Lobon - DR Escuela de Matematica

UNIVERSIDAD NACIONAL DE INGENIERA
FACULTAD DE CIENCIAS
ESCUELA PROFESIONAL DE MATEMTICAS
RESOLUCIN NUMRICA DE LAS ECUACIONES
DIFERENCIALES CON RETARDO MEDIANTE RUNGE-KUTTA
EXPLCITO Y SU APLICACIN EN BIOMATEMTICA
TESIS PARA OPTAR EL TTULO PROFESIONAL DE LICENCIADO
EN MATEMTICA
PRESENTADA POR:
ROXANA LOBN DURAND
ASESOR: MSC. IRLA MANTILLA NEZ
LIMAPER
2008
Agradecimientos
Mi especial agradecimiento a mi asesora la profesora Irla Mantilla N. por su
generosa disposicin en la conduccin de mi labor cientca desarrollada en el
Laboratorio de Simulacin e Investigacin Numrica de la Facultad de Ciencias
de la Universidad Nacional de Ingeniera.
Tambin agradezco el paciente aliento de personas cercanas sin cuya conanza y
sacricio no hubiera culminado con satisfaccin esta tesis.
ii
Dedicado con amor a mis padres
de quienes he recibido todo
Tabla de Contenidos
Agradecimientos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ii
Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
CAPTULO 1: PRELIMINARES . . . . . . . . . . . . . . . . . . . . . . . 2
1.1 Ecuaciones diferenciales ordinarias con retardo (EDR) . . . . . . . . . . . . 2
1.2 Solucin de un PVI con EDR . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Anlisis de existencia y unicidad de solucin para las EDR . . . . . . . . . . 10
CAPTULO 2: COMPORTAMIENTO CUALITATIVO DE LOS PVI CON
EDR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.1 rbita de una EDR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.2 Criterios de Estabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3 Bifurcacin de Hopf . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.4 Positividad de las soluciones para las EDR . . . . . . . . . . . . . . . . . . . 33
CAPTULO 3: MTODO DE RUNGE KUTTA PARA RESOLVER UN
PROBLEMA DE VALOR INICIAL . . . . . . . . . . . . . 38
3.1 Mtodo de Runge Kutta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.2 Consistencia del mtodo de Runge-Kutta . . . . . . . . . . . . . . . . . . . . 39
3.3 Eleccin del paso ptimo para el mtodo de Runge-Kutta . . . . . . . . . . . 42
CAPTULO 4: RESOLUCINNUMRICADELAS EDRCONELMTODO
DE RUNGE-KUTTA . . . . . . . . . . . . . . . . . . . . . . 45
4.1 Aplicacin del Mtodo de Runge Kutta con tamao de paso jo para las EDR 45
4.2 Aplicacin del Mtodo de Runge Kutta con tamao de paso variable para las
EDR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.3 Consistencia de los mtodos de Runge Kutta para las EDR . . . . . . . . . . 52
4.4 Implementacin numrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
CAPTULO 5: APLICACIN A MODELOS BIOMATEMTICOS . . . . 55
5.1 Modelos de crecimiento tumoral . . . . . . . . . . . . . . . . . . . . . . . . . 55
5.2 Modelos de diseminacin de infecciones . . . . . . . . . . . . . . . . . . . . 57
5.3 Modelo del comportamiento cintico de la enzimas . . . . . . . . . . . . . . . 58
5.4 Modelo inmunolgico de crecimiento viral . . . . . . . . . . . . . . . . . . . 59
5.5 Dinmica poblacional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
CAPTULO 6: CONCLUSIONES, ANEXOS Y REFERENCIAS BIBLIO-
GRFICAS . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
6.1 Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
6.2 Anexos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
Referencias Bibliogrcas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
v
ndice de Figuras
1.1 Solucin de la ecuacin x
(t) = 0.1x(t 1) . . . . . . . . . . . . 4
(t) = 1.4x(t 1) . . . . . . . . . . . . 4
(t) = (p/2)x(t 1) . . . . . . . . . . . 5
1.4 Soluciones de la ecuacin de Verhulst . . . . . . . . . . . . . . . . 6
1.5 Tasas de crecimiento per capita para los modelos (a) logstico, (b)
(c) con efecto Allee. . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.6 f(x) = e
x
1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.7 f(x) = (e
x
1)(3 + 2.5(e
x
1)). . . . . . . . . . . . . . . . . 9
2.1 Grca de =
0
+ . . . . . . . . . . . . . . . . . . . . . . . . 25
2.2 Grca de puntos
k
y la curva W (i) . . . . . . . . . . . . . . . 28
2.3 Grca de x
n
para r = 2, 9 . . . . . . . . . . . . . . . . . . . . . . 30
2.4 Grca de x
n
para r = 3 . . . . . . . . . . . . . . . . . . . . . . . 30
2.5 Grca de x
n
para r = 3, 1 . . . . . . . . . . . . . . . . . . . . . . 31
4.1 Solucin exacta de la ecuacin 4.3 . . . . . . . . . . . . . . . . . . 47
4.2 Solucin numrica y exacta (y = e
x
) del problema mostrado en el
ejemplo 4.11 resuelto con el esquema de paso variable (4.10). . . . . 51
5.1 Solucin del modelo 5.2 para = 0.1, 0.5, 1. Se aprecia la
estabilidad de la solucin de equilibrio x 1 . . . . . . . . . . . . 56
5.2 Solucin del modelo 5.2 para =

2
, 2. Se aprecia la inestabilidad
de la solucin de equilibrio x 1 . . . . . . . . . . . . . . . . . . 56
5.3 Solucin del modelo de Kermack-McKendricke 5.3 . . . . . . . . . 57
5.4 Solucin del modelo de Kermack-McKendricke 5.4 . . . . . . . . . 58
5.5 Solucin del modelo de cintica de enzimas (5.5), I = 10.5. Valores
iniciales cercanos a la posicin de equilibrio . . . . . . . . . . . . . 59
5.6 Solucin del modelo inmunolgico de Marchuk (h
6
= 10) . . . . . 60
5.7 Solucin del modelo inmunolgico de Marchuk (h
6
= 300) . . . . . 61
5.8 Solucin numrica del problema 5.6 para h = 0.2 . . . . . . . . . . 62
vii
ndice de Tablas
3.1 Mtodos de Runge-Kutta de orden 4 . . . . . . . . . . . . . . . . . 42
4.1 Resultado de aplicar el esquema (4.8) de paso variable al problema
(1.25) utilizando un esquema RK de orden 4 . . . . . . . . . . . . . 52
viii
Introduccin
En diversos problemas fsicos y biolgicos existen modelos que son descritos en
trminos de ecuaciones diferenciales ordinarias no lineales, la teora de las ecuaciones
diferenciales abarca tambin un campo muy importante que corresponde a las ecuaciones
diferenciales con retardo (EDR) la cual se ocupa de modelos donde la variacin de la
variable de estado x con el tiempo depende en cada instante t no slo de x(t) sino tambin
de los valores de x en instantes anteriores. En el presente trabajo estamos interesados en
el estudio numrico del comportamiento de la solucin de este tipo de ecuaciones que se
muestran en forma general y en aplicaciones. Una de las motivaciones ms importantes
para el estudio de la ecuaciones diferenciales con retardo viene de la biomatemtica. Estos
modelos tienen la particularidad de que su comportamiento genera una curva conocida
como curva logstica la cual no es fcil de encontrar de manera exacta cuando se trata de
que el trmino no lineal depende de un retardo. Otra de las caractersticas es que existe
inestabilidad en las soluciones, en particular las soluciones de los problemas de valor
inicial asociados presentan punto de inexin a travs de su trayectoria.
En el presente trabajo pretendemos cumplir los siguientes objetivos: un breve estudio
cualitativo del comportamiento de la solucin de las EDR y el anlisis cuantitativo
mediante la resolucin numrica de los problemas de valor inicial asociados a las EDR.
El contenido del trabajo comprender cinco captulos distribuidos de la siguiente forma,
en el captulo preliminar se describir algunos resultados encontrados sobre el concepto
de una ecuacin diferencial con retardo, en el segundo captulo est relacionado al
comportamiento cualitativo de la solucin, se presentan tambin algunos resultados de
existencia y unicidad de solucin, asi como tambin de algunas propiedades cualitativas
referidas a la estabilidad de las EDRs, se considera tambin la aplicacin del criterio
de Mikhailov como contribucin al anlisis de comportamiento y existencia de solucin
del problema, en el tercer captulo se describe el mtodo de Runge-Kutta explcito de s
etapas, en el cuarto captulo se aplica el mtodo de Runge-Kutta para hallar la solucin
numrica de los problemas de valor inicial asociados a las EDR, en este captulo se
implementa tambin los algoritmos para la visualizacin de la solucin explcita en los
diversos modelos utilizados.
Para entender y comprobar la metodologa desarrollada, se utilizarn los resultados
en algunos fenmenos biolgicos modelados matemticamente como problemas de valor
inicial asociados a EDR, estos modelos utilizados son los siguientes: Comportamiento del
crecimiento tumoral, diseminacin de infecciones, cintica de la enzimas y crecimiento
viral. En todos ellos es nuestro inters determinar el comportamiento de la variable de
estado de la cual solo se conoce que est alterada por un parmetro de retardo en el
control inicial. Finalmente se presentan las conclusiones sobre los resultados obtenidos y
se listan las referencias bibliogrcas que sirvieron para el desarrollo del trabajo.
CAPTULO 1
PRELIMINARES
1.1 Ecuaciones diferenciales ordinarias con retardo (EDR)
En el estudio de modelos con sistemas dinmicos, se representa mediante una ecuacin
diferencial (o conjunto de ellas). En el caso orientado a un sistema biolgico que
evoluciona en el tiempo t se denominar estado a la variable incgnita x que depende
de t y es la que caracterizar el estado de un sistema en equilibrio.
Denicin 1.1.1 (Espacio de estados) Sea 0, el conjunto C ([, 0] , R
n
) ser
denotado como ( y se le llamar espacio de estados .
Denicin 1.1.2 (Variable de estado) Sea x : R R
n
una funcin continua, t R y
( un espacio de estados, denimos x
t
: [, 0] R
n
tal que
x
t
() = x (t +) , [, 0]
x
t
se llamar variable de estado o estado del sistema en el tiempo t.
Denicin 1.1.3 (Ecuacin diferencial con retardo) Una ecuacin diferencial con
retardo (EDR) es una ecuacin de forma
x
(t) = f(t, x(t), x(t r))

donde f es una funcin continua dada y r > 0 es un parmetro que se le denomina
retardo.
Denicin 1.1.4 (Problema de valor inicial ) Un problema de valor inicial asociado
a una EDR est dado por
x
(t) = f(t, x(t), x(t r)), t (1.1)

x
= (1.2)
donde R es el tiempo inicial, ( es el estado del sistema en el tiempo y
f : R ( R
n
una funcin continua.
1.2 Solucin de un PVI con EDR
Denicin 1.2.5 Una solucin del problema de valor inicial (1.1)-(1.2) es una funcin
x : R R
n
que satisface (1.1)-(1.2).
En estas ecuaciones, el comportamiento de las soluciones en un instante t depende no slo
de la posicin x(t) en ese instante sino tambin del valor en un instante anterior x(t r).
Un caso ms general lo constituyen las ecuaciones diferenciales funcionales, en las
cuales el compor tamiento de las soluciones en un instante t depende de la solucin en el
intervalo [t r, t]. Tienen la forma x
(t) = f(t, x
t
), donde x
t
: [r, 0] R est denida
por x
t
(s) = x(t +s).
Y un problema de valor inicial con esta forma de ecuacin est dado por
x
(t) = f(t, x
t
), x
t
() := x (t +) , [, 0] (1.3)
x
= t (1.4)
Para sealar algunos de los aspectos caractersticos de estas ecuaciones, cuyo estudio es
mucho ms complicado que el de las ecuaciones diferenciales sin retardo, veamos un
ejemplo propuesto por Kolmanovskii y Myshkis en [15]. Consideremos una persona que
empieza a ducharse y quiere que el agua alcance una temperatura ptima T
d
al abrir
la llave de la ducha. Se supone que el cambio de temperatura T es proporcional
a la variacin del ngulo de rotacin con coeciente k. Denotemos por T(t) la
temperatura del agua en el mezclador y r el tiempo necesario para que el agua salga
de la ducha. Se puede suponer que la variacin en la rotacin del grifo es proporcional a
la diferencia entre la temperatura del agua que sale de la ducha y la temperatura que desea
la persona con constante l, donde l es la longitud del tubo. Este comportamiento se puede
modelar mediante la siguiente ecuacin diferencial con retardo para la variable de estado
temperatura
T
(t) = k
(t) = kl(T(t r) T
d
) (1.5)
Haciendo el cambio de variable x(t) = T(t) T
d
convierte la ecuacin (1) en
x
(t) = ax(t r), (1.6)

donde a = kl > 0. Observemos que con este cambio de variable la aproximacin a T
d
se
convierte en una aproximacin a cero. La ecuacin 1.6 es una ecuacin diferencial lineal
con retardo r y, a diferencia de lo que ocurre con la ecuacin diferencial lineal ordinaria
x
(t) = ax(t), el comportamiento de las soluciones vara con respecto los parmetros a
y r. Esto sucede porque la ecuacin caracterstica asociada no es lineal (x +a = 0) como
en el caso ordinario sino que es una ecuacin trascendente (x+ae
rx
= 0). Expondremos
brevemente lo que sucede:
3
Figura 1.1: Solucin de la ecuacin x
(t) = 0.1x(t 1)
(t) = 1.4x(t 1)
Si ar < 1/e, las soluciones convergen exponencialmente a cero, como sucede en el
caso ordinario. Esto indica que los retrasos pequeos no inuyen en la dinmica.
Este caso se corresponde con un tubo muy pequeo y una persona tranquila, con lo
cual la temperatura se va alcanzando de forma progresiva. Ver la Figura 1.1.
Si 1/e < ar < /2 las soluciones convergen a cero pero oscilando. Este
comportamiento es caracterstico de las ecuaciones con retardo, pues es imposible
en una ecuacin diferencial lineal ordinaria de primer orden. Se corresponde con un
tubo un poco ms largo y/o una persona con temperamento mas fuerte. Se consigue
la temperatura deseada pero pasando por etapas de fro y calor. Ver la Figura 1.2.
Si ar /2 aparecen soluciones peridicas e incluso soluciones no acotadas. Los
altos valores de a y r hacen que el agua pase constantemente de fra a caliente sin
estabilizarse en torno al valor deseado. Ver la Figura 1.3.
4
(t) = (p/2)x(t 1)
Ahora describiremos algunos modelos que conducen a ecuaciones logisticas con retardo.
Los modelos de poblacin ms simples son los modelos independientes de la densidad,
es decir, aquellos en los que se supone que las tasas de natalidad y mortalidad por
individuo no dependen del tamao de la poblacin. Malthus en 1798 propuso un
modelo de este tipo en el que las tasas de natalidad y mortalidad en cada instante son
proporcionales al numero de individuos de la poblacin en ese instante. Si denotamos
por x(t) el nmero de individuos de la poblacin en el instante t (se permite que x(t) tome
cualquier valor real positivo, aunque en la interpretacin real debe tomar slo valores
enteros), entonces x
(t) representar la tasa de variacin del tamao de la poblacin y

est dada por la siguiente ecuacin
x
(t) = ax(t) bx(t) (1.7)

