Dinâmica Não Linear em Economia

Introduc
ao `
a Din
amica N
ao-Linear e
Caos em Economia
Ricardo L. Viana
Universidade Federal do Parana
Curitiba, Parana, Brasil
9 de novembro de 2012
Sum
ario
Introdu
c
ao
10
I Primeira Parte: M
etodos e Modelos em Din
amica
Econ
omica
15
1 Modelos contnuos unidimensionais
1.1 Equacoes diferenciais . . . . . . . . . . . . . . . . . . . . . .
1.1.1 Equacoes diferenciais lineares . . . . . . . . . . . . .
1.1.2 Existencia e unicidade das solucoes . . . . . . . . . .
1.1.3 Diagramas de fase . . . . . . . . . . . . . . . . . . .
1.2 Exemplos em Economia: Modelos de crescimento populacional
1.2.1 Crescimento exponencial . . . . . . . . . . . . . . . .
1.2.2 Crescimento logstico . . . . . . . . . . . . . . . . .
1.2.3 Modelo logstico e o crescimento demografico . . . . .
1.3 Pontos de equilbrio e estabilidade . . . . . . . . . . . . . . .
1.4 Solucoes numericas . . . . . . . . . . . . . . . . . . . . . . .
1.4.1 Metodo de Euler . . . . . . . . . . . . . . . . . . . .
1.4.2 Metodo de Runge-Kutta . . . . . . . . . . . . . . . .
1.4.3 Uso de software matematico . . . . . . . . . . . . . .
1.5 Dependencia da solucao com as condicoes iniciais . . . . .
1.6 Exemplos em Economia: Modelos de crescimento economico .
1.6.1 Macrovariaveis . . . . . . . . . . . . . . . . . . . . .
1.6.2 Modelo de Domar . . . . . . . . . . . . . . . . . . .
1.6.3 Modelo de Solow . . . . . . . . . . . . . . . . . . . .
1.7 Equacoes nao-autonomas . . . . . . . . . . . . . . . . . . . .
1.8 Exploracao de recursos naturais renovaveis . . . . . . . . . .
1.8.1 Taxa de exploracao constante . . . . . . . . . . . . .
1.8.2 Taxa de exploracao proporcional à populacao . . . . .
1.8.3 Modelo de exploracao com variacoes sazonais . . . . .
1.9 Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
2 Modelos contnuos bidimensionais lineares

2.1 Matrizes bidimensionais . . . . . . . . . . .
2.1.1 Operacoes elementares com matrizes
2.1.2 Vetores e matrizes coluna . . . . . .
2.1.3 Autovalores e autovetores . . . . . .
2.2 Modelos bidimensionais lineares . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
17
17
19
20
22
23
23
25
27
29
33
33
39
41
44
47
47
48
49
55
58
58
60
61
63
67
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
67
67
69
71
72
2.2.1
2.2.2
2.2.3
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
3 Modelos contnuos bidimensionais n

ao-lineares
3.1 Trajetorias no plano de fase . . . . . . . . . . . . . . . . . . .
3.1.1 Existencia e unicidade . . . . . . . . . . . . . . . . . .
3.2 Diagramas de fase . . . . . . . . . . . . . . . . . . . . . . . .
3.3 Solucoes numericas . . . . . . . . . . . . . . . . . . . . . . . .
3.3.1 Uso de planilhas eletronicas . . . . . . . . . . . . . . .
3.3.2 Programa em linguagem C . . . . . . . . . . . . . . . .
3.3.3 Uso de software matematico . . . . . . . . . . . . . . .
3.4 Solucoes de equilbrio e sua estabilidade . . . . . . . . . . . . .
3.4.1 Pontos hiperbolicos e o Teorema de Hartman e Grobman
3.4.2 Exemplos de analise pelo diagramas de fase . . . . . . .
3.5 Exemplo em Economia: Modelo de capital fsico e humano . . .
3.5.1 Hipoteses do modelo . . . . . . . . . . . . . . . . . . .
3.5.2 Derivacao das equacoes do modelo . . . . . . . . . . . .
3.5.3 Solucoes de equilbrio . . . . . . . . . . . . . . . . . .
3.5.4 Diagrama de fase . . . . . . . . . . . . . . . . . . . .
3.5.5 Estabilidade do equilbrio . . . . . . . . . . . . . . . .
3.6 Direcoes e curvas invariantes . . . . . . . . . . . . . . . . . . .
3.6.1 Auto-direcoes e autovetores . . . . . . . . . . . . . . .
3.6.2 Teorema das curvas invariantes . . . . . . . . . . . . .
3.7 Trajetorias fechadas . . . . . . . . . . . . . . . . . . . . . . .
3.7.1 Criterios para impossibilidade de trajetorias fechadas . .
3.7.2 Indice de Poincare . . . . . . . . . . . . . . . . . . . .
3.7.3 Criterios para existencia de trajetorias fechadas . . . . .
3.7.4 Orbitas
homoclnicas . . . . . . . . . . . . . . . . . . .
