrio son las soluciones más importantes de un

Empezaremos con los sistemas lineales, que siempre pueden resolverse

Dr. Xavier Rivas PER3612 17 / 84

que podemos escribir como ẋ = Ax. Supongamos que |A| = 6 0, de

donde P = (v1 , v2 ) es la matriz de paso, siendo v1 , v2 vectores

Sean λ1 , λ2 ∈ R los dos valores propios distintos. La solución general

x0 (t) = c1 λ1 eλ1 t v1 + c2 λ2 eλ2 t v2 .

Sean L1 , L2 las rectas generadas por los vectores propios v1 , v2 .

Dr. Xavier Rivas PER3612 19 / 84

Dr. Xavier Rivas PER3612 20 / 84

Dr. Xavier Rivas PER3612 21 / 84

Dr. Xavier Rivas PER3612 22 / 84

Distinguiremos dos casos:

Dr. Xavier Rivas PER3612 23 / 84

Dr. Xavier Rivas PER3612 24 / 84

Dr. Xavier Rivas PER3612 25 / 84

donde v es el único vector propio de λ. El vector tangente a las

Distinguiremos dos casos:

Dr. Xavier Rivas PER3612 27 / 84

Dr. Xavier Rivas PER3612 28 / 84

Sean λ = p ± iq los dos valores propios. En este caso, la solución es

Distinguiremos tres casos:

Dr. Xavier Rivas PER3612 29 / 84

Dr. Xavier Rivas PER3612 30 / 84

Dr. Xavier Rivas PER3612 31 / 84

Dr. Xavier Rivas PER3612 32 / 84

Dr. Xavier Rivas PER3612 33 / 84

Como los restos de Taylor Rf1 y Rf2 tienden a cero al acercarnos al