donde a y b son respectivamente las tasas de natalidad y mortalidad per capita. Sea
p = ab a este parmetro se suele llamar tasa intrnseca de crecimiento y determina com-
pletamente las soluciones de la ecuacin 1.7, que solamente tienen tres comportamientos
posibles: crecen exponencialmente si p > 0, decrecen exponencialmente hacia cero si
p < 0 y son constantes si p = 0 (esto resulta evidente de la expresin de las soluciones
x(t) = x
0
e
pt
, donde x
0
es la poblacin inicial).
El crecimiento exponencial se ajusta bastante a la realidad durante un cierto periodo
de tiempo (se conocen datos reales de la evolucin de la poblacin humana que se
corresponden con este comportamiento durante unos aos [11]-[12]). Sin embargo, es
natural pensar que a largo plazo no es un modelo realista, debido principalmente al
agotamiento de los recursos. Adems, el modelo malthusiano tampoco explicara una
situacin que se observa con cierta frecuencia en la naturaleza: la estabilizacin de la
poblacin hacia un valor de equilibrio. Podemos concluir que un modelo realista a largo
plazo debe tener en cuenta que las tasas de natalidad y mortalidad dependen del tamao
de la poblacin, debido a que cuando sta crece demasiado debe existir un proceso de
5
Figura 1.4: Soluciones de la ecuacin de Verhulst
autolimitacin (llamado comnmente competicin intraespecca).
Verhulst propuso en 1836 su clebre ecuacin logstica, en la cual la tasa de mortalidad
se supone constante mientras que la tasa de natalidad depende linealmente del tamao de
la poblacin, de tal modo que la poblacin no puede crecer indenidamente y existe un
valor K de la densidad de poblacin en el cual la tasa de crecimiento per capita es cero.
Esta constante K acta como nivel de saturacin y se suele determinar en funcin de la
cantidad de recursos disponibles.
Estas consideraciones conducen a la ecuacin de Verhulst
x
(t) = px(t)
_
1
x(t)
K
, x > 0
_
. (1.8)
La ecuacin 1.8 es fcilmente integrable y se puede comprobar que el equilibrio positivo
x = K es globalmente asintticamente estable para x > 0. El otro equilibrio (x = 0) es
inestable y las soluciones tienen un comportamiento como el que indica la Figura 1.4.
En particular, las soluciones con valor inicial x
0
< K/2 presentan un punto de inexin
que se observa habitualmente en las tablas reales (ver [11],[13],[14]).
Sin embargo, existen ejemplos en poblaciones humanas que muestran que la poblacin
a veces sigue creciendo por encima del nivel K en lugar de aproximarse indenidamente
a l por debajo. En experimentos reales se observa tambin un comportamiento peridico
en la evolucin del tamao de la poblacin de una especie (ovejas, insectos, ... ) que no
puede explicar el modelo logstico de Verhulst. Una de las caractersticas de la ecuacin
1.8 que podra explicar estas deciencias reside en el hecho de que considera que la
tasa de natalidad acta instantneamente, mientras que en general existe un cierto retardo
debido a la inuencia de factores como el perodo de madurez y el tiempo de gestacin.
6
Figura 1.5: Tasas de crecimiento per capita para los modelos (a) logstico, (b) (c) con
efecto Allee.
Hutchinson propuso en 1948 [16] la ecuacin logstica con retardo
x
(t) = px(t)(1
x(t r)
K
), (1.9)
donde r representa la edad de mxima capacidad reproductiva de un individuo de la
poblacin. En este caso la tasa de crecimiento per capita en el instante t es una funcin
lineal de la poblacin en el instante t r. Para la comparacin con otros modelos, nos
resultar til escribirla en la forma
x
(t)/x(t) = f(x(t r)) (1.10)

donde f(x) = p(1 x/K) (ver Figura 1.5 (a)). Otro ejemplo que se ha podido encontrar
acerca del comportamiento de una poblacin segn la ecuacin 1.9 es el realizado
por el entomlogo australiano A.J. Nicholson [17] con poblaciones de la mosca de la
oveja (Lucilia cuprina). Los datos obtenidos por Nicholson permiten observar que el
comportamiento oscilatorio de estas soluciones y May [18] encontr los valores de los
parmetros de la ecuacin de Hutchinson que mejor se adaptaban a estos datos (que
corresponden aproximadamente a pr = 2.1).
Ms tarde, en 1963, el eclogo F.E. Smith [19] trat de utilizar la ecuacin (1.9)) con
r = 0 para interpretar sus experimentos sobre el crecimiento de la poblacin de la mosca
Daphina magna. Sin embargo, observ que en este caso la tasa de crecimiento per capita
no es una funcin lineal de la poblacin como suceda para la Lucilia cuprina. Basndose
en sus datos experimentales, sugiri que esta tasa tiene una dependencia de la poblacin,
regulada por la funcin f
f(x) =
K x
K +cpx
, K, c, p > 0
ver Figura 1.5 (b). De la ecuacin 1.9 y para un retardo r > 0 resulta la siguiente
generalizacin de la ecuacin logstica con retardo de Hutchinson:
x
(t) = px(t)
K x(t r)
K +cpx(t r)
(1.11)
7
Figura 1.6: f(x) = e
x
1.
En el que se tenga c = 0 se obtiene precisamente la ecuacin 1.9.
Si r = 0 (es decir, sin factores de retardo), la ecuacin 1.11 es considerada por
algunos investigadores como la inuencia de la polucin en ciertas poblaciones (vase,
por ejemplo, [23]).
En 1933, los estudios del bilogo W.C. Allee [24] mostraron la fuerte inuencia que
tienen ciertos efectos sociales en el desarrollo interno de la poblacin de algunas
especies con conducta cooperativa (abejas, hormigas, peces, etc.). Para estas poblaciones,
la tasa de crecimiento per capita aumenta hasta el instante en que la poblacin alcanza
un valor crtico. Al pasar este valor, empieza a disminuir debido a causas como la
competencia por los recursos. Esto se traduce en que la funcin f no es montona
como en los casos anteriores sino que tiene la forma indicada en la Figura 1.5 (c). La
modicacin ms sencilla de la ecuacin de Hutchinson que permite considerar este
comportamiento (conocido como efecto Allee) viene dada por la siguiente ecuacin
[22]-[21]:
x
(t) = x(t)
_
1
x(t r)
K
_
(p +qxt(t r)), x > 0, p > 0, q 0, (1.12)
Esta ecuacin es de carcter no lineal por lo que las tcnicas empleadas en la
ecuacin logstica sin retardo ya no sirvan . Sin embargo, veremos que tienen algunas
caractersticas comunes que al estudiarlas se podran encontrar algunos resultados
similares.
Mediante un cambio de variable adecuado, todos estos modelos se pueden escribir en
una forma mas general como
x
(t) = f(x(t r)), (1.13)

donde f es una funcin estrictamente decreciente o unimodal (es decir, con un nico
punto crtico que es un extremo local).
8
Figura 1.7: f(x) = (e
x
1)(3 + 2.5(e
x
1)).
Por ejemplo introduciendo la variable z(t) = ln(x(ht)/K) derivando conduce a la
siguiente ecuacin
z
(t) = r(e
z(t1)
1), (1.14)
que es de la forma 1.13 con f(x) = e
x
1 (Figura 1.6).
Si consideramos la ecuacin con efecto Allee 1.12 con r = K = 1, p = 0.5,
q = 2.5 y realizamos el mismo cambio de variable, obtenemos la aplicacin unimodal
f(x) = (e
x
1)(3 + 2.5(e
x
1)) (Figura 1.7).
1.2.1 Ejemplos de ecuaciones diferenciales funcionales
Son aquellas en que el segundo miembro de la ecuacin puede ser expresada por una
de las siguientes formas
(i)
x
(t) =
_
x (t)
_
t
t
x (s) ds
_
(ii)
x
(t) = max
tst
x (s)
(iii)
x
(t) =
_
t
t
k (t, s) x (s) ds
(i) f (x
t
) = x
t
(0) +
_
0
x
t
(s) ds
(ii) f (x
t
) = max
s0
x
t
(s)
9
(iii) f (x
t
) =
_
0
k (t, s +t) x
s
(t) ds
Nota.- En adelante denotaremos por:
(i) [x[ a la norma del vector x y
(ii) || = sup [()[ : 0 a la norma de una funcin de estado
(.
1.3 Anlisis de existencia y unicidad de solucin para las EDR
Denicin 1.3.6 Decimos que f es una funcin Lipschitz en un conjunto acotado de
R ( si a, b R y M > 0, existe K > 0 (llamada constante de Lipschitz) tal que:
|f (t, ) f (t, )| K| |, a t b, || , || M. (1.15)
Lema 1.3.7 Sea f : R ( R
n
una funcin continua que satisface (1.15), entonces
en cada intervalo [a, b] y M > 0 existe L > 0 tal que:
[f (t, )[ L, t [a, b] , || M.
Prueba: Denotemos por 0
C
la funcin nula en (, entonces al ser f una funcin Lipschitz:
[f (t, )[ [f (t, ) f (t, 0
C
)[ +[f (t, 0
C
)[ K| 0
C
| +[f (t, 0
C
)[ KM +P
donde P = max
atb
[f (t, 0
C
)[.
Lema 1.3.8 (Gronwall-Reid) Sea C una constante dada, k una funcin continua no
negativa en un intervalo I, donde I = [t
0
, t]. Si x : I [0, ) es una funcin de estado
continua tal que t
0
I y
x(t) C +
_
t
t
0
k(s)x(s)ds
, para todo t I (1.16)

entonces
x(t) Ce
t
t
0
k(s)ds
, para todo t I (1.17)

10
Prueba: Considerando que t t
0
.
Sea y(t) C +
_
t
t
0
k(s)x(s)ds entonces x(t) y(t) ().
Derivando obtenemos que y
(t) = k(t)x(t) y por lo tanto

y
(t) k(t)y(t)
separando variables e integrando se obtiene que
y(t) Ce
t
t
0
k(s)ds
de (*) se obtiene que
x(t) y(t) Ce
t
t
0
k(s)ds
El caso t t
0
es similar.
Estos resultados se utilizarn en la demostracin en la demostracin de la existencia y
unicidad de solucin de las EDR
Teorema 1.3.9 (Existencia y unicidad de solucin para las EDR) Si f es continua y
satisface la condicin de Lipschitz (1.15) entonces existe una nica solucin de (1.1) en
[ , +A] con A denida por (1.20), con R, ( tal que || M. Entonces.
Adems si K es la constante de Lipschitz entonces
max
+A
[x (, ) x (, )[ | | e
KA
, (1.18)
donde || , || M
Prueba: ( donde : [, 0] R
n
si = 0 integrando (1.1) resulta:
x (t) = (0) +
_
t
f (s, x
s
) , ds t +A (1.19)
para algn A > 0.
Supongamos que || M. Sea K la constante Lipschitz para f en el conjunto
[, +] ( : || 2M y sea Lla cota de [f[ dada por el lema 1.3.7. Escojamos
A = min , M/L . (1.20)
Sea y una funcin continua en [ , +A] satisfaciendo y
= y [y (t)[ 2M en
[, +A] , podemos denir una nueva funcin continua z en [ , +A] como
z (t) := (0) +
_
t
f (s, y
s
) , ds t +A
11
y z (t) = (t ) t [ , ]. Entonces se satisface que
[z (t)[ M +L(t ) M +LA 2M, t +A
esto nos motiva a usar aproximaciones sucesivas para aproximar (1.19) a partir de la
aproximacin inicial
x
(0)
(t) = (0) , t +A
y x
(0)
(t) = (t ) , t [ , ] .
Denamos
x
(m+1)
(t) = (0) +
_
t
f
_
s, x
(m)
s
_
ds, t +A, m = 0, 1, 2, . . . (1.21)
y x
(m+1)
(t) = (t ) , t [ , ] .
x
(1)
(t) x
(0)
(t)
_
t
f
_
s, x
(0)
s
_
ds
L(t ) , t [, +A] (1.22)

en general
x
(m+1)
(t) x
(m)
(t)
_
t
_
f
_
s, x
(m)
s
_
f
_
s, x
(m1)
s
_
ds
K
_
t
_
_
x
(m)
s
x
(m1)
s
_
_
ds
K
_
t
sup
s
x
(m)
() x
(m1)
()
ds
observemos que en particular si m = 1
x
(2)
(t) x
(1)
(t)
K
_
t
sup
s
x
(1)
() x
(0)
()
ds
K
_
t
L(s ) ds
KL
(t )
2
2
y as tambin obtenemos
x
(3)
(t) x
(2)
(t)
K
_
t
KL
(s )
2
2
ds =
L
K
[K (t )]
3
3!
supongamos que j = m se tenga que
x
(m+1)
(t) x
(m)
(t)
L
K
[K (t )]
m+1
(m + 1)!
(1.23)
12
entonces para j = m + 1 se tendr:
x
(m+2)
(t) x
(m+1)
(t)
K
_
t
sup
s
x
(m+1)
() x
(m)
()
ds
K
_
t
L
K
[K (s )]
m+1
(m + 1)!
ds
= LK
m+1
(t )
m+2
(m + 2)!
=
L
K
[K (t )]
m+2
(m + 2)!
por el principio de induccin matemtica nos permite armar que la desigualdad (1.23)
es vlida para todo m 0.
Haciendo m > n y utilizando la desigualdad triangular tenemos que:
x
(m)
(t) x
(n)
(t)
x
(m)
(t) x
(m1)
(t)
x
(m1)
(t) x
(m2)
(t)
+
+
x
(n+1)
(t) x
(n)
(t)
L
K
[K (t )]
m
(m)!
+
L
K
[K (t )]
m1
(m1)!
+ +
L
K
[K (t )]
n+1
(n + 1)!
L
K
+
j=n+1
(KA)
j
j!
tomando supremo
sup
t+A
x
(m)
(t) x
(n)
(t)
L
K
_
+
j=1
(KA)
j
j!

n
j=1
(KA)
j
j!
_
si en el trmino de la derecha n + ste tiende a cero por tanto
_
x
(m)
_
m0
es una
sucesin uniformemente de Cauchy en [, +A].
Entonces existe una funcin continua x : [, +A] R
n
tal que
sup
t+A
x
(m)
(t) x (t)
0, m +
extendiendo x sobre todo el intervalo [ , +A], entonces se expresar que:
x (t) = (t ) para t [ , ]
.
Ahora probaremos que x satisface (1.19).
En efecto sea
f
_
s, x
(m)
s
_
f (s, x
s
)
K
_
_
x
(m)
s
x
s
_
_
K sup
t+A
x
(m)
(t) x (t)
13
es decir la convergencia de f
_
s, x
(m)
s
_
f (s, x
s
) uniformemente en [, +A] implica
que
lim
m+
_
t
f
_
s, x
(m)
s
_
ds =
_
t
f (s, x
s
) ds
a partir de (1.21) obtenemos (1.19).
Para probar la unicidad hacemos lo siguiente (1.18) para lo cual hacemos:
[x (t, ) x (t, )[ [(0) (0)[ +
_
t
[f (s, x
s
()) f (s, x
s
())[ ds
| | +K
_
t
|x
s
() x
s
()| ds
de la ecuacin (1.18) resulta
| | +K
_
t
max
s
[x (, ) x (, )[ ds t [, +A]
Si hacemos
u(s) := max
s
[x (, ) x (, )[ , s +A
entonces escogiendo

t [, t] se tiene que
x
_
t,
_
x
_
t,
_
| | +K
_

t
u(s) ds
max
tt
x
_
t,
_
x
_
t,
_
| | +K max
tt
_

t
u(s) ds
u(t) | | +K
_
t
u(s) ds
(pues al ser u una funcin no negativa:
_
u(s) ds
_
t
u(s) ds
t :
t t)
Finalmente plicando la desigualdad 1.17 y se (1.18) se puede obtener
u(t) | | e
K(t)
para t = +A.
Observacin 1.3.10 Una diferencia importante entre las ecuaciones diferenciales
ordinarias (EDOs) y las ecuaciones diferenciales con retardo (EDR) consiste en la
naturaleza del valor inicial, en el caso de las EDOs es un escalar o un vector pero que
el caso de las EDR es de naturaleza funcional, es decir tenemos un conjunto de valores
de x sobre un intervalo dado, x
0
: [, 0] R.
14
Observacin 1.3.11 Es importante notar que al considerar otra condicin inicial las
soluciones del nuevo problema de valor inicial pueden intersectarse con las soluciones
del problema anterior. Para ilustrar este punto consideremos dos problemas que
involucran la misma EDR pero con distinta condicin inicial:
_
_
_
x
(t) =
2
x (t 1) ,
x
0
(t) = 0 t [1, 0]
(1.24)
y
_
_
_
z
(t) =
2
z (t 1) ,
z
0
(t) = sen
_
2
t
_
t [1, 0]
(1.25)
As en el problema (1.24) la solucin es la funcin nula (x 0), y en el problema (1.25)
para t [0, 1] tenemos
z
(t) =
2
sen
_
2
(t 1)
_
t [0, 1]
e integrando
z (t) = z
0
(0)