3.8 Exemplo em Economia: Modelo de luta de classes de Goodwin .
3.8.1 Macrovariaveis e hipoteses do modelo . . . . . . . . . .
3.8.2 Solucoes de equilbrio e sua estabilidade . . . . . . . . .
3.8.3 Diagrama de fase . . . . . . . . . . . . . . . . . . . .
3.9 Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
2.3
2.4
2.5
2.6
Pontos de equilbrio . . . . . . . . . . . . . . .
Conceitos de estabilidade . . . . . . . . . . . .
Soluca
o geral do modelo bidimensional linear . .
An
alise da estabilidade do equilbrio . . . . . . . . . . .
2.3.1 Autovalores reais e distintos . . . . . . . . . . .
2.3.2 Autovalores reais e iguais . . . . . . . . . . . .
2.3.3 Autovalores complexos . . . . . . . . . . . . . .
2.3.4 Criterio geral para estabilidade . . . . . . . . .
Exemplo em Economia: Modelo de inflaca
o e desemprego
2.4.1 Macrovariaveis e logaritmos . . . . . . . . . . .
2.4.2 Curva de Phillips . . . . . . . . . . . . . . . .
2.4.3 Equacoes e hipoteses do modelo . . . . . . . . .
2.4.4 Ponto de equilbrio e sua estabilidade . . . . . .
Exemplo em Economia: Modelo macroecon
omico IS-LM
2.5.1 Macrovariaveis e hipoteses do modelo . . . . . .
2.5.2 Modelo estatico . . . . . . . . . . . . . . . . .
2.5.3 Modelo dinamico . . . . . . . . . . . . . . . . .
Problemas . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
73
74
75
77
77
84
89
95
96
97
98
99
100
103
103
104
106
108
111
113
114
117
118
120
121
122
124
129
131
134
139
140
140
141
143
145
147
147
148
153
155
159
161
166
168
169
172
174
176
4 Modelos contnuos multidimensionais

4.1 Complementos de algebra linear . . . . . . . . . . . . .
4.1.1 Autovalores e autovetores . . . . . . . . . . . .
4.1.2 Espacos e sub-espacos vetoriais . . . . . . . . .
4.1.3 Matrizes semelhantes . . . . . . . . . . . . . .
4.1.4 Formas de Jordan . . . . . . . . . . . . . . . .
4.1.5 Fatos sobre matrizes de terceira ordem . . . . .
4.2 Modelos lineares . . . . . . . . . . . . . . . . . . . . .
4.2.1 Solucao geral do modelo linear . . . . . . . . . .
4.3 Solucoes de equilbrio e sua estabilidade . . . . . . . . .
4.3.1 Analise da estabilidade do equilbrio . . . . . . .
4.3.2 Criterio de Routh-Hurwitz . . . . . . . . . . . .
4.3.3 Sub-espacos invariantes . . . . . . . . . . . . .
4.4 Analise de estabilidade em alguns casos . . . . . . . . .
4.4.1 Tres autovalores reais e distintos . . . . . . . . .
4.4.2 Dois autovalores complexos e um real . . . . . .
4.4.3 Dois autovalores reais repetidos e outro distinto .
4.5 Estabilidade do equilbrio . . . . . . . . . . . . . . . .
4.5.1 Variedades invariantes . . . . . . . . . . . . . .
4.6 Exemplo em Economia: Modelo WKP de Tobin . . . . .
4.6.1 Hipoteses do modelo . . . . . . . . . . . . . . .
4.7 Solucoes numericas . . . . . . . . . . . . . . . . . . . .
4.7.1 Uso de software matematico . . . . . . . . . . .
4.8 Exemplo em Economia: Modelo de Inovacao Tecnologica
4.8.1 Macrovariaveis e hipoteses do modelo . . . . . .
4.8.2 Pontos de equilbrio e sua estabilidade . . . . . .
4.8.3 Exemplo numerico . . . . . . . . . . . . . . . .
4.9 Problemas . . . . . . . . . . . . . . . . . . . . . . . .
181
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
5 Modelos discretos unidimensionais

5.1 Modelos discretos unidimensionais lineares . . . . . . . .
5.1.1 Modelo discreto afim . . . . . . . . . . . . . . . .
5.1.2 Diagramas de escada . . . . . . . . . . . . . . . .
5.1.3 Pontos fixos e sua estabilidade . . . . . . . . . . .
5.2 Exemplo em Economia: Modelo linear da teia de aranha .
5.2.1 Versao tradicional . . . . . . . . . . . . . . . . .
5.2.2 Expectativas adaptativas . . . . . . . . . . . . .
5.3 Modelos discretos unidimensionais nao-lineares . . . . . .
5.3.1 Modelo logstico discreto . . . . . . . . . . . . . .
5.4 Iteracoes sucessivas . . . . . . . . . . . . . . . . . . . . .
5.4.1 Pontos finalmente fixos . . . . . . . . . . . . . .
5.5 Estabilidade dos Pontos Fixos . . . . . . . . . . . . . . .
5.6 Orbitas
peri
odicas . . . . . . . . . . . . . . . . . . . . .
5.6.1 Estabilidade das orbitas periodicas . . . . . . . .
5.7 Solucoes numericas . . . . . . . . . . . . . . . . . . . . .
5.7.1 Uso de planilhas eletronicas . . . . . . . . . . . .
5.7.2 Programa de computador para iteracoes do modelo
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
181
181
182
184
185
186
187
188
190
190
191
194
195
195
197
201
203
206
207
208
209
211
214
220
220
223
226
227
229
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
discreto .
229
229
231
232
235
235
237
239
240
241
243
244
245
246
248
250
252
252
255
5.7.3
5.8
5.9
Uso de software matem

atico . . . . . . . . . . . . . . .
Exemplos em Economia: Modelos n
ao-lineares de teia de aranha
5.8.1 Modelo generalizado de teia de aranha . . . . . . . . .
5.8.2 Modelo generalizado com expectativas adaptativas . . .
5.8.3 Modelo sigmoide de Hommes . . . . . . . . . . . . . .
5.8.4 Pontos fixos e sua estabilidade . . . . . . . . . . . . . .
.
.
.
.
.
.
5.8.5 Determinacao numerica do ponto fixo . . . . . . . . .
Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
257
266
267
268
269
271
272
276
6 Modelos discretos bidimensionais

279
6.1 Modelos discretos bidimensionais lineares . . . . . . . . . . . . . . . 279
6.1.1 Solucao geral do modelo linear . . . . . . . . . . . . . . . . . 280
6.2 Estabilidade para modelos lineares . . . . . . . . . . . . . . . . . . . 281
6.2.1 Autovalores reais e distintos . . . . . . . . . . . . . . . . . . 284
6.2.2 Feixe de retas paralelas . . . . . . . . . . . . . . . . . . . 289
6.2.3 Autovalores complexos . . . . . . . . . . . . . . . . . . . . . 290
6.2.4 Criterio geral de estabilidade . . . . . . . . . . . . . . . . . 295
6.3 Classificacao dos pontos fixos . . . . . . . . . . . . . . . . . . . . 297
6.4 Exemplo em Economia: Modelo de multiplicador-acelerador de Samuelson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 298