2
_
t
0
sen
_
2
(s 1)
_
ds t [0, 1]
=

2
_
t
0
cos
_
2
s
_
ds = sen
_
2
t
_
t [0, 1]
en general si t [n 1, n] , n 1
z (t) = z (n 1) +

2
_
t
n1
cos
_
2
s
_
ds = sen
_
2
t
_
as ambas soluciones se intersectan para t = k, k N.
15
CAPTULO 2
COMPORTAMIENTO CUALITATIVO DE LOS PVI
CON EDR
Bsicamente el estudio del comportamiento de la solucin exacta relacionado al anlisis
de la existencia y unicidad de la solucin de las EDRs comprende el anlisis de la
estabilidad global, la estabilidad local y las bifurcaciones.
El estudio de la estabilidad busca establecer la existencia de soluciones del tipo
exponencial.
Supongamos que x (t) = ce
t
es solucin de (1.24) entonces derivando se obtiene
ce
t
=
2
ce
(t1)
, c ,= 0
o lo que equivalente a buscar la solucin de la ecuacin no lineal:
Q() = +

2
e
= 0
esta ecuacin es llamada ecuacin caracterstica o transcendental de (1.24) .
La funcin Q() es de tipo quasipolinomial y determinar la solucin conduce a un
problema no lineal caracterstica y los ceros de Q() son llamados valores caractersticos
2.1 rbita de una EDR
En esta seccin veremos algunos resultados relacionados a la funcin x
t
a la EDR
autnoma
x
(t) = f (x
t
)
x
0
=
(2.1)
Sea ( el espacio de estados, sea (, asumiendo que existe una nica solucin
x (t, ) del problema de valor inicial 2.1, es extensible a toda la semirecta [0, +[. Donde
x
t
: [0, +) ( (
(t, ) x
t
()
es el ujo asociado al campo vectorial f.
A continuacin se d el siguiente resultado en el cual se indica las propiedades que
satisface x
t
Teorema 2.1.1 Sea la funcin x
t
: [0, +) ( (
(t, ) x
t
()
, donde x
t
() representa el
estado de la solucin en el tiempo t.
Esta funcin satisface las siguientes propiedades:
(i) En t = 0, x
0
() =
(ii) x
t
(x
s
()) = x
t+s
() , t, s 0
(iii) x
t
es continua en [0, +) (
Prueba:
(i) Esto se cumple por la denicin de estado.
(ii) Sea s 0, denamos y (t) := x (t +s, ) entonces
x
t+s
(, ) = x (t +s +, ) = y (t +) = y
t
() , 0
es decir x
t+s
() = y
t
, t s.
Derivando se tiene que
y
(t) = x
(t +s) = f (x
t+s
) = f (y
t
)
se tendra como condicin inicial y
s
= .
En particular x
s
() = y
0
Entonces y (t) y x (t, x
s
()) satisfacen al problema de valor inicial, entonces
como la solucin debe ser nica luego
x (t, x
s
()) = y (t) = x (t +s, ) t 0
(iii) Dados , (. Para probar la continuidad de x
t
se tomar en cuenta el
resultado 1.18 por lo que
|x
t
() x
t
()| = max
+tt
[x (, ) x (, )[
max
A
[x (, ) x (, )[
| | e
KA
, || , || M
17
Denicin 2.1.2 (rbita) Sea ( un espacio de estados, sea ( denimos la rbita

de como el conjunto
O = x
t
() : t 0 (
dicho conjunto representa la trayectoria de .
Denicin 2.1.3 (Punto jo) Sea ( un espacio de estados, e ( una funcin de
estado (estacionario, crtico o de equilibrio), entonces e es un punto jo de x
t
si su rbita
se reduce a un punto O(e) = e
Proposicin 2.1.4 e es un punto jo de x
t
si y slo si e es una funcin constante tal
que f (e) = 0.
Prueba: Si x
t
es un punto de equilibrio entonces x
t
(e) = e, t 0 esto es x (t +, e) =
e () , t 0 y [, 0].
Haciendo = 0, tenemos x (t, e) = e (0) , t 0, es decir x (t) es constante, x
(t) = 0
y por ello f (e) = 0. Fijemos y escojamos t entonces e () = x ( +t, e) =
x (t, e) = e (0), es decir e es constante.
Denicin 2.1.5 (rbita peridica) La rbita de es rbita peridica si existe s > 0
tal que x
t+s
() = x
t
() , t 0.
Denicin 2.1.6 (Conjunto -lmite) Sea ( un espacio de estados. El conjunto lmite
omega de O() est denido como
() = ( : x
t
n
() si t
n
+
=
t0
_
st
x
s
()
Denicin 2.1.7 (Conjunto invariante o positivamente invariante) Sea ( un espa-
cio de estados. Un conjunto A ( se dice positivamente invariante si x
t
() A
para cualquier A y t 0.
Se dice que A invariante si es positivamente invariante y para cualquier A existe
A con s t 0, tal que x
t
() = .
18
2.2 Criterios de Estabilidad
Denicin 2.2.8 (Soluciones estables) Una solucion u de equilibrio se dice estable si
para > 0 existe > 0 tal que si u es cualquier solucion tal que | u u(t)| para
s 1 t s entonces | u u(t)| para t > s.
Denicin 2.2.9 (Soluciones asintticamente estable) La solucion u se dir asintot-
icamente estable si es estable y | u u(t)| 0 cuando t +. En caso contrario se
dira que es inestable.
2.2.1 Estabilidad de las EDR lineales
Consideremos el problema de valor inicial con la EDR
x
(t) = L(x
t
) , x
0
= (2.2)
donde L : ( C
n
es un operador lineal acotado. Es decir existe K > 0 tal que
[L()[ K|| , (.
Sea ( el espacio de estados, sea K la constante de Lipschitz, consideraremos las
soluciones que satisfacen la siguiente desigualdad
|x
t
()| || e
Kt
, t 0 (2.3)
Acontinuacin buscaremos soluciones del problema 2.2 de la forma x (t) = e
t
v donde
es un nmero complejo v C
n
. Como x
t
() = e
t
e
v, entonces al sustituir en la
ecuacin 2.2 se tiene que
v = L(e
v) ,
donde e
() := e
, 0.
Sea L = (L
1
, L
2
, . . . , L
n
) y L
i
(e
v) =
j
L
i
(e
e
j
), donde e
j
es la base cannica
de C
n
, as la ecuacin anterior puede ser escrita como
[I A()] v = 0
donde A()
i,j
= L
i
(e
e
j
).
Consideremos como ecuacin caracterstica para a
Q() := det (I A()) (2.4)
19
Denicin 2.2.10 (Funcin analitica) Una funcin compleja Q en un conjunto
abierto G C es llamada analtica si Q
existe y es continua en cada punto de G.

Teorema 2.2.11 La funcin Q denida en 2.4 es analtica, adems para cada a R
existen a lo ms un nmero nito de races de Q satisfaciendo '() a.
Prueba:
Sean e
e
j
elementos de la base del espacio solucin del problema de valor inicial.
Veremos que L
i
(e
e
j
) es diferenciable. Primero notemos que
lim
h0
e
+h
e
h
= e
entonces
lim
h0
L
i
(e
+h
e
j
) L
i
(e
e
j
)
h
= lim
h0
L
i
__
e
+h
e
h
_
e
j
_
= L
i
(e
e
j
)
d
d
L
i
(e
e
j
) = L
i
(e
e
j
)
Si satisface 2.4 entonces es un valor propio de A() y por tanto
[[ |A()|
por otra parte
A()
ij
= [L
i
(e
e
j
)[ K|e
e
j
| K max
0
e
()
K max
_
e
()
, 1
_
como '() a entonces
A()
ij
M := K max e
a
, 1 entonces
[[ |A()| n
2
M
Si G := C
n
: '() a fuera innito entonces tendra un punto de
acumulacin, y entonces Q sera idnticamente nula. Por tanto G es nito.
Denicin 2.2.12 (Semigrupo de operadores) Denimos un operador T (t) : ( (,
como T (t) = x
t
() para cada (, t 0.
As tambin denimos la norma de este operador como
|T (t)| := sup |T (t) | : || = 1 e
Kt
20
y tambien el producto de dos operadores y de 2.1.1:
T (t) T (s) = T (t +s) , t, s 0
T (0) = I
Denimos una aplicacin continua t T (t) sobre [0, +[. Entonces se dene como
semigrupo de operadores fuertementes continuos a la familia de operadores lineales y
acotados T (t)
t0
.
Notacin.- En adelante denotaremos por
max
:= max
C:Q()=0
'().
Proposicin 2.2.13 Si '() < 0 para todas las races de 2.4, entonces para
max
< 0
y x = 0 2.2 es asintticamente estable.
En efecto para cualquier a >
max
existe un K 1 tal que
|T (t) | = |x
t
()| Ke
at
, t 0
Ver la demostracin en [7].
Proposicin 2.2.14 Para cada > 0, existe K
1:
|T (t) | K
exp ((
max
+) t) || , t 0, (
Ver la demostracin en [7].
Proposicin 2.2.15 Sea Q() = 0 la ecuacin caracterstica correspondiente a la
ecuacin lineal z
(t) = L(z
t
). Si
max
< 0 entonces x
0
es un estado estacionario
localmente asintticamente estable de 2.5. Es decir existe b > 0 tal que si
| x
0
| < b |x
t
() x
0
| K| x
0
| e
max
t/2
, t 0
Ver [7].
2.2.2 Estabilidad de las EDR no lineales
Consideremos la EDR no lineal
x
(t) = f (x
t
) (2.5)
21
Suponemos que tiene un estado estacionario x
0
R
n
y denotamos como x
0
( a la
funcin constante igual a x
0
:
f ( x
0
) = 0
Sea
x = x
0
+y
tal que y satisface
y
(t) = f ( x
0
+y
t
) (2.6)
Para entender como es el comportamiento de las soluciones de 2.5 que empiezan cerca
a x
0
y analizar asi su estabilidad de la ecuacin lineal 2.5 es suciente estudiar a las
soluciones de la ecuacin 2.6 que empiezan cerca a y 0, asumiendo que:
f ( x
0
+) = L() +g () , (
donde L : ( R
n
es un operador lineal acotado, es decir existe K > 0 tal que
[L()[ K|| , ( y que g : ( R
n
satisface la condicin
lim
0
[g ()[
||
= 0
2.2.3 Estabilidad Global de las EDR: Criterio de Mikhailov
Para analizar la estabilidad global de las EDR se utiliza diversos criterios como en
[25] equivale a encontrar el rango de valores en los que deben de estar los parmetros
de proporcionalidad y de retardo para el que lim
t
x(t) se acerque a K, en un nivel de
saturacin (z(t) = ln(x(ht)/K)) que conduce a la ecuacin 1.14.
En el presente trabajo consideraremos para el anlisis de la estabilidad global de las
EDR el criterio de Mikhailov [5] el cual est basado en los siguientes resultados.
Denicin 2.2.16 (Caminos homotpicos) Sea C un espacio topolgico. Se denom-
ina camino a una aplicacin continua : [0, 1] C. Los puntos (0) = x
0
y
(1) = x
1
son los extremos incial y nal del camino. Diremos que el camino es un
lazo si (0) = (1). En un lazo el punto inicial y nal se llama la base del lazo.
Sea G C un abierto conexo y
0
,
1
: [0, 1] G dos caminos cerrados en G
. Decimos que tales caminos son homotpicos en G si existe una aplicacin continua
: [0, 1] [0, 1] G tal que para cada s: (, s) es un curva cerrada con (, 0) =
0
y (, 1) =
1
.
Un camino cerrado en Ges homotpico a 0 en G, si es homotpico a un camino constante.
22
Denicin 2.2.17 (ndice de una curva) Sea un curva cerrada suave a trozos en C
y a C . El ndice de en a esta denida como:
n(; a) =
1
2i
_
1
z a
dz
Proposicin 2.2.18 El ndice n(; a) es un entero para todo a C .
Prueba: Asumamos que : [0, 1] C y denimos
g (t) =
_
t
0
(s)
(s) a
ds
entonces
d
dt
[exp (g (t)) (t)] = exp (g (t))
(t) g
(t) exp (g (t)) (t)

= exp (g (t)) [
(t) g
(t) (t)]
= exp (g (t))
_
(t)

(t)
(t) a
(t)
_
= exp (g (t))
(t)
_
1
(t)
(t) a
_
= exp (g (t))
(t)
_
a
(t) a
_
= exp (g (t)) g
(t) a = a
d
dt
exp (g (t))
entonces
d
dt
exp (g (t)) [ (t) a] = 0
e integrando entre 0 y t
exp (g (t)) [ (t) a] = (0) a
tomando t = 1,
exp (2in(; a)) ( (1) a) = (0) a
y como la curva es cerrada entonces (1) = (0), lo cual implica que exp (2in(; a)) =
1.
Consideremos ahora una curva : [a, b] C y las imgenes de una funcin Q a
travs de la curva, denimos la razn de cambio para Q( (s)) al pasar desde s = a hasta
s = t b como:
:=
1
i
_
t
a
Q
( (t))
Q( (t))
(t) dt
23
Teorema 2.2.19 Sea G C una regin, una curva homotpica a 0 en G y Q una
funcin analtica en G con ceros a
1
, a
2
, . . . , a
m
repetidos de acuerdo a su multiplicidad.
Entonces se tiene la relacin
1
2i
_
(z)
Q(z)
dz =
m
k=1
n(; a
k
) .
La demostracin se puede ver en [7].
Principio del argumento
Examinando el teorema vemos que la integral izquierda puede escribirse como:
1
2i
_
(z)
Q(z)
dz =
1
2i
_
Q
1
w
dw = n(Q ; 0)
es decir el nmero de vueltas que Q le da a 0, entonces
arg Q := 2n(Q ; 0)
donde arg Q representa el argumento de Q y
1
2
arg Q =
m
k=1
n(; a
k
)
Sea Q : C C una funcin caracterstica quasipolinomial para un sistema de EDRs:
Q(z) =
m
k=0
A
k
(z) e
h
k
z
, (2.7)
donde 0 = h
0
< h
1
< . . . < h
m
, A
k
(z) =
n
k
j=0
a
jk
z
j
, a
jk
R, n
0
1 y n
k
< n
0
, para
k = 1, . . . , m.
Criterio de Mikhailov
Teorema 2.2.20 Si Q(z) denida por 2.7 no tiene races en el eje imaginario, entonces
el nmero N de races en el semiplano complejo derecho es igual a N =
1
2
n
0
, donde
=
[0,+)
arg Q(i) , (2.8)
Cuando se incrementa de 0 a +, denota el cambio del argumento del vector Q(i)
en la direccin positiva del plano complejo.
Prueba: Sea =
0