6.4.1 Hipoteses e equacoes do modelo . . . . . . . . . . . . . . . . 298
6.4.2 Ponto fixo e sua estabilidade . . . . . . . . . . . . . . . . . . 299
6.5 Modelos discretos bidimensionais nao-lineares . . . . . . . . . . . . . 302
6.5.1 Pontos fixos . . . . . . . . . . . . . . . . . . . . . . . . . . 302
6.5.2 Orbitas
peri
odicas . . . . . . . . . . . . . . . . . . . . . . . 303
6.6 Solucoes numericas . . . . . . . . . . . . . . . . . . . . . . . . . . . 305
6.6.1 Uso de planilhas eletronicas . . . . . . . . . . . . . . . . . . 305
6.6.2 Programa de computador para iteracoes do modelo discreto . 306
6.6.3 Uso de software matematico . . . . . . . . . . . . . . . . . . 307
6.7 Estabilidade para modelos bidimensionais nao-lineares . . . . . . . . 311
6.7.1 Estabilidade dos pontos fixos . . . . . . . . . . . . . . . . . 311
6.7.2 Estabilidade dos pontos fixos do modelo de Henon . . . . 313
6.7.3 Estabilidade de orbitas periodicas . . . . . . . . . . . . . . . 315
6.8 Pontos hiperbolicos . . . . . . . . . . . . . . . . . . . . . . . . . . 318
6.9 Mapa inverso e iteracoes para tras . . . . . . . . . . . . . . . . 319
6.10 Direcoes e curvas invariantes . . . . . . . . . . . . . . . . . . . . . . 320
6.10.1 Curvas invariantes . . . . . . . . . . . . . . . . . . . . . . 321
6.11 Determinacao numerica de pontos fixos e sua estabilidade . . . . 323
6.12 Exemplo em Economia: Modelo discreto com curva de Phillips nao-linear 326
6.12.1 Pontos fixos e estabilidade . . . . . . . . . . . . . . . . . . 328
6.13 Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 331
7 Modelos discretos multidimensionais
7.1 Modelos multidimensionais lineares . .
7.2 Pontos fixos e estabilidade . . . . . . .
7.2.1 Criterio de Jury . . . . . . . .
7.2.2 Criterio de Schur . . . . . . . .
7.3 Exemplo em Economia: Multiplicadores
7.3.1 Modelo com tres pases . . . .
7.3.2 Estabilidade do ponto fixo . . .
6
335
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
numa economia aberta .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
335
336
338
341
343
343
347
7.4
7.5
7.6
7.7
7.8
II
7.3.3 Um caso particular: acoplamento unidirecional

Sub-espacos invariantes . . . . . . . . . . . . . . .
An
alise da estabilidade em alguns casos . . . . . . . .
7.5.1 Tres autovalores reais e distintos . . . . . . . .
7.5.2 Dois autovalores reais repetidos e outro distinto
7.5.3 Dois autovalores complexos e um real . . . . .
Modelos multidimensionais n
ao-lineares . . . . . . . .
7.6.1 Pontos fixos e orbitas periodicas . . . . . . . .
7.6.2 Estabilidade para modelos nao-lineares . . . .
7.6.3 Pontos Hiperbolicos . . . . . . . . . . . . . .
7.6.4 Variedades invariantes . . . . . . . . . . . . .
Exemplo em Economia: Triop
olio de Cournot . . .
7.7.1 Variaveis e hip
oteses do modelo . . . . . . .
7.7.2 Obtencao do modelo din
amico . . . . . . .
7.7.3 Ponto fixo e equilbrio de Cournot . . . . .
7.7.4 Estabilidade dos pontos fixos . . . . . . . .
7.7.5 Exemplo numerico . . . . . . . . . . . . . .
Exerccios . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Din
amica N
ao-Linear e Caos
348
349
350
350
351
352
354
354
355
356
357
358
358
359
360
361
363
364
367
8 Bifurcac
oes em modelos contnuos unidimensionais
8.1 Tipos elementares de bifurcacao . . . . . . . . . . . . . . . . . . .
8.2 Bifurcacao do tipo sela-no . . . . . . . . . . . . . . . . . . . . . .
8.2.1 Exemplo em economia: din
amica do mercado de trabalho
8.3 Bifurcacao do tipo transcrtica . . . . . . . . . . . . . . . . . . .
8.4 Exemplo em economia: modelo de crescimento de Solow . . . . .
8.5 Bifurcacoes do tipo forquilha . . . . . . . . . . . . . . . . . . . .
8.6 Exemplo em Economia: Modelo de Ciclos de Comercio . . . . . .
8.7 Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
369
9 Bifurca
c
oes em modelos discretos unidimensionais
9.1 Diagrama de bifurcacoes . . . . . . . . . . . . . . . . . . . .
9.1.1 Obtencao numerica do diagrama de bifurcacoes . . .
9.2 Tipos de bifurcacoes em modelos discretos unidimensionais
9.2.1 Bifurcacao de duplicacao de perodo . . . . . . . . .
9.2.2 Bifurcacao tangente . . . . . . . . . . . . . . . . . .
9.2.3 Bifurcacao transcrtica . . . . . . . . . . . . . . . . .
9.3 Cascata de bifurcacoes de duplicacao de perodo . . . . . .
9.3.1 Universalidade . . . . . . . . . . . . . . . . . . . . .
9.4 Teoria de renormalizacao . . . . . . . . . . . . . . . . . . .
9.5 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
391
391
392
397
398
401
403
404
406
409
412
10 Caos em modelos discretos unidimensionais

10.1 Comportamento caotico . . . . . . . . . . . .
10.1.1 Aperiodicidade . . . . . . . . . . . . .
10.1.2 Sensibilidade `
as condicoes iniciais . . .
10.2 Janelas peri
odicas . . . . . . . . . . . . . . .
10.2.1 Perodo 3 implica em caos . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
415
415
415
417
420
422
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
369
370
374
377
380
382
386
389
10.3
10.4
10.5
10.6
10.7
10.8
10.9
10.2.2 Sequencia-U . . . . . . . . . . . . . . . . . . . . . . . . . .
10.2.3 Derivada Schwarziana . . . . . . . . . . . . . . . . . . . .
Outras rotas para o caos . . . . . . . . . . . . . . . . . . . . . . .
10.3.1 Intermitencia . . . . . . . . . . . . . . . . . . . . . . . . .
10.3.2 Mecanismo da intermitencia do tipo I . . . . . . . . . . .
10.3.3 Crise . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Expoente de Lyapunov . . . . . . . . . . . . . . . . . . . . . . . .
10.4.1 Definicao . . . . . . . . . . . . . . . . . . . . . . . . . . .
10.4.2 Calculo do expoente de Lyapunov . . . . . . . . . . . . .
10.4.3 Um exemplo: o modelo discreto da tenda . . . . . . . . .
Determinacao numerica do expoente de Lyapunov . . . . . . . .
10.5.1 Uso do Maple . . . . . . . . . . . . . . . . . . . . . . . . .
10.5.2 Uso do Mathematica . . . . . . . . . . . . . . . . . . . . .
10.5.3 Uso do Matlab . . . . . . . . . . . . . . . . . . . . . . . .
10.5.4 Diagrama de bifurcacao de Lyapunov . . . . . . . . . . .
10.5.5 Uso do Mathematica . . . . . . . . . . . . . . . . . . . . .
Exemplo em Economia: Bifurcacoes e caos num modelo de teia
de aranha nao-linear . . . . . . . . . . . . . . . . . . . . . . . . .
10.6.1 Diagrama de bifurcacoes . . . . . . . . . . . . . . . . . . .
Transitividade e caos forte . . . . . . . . . . . . . . . . . . . . . .
10.7.1 O deslocamento de Bernoulli . . . . . . . . . . . . . . . .
10.7.2 Transitividade . . . . . . . . . . . . . . . . . . . . . . . .
10.7.3 Caos forte . . . . . . . . . . . . . . . . . . . . . . . . . . .
10.7.4 Conjugacao Topol
ogica . . . . . . . . . . . . . . . . . . .
Densidade de probabilidade . . . . . . . . . . . . . . . . . . . . .
10.8.1 Densidade de probabilidade do mapa logstico . . . . . . .
10.8.2 Expoente de Lyapunov e densidade de probabilidade . . .
Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
11 Bifurca
c
oes e caos em modelos discretos bidimensionais
11.1 Diagrama de bifurcacao para o modelo de Henon . . . . .
11.1.1 Cascata de bifurcacoes de duplicacao de perodo .
11.2 Sistemas conservativos e dissipativos . . . . . . . . . . . .
11.3 Atratores . . . . . . . . . . . . . . . . . . . . . . . . . . .
11.3.1 Atratores pontuais . . . . . . . . . . . . . . . . . .
11.3.2 Atratores caoticos . . . . . . . . . . . . . . . . . .
11.4 Mecanismo estica-e-dobra . . . . . . . . . . . . . . . . . .
11.5 Expoentes de Lyapunov . . . . . . . . . . . . . . . . . . .
11.5.1 Definicao . . . . . . . . . . . . . . . . . . . . . . .
11.5.2 Sistemas do tipo mestre-escravo . . . . . . . . .
11.5.3 Evolucao de uma area no plano de fase . . . . . . .
11.6 Determinacao numerica dos expoentes de Lyapunov . . .
11.6.1 Evolucao de vetores pelo modelo linearizado . . . .
11.6.2 Metodo de ortogonalizacao de Gram-Schmidt . . .
11.7 O modelo da ferradura de Smale . . . . . . . . . . . . . .
11.7.1 Conjunto invariante . . . . . . . . . . . . . . . . .
11.7.2 Dinamica simbolica . . . . . . . . . . . . . . . . . .
11.8 Emaranhado homoclnico . . . . . . . . . . . . . . . . . .
11.8.1 Direcoes e curvas invariantes . . . . . . . . . . . .
11.8.2 Determinacao numerica das curvas invariantes . .
8
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
423
424
426
426
428
430
436
436
437
438
439
441
441
442
442
445
446
447
455
455
458
460
461
463
464
465
466
469
469
472
473
476
477
477
480
481
481
483
485
487
487
490
494
495
497
499
499
499
11.8.3 Pontos homoclnicos . . . . . . . . . . . . . . .

11.9 A ferradura de Smale e o emaranhado homoclnico . .
11.10Pontos homoclnicos no atrator caotico de Henon . . .