+
una curva orientada en el plano complejo como en la
gura 2.1, es decir C
0
es el intervalo [, ] en el eje imaginario y C
+
constituye la
24
Figura 2.1: Grca de =
0
+
semi-circunferencia de radio en el lado derecho del plano complejo. El principio del
argumento implica que:
1
2
arg Q = N
c
donde
arg Q denota el cambio del argumento de Q a lo largo de y N

c
el nmero de
ceros de Q en el interior de la curva. Notamos que
arg Q =
0
arg Q+
+
arg Q
y
0
arg Q = arg Q(i) arg Q(i)
pero
Q(i) =
m
k=0
A
k
(i) e
ih
k
=
m
k=0
A
k
(i) e
ih
k
=
m
k=0
A
k
(i)e
ih
k
=
m
k=0
A
k
_
i
_
e
ih
k
=
m
k=0
A
k
(i) e
ih
k
= Q(i)
lo cual indica que arg Q(i) = arg Q(i) entonces
0
arg Q = 2 arg Q(i) > 0
25
Sean
+
0
,
+
+
el cambio del argumento de Q cuando +, entonces en el lmite:
0
arg Q = 2 lim
+
arg Q(i)
y ya que arg Q(i)[
=0
= 0 (pues Q(0) =
m
k=0
a
0k
R) tenemos :
0
arg Q = 2
_
lim
+
arg Q(i) arg Q(i)[
=0
_
= 2
[0,+)
arg Q(i)
= 2
Veamos que ocurre con
+
arg Q:
1
2
+
arg Q =
1
2i
_
+
Q
(z)
Q(z)
dz
parametrizando
+
con z (t) = e
it
, t
_
2
,

2
+
Q
(z)
Q(z)
dz =
_
2
2
izQ
(z)
Q(z)
z=e
it
dt
como
e
h
k
z
z=e
it
e
h
k
cos(t)ih
k
sin(t)
= e
h
k
cos(t)
y ya que t
_
2
,

2
entonces
e
h
k
z
z=e
it
Q(z)[
z=e
it
k=0
A
k
(z)[
z=e
it
_
2
2
izQ
(z)
Q(z)
z=e
it
dt =
_
2
2
z
n
0
j=1
a
j0
jz
j1
n
0
j=0
a
j0
jz
j
z=e
it
dt
entonces
lim
+
+
arg Q = lim
+
_
2
2
n
0
a
n0
n
0
e
in
0
t
+/ (
n
0
)
a
n0
n
0
e
in
0
t
+/ (
n
0
)
dt
donde / (x) satisface que lim
x+
(x)
x
= 0. Entonces
+
arg Q = lim
+
+
arg Q = n
0
y se obtiene que
2N
c
= 2 +n
0

26
Nota.- La grca de curva descrita por Q(i) es llamada hodgrafo de Mikhailov.
Nota.- En lo sucesivo diremos que la funcin quasipolinomial Q es estable si y slo
si tiene todos sus ceros en el semiplano complejo izquierdo (es decir la parte real de sus
races son negativas).
Corolario 2.2.21 Si Q(z) no tiene ceros en el eje imaginario, entonces Q es estable si
y solo si =
n
0
2
.
Para aplicar el criterio de Mikhailov es necesario conocer el comportamiento del vector
Q(i) para [0, +[
Aplicacin del criterio de Mikhailov
Consideremos como W() la funcin caracterstica quasipolinomial de una EDR la
cual tiene la forma siguiente
W () = P () +Q() e
,
donde P y Q son polinomios con grad Q < grad P y la ecuacin caracterstica no tiene
races en el eje imaginario. Estudiaremos el cambio total del argumento del vector W (i)
cuando se incrementa de 0 a +. Si el cambio total del argumento del vector W (i)
es igual a

2
grad P mediante el criterio de Mikhailov se dice que existe estabilidad, en
caso contrario el sistema ser inestable.
En particular si aplicamos este resultado a la ecuacin 1.24, donde P () = y
Q() =

2
e
, de donde vemos que grad P = 1.

Ahora faltara ver si se cumple la siguiente relacin
W (i)[
+
=0
=

2
En efecto
W (i) = i +

2
e
i
= i +

2
[cos () +i sen ()]
=

2
cos () +i
_

2
sen ()
intentemos calcular el argumento de W (i) cuando +

Calculando los interceptos con el eje imaginario: cos () = 0 =

2
+k, podemos
27
construir una sucesion
k
k0
,
k
=

2
+k, de manera que
W (i
k
) = i
_
k

2
sen
k
= i
_
k

2
sen
_
2
+k
_
= i
_
k

2
cos k
= i
_
2
+k

2
(1)
k
_
si examinamos la sucesin
k
= (W (i
k
)) =

2
+k

2
(1)
k
vemos que
k+1
k
=

2
(1)
k+1
+

2
(1)
k
= + (1)
k
=
_
1 + (1)
k
_
0
es decir se tiene una sucesin cuyos trminos de ndice par forman una subsucesin
estrictamente creciente.
Ahora basta tomar los trminos de indice par tambien en
k
para obtener que
lim
+
arg (W (i)) = lim
k+
arg (W (i
k
))
= lim
k+
arg (i
k
) =

2
.
A continuacin generamos la curva de comportamiento de
k
que podemos observar en
Figura 2.2: Grca de puntos
k
y la curva W (i)
la gura 2.2 cuando W (iw
0
) = 0.
k=0:1:5;
w=[0:0.1:20];
plot(pi/2
*
cos(w),w-pi/2
*
sin(w),b)
hold on
plot(zeros(k),pi/2+k
*
pi-pi/2
*
sin(pi/2+k
*
pi),ro)
28
2.3 Bifurcacin de Hopf
Para entender que es un bifurcacin veamos el siguiente ejemplo proveniente de la
ecuacin logstica de Verhulst que modela el crecimiento de la poblacin N:
N = rN
_
1
N
K
_
donde podemos tomar una sucesin t
n+1
= t
n
+ 1 y aproximar la derivada por una
diferencia hacia adelante:
N (t
n+1
) N (t
n
)
t
n+1
t
n
= rN (t
n
)
_
1
N (t
n
)
K
_
reordenando
N (t
n+1
) = (1 +r) N (t
n
)
_
1
r
(1 +r) K
N (t
n
)
_
es decir podemos considerar una sucesin denida por
x
n+1
= rx
n
(1 x
n
) , n 0, x
0
, r R
asumamos que r (0, 1], y x
0
(0, 1) entonces
x
n+1
x
n
= rx
n
(1 x
n
) x
n
= rx
n
_
r 1
r
x
n
_
pero por lo supuesto
1
r
<
r1
r
0 y como cada x
n
es positivo entonces esta sucesin
ser estrictamente decreciente y por lo tanto es convergente a la solucin estacionaria
x = 0, es decir esta sucesin es estable.
El siguiente cdigo nos informa sobre el comportamiento de x
n
para r > 1
especcamente para r 2, 9; 3; 3, 1 y que se muestra en las grcas 2.32.5
x(1)=0.3;
r=[2.9,3,3.1];
N=30;
for i=1:N-1
x(i+1)=r(1)
*
x(i)
*
(1-x(i));
end
figure(1),plot([1:N],x,ro)
for i=1:N-1
x(i+1)=r(2)
*
x(i)
*
(1-x(i));
end
for i=1:N-1
x(i+1)=r(3)
*
x(i)
*
(1-x(i));
29
Figura 2.3: Grca de x
n
para r = 2, 9
n
para r = 3
end
Entendemos por bifurcacin al cambio cualitativo del comportamiento de la solucin
cuando un parmetro atraviesa un valor critico.
Consideremos la ecuacin x = f (x, ), donde f C
1
. Sea x
0
() un punto jo
(f (x
0
, ) = 0). Escogiendo x = x
0
+ , [[ 1 podemos escribir x = f (x, ) =
f (x
0
, ) +A() +O
_
[[
2
_
, donde A =
f
x
x=x
0
, como ademas x =

entonces
= A() +O
_
[[
2
_
es decir hemos establecido el comportamiento del error cerca un punto jo. Si A > 0,
entonces [[ crece y nos alejamos del punto jo (inestabilidad), en cambio si A < 0 el
error decrecer y tendremos estabilidad. Es comn que cuando toma valores donde
A = 0 la solucin cambie.
30
n
para r = 3, 1
Ejemplo 2.3.1
x = x
2
Donde podemos distinguir los siguientes casos

< 0 En este caso no existen punto jos.
> 0 Aqu tenemos como puntos jos a:
x = +
A = 2
> 0 (inestabilidad)

x =
A = 2
< 0(estabilidad)
= 0, el punto jo ser x = 0, pero en este caso A = 0.
Consideremos la familia uni-parametrica de EDRs
x
(t) = F (x
t
, ) (2.9)
donde F : ( R R
n
es dos veces diferenciables para ambos argumentos y x = 0 es
un estado estacionario para todos los valores de :
F (0, ) 0
Linealizamos F alrededor de 0
F (, ) = L() +f (, )
donde L() : ( R
n
es un operador lineal acotado y f satisface que
lim
0
[f (, )[
||
= 0
31
La ecuacin caracterstica asociada a L es
Q(, ) := det (I A(, )) = 0, A
ij
() := L()
i
(e
e
j
)
y asumimos que:
a > 0 : Q(, () i ()) = 0, (0) = 0,
(0) ,= 0, () > 0
y las dems races tienes partes reales estrictamente negativas [[ < a
(2.10)
Teorema 2.3.22 (Hopf) Asumiendo que se satisface 2.10. Existe > 0 y funciones
() y T () denidas para 0 y satisfaciendo que (0) = 0, T (0) =
2
(0)
,
tal que para (0, ), la ecuacin 2.9 tiene una solucin peridica no constante
p (t, ) = p (t +T () , ) de periodo T () para cada valor del parmetro = ().
Adems existen
0
,
0
> 0 tal que si la ecuacin 2.9 tiene una solucin peridica no
constante x (t) para algn : [[ <
0
y max
t
[x (t)[ <
0
, entonces = () y
x (t) = p (t +, ) para algn ]0, [ y algn . Si F es analtica entonces:
() =
+
k=1
2k
T () =
2
(0)
_
1 +
+
k=1
2k
_
p (t, ) = q (t, )
donde q (t, 0) es una
2
(0)
solucin peridica de q
= L(0) q. Si ,= 0 entonces para

pequeo, p (t, ) existe para =
1
2
+ O(
4
) positivo si
1
> 0 y negativo si
1
< 0.
Es asintticamente estable si
(0)
1
> 0 e inestable si
(0)
1
< 0.
Aplicaremos los resultados anteriores en el estudio de la ecuacin con retardo
x
(t) = rx (t)
_
1
x (t )
K
_
donde r > 0 y K > 0 denotan la tasa de reproduccin neta y la capacidad de adaptacin
de algunas especies. Notemos que hay dos soluciones estacionarias x
1
= 0 y x
2
= K.
Asi tendremos
para x
1
la ecuacin lineal ser
x
(t) = rx (t )
la ecuacin caracterstica ser
re
= 0
32
Para x
2
la ecuacin lineal ser
x
(t) = rx (t )
la ecuacin caracterstica ser
+re
= 0
Escribiendo la ecuacin caracterstica como
F (, ) := + (/2 +) e
= 0
encontramos que:
F (i/2, 0) = 0
F
(i/2, 0) = 1 + (/2) i ,= 0
F
(i/2, 0) = i
por el teorema de la funcin implcita podemos resolver F = 0 para , es decir
depender implcitamente de
() =
1
() + i
2
()
satisfaciendo (0) = (/2) i y
d
d
(0) = F
/F
=
i
1 + (/2) i
=
(/2) + i
1 + (/2)
2
entonces
d
1
d
(0) =
/2
1 + (/2)
2
2.4 Positividad de las soluciones para las EDR
Considerenos el problema de valor inicial
_
_
_
x
(t) = rf (x (t 1)) , para t > 0

x (t) = x
0
(t) para t [1, 0]
(2.11)
donde r > 0, y la funcin f satisface lo siguiente:
(i) f C
1
(R)
33
(ii) f ([0, 1]) [0, 1]
(iii) f (0) = f (1) = 0
(iv) f
(x) < 0, si x 1
(v) f
(x) > 0, si x 0
(vi) f es unimodal. Existe x (0, 1) tal que f (x) < f (x) = f
max
para todo
x ,= x.
En la siguiente seccin se estudiar el comportamiento de positividad de las soluciones
del problema mencionado anteriormente.
2.4.1 Positividad de las soluciones
En esta seccin consideramos la condicin inicial x
0
como no negativa. Sea n N,
entonces integrando 2.11 obtenemos:
x (t) = x (n) + r
_
t
n
f (x (s 1)) ds
con t [n, n + 1]. Es decir primero integramos sobre [0, 1], luego sobre [1, 2] y as
sucesivamente hasta llegar a n.
Por ejemplo para n = 0
x (t) = x
0
(0) +r
_
t1
1
f
_
x
0
(s)
_
ds t [0, 1]
y as obtenemos la solucin sobre [0, 1]. Si comenzamos con x
0
(t) [0, 1] es fcil notar
que la solucin en el intervalo [0, 1] es positiva. En general si 0 x (t) 1 en [n 1, n]
entonces x (t) 0 en [n, n + 1]. Si x (t) 1 la no negatividad est garantizada.
Supongamos ahora que
t > 0 : x (
t) > 1, entonces el conjunto A =