11.11Exemplo em Economia: Modelo discreto para inflacao
prego com uma curva de Phillips nao-linear . . . . . .
11.11.1 Definicoes basicas . . . . . . . . . . . . . . . .
11.11.2 Curva de Phillips . . . . . . . . . . . . . . . . .
11.11.3 Construcao do modelo . . . . . . . . . . . . . .
11.11.4 Pontos fixos e sua estabilidade . . . . . . . . .
11.11.5 Diagrama de bifurcacoes . . . . . . . . . . . . .
11.11.6 Atrator caotico . . . . . . . . . . . . . . . . . .
11.12Problemas . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
e
.
.
.
.
.
.
.
.
. . . . .
. . . . .
. . . . .
desem. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
506
508
509
511
511
512
513
514
516
518
521
12 Fractais em modelos discretos bidimensionais

12.1 Fractais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
12.1.1 Auto-similaridade . . . . . . . . . . . . . . . . . . . . . .
12.1.2 Dimensao de contagem de caixas . . . . . . . . . . . . . .
12.1.3 Conjunto de Cantor . . . . . . . . . . . . . . . . . . . . .
12.1.4 Junta de Sierpinski . . . . . . . . . . . . . . . . . . . . . .
12.1.5 Curva de Koch . . . . . . . . . . . . . . . . . . . . . . . .
12.2 Atratores fractais . . . . . . . . . . . . . . . . . . . . . . . . . . .
12.2.1 Fractalidade do atrator de Henon . . . . . . . . . . . . . .
12.2.2 Atratores caoticos e atratores fractais . . . . . . . . . . .
12.2.3 Dimensao de Lyapunov . . . . . . . . . . . . . . . . . . .
12.3 Bacias de atracao . . . . . . . . . . . . . . . . . . . . . . . . . . .
12.3.1 Determinacao numerica da bacia de atracao . . . . . . . .
12.4 Fronteiras fractais de bacias de atracao . . . . . . . . . . . . . . .
12.5 Crise . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
12.5.1 Crise de fronteira . . . . . . . . . . . . . . . . . . . . . . .
12.5.2 Crise interior . . . . . . . . . . . . . . . . . . . . . . . . .
12.5.3 Crise de fusao de atratores . . . . . . . . . . . . . . . . .
12.6 Exemplo em Economia: Modelo para inflacao-desemprego com
curva de Phillips nao-linear . . . . . . . . . . . . . . . . . . . . .
12.6.1 Atrator no infinito e fronteiras fractais de bacia . . . . . .
12.6.2 Crises no modelo de Soliman . . . . . . . . . . . . . . . .
12.7 Exerccios e Problemas . . . . . . . . . . . . . . . . . . . . . . . .
525
525
525
526
528
529
530
532
532
534
536
536
537
542
544
544
547
547
13 Caos e fractais em modelos contnuos

13.1 Trajet
orias no Espaco de Fase . . . . . . . . .
13.2 Mapas de Poincare . . . . . . . . . . . . . . .
13.3 Sistemas conservativos e dissipativos . . . . .
13.3.1 Caso tridimensional . . . . . . . . . .
13.3.2 Caso multidimensional . . . . . . . . .
13.4 Atratores . . . . . . . . . . . . . . . . . . . .
13.4.1 Atratores pontuais . . . . . . . . . . .
13.4.2 Ciclos limite . . . . . . . . . . . . . .
13.5 Expoentes de Lyapunov . . . . . . . . . . . .
13.5.1 Caso tridimensional . . . . . . . . . .
13.5.2 Classificacao dos atratores . . . . . . .
13.6 Determinacao numerica do maior expoente de
555
555
556
558
558
560
561
561
563
566
567
568
570
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
Lyapunov
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
548
548
550
553
13.7 O modelo de Lorenz . . . . . . . . . . . . . . . . . . .

13.7.1 Pontos de equilbrio e sua estabilidade . . . . .
13.7.2 O atrator de Lorenz . . . . . . . . . . . . . . .
13.7.3 Determinacao do maior expoente de Lyapunov
13.7.4 Horizonte de predicao . . . . . . . . . . . . . .
13.7.5 Fractalidade do atrator de Lorenz . . . . . . .
13.8 Problemas . . . . . . . . . . . . . . . . . . . . . . . . .
A Pot
encias e exponenciais de matrizes
A.1 Autovalores reais e distintos . . . . .
A.2 Autovalores reais e iguais . . . . . .
A.3 Autovalores complexos . . . . . . . .
10
na
. .
. .
. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
571
572
574
577
580
581
582
forma de Jordan
583
. . . . . . . . . . . . . . 583
. . . . . . . . . . . . . . 584
. . . . . . . . . . . . . . 585
Introduc
ao
A din
amica econ
omica tem por finalidade estudar a evolucao temporal das
variaveis econ
omicas atraves de modelos matematicos. Por evolucao temporal entendemos o modo pelo qual tais variaveis mudam seus valores à medida
em que o tempo passa, de um valor inicial ate um valor final (que pode, eventualmente, ser um tempo infinitamente grande).
Na est
atica comparativa, estuda-se a evolucao das vari
aveis econ
omicas unicamente no incio e no final de um dado processo. No entanto, nao se cogita
como tais variaveis evoluem no intervalo entre esses tempos inicial e final. E
tal conhecimento e frequentemente t
ao importante como aquele fornecido pela
est
atica comparativa.
Consideremos, por exemplo, um modelo do tipo IS-LM, cuja analise est
atica
e feita em todos os textos de teoria macroecon
omica. As variaveis econ
omicas
s
ao a renda e a taxa de juros, e seus valores de equilbrio s
ao obtidos pela
intersecao das retas IS e LM para os mercados de bens e moeda. Se alterarmos
uma das duas variaveis os novos valores de equilbrio s
ao obtidos deslocandose as retas, o que muda a posicao do ponto de intersecao. Desejaramos, por
exemplo, saber mais: como as mudancas nao ocorrem instantaneamente qual
das duas variaveis chega mais rapidamente ao valor de equilbrio. Alem disso,
as variaveis convergem de forma monotonica ou com oscilacoes. Todas essas
perguntas s
o podem ser respondidas uma vez que um modelo din
amico seja
construido (o que sera feito no Cap. 2 desse livro).
Modelos em din
amica econ
omica s
ao amplamente utilizados na formulacao
de polticas macroecon
omicas, pois podem ser utilizados para estudar possveis
cenarios que ocorram em funcao de mudancas realizadas nas variaveis disponveis.
Por esse motivo, muitos dos exemplos a serem vistos nesse livro provem da
macroeconomia, mas ha tambem v
arias situacoes em microeconomia onde problemas din
amicos s
ao importantes, como na teoria de formacao de precos, ou
na din
amica da concorrencia. Na medida do possvel tentaremos manter um
equilbrio nessa distribuicao entre exemplos macro e microecon
omicos.
H
a diversas abordagens possveis no estudo da din
amica econ
omica. Uma
delas e a analise separada de processos fundamentais, como a din
amica da inflacao, a formacao de precos (teias de aranha), os modelos IS-LM, e assim por
diante. Outra abordagem, e que sera adotada neste trabalho, e tratar os modelos gradativamente, partindo dos mais simples em direcao aos mais complexos.
Fazemos isso introduzindo os metodos matematicos à medida em que sejam
necessarios, e usando os modelos como exemplos de utilizacao de tais metodos.
Num estudo de modelos din
amicos, seja em que area do conhecimento for,
ha v
arios aspectos envolvidos. Um deles e a descricao matematica da evolucao
temporal do sistema estudado, como ja vimos. Mas tambem sera possvel, uma
11
vez identificado o mecanismo subjacente à din

amica, efetuar previsoes sobre o
comportamento futuro do sistema. Esse aspecto da din
amica e particularmente
importante pela possibilidade que abre de controlar a evolucao do sistema, pela
manipulacao adequada das variaveis, no sentido de lev
a-lo a um estado futuro
desejado. Esse u
ltimo enfoque e fundamental na elaboracao e conducao de
polticas macroecon
omicas complexas, como inflation targeting por exemplo.
Este livro e dividido em duas partes complementares mas nao totalmente
interdependentes, cada qual com objetivos bem definidos, e que atendem a demandas diferentes de pesquisadores e estudantes de pos-graduacao.