t ]0, +[ : x (t) > 1 es no vaco y acotado inferiormente por tanto existe t
0
= inf A,
aqu tenemos opciones, o bien x (t
0
) = 1 o x (t
0
) > 1, la segunda opcin implica que
t
0
> 0 y gracias a la continuidad de x existe un 0 < s < t
0
tal que x (s) > 1 es decir
s A lo cual seria una contradiccin. Por tanto x (t
0
) = 1.
Analicemos el comportamiento de x en el intervalo [t
0
, t
0
+ 1]
x (t) = 1 +r
_
t1
t
0
1
f (x (s)) ds t [t
0
, t
0
+ 1]
34
como f (x (s)) f
max
en [t
0
1, t
0
] entonces
1 x (t) 1 +rf
max
t [t
0
, t
0
+ 1] . (2.12)
Adems de 2.11 se aprecia que x
(t) 0 (por tanto x es creciente) y x
(t
0
+ 1) = 0.
Si para todo t > t
0
+ 1 : x (t) 1 la funcin x sera decreciente, (pues x (t) 0)
con un mximo para t = t
0
+ 1). En caso de existir t > t
0
+ 1 : x (t) < 1
escogemos t
1
= inf t ]t
0
+ 1, +[ : x (t) < 1. Por el mismo razonamiento que
para t
0
, x (t
1
) = 1. Adems entre t
0
+ 1 y t
1
la funcin x solo toma valores
mayores o iguales a 1, pues si existiera un punto donde fuera menor que 1 entonces
t
1
,= inf t ]t
0
+ 1, +[ : x (t) < 1, tambin
x
(t) 0 t [t
1
, t
1
+ 1]
x
(t
1
+ 1) = 0
es decir la funcin es decreciente, por tanto x (t) 1; t [t
1
, t
1
+ 1], para asegurar la
no negatividad en este intervalo basta que x (t
1
+ 1) 0,
x (t
1
+ 1) = 1 +r
_
t
1
t
1
1
f (x (s)) ds 1 +r min
s[t
1
1,t
1
]
f (x (s))
1 +r min
s[t
0
,t
1
]
f (x (s))
pues ya que t
1
> t
0
+1 entonces [t
1
1, t
1
] [t
0
, t
1
], como x
(t) [t
0
+ 1, t
1
] entonces
x toma un mximo en t
0
+ 1, es decir
x (t) x (t
0
+ 1) 1 +rf
max
t [t
0
, t
1
]
gracias tambin a 2.12. Adems f es decreciente en este intervalo pues x toma valores
mayores a 1, y por ello f (1 +rf
max
) f (x (t)) t [t
0
, t
1
], tomando el mnimo:
f (1 +rf
max
) min
s[t
0
,t
1
]
f (x (s))
y volviendo a 2.13
x (t
1
+ 1) 1 +r min
s[t
0
,t
1
]
f (x (s))
1 +rf (1 +rf
max
)
Examinemos la funcin auxiliar
F (r) = 1 +rf (1 +rf
max
)
notamos que F (0) = 1 y que F (r) < 0 si r es grande (por demostrar), por tanto existe
una raiz para F, como ademas F
(r) = f (1 + rf
max
) +rf
max
f
(1 +rf
max
) es negativa
35
para todo r positivo (es la suma de dos cantidades negativas), entonces la raz es nica,
y la llamaremos r
0
, de hecho si r < r
0
entonces F (r) > 0, ya que el hecho de que la
derivada de F sea negativa indica que F es decreciente.
Escogiendo r < r
0
, x (t) [0, 1] en [t
1
, t
1
+ 1] y esto implica que x se creciente
en el intervalo [t
1
+ 1, t
1
+ 2], pues la derivada sera positiva, y podemos emplear el
razonamiento inicial.
As hemos demostrado el siguiente
Lema 2.4.23 Si x
0
(t) [0, 1] y r < r
0
, entonces la solucin de 2.11 es positiva.
Observacin 2.4.24 Si existe t
0
> 0 tal que x (t) < 0, para cada t [t
0
, t
0
+ 1]
entonces x (t) cuando t +. En efecto si x (t) < 0, para cada t [t
0
, t
0
+ 1]
entonces f (x (s)) < 0 para todo s [t
0
, t
0
+ 1] y la solucin decrece pues
x
(t) = rf (x (t 1)) < 0 t [t

0
+ 1, t
0
+ 2]
adems
x
(t) = r f
(x (t 1))
. .
>0
x
(t 1)
. .
<0
t [t
0
+ 2, t
0
+ 3]
lo que quiere decir que x
decrece (es decir se hace cada vez mas negativa) y por tanto
x (t) cuando t
2.4.2 Estabilidad global y positividad
Primiero estableceremos el comportamiento de estabilidad en las soluciones estacionar-
ias es decir cuando 2.11, es decir x
1
0 y x
2
1.
Proposicin 2.4.25 Si r [f
(1)[ <

2
entonces x
2
es asintticamente estable. Esta
solucin pierde estabilidad en r [f
(1)[ =

2
y la bifurcacin de Hopf ocurre en ese
punto. La solucin x
1
es inestable para cualquier valor de r.
Prueba: Linealizando con respecto a x
1
obtenemos
x
(t) = rf
(0) x (t 1)
y como ecuacin caracterstica: rf
(0) e
= 0, como f
(0) > 0 entonces esta

ecuacin admite un nica solucin real positiva y x
1
ser por ello inestable. Por otro lado
tambin tenemos para x
2
:
x
(t) = rf
(1) x (t 1)
36
y como ecuacin caracterstica: rf
(1) e
= 0. Sea Q la funcin quasipolinomial y

examinamos el comportamiento para = i:
Q(i) = rf
(1) cos () +i ( +rf
(1) sin ())

Para usar el criterio de Mikhailov debemos vericar que :
Qno tenga races en el eje imaginario. En efecto si Q(i) = 0 entonces cos () = 0
y +rf
(1) sin () = 0 simultneamente, es decir = /2 +k, k Z:

0 = /2 +k +rf
(1) sen (/2 +k) = /2 +k +r (1)

k
f
(1)
= (2k + 1)

2
+r (1)
k
f
(1)
bastar restringir los valores r de modo que rf
(1) ,= (1)
k
(2k + 1)

2
Adems restringiendo a que rf
(1) < /2 obtenemos la estabilidad.

Cuando rf
(1) = /2 tendremos que = i/2 son races de la ecuacin

caracterstica.
37
CAPTULO 3
MTODO DE RUNGE KUTTA PARA RESOLVER UN
PROBLEMA DE VALOR INICIAL
3.1 Mtodo de Runge Kutta
Los mtodos de Runge-Kutta son aquellos que se pueden escribir en la forma
k
i
= f(x
n
+c
i
h, y
n
+h
j=1
a
ij
k
j
), i = 1, 2, . . . s,
y
n+1
= y
n
+h
i=1
b
i
k
i
(3.1)
Cada una de las evaluaciones de funcin k
i
es una etapa. El mtodo (3.1) se representa
por medio de su tablero de Butcher:
c
1
a
1,1
a
1,2
. . . a
1,s
c
2
a
2,1
a
2,2
. . . a
2,s
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
c
s
a
s,1
a
s,2
. . . a
s,s
b
1
b
2
b
s
Si escribimos c = (c
1
, c
2
, . . . , c
s
)
T
, b = (b
1
, b
2
, . . . , b
s
)
T
, A = (a
ij
), el tablero se puede
resumir como
c A
b
T
Si a
ij
= 0 para j i, i = 1, 2, . . . , s, es decir, si la matriz A es triangular inferior
estricta, entonces cada uno de los k
i
viene dado explcitamente en trminos de los
anteriormente calculados, k
j
, j = 1, 2, . . . , i 1. En este caso el mtodo es explcito. Al
escribir su tablero se suelen omitir los ceros sobre y por encima de la diagonal principal.
Denicin 3.1.1 Sea s un entero (el nmero de etapas) y a
21
, a
31
, a
32
, . . . , a
s1
, a
s2
, . . . , a
s,s1
,
b
1
, . . . , b
s
, c
2
, . . . , c
s
coecientes reales. Entonces el mtodo
k
1
n
= f(x
n
, y
n
)
k
2
n
= f(x
n
+c
2
h, y
n
+h
n
a
2,1
k
1
n
)
k
3
n
= f(x
n
+c
3
h, y
n
+h
n
_
a
3,1
k
1
n
+a
3,2
k
2
n
_
)
.
.
.
k
s
n
= f(x
n
+c
s
h, y
n
+h
n
_
a
s,1
k
1
n
+. . . +a
s,s1
k
s1
n
_
)
y
n+1
= y
n
+h
n
_
b
1
k
1
n
+. . . +b
s
k
s
n
_
(3.2)
es llamado mtodo de Runge-Kutta explcito (mtodo RK) de s-etapas y h
n
= x
n+1
x
n
es llamado paso del mtodo.
3.2 Consistencia del mtodo de Runge-Kutta
Denicin 3.2.2 Un mtodo de Runge-Kutta (3.2) tiene orden de consistencia p si para
todo n = 0, 1, . . . se satisface que
|y (x
n+1
) y
n+1
| Kh
p+1
n
Que condiciones sobre los coecientes garantizan que el mtodo es consistente de orden
p? Tenemos que desarrollar el residuo
R
n
= y(x
n+1
) (y(x
n
) +h
s
i=1
b
i
k
i
(x
n
, y(x
n
); h))
alrededor de x
n
en potencias de h. As pues, lo que hay que hacer es obtener desarrollos
en potencias de h para las funciones
F(h) := y(x
n
+h), G(h) := y(x
n
) +h
s
i=1
b
i
k
i
(x
n
; y(x
n
); h) : (3.3)
Si estos desarrollos coinciden hasta orden p, existe una constante C independiente de n
tal que |R
n
| Ch
p+1
, y se tendr consistencia de orden al menos p.
Para que los desarrollos coincidan hasta un cierto orden, los coecientes del mtodo
tienen que satisfacer ciertas condiciones. Como ejemplo obtendremos las condiciones de
consistencia de orden 1 y de orden 2. Las condiciones para tener un orden de consistencia
ms alto se obtienen de manera similar.
En primer lugar desarrollamos F(h) = y(x
n
+h). Se tiene que
F(h) = y(x
n
) +hy
(x
n
) +
h
2
2
y
(x
n
) +
h
3
3!
y
n
), (3.4)
39
donde

n
[x
n
, x
n+1
]. De aqui concluimos que
s
i=1
b
i
= 1
es suciente para tener orden de consistencia al menos 1 y adems
s
i=1
b
i
c
i
=
1
2
,
s
i,j=1
b
i
a
ij
=
1
2
,
el orden de consistencia es al menos 2.
Teorema 3.2.3 Un mtodo de Runge-Kutta explcito de s etapas no puede tener orden
mayor que s.
Prueba: Aplicamos el mtodo al problema escalar y
= y en [0, b], y(0) = 1, cuya

solucin es y(x) = e
x
. As pues de 3.3,
d
p
F
dh
p
(0) = e
x
n
+h
[
h=0
= e
x
n
= y(x
n
)
d
p
G
dh
p
(0) = p
s
j=1
b
j
k
(p1)
j
[
h=0
por otra parte
k
(p1)
j
1
[
h=0
= (p 1)
s
j
2
=1
a
j
1
j
2
k
(p2)
j
2
[
h=0
(p 1)(p 2)
s
j
2
,j
3
=1
a
j
1
j
2
a
j
2
j
3
k
(p3)
j
3
[
h=0
. . .
(p 1)!
s
j
2
,j
3
,...,j
p
=1
a
j
1
j
2
a
j
2
j
3
. . . a
j
p1
j
p
k
(0)
j
p
[
h=0
en nuestro caso k
(0)
j
p
[
h=0
= y(x
n
) por lo que
d
p
G
dh
p
(0) = p!
s
j
1
,j
2
,...,j
p
=1
b
j
1
a
j
1
j
2
a
j
2
j
3
. . . a
j
p1
j
p
y(x
n
)
de donde concluimos que el mtodo ser de orden p cuando se satisfaga la condicin
p!
s
j
1
,j
2
,...,j
p
=1
b
j
1
a
j
1
j
2
a
j
2
j
3
. . . a
j
p1
j
p
= 1
esto solo es posible si p s.
40
Teorema 3.2.4 Para p 5 no existe ningn mtodo de Runge-Kutta explcito de orden
p con s = p etapas.
Estas limitaciones sobre el orden obtenible que hemos mencionado se conocen como
barreras de Butcher. Hay ms barreras. Por ejemplo, se tiene el siguiente teorema.
Teorema 3.2.5 (i) Para p 7 no existe ningn mtodo de Runge-Kutta explcito de
orden p con s = p + 1 etapas. (ii) Para p 8 no hay ningn mtodo de Runge-Kutta
explcito con s = p + 2 etapas.
Observacin 3.2.6 Si se satisface que c
i
=
j
a
i,j
entonces podemos simbolizar las
ecuaciones (3.2) con el esquema
0
c
2
a
2,1
c
3
a
3,1
a
3,2
.
.
.
.
.
.
.
.
.
.
.
.
c
s
a
s,1
a
s,2
a
s,2
b
1
b
2
b
s1
b
s
Donde se asume que

s
i=1
b
i
= 1
Teorema 3.2.7 Si los coecientes a
ij
, c
i
, b
i
del esquema (3.2) satisfacen las sigu-
ientes condiciones
i
b
i
= 1
i
b
i
c
i
=
1
2
i
b
i
c
2
i
=
1
3
i,j
b
i
a
ij
c
j
=
1
6
i
b
i
c
3
i
=
1
4
i,j
b
i
c
i
a
ij
c
j
=
1
8
i,j
b
i
a
ij
c
2
j
=
1
12
i,j,k
b
i
a
ij
a
jk
c
k
=
1
24
j
a
i,j
= c
i
entonces el esquema corresponder a un mtodo de Runge Kutta de cuarto orden.
41
Prueba: Ver [6].
Observacin 3.2.8 En lo sucesivo usaremos los mtodos RK de cuarto orden que
aparecen en el cuadro 3.1.
0
1
2
1
2
1
2
0
1
2
1 0 0 1
1
6
2
6
2
6
1
6
0
1
3
1
3
2
3

1
3
1
1 1 -1 1
1
8
3
8
3
8
1
8
Tabla 3.1: Mtodos de Runge-Kutta de orden 4
3.3 Eleccin del paso ptimo para el mtodo de Runge-Kutta
Hasta ahora nos hemos limitado a considerar mallas uniformes. Esto presenta un
inconveniente importante: si la solucin vara mucho en alguna zona del intervalo
de integracin, nos vemos obligados a dar pasos pequeos en todo el intervalo, con
el consiguiente coste computacional. Sera preferible adaptar la malla a la solucin,
hacindola ms na en aquellas regiones donde vara rpidamente y ms gruesa donde
cambie poco. La dicultad estriba en que no conocemos la solucin , y por tanto no
sabemos a priori donde necesitamos una malla ms na.
Supongamos que ya hemos calculado y
0
, . . . , y
n
. Queremos avanzar de x
n
a x
n+1
con
una longitud de paso h
n
= x
n+1
x
n
tal que el error global,
y(x
n+1
) y
n+1
tenga tamao menor que una tolerancia dada. Lo que haremos es controlar el error
cometido al dar el paso suponiendo que el valor y
n
era exacto. Este error, conocido como
error local, viene dado por
u
n
(x
n+1
) y
n+1
donde u
n
, la solucin local, es la solucin del problema de valor inicial
u
n
(x) = f(x, u
n
(x)), u
n
(x
n
) = y
n
42
Teorema 3.3.9 Sea = max
0nN1
(|u
n
(x
n+1
) y
n+1
|/h
n
) y L una constante de
Lipschitz para f con respecto a su segunda variable. Entonces
|y(x
n
) y
n
| e
L(ba)
|y(x
0
) y
0
| +e
L(ba)
(b a), n = 1, . . . , N
Prueba: Se basa en la identidad
y(x
n+1
) y
n+1
= y(x
n+1
) u
n
(x
n+1
) + u
n
(x
n+1
) y
n+1
=
por el lema de Gronwall
|y(x
n+1
) u
n
(x
n+1
)| e
Lh
n
|y(x
n
) y
n
|
y por tanto
|y(x
n+1
) y
n+1
)| e
Lh
n
|y(x
n
) y
n
| +h
n
de aqui por induccin
|y(x
n
) y
n
)| e
L(x
n
x
0
)
|y(x
0
) y
0
| +e
L(x
n
x
0
)
(x
n
x
0
)
Si un mtodo de un paso es consistente de orden p y f C

p+1
, se puede probar
fcilmente que el error local es de orden h
p+1
n
es ms, existe una funcin
f
tal que
u
n
(x
n+1
) y
n+1
=
f
(x
n
, y
n
)h
p+1
n
+O(h
p+2
n
)
por consiguiente, podemos estimar el error local por medio del trmino prin- pal de este
desarrollo,
error |
f
(x
n
, y
n
)|h
p+1
n
Supongamos que calculamos una segunda aproximacin y
n+1
y(x
n+1
) por medio de
un mtodo de un paso ms preciso,
u
n
(x
n+1
) y
n
+ 1 =

f
(x
n
, y
n
)h
p+1
n
+O(h
p+2
n
), p p + 1 :
por consiguiente,
y
n+1
y
n+1
= y
n+1
u
n
(x
n+1
) +u
n
(x
n+1
) y
n+1
=
f
(x
n
, y
n
)h
p+1
n
+O(h
p+2
n
)
asi que podemos estimar el error local por medio de
error1 |
f
(x
n
, y
n
)|h
p+1
n
| y
n+1
y
n+1
|
Una vez estimado, el error se compara con h
n
, donde es la tolerancia prescrita para el
error local por unidad de paso. Si errorl > h
n
, el paso se rechaza, y se vuelve a calcular
con un nueva longitud h
n
tal que
|
f
(x
n
, y
n
)|(h
n
)
p+1
= h
n
43
Dado que
= |
f
(x
n
, y
n
)|(h
n
)
p
= |
f
(x
n
, y
n
)|h
p
n
(
h
n
h
n
)
p
error1
h
n
(
h
n
h
n
)
p
vemos que el nuevo paso ser
h
n
= h
n
(
h
n
error1
)
1/p
El proceso se repite hasta que error1 h
n
. En ese momento el paso se acepta. Se
intenta ahora un nuevo paso con la longitud ptima.
Para tener un buen cdigo hay que poner un poco ms de cuidado. Se suele ajustar el
prximo paso por un factor de seguridad FS, normalmente FS = 0.9, de forma que el
error1 sea aceptable la siguiente vez con probabilidad alta. Tampoco se suelen permitir
incrementos de paso muy grandes, con el n de hacer el mtodo ms seguro. Tambin es
costumbre jar una longitud de paso mxima, HMAX. As, por ejemplo podemos poner
h
= min
_
HMAX, h
n
min
_
FSMAX, FS
_
h
n
errorl
_
1/p
__
FSMAX se suele tomar entre 1.5 y 5.
44
CAPTULO 4
RESOLUCIN NUMRICA DE LAS EDR CON EL
MTODO DE RUNGE-KUTTA
Recordemos que las ecuaciones diferenciales con retardo son ecuaciones con un
desfase temporal en el argumento. En el siguiente ejemplo se puede observar que en una
EDR existe una dependencia fuerte de la condicin inicial sujeta a la solucin inicial. Una
vez realizado el anlisis cualitativo del comportamiento de la solucin de una EDR, asi
como la prediccion de la existencia y unicidad de solucin esto nos ayudar para cumplir
nuestra objetivo que es la de hallar la solucin de una manera explcita de este tipo de
problemas de valor inicial asociadas a una EDR.
4.1 Aplicacin del Mtodo de Runge Kutta con tamao de paso jo
para las EDR
Por la no linealidad en los modelos correspondientes a este tipo de ecuaciones
consideraremos en el estudio numrico un mtodo que generalmente es estable y el cual
se aplicar en los siguientes ejemplos de EDR.
Dado el problema de valor inicial asociado a la EDR
(T)
_
_
y
(x) = f(x, y(x), y(x )) para x x

0
y(x) = (x) para x x
0
(4.1)
escogemos h constante tal que = ph para algn entero positivo p.
Consideremos una sucesin montona de puntos x
0
< x
1
< < x
n
< sobre
los que se resolver el siguiente problema de valor inicial
_
_
y
(x) = f(x, y), x [x

n
, x
n+1
]
y(x
n
) = y
n
(4.2)
en cada subintervalo [x
n
, x
n+1
] usaremos los mtodos de Runge-Kutta denidos a
continuacin.
As en cada subintervalo de la forma [x
n
, x
n+1
] denimos la funcin g como
g(x, y(x)) = f(x, y(x), y(x )), x [x
n
, x
n+1
]
Por ejemplo sea el problema de valor inicial
_
_
y
(x) = 2y (x 1)
(x) = 0.5 para 1 x 0
(4.3)
Donde se tiene el retardo es igual a -1.
Digamos que queremos hallar la solucin cuando x est en el intervalo [0, 1] (pues en
este caso = 1), en seguida observamos que x 1 [1, 0] por tanto y(x 1) es una
funcin cuyo valor conocido: y(x 1) = (x 1) = 0.5
Por tanto 2y(x 1) = 2 0.5 = 1, de este modo la ecuacin se puede expresar en
la siguiente forma:
_
_
y
(x) = 1, x [0, 1]
y (0) = 0.5
la solucin exacta est dada por y
1
(x) = x + 0.5 x [0, 1]
Al comprobar esta solucin en el intervalo [1, 2] se observa que x1 [0, 1] y por tanto
y(x 1) puede ser calculada usando la solucin anterior donde : y(x 1) = y
1
(x 1) =
(x 1) + 0.5
Entonces 2y(x 1) = 2x 3 y de esta manera el problema quedara dado por la
siguiente expresin
_
_
y
(x) = 2x 3, x [1, 2]
y(1) = 0.5
cuya solucin es y
2
(x) = x
2
3x + 3/2 x [1, 2]
Del mismo modo podemos ver que existe otra solucin y
3
, y
3
(x) =
2
3
x
3
+ 5x
2
11x + 41/6 x [2, 3] para la misma ecuacin en diferentes intervalos. Cada una de
estas funciones es mostrada en la gura 4.1. Esto nos induce a pensar de que es posible
aplicar en la bsqueda de solucin de este tipo de ecuaciones un mtodo numrico.
46
Figura 4.1: Solucin exacta de la ecuacin 4.3
y plantemos el siguiente problema de valor inicial
(T)
_
_
y
(x) = g(x, y(x)) , x [x

n
, x
n+1
]
y(x
n
) = y
n
Ahora podemos aplicar para el problema (T) el mtodo de Runge-Kutta s-etapas:
k
1
n
= g(x
n
, y
n
)
k
2
n
= g(x
n
+c
2
h, y
n
+ha
2,1
k
1
n
)
k
3
n
= g(x
n
+c
3
h, y
n
+h
_
a
3,1
k
1
n
+a
3,2
k
2
n
_
)
.
.
.
k
s
n
= g(x
n
+c
s
h, y
n
+h
_
a
s,1
k
1
n
+. . . +a
s,s1
k
s1
n
_
)
y
n+1
= y
n
+h
_
b
1
k
1
n
+. . . +b
s
k
s
n
_
x
n+1
= x
n
+h
(4.4)
donde a
2,1
, a
3,1
, a
3,2
, . . . , a
s,1
, . . . , a
s,s1
, b
1
, . . . , b
s
, c
2
, . . . , c
s
, son coecientes reales
escogidos de forma adecuada.
47
O en trminos de f:
k
1
n
= f(x
n
, y
n
, y(x
n
))
k
2
n
= f(x
n
+c
2
h, y
n
+ha
2,1
k
1
n
, y(x
n
+c
2
h ))
k
3
n
= f(x
n
+c
3
h, y
n
+h
_
a
3,1
k
1
n
+a
3,2
k
2
n
_
, y(x
n
+c
3
h ))
.
.
.
k
s
n
= f(x
n
+c
s
h, y
n
+h
_
a
s,1
k
1
n
+. . . +a
s,s1
k
s1
n
_
, y(x
n
+c
s
h ))
y
n+1
= y
n
+h
_
b
1
k
1
n
+. . . +b
s
k
s
n
_
x
n+1
= x
n
+h
(4.5)
Los valores para y(x
n
+c
s
h) pueden ser calculados para el caso n < k simplemente
como y(x
np
+c
s
h) = (x
n
+c
s
h ). Pero si n k entonces debemos proceder de la
siguiente manera:
y(x
n
+c
s
h ) = y(x
0
+nh +c
s
h ph)
= y(x
0
+ (n p)h +c
s
h)
= y(x
np
+c
s
h)
(4.6)
y al ser 0 c
s
1 tenemos que x
np
+c
s
h [x
np
, x
np+1
] y podemos usar los valores
de y
np
, k
1
np
, y
np+1
, k
1
np+1
para aproximar y mediante un polinomio cbico segn el
siguiente esquema:
x
np
y
np
k
1
np
x
np
y
np
dk
1
np
h
d
k
1
np+1
2d+k
1
np
h
2
x
np+1
y
np+1
k
1
np+1
d
h
k
1
np+1
x
np+1
y
np+1
donde d = (y
np+1
y
np
)/h =
s
i=1
b
i
k
i
np
.
Empleando la frmula de interpolacin de Newton obtenemos:
y
_
x
np
+h) = y
np
+h
_
k
1
np
+(d k
1
np
_
+ ( 1)
_
k
1
np+1
2d +k
1
np
_
48
En resumen el esquema de solucin sera el siguiente:
k
1
n
= f(x
n
, y
n
,
1
n
)
k
2
n
= f(x
n
+c
2
h, y
n
+ha
2,1
k
1
n
,
2
n
)
k
3
n
= f(x
n
+c
3
h, y
n
+h
_
a
3,1
k
1
n
+a
3,2
k
2
n
_
,
3
n
)
.
.
.
k
s
n
= f(x
n
+c
s
h, y
n
+h
_
a
s,1
k
1
n
+. . . +a
s,s1
k
s1
n
_
,
s
n
)
y
n+1
= y
n
+h
_
b
1
k
1
n
+. . . +b
s
k
s
n
_
x
n+1
= x
n
+h
(4.7)
donde
s
n
=
_
_
(x
n
+c
s
h ) si n < p
y
np
+hc
s
_
k
1
np
+c
s
_
d k
1
np
_
+c
s
(c
s
1)
_
k
1
np+1
2d +k
1
np
_
si n p
4.2 Aplicacin del Mtodo de Runge Kutta con tamao de paso
variable para las EDR
La suposicin de que = ph hace que el esquema (4.7) sea muy restrictivo en cuanto
al tamao de paso, as que supondremos que hemos generado una sucesin (h
n
)
n1
y as
el esquema se escribe como:
k
1
n
= f(x
n
, y
n
, y(x
n
))
k
2
n
= f(x
n
+c
2
h
n
, y
n
+h
n
a
2,1
k
1
n
, y(x
n
+c
2
h
n
))
k
3
n
= f(x
n
+c
3
h
n
, y
n
+h
n
_
a
3,1
k
1
n
+a
3,2
k
2
n
_
, y(x
n
+c
3
h
n
))
.
.
.
k
s
n
= f(x
n
+c
s
h
n
, y
n
+h
n
_
a
s,1
k
1
n
+. . . +a
s,s1
k
s1
n
_
, y(x
n
+c
s
h
n
))
y
n+1
= y
n
+h
n
_
b
1
k
1
n
+. . . +b
s
k
s
n
_
x
n+1
= x
n
+h
n
(4.8)
El problema es determinar el valor de y(x
n
+ c
s
h
n
), para ello necesitamos encontrar
p
s
Z
+
tal que x
n
+c
s
h
n
[x
np
s
, x
np
s
+1
], adems supondremos que h
n
. As
y(x
n
+c
s
h
n
) =
_
_
(x
n
+c
s
h ) si x
n
+c
s
h
n
< x
0
y
np
s
+h
np
s
s
_
k
1
np
s
+
s
_
d k
1
np
s
_
+
s
(
s
1)
_
(k
1
np
s
+1
2d +k
1
np
s
_
si x
n
+c
s
h
n
x
0
49
donde
s
=
x
n
+c
s
h
n
x
np
s
h
np
s
d =
y
np
s
+1
y
np
s
h
np
s
=
s
i=1
b
i
k
i
np
s
Generalizar las ecuaciones (4.8) para resolver una ecuacin del tipo
y
(x) = f(x, y(x), y(x

1
), y(x
2
), . . . , y(x
m
)) x x
0
y(x) = (x) x x
0
es inmediato, simplemente asegurando que
0 < h
n
min
1im
i
(4.9)
As obtenemos siguiente esquema:
k
1
n
= f(x
n
, y
n
, y(x
n
1
), . . . , y(x
n
m
))
k
2
n
= f(x
n
+c
2
h
n
, y
n
+h
n
a
2,1
k
1
n
, y(x
n
+c
2
h
n
), . . . , y(x
n
+c
2
h
n
m
))
k
3
n
= f(x
n
+c
3
h
n
, y
n
+h
n
_
a
3,1
k
1
n
+a
3,2
k
2
n
_
, y(x
n
+c
3
h
n
1
), . . . , y(x
n
c
3
h
n
m
))
.
.
.
k
s
n
= f(x
n
+c
s
h
n
, y
n
+h
n
s1
j=1
a
s,j
k
j
n
), y(x
n
+c
s
h
n
1
), . . . , y(x
n
c
s
h
n
m
))
y
n+1
= y
n
+h
n
s
j=1
b
j
k
j
n
x
n+1
= x
n
+h
n
(4.10)
Que pasa si ahora consideremos una ecuacin con diferentes tipos de retardo, por ejemplo
y
(x) = f(x, y(x), y(x

1
), y(x
2
), . . . , y(x
n
))
donde f es una funcin continua y
1
, . . . ,
n
son los retardos en el argumento de la
funcin y, es decir la derivada y
depende de valores de la funcin y en puntos previos.

Por ejemplo dado el siguiente problema donde se involucran diversos retardos de una
EDR:
_
_
y
(x) =
e
3
y(x 1) +
e
2
3
y(x 2) +
e
3
3
y(x 3) x 0
y(x) = e
x
x 0
(4.11)
y cuya solucin viene a ser la prolongacin de la funcin de valor inicial e
x
como se
50
Figura 4.2: Solucin numrica y exacta (y = e
x
) del problema mostrado en el ejemplo
4.11 resuelto con el esquema de paso variable (4.10).
aprecia en la gura 4.2.
Con el esquema (4.10) podemos resolver numricamente el problema (1.25) . Los
resultados se condensan en el cuadro 4.1. Tambin cabe la posibilidad de plantear un
sistema de ecuaciones diferenciales con retardo
y
1
(x) = f
1
(x, y
1
(x) , y
2
(x) , . . . , y
d
(x) , y
1
(x ) , y
2
(x ) , . . . , y
d
(x ))
y
2
(x) = f
2
(x, y
1
(x) , y
2
(x) , . . . , y
d
(x) , y
1
(x ) , y
2
(x ) , . . . , y
d
(x ))
.
.
.
y
d
(x) = f
d
(x, y
1
(x) , y
2
(x) , . . . , y
d
(x) , y
1
(x ) , y
2
(x ) , . . . , y
d
(x ))
(4.12)
con las condiciones iniciales
y
1
(x) =
1
(x) x x
0
y
2
(x) =
2
(x) x x
0
.
.
.
y
d
(x) =
d
(x) x x
0
Redeniendo el sistema EDR Y : R R
d
como Y = (y
1
, y
2
, . . . , y
d
) as como
tambin
F : R R
d
R
d
R
d
,
F = (f
1
, f
2
, . . . , f
d
)
51
x y
aprox
y
exacto
error
0. 0. 0. 0.
0.2 0.3090171 0.3090170 6.537D-08
0.4 0.5877854 0.5877853 0.0000001
0.6 0.8090172 0.8090170 0.0000002
0.8 0.9510567 0.9510565 0.0000002
1. 1.0000002 1. 0.0000002
1.2 0.9510568 0.9510565 0.0000002
1.4 0.8090173 0.8090170 0.0000003
1.6 0.5877857 0.5877853 0.0000005
1.8 0.3090176 0.3090170 0.0000007
2. 0.0000008 - 7.657D-16 0.0000008
Tabla 4.1: Resultado de aplicar el esquema (4.8) de paso variable al problema (1.25)
utilizando un esquema RK de orden 4
y : R R
d
como = (
1
,
2
, . . . ,
d
) obtenemos el sistema
Y
(x) = F(x, Y(x) , Y(x )) x x

0
Y(x) = (x) x x
0
que puede ser extendido para considerar que F depende tambin de diferentes retardos
(
1
, . . . ,
m
).
Para resolver numricamente este sistema EDR (4.12) podemos extender el mtodo
de Runge Kutta de nivel s especicada para cada componente con el esquema (4.10)
obtenindose la solucin aproximada del sistema.
4.3 Consistencia de los mtodos de Runge Kutta para las EDR
En un PVI, se busca una solucin en un intervalo [t
0
, t
f
] con t
0
< t
f
. Las ecuaciones
diferenciales con retardo muestran que y
(t) depende de valores anteriores a t. En

particular, y
(t
0
) depende de y(t
0

1
), ..., y(t
0

n
). Por esto, una solucin en [t
0
, t
f
]
depende de los valores para t t
0
, es decir, depende de la historia S(t), t t
0
.
52
Entonces para la consistencia del mtodo de Runge-Kutta aplicado a las EDR se realiza
una extensin de los resultados anteriores dados para PVI con EDO tanto para el mtodo
de paso jo y paso variable bajo las siguiente condicin:
Si c
i
, a
ij
y b
j
son los coecientes asociados a un mtodo Runge-Kutta (3.2) de
orden p entonces el esquema de paso variable (4.8) es consistencia de orden p, es decir
para todo n = 0, 1, . . . se satisface que
|y (x
n+1
) y
n+1
| Kh
p+1
n
4.4 Implementacin numrica
Para la construccin de las subrutinas de los algoritmos de resolucin de los PVI con
EDR se han utilizado las siguientes funciones en MATLAB.
4.4.1 Funcin dde23
La funcin dde23 resuelve PVIs para EDR con retardos constantes. Es decir, resuelve
el sistema de primer orden
y
(t) = f(t, y(t), y(t

1
), ..., y(t
n
))
en el intervalo [t
0
, t
f
], con t
0
< t
f
y la funcin historia y(t) = S(t), para t t
0
. La
funcin dde23 produce una solucin continua en el intervalo [t
0
, t
f
]. Est basado en el
mtodo de Runge-Kutta.
4.4.2 Funcin ddesd
La funcin ddesd resuelve PVIs para EDRs con retardos generales. Es decir, resuelve
el sistema de primer orden
y
(t) = f(t, y(t), y(d(1)), ..., y(d(n)))

en el intervalo [t
0
, t
f
], con t
0
< t
f
, donde los retardos dependen de t y de y(t). Est
basado en el mtodo de Runge-Kutta. Para detalles ver [26].
Sintaxis de la funcin dde23 en MATLAB
La sintaxis de esta funcin es la siguiente:
sol = dde23(
EDRfun
, retardos, historia, intervalo, opciones)

53
Las especicaciones de los parmetros de entrada son:
Parmetro Especicacin
EDRfun
Representa la funcin en el lado derecho de la EDR, es decir,
dy
dt
= EDRfun(t, y(t), y(t
1
), ..., y(t
n
))
(y
(t) = f(t, y(t), y(t t1), ..., y(t tn))),

donde t es un escalar y y y
dt
dy
son vectores columnas.
Para denir la funcin EDRfun, se debe especicar en un M-le.
retardos
Es un vector con los retardos
1
, . . . ,
n
constantes.
historia
Representa la funcin historia S(t), para t 0.
Para denir la funcin historia, se debe especicar
en un M-le.
intervalo
Es un vector que representa el intervalo de integracin.
Se resuelve desde intervalo(1) hasta intervalo(2).
opciones
Es una estructura con parmetros adicionales que cambia
las propiedades predeterminadas de la funcin.
Usualmente sirve para resolver problemas especcos.
El parmetro de salida es una funcin continua en el intervalo [t
0
, t
f
]. Para tener una
aproximacin a la solucin en cualquier punto en [t
0
, t
f
], podemos usar la funcin
auxiliar deval junto on la estructura sol que devuelve la funcin dde23. Las siguientes
instrucciones muestran como ebe realizarse:
t = linspace(0,5);
St = deval(sol,t);
La i-sima columna de St aproxima la solucin en el tiempo t(i), es decir, la i-sima
columna representa el vector y(t(i)).
La estructura sol tiene dos campos especiales, a saber: sol.x y sol.y. El campo
sol.x coresponde al arreglo de t (mencionado en ode23) de la variable independiente
y el campo sol.y corresponde al arreglo y (mencionado en ode23) de valores solucion.
54
CAPTULO 5
APLICACIN A MODELOS BIOMATEMTICOS
Para comprobar los resultados numricos estudiados anteriormente tomaremos algunos
problemas que se formulan mediante modelos matemticos en la biologa.
5.1 Modelos de crecimiento tumoral
Segn el investigador Ehrlich [1]- [5]- [4] el crecimiento de un tumor del tipo ascities
Ehrlich en ratones puede ser modelado siguiendo la estructura de la ecuacin 2.11:
u
(t) = ru(t )
_
1
u(t )
K
_
, u(t) = u
0
(t) 0, t [, 0] (5.1)
donde u(t) est relacionado a la concentracin de clulas en el organismo de un ratn, r
es la tasa de proporcionalidad reproduccin clulas netas del tumor y K es la capacidad
de almacenamiento y es el retardo que reeja el tiempo de duracin de un ciclo de
multiplicidad celular.
Considerando que la ecuacin 5.1 es de la forma 2.11 aplicando los resultados
anteriores analizaremos el comportamiento de estabilidad de las soluciones estacionarias,
es decir x
1
0 y x
2
1. Para ello nos ser til el siguiente resultado cuya demostracin
puede verse en [4].
Prediccin del comportamiento del problema
Si [f
(1)[ <

2
, en 2.11, entonces x
2
es asintticamente estable.
Si [f
(1)[ =

2
la solucin pierde estabilidad y por el teorema de Hopf la
bifurcacin ocurre en ese punto.
La solucin x
1
es inestable para cualquier valor de .
Consideremos en particular el siguiente ejemplo
x
(t) = x(t 1) (1 x(t 1)) , x(t) = 0, t [1, 0[ , x(0) = 0.1 (5.2)

como f(x) = x x
2
entonces la estabilidad est garantizada si [(1 2x)[
x=1
[ <

2
es
decir si <

2
, como se puede apreciar en las guras 5.1-5.2.
Figura 5.1: Solucin del modelo 5.2 para = 0.1, 0.5, 1. Se aprecia la estabilidad de la
solucin de equilibrio x 1
Figura 5.2: Solucin del modelo 5.2 para =

2
, 2. Se aprecia la inestabilidad de la
solucin de equilibrio x 1
56
Figura 5.3: Solucin del modelo de Kermack-McKendricke 5.3
5.2 Modelos de diseminacin de infecciones
Primero presentamos el modelo de Kermack-McKendrick: sea y
1
(x) la fraccin
susceptible de la poblacin, y
2
(x) la fraccin infectada e y
3
(x) la fraccin inmunizada.
Suponemos que el nmero de nuevas infecciones por unidad de tiempo es proporcional
al producto y
1
(x)y
2
(x). Si adems asumimos que el nuevo nmero de personas
inmunizadas es proporcional al de infectadas obtenemos el siguiente modelo
y
1
= y
1
y
2
y
2
= y
1
y
2
y
2
y
3
= y
2
(5.3)
donde hemos tomado que todas las constantes de proporcionalidad son iguales a 1. La
solucin numrica con los valores iniciales y
1
(0) = 5, y
2
(0) = 0.1, y
3
(0) = 0 es
mostrada en la gura 5.3: la epidemia desaparece nalmente cuando toda la poblacin
es inmunizada. Sin embargo podemos tambin asumir que la poblacin inmunizada
vuelve a ser susceptible nuevamente despus de un periodo jo de tiempo (
1
). si tambin
introducimos un periodo de incubacin
2
llegamos la siguiente modelo
y
1
(x) = y
1
(x)y
2
(x
1
) + y
2
(x
2
)
y
2
(x) = y
1
(x)y
2
(x
1
) y
2
(x)
y
3
(x) = y
2
(x) y
2
(x
2
)
(5.4)
Prediccin del comportamiento de infeccin
Con las condiciones iniciales y
1
(x) = 5, y
2
(x) = 0, 1, y
3
(x) = 1, para x 0 es
mostrada en la gura 5.4 que muestra claramente el comportamiento peridico de la
infeccin.
57
Figura 5.4: Solucin del modelo de Kermack-McKendricke 5.4
5.3 Modelo del comportamiento cintico de la enzimas
Consideremos las siguientes reacciones consecutivas
I Y
1

k
1
Y
2

k
3
Y
3

k
3
Y
4

k
4
donde I es un substrato exgeno el cual se mantiene constante y n molculas del producto
nal Y
4
un inhibidor de la reaccin Y
1
Y
2
como
z =
k
1
1 +(y
4
(x))
n
Considerando el tiempo necesario para que una molcula inhibidora interferir con la
reaccin podemos plantear el siguiente modelo
y
1
(x) = I zy
1
(x)
y
2
(x) = zy
1
(x) y
2
(x)
y
3
(x) = y
2
(x) y
3
(x)
y
4
(x) = y
3
(x) 0.5y
4
(x)
z =
1
1 + 0.0005 (y
4
(x 4))
3
(5.5)
Prediccin del comportamiento cintico
El sistema posee un punto de equilibrio cuando zy
1
= y
2
= y
3
= I , y
4
= 2I,y
1
=
I(1 + 0.004I
3
), el cual es inestable segn se aprecia en la gura 5.5.
58
Figura 5.5: Solucin del modelo de cintica de enzimas (5.5), I = 10.5. Valores iniciales
cercanos a la posicin de equilibrio
5.4 Modelo inmunolgico de crecimiento viral
Presentamos el modelo de Marchuk para el crecimiento de virus V (t), anticuerpos F(t)
y clulas de plasma C(t) en el organismo de una persona infectada por una infeccin viral.
estas ecuaciones son
dV
dt
= (h
1
h
2
F) V
dC
dt
= (m)h
3
F(t )V (t ) h
5
(C 1)
dF
dt
= h
4
F (C F) h
8
FV
la primera la ecuacin depredador- presa de Volterra-Lotkin. La segunda ecuacin
describe la creacin de nuevas clulas de plasma con un retardo de tiempo debido a la
infeccin, en ausencia del cual el segundo trmino alcanza un equilibrio para C = 1. La
tercera ecuacin modela la creacin de anticuerpos provenientes de las clulas de plasma
(h
4
C) y su decrecimiento debido a la infeccin (h
4
F) y los antgenos (h
8
FV ). El
trmino (m) est denido por
(m) =
_
_
1 si m 0.1
(1 m)
10
9
si 0.1 m 1
59
y expresa el hecho de que la creacin de clulas de plasma decrece cuando el organismo
esta daado por la infeccin viral. El dao relativo m(t) est dado por una cuarta ecuacin
dm
dt
= h
6
V h
7
m
donde el primer trmino expresa el dao y el segundo la recuperacin.
Prediccin del comportamiento de crecimiento viral
Este modelo permite escoger la coecientes h
1
, h
2
, . . . , h
8
para modelos diversos tipos
de perles de salud: salud estable, salud inestable, infeccin aguda, forma crnica, etc.
La solucin numrica es calculada con los siguientes parmetros
= 0.5, h
1
= 2, h
2
= 0.8, h
3
= 10
4
, h
4
= 0.17, h
5
= 0.5, h
7
= 0.12, h
8
= 8
y las condiciones iniciales
V (t) = max(0, 10
6
+t) si t 0
C(0) = 1
F(t) = 1 si t 0
m(0) = 0
Adems contemplamos los casos para los cuales h
6
= 10 (gura 5.6), donde observamos
mejora completa (V (t) 0), o h
6
= 300 (gura 5.7), donde se produce una recada
(cuando m(t) 1).
Figura 5.6: Solucin del modelo inmunolgico de Marchuk (h
6
= 10)
60
Figura 5.7: Solucin del modelo inmunolgico de Marchuk (h
6
= 300)
5.5 Dinmica poblacional
Consideremos que la poblacin de una cierta especie est representada por la funcin
y(x), si su tasa de crecimiento k puede ser decreciente o creciente. Si la poblacin se
incrementa entonces habr una escasez de comida y espacio, el comportamiento de este
fenmeno es modelado por el siguiente problema de valor inicial
T
1
_
_
y
(x) = k ( y(x)) y(x) si x 0

y(x) =
_
_
0.1 si x = 0
1 si x < 0
Prediccin del comportamiento de crecimiento poblacional
Si asumimos que la razn de crecimiento depende de la poblacin en las generaciones
precedentes llegamos a establecer una ecuacin con retardo:
y
(x) = k ( y(x )) y(x)

Si hacemos el cambio de variable z(x) = ky(x) entonces z
(x) = k
2
y
(x). Pero
y
(x) = k ( y(x )) y(x)

es decir
z
(x) = (k ky((x 1))) ky(x)

= (k z(x 1)) z(x)
61
nalmente hacemos los cambios z por y, k por para obtener
y
(x) = ( y(x 1)) y(x) (5.6)

En la gura 5.8 se muestra la solucin numrica del problema de valor inicial del ejemplo
5.6 considerando: = 0.35, 0.5, 1.0, 1.4 y 1.6.
Figura 5.8: Solucin numrica del problema 5.6 para h = 0.2
62
CAPTULO 6
CONCLUSIONES, ANEXOS Y REFERENCIAS
BIBLIOGRFICAS
6.1 Conclusiones
(i) Las aplicaciones de las EDR son muy variadas y presentan una amplia
gama de posibilidades para su uso pues reejan de mas manera realista
los procesos qumicos y fsicos de la naturaleza al considerar intervalos de
tiempo necesarios para que exista una interaccin apropiada entre los diversos
componentes del sistema objeto de estudio.
(ii) Estudiar la estabilidad local de las soluciones de una EDR implica un trabajo
delicado pues no siempre es posible encontrar un criterio apropiado, de hecho
no existe una herramienta matemtica que se adecue a todos los casos. En este
trabajo se ha hecho uso del criterio de Mikhailov (ver [5]). Recientes trabajos
en el campo de la teora de nmeros podran ayudar a conseguir un teorema
general de estabilidad de las EDR.
(iii) La implementacin de los algoritmos de solucin de las EDR pueden
generalizar a casos donde el retardo (x, y(x)) es decir ya no
lo consideramos jo sino que incluso puede ser arbitrariamente pequeo
(
x
0) lo cual invalida nuestra suposicin (4.9).
(iv) El cdigo desarrollado es fcilmente adaptable a cualquier problema que
involucre retardos constantes y permite examinar de manera grca la
estabilidad de las soluciones de equilibrio.
(v) En el caso de aplicar Runge Kutta de paso variable es posible ajustar el tamao
de paso h en cada iteracin de modo que se minimize el error cometido
pero sin aumentar la carga computacional, esto es especialmente adecuado
en presencia de ecuaciones rgidas, que no han sido abordadas en el presente
estudio.
(vi) En el presente trabajo se ha realizado un mtodo explcito de Runge-Kutta
por lo cual queda probada la consistencia ms no su convergencia. Puesto que
todo mtodo de Runge Kutta explcito de orden 4 para problemas nolineales
no cumple con la estabilidad. Lo cual es un problema abierto para trabajos
futuros.
Este trabajo fue realizado en el Laboratorio de Simulacin e Investigacin Numrica de
la Facultad de Ciencias de la Universidad Nacional de Ingeniera (http://fc.uni.
edu.pe/labosin). El cdigo usado se ha implementado en Matlab 7.
6.2 Anexos
6.2.1 edr43.m
function [x,y]=edr43(x0,y0,f,phi,dx,xmax,tau)
nmax=floor(xmax/dx);
% definicion de vectores
d = size(y0,2);
m = size(tau,2);
y = zeros(nmax+1,d);
x = zeros(nmax+1,1);
g = zeros(m,d);
h = dx
*
ones(size(x));
f1 = zeros(nmax+1,d);
% coeficientes R-K
s = 4;
k = zeros(s,d);
c = [0 1/2 1/2 1];
b = [1/6 2/6 2/6 1/6];
a21= 1/2;
a31= 0;
a32= 1/2;
a41= 0;
a42= 0;
a43= 1;
dn=zeros(s,d);
p = zeros(s,m);
% valores iniciales
x(1) = x0;
y(1,:) = y0;
64
n=1;
while (n<=nmax)
for i=1:s
for j=1:m
if (x(n)+c(i)
*
h(n)-tau(j)<x(1))
g(j,:)=phi(x(n)+c(i)
*
h(n)-tau(j));
p(:,j) = (n-1)
*
ones(size(p(:,j)));
else
p(:,j) = max(p(:,j))
*
ones(size(p(:,j)));
while ( x(n-p(i,j)+1) < x(n)+c(i)
*
h(n)-tau(j))
p(i,j)=p(i,j)-1;
end
dn(i,:) = (y(n-p(i,j)+1,:)-y(n-p(i,j),:))/h(n-p(i,j));
theta(i) = (x(n)+c(i)
*
h(n)-tau(j)-x(n-p(i,j)))/h(n-p(i,j));
g(j,:) = y(n-p(i,j),:)+theta(i)
*
h(n-p(i,j))
*
(f1(n-p(i,j),:)+...
theta(i)
*
(dn(i,:)-f1(n-p(i,j),:))+theta(i)
*
(theta(i)-1)
*
...
(f1(n-p(i,j)+1,:)-2
*
dn(i,:)+f1(n-p(i,j),:)));
end
end
switch i
case 1
k(1,:) = f(x(n),y(n,:),g);
f1(n,:) = k(1,:);
case 2
k(2,:) = f(x(n)+c(2)
*
h(n),y(n,:)+h(n)
*
a21
*
k(1,:),g);
case 3
k(3,:) = f(x(n)+c(3)
*
h(n),y(n,:)+h(n)
*
(a31
*
k(1,:)+...
a32
*
k(2,:)),g);
case 4
k(4,:) = f(x(n)+c(4)
*
h(n),y(n,:)+h(n)
*
(a41
*
k(1,:)+...
a42
*
k(2,:)+a43
*
k(3,:)),g);
end
end
y(n+1,:)=y(n,:)+h(n)
*
b
*
k;
x(n+1)=x(n)+h(n);
n=n+1;
end
return
65
6.2.2 modelo-crecimiento-tumoral.m
function modelo_tumoral
m=1;
tau=1
*
ones(1,m);
tau(1)=1;
xmax=60;
dx=0.1;
d=5;
x0=0;
y0=phi(x0);
[x,y]=edr43(x0,y0,@f,@phi,dx,xmax,tau);
figure(1)
plot(x,y(:,1),r-,x,y(:,2),m-,x,y(:,3));
axis([0,xmax,0,1.1]);
legend(\alpha=0.1,\alpha=0.5,\alpha=1);
figure(2)
plot(x,y(:,4),b-,x,y(:,5),m);
axis([0,xmax,0,1.1]);
legend(\alpha=1.7,\alpha=2.5);
function z=phi(x)
z=zeros(1,5);
z=0.1
*
ones(size(z));
function z=f(x,y,yt)
z=zeros(size(y));
alpha=[0.1,0.5,1,3.1415/2,2];
z(1)=alpha(1)
*
yt(1,1)
*
(1-yt(1,1));
z(2)=alpha(2)
*
yt(1,2)
*
(1-yt(1,2));
z(3)=alpha(3)
*
yt(1,3)
*
(1-yt(1,3));
z(4)=alpha(4)
*
yt(1,4)
*
(1-yt(1,4));
z(5)=alpha(5)
*
yt(1,5)
*
(1-yt(1,5));
66
6.2.3 modelo-poblacion.m
function modelo_poblacion
m=1;
tau=1
*
ones(1,m);
tau(1)=1;
xmax=60;
dx=0.2;
d=5;
x0=0;
y0=0.1
*
ones(1,d);
plot(x,y(:,1),-,x,y(:,2),-,x,y(:,3),-,x,y(:,4),x,y(:,5));
axis([0,60,0,3]);
legend(\alpha=0.35,\alpha=0.5,\alpha=1.0,\alpha=1.4,\alpha=1.6);
function z=phi(x)
z=zeros(1,5);
z=zeros(size(y));
z(1)=(0.35-yt(1,1))
*
y(1,1);
z(2)=(0.5-yt(1,2))
*
y(1,2);
z(3)=(1.0-yt(1,3))
*
y(1,3);
z(4)=(1.4-yt(1,4))
*
y(1,4);
z(5)=(1.6-yt(1,5))
*
y(1,5);
return
6.2.4 modelo-infeccion.m
function modelo_infeccion
m=2;
tau=1
*
ones(1,m);
tau(1)=1;
tau(2)=10;
67
xmax=40;
dx=0.1;
d=3;
x0=0;
y0=phi(x0);
plot(x,y(:,1),r-,x,y(:,2),m-,x,y(:,3),b-);
axis([0,xmax,0,5.1]);
text(Interpreter,latex, String,$\leftarrow y_1$,...
Position,[4,1.7], FontSize,16);
Position,[6,0.8],FontSize,16);
Position,[4.7,3.7],FontSize,16);
function z=phi(x)
z=zeros(1,3);
z(1)=5;
z(2)=0.1;
z(3)=1;
z=zeros(size(y));
z(1)=-y(1)
*
yt(1,2) + yt(2,2);
z(2)= y(1)
*
yt(1,2) - y(2);
z(3)= y(2) - yt(2,2);
return
6.2.5 modelo-enzimas.m
function modelo_enzimas
tau=1
*
ones(1,1);
tau(1,1)=4;
xmax=160;
dx=0.5;
d=4;
x0=0;
y0=phi(x0);
68
plot(x,y);
axis([0,xmax,0,70]);
legend(y_1,y_2,y_3,y_4);
function z=phi(x)
z=zeros(1,4);
z(1)=60;
z(2)=10;
z(3)=10;
z(4)=20;
function yprima=f(x,y,yt)
yprima=zeros(size(y));
I=10.5;
z=1/(1+0.0005
*
yt(1,4)^3);
yprima(1)=I-z
*
y(1);
yprima(2)=z
*
y(1)-y(2);
yprima(3)=y(2)-y(3);
yprima(4)=y(3)-0.5
*
y(4);
return
6.2.6 modelo-inmunologico.m
function modelo_inmunologico
m=1; tau=1
*
ones(1,m); tau(1)=0.5;
xmax=60; dx=0.2; d=4; x0=0; y0=phi(x0);
plot(x,10^4
*
y(:,1),r-,x,y(:,2)/2,m-,x,y(:,3),b-,x,10
*
y(:,4));
axis([0,xmax,0,12]); text(Interpreter,latex,
String,$\leftarrow 10^4V$, Position,[8,1.7],FontSize,16);
text(Interpreter,latex, String,$\leftarrow C/2$,
Position,[10,4],FontSize,16); text(Interpreter,latex,
String,$\leftarrow F$, Position,[13,6],FontSize,16);
text(Interpreter,latex, String,$\leftarrow 10m$,
Position,[20,0.6],FontSize,16);
69
function z=phi(x)
z=zeros(1,4);
z(1)=max([0,10^(-6)+x]);
z(2)=1;
z(3)=1;
z(4)=0;
z=zeros(size(y));
h=[2,0.8,10^4,0.17,0.5,10,0.12,8];
if (y(4)<=0.1)
em=1;
elseif (y(4)<=1)
em=(1-y(4))
*
10/9;
end
z(1)=(h(1)-h(2)
*
y(3))
*
y(1);
z(2)=em
*
h(3)
*
y(1,3)
*
y(1,1)-h(5)
*
(y(2)-1);
z(3)=h(4)
*
(y(2)-y(3))-h(8)
*
y(3)
*
y(1);
z(4)=h(6)
*
y(1)-h(7)
*
y(4);
70
Referencias Bibliogrcas
[1] Helen Byrne. Using Mathematics To Study Solid Tumour Growth. University of
Nottingham,England. helen.byrne@nottingham.ac.uk
[2] Odo Diekmann, Stephan A. van Gils, Sjoerd M. Verduyn Lunel, Hans-Otto Walther.
Delay Equations. Springer-Verlag, New York, 1995.
[3] R. D. Driver. Ordinary and Delay Differential Equations. Springer-Verlag, NewYork,
1977.
[4] Ursula Fory s. Global Stability for a Class of Delay Differential Equations. Institute
of Applied Mathematics and Mechanics, Poland.
[5] Ursula Fory s. Biological delay systems and the Mikhailov criterion of stability.
Institute of Applied Mathematics and Mechanics, Poland.
[6] E. Hairer. Solving Ordinary Differential Equations I. Nonstiff Problems. Springer-
Verlag, 1987.
[7] A. Halanay. Differential Equations. Stability, Oscillations, Time lags. Academic
Press, 1966.
[8] Lobn Durand Roxana, Irla Mantilla N. Anlisis de la formacin del ncleo necrtico
en el crecimiento de un tumor slido. Seminario de Matemtica Pura y Aplicada I.
EPM. Facultad de Ciencias, UNI, Per, 2005.
[9] Lobn Durand Roxana, Irla Mantilla N. Estabilidad de la Ecuacin de crecimiento
de un tumor Avascular. Seminario de Matemtica Pura y Aplicada II. EPM. Facultad
de Ciencias, UNI, Per, 2006.
[10] Wim Michiels. Stability of perturbed delay differential equations and stabilization
of nonlinear cascade systems. Katholieke Universiteit Leuven, Belgium.
[11] A. Hastings, Population Biology. Concepts and models, Springer, 1998.
[12] J.D. Murray, Mathematical Biology, Springer, 1993.
[13] T.G. Hallam, Population dynamics in a homogeneous environment, en Mathemati-
cal Ecology. An introduction, editado por T.G. Hallan y S.A. Levin, Springer, 1986,
pp. 61-94.
[14] S. Novo, R. Obaya y J. Rojo, Ecuaciones y sistemas diferenciales, McGraw-Hill,
1995.
[15] V. Kolmanovskii y A. Myshkis, Introduction to the theory and applications of
functional differential equations. Mathematics and its Applications, Vol. 463,
Kluwer Academic Publishers, 1999.
[16] G. E. Hutchinson, Circular causal systems in ecology. Ann. New York Acad. Sci.
50, (1948), 221-248.
[17] A.J. Nicholson, The self-adjustment of populations to change. Cold Spring Harbor
Symposia on Quantitative Biology, 22, 153-173 (1957).
[18] R.M. May, Stability and complexity in model ecosystems, Princeton University
Press, 1975.
[19] F. E. Smith, Population dynamics in Daphnia magna and a new model for population
growth, Ecology 44, 651-663 (1963).
[20] K. Gopalsamy y G. Ladas, Environmental periodicity and time delays in a food-
limitedpopulation. J. Math. Anal. Appl. 147,(1990), 545-555.
[21] K. Gopalsamy, M.R.S. Kulenovic y G. Ladas, On the oscillation and asymptotic
behavior of N
(t) = N(t)[a +bN(t t) cN

2
(t t)]. Quart. Appl. Math. 3, (1990),
433-440.
[22] Y. Kuang, Delay diferential equations with applications in population dynamics.
Academic Press, 1993.
[23] E.C. Pielou, Mathematical Ecology, Wiley Interscience, 1977.
[24] W.C. Allee, Animal aggregations: a study in general sociology, Chicago University
Press, 1933.
[25] A. Ivanov, E. Liz y S. Tro?mchuk, Halanay inequality, Yorke 3/2 stability criterion,
and diferential equations with maxima. Tohoku Math. J., 54, (2002), 277-295.
[26] Solving ODEs and DDEs with residual control, L.F. Shampine,Applied Numerical
Mathematics, 52 (2005), pp 113-127.
72

Lobon - DR Escuela de Matematica

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Lobon - DR Escuela de Matematica

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDAD NACIONAL DE INGENIERA

(t) = f(t, x(t), x(t r))

(t) = f(t, x(t), x(t r)), t (1.1)

(t) = ax(t r), (1.6)

(t) representar la tasa de variacin del tamao de la poblacin y

(t) = ax(t) bx(t) (1.7)

(t)/x(t) = f(x(t r)) (1.10)

(t) = f(x(t r)), (1.13)

, para todo t I (1.16)

, para todo t I (1.17)

(t) = k(t)x(t) y por lo tanto

L(t ) , t [, +A] (1.22)

Denicin 2.1.2 (rbita) Sea ( un espacio de estados, sea ( denimos la rbita

existe y es continua en cada punto de G.

(t) exp (g (t)) (t)

arg Q denota el cambio del argumento de Q a lo largo de y N

, de donde vemos que grad P = 1.

intentemos calcular el argumento de W (i) cuando +

Donde podemos distinguir los siguientes casos

= L(0) q. Si ,= 0 entonces para

(t) = rf (x (t 1)) , para t > 0

t) > 1, entonces el conjunto A =

(t) 0 (por tanto x es creciente) y x

(t) = rf (x (t 1)) < 0 t [t

(0) > 0 entonces esta

= 0. Sea Q la funcin quasipolinomial y

(1) cos () +i ( +rf

(1) sin ())

(1) sin () = 0 simultneamente, es decir = /2 +k, k Z:

(1) sen (/2 +k) = /2 +k +r (1)

(1) < /2 obtenemos la estabilidad.

(1) = /2 tendremos que = i/2 son races de la ecuacin

= y en [0, b], y(0) = 1, cuya

Si un mtodo de un paso es consistente de orden p y f C

(x) = f(x, y(x), y(x )) para x x

(x) = f(x, y), x [x

(x) = g(x, y(x)) , x [x

(x) = f(x, y(x), y(x

(x) = f(x, y(x), y(x

depende de valores de la funcin y en puntos previos.

(x) = F(x, Y(x) , Y(x )) x x

(t) depende de valores anteriores a t. En

(t) = f(t, y(t), y(t

(t) = f(t, y(t), y(d(1)), ..., y(d(n)))

, retardos, historia, intervalo, opciones)

(t) = f(t, y(t), y(t t1), ..., y(t tn))),

(t) = x(t 1) (1 x(t 1)) , x(t) = 0, t [1, 0[ , x(0) = 0.1 (5.2)

(x) = k ( y(x)) y(x) si x 0

(x) = k ( y(x )) y(x)

(x) = k ( y(x )) y(x)

(x) = (k ky((x 1))) ky(x)

(x) = ( y(x 1)) y(x) (5.6)

(t) = N(t)[a +bN(t t) cN

Você também pode gostar