Primeira Parte: M
etodos e Modelos em Din
amica Econ
omica
Na primeira parte desse trabalho (que vai dos Captulos 1 a 7) objetivamos a
apresentacao dos metodos basicos usados na din
amica econ
omica, procurando
sempre a maior generalidade, a fim de que o leitor possa us
a-los proveitosamente
no estudo dos modelos de seu proprio interesse. Alem do mais, nos exemplos que
apresentamos, procuramos nos deter rapidamente na derivacao dos modelos a
partir das hip
oteses econ
omicas adotadas, de modo a auxiliar o leitor a formular
seus pr
oprios modelos, dentro do assunto particular em que trabalhe.
A classificacao dos modelos econ
omicos seguira dois criterios: como o tempo
e tratado, e quantas variaveis relevantes s
ao utilizadas. O tempo e a variavel
central em modelos da din
amica econ
omica, e que podem ser classificados como
contnuos ou discretos, caso o tempo seja representado por uma variavel real
(contnua) ou inteira (discreta), respectivamente. No primeiro caso, temos as
chamadas equacoes diferenciais, enquanto no segundo, as equacoes a diferencas.
Ambas s
ao igualmente importantes na din
amica econ
omica, embora os modelos
discretos tendam a ser mais identificados com a maneira como os variaveis s
ao
obtidos na pratica. Dessa forma, os modelos contnuos constituem uma aproximacao, `
as vezes ate algo grosseira, mas que tem importancia devido à grande
quantidade de metodos matematicos disponveis para equacoes diferenciais.
Por raz
oes pedagogicas, introduzimos primeiramente os modelos contnuos,
ja que os conceitos matematicos envolvidos s
ao mais familiares aos estudantes
que tenham feito um curso basico de calculo diferencial e integral. Alem disso, a
apresentacao gr
afica dos resultados e mais direta para modelos onde o tempo e
uma variavel contnua. Num segundo momento abordamos os modelos discretos,
onde os conceitos e tecnicas matematicas s
ao às vezes muito parecidos, mas com
diferencas essenciais com modelos contnuos.
O segundo criterio de classificacao dos modelos em din
amica econ
omica e
o n
umero de variaveis de interesse. Adotaremos uma representacao geometrica
que introduz espaco abstrato, onde as dimensoes s
ao essas variaveis, tambem
chamado espaco de fase. Por exemplo, no modelo IS-LM comentado anteriormente, temos duas delas: a taxa de juros e a renda, donde o espaco de fase
e bidimensional, assim como o modelo. A maioria dos modelos em din
amica
econ
omica contidos em textos basicos de pos-graduacao s
ao uni e bidimensionais, donde o estudo dos mesmos e colocado em grande evidencia nesse trabalho
(Captulos 1, 2 e 3 para modelos contnuos, e Captulos 5 e 6 para modelos
discretos). No entanto, em estudos mais avancados (sobretudo em macroeconomia), aparecem modelos com tres ou ate mais dimensoes (Captulos 4 e 7 para
modelos contnuos e discretos, respectivamente).
Embora a metodologia deste livro nao seja essencialmente diferente da liter12
atura existente, adotei uma abordagem na linha da teoria dos sistemas din
amicos.
Essa u
ltima, que tem raizes nos trabalhos matematicos de Henri Poincare no
final do Seculo XIX, privilegia o conhecimento qualitativo das solucoes, em
oposicao `
a enumeracao de metodos gerais e particulares de solucao dos problemas din
amicos. Tal conhecimento enfatiza solucoes de equilbrio e sua estabilidade, bem como possveis alteracoes de tais solucoes, como as chamadas
bifurcacoes (que s
ao mudancas qualitativas na natureza das solucoes quando um
par
ametro e alterado).
N
ao obstante, em paralelo `
as definicoes e demais resultados teoricos apresentados, procurei tambem dar uma base ao leitor para que este possa obter
solucoes numericas aos seus modelos com o auxlio de diversos recursos computacionais. Essa e uma circunstancia motivada pelo fato que apenas modelos
lineares tem solucoes analticas fechadas, o que nos forca ao uso de metodos
numericos se o modelo contiver uma nao-linearidade. E modelos nao-lineares
s
ao realmente mais comuns na pratica, embora frequentemente o desejo da simplicidade nos leve ao uso de modelos lineares (tratados em especial cuidado no
Cap. 3).
Uma expressiva fracao da primeira parte pode ser usada num curso basico
de metodos quantitativos que enfatize os metodos da din
amica econ
omica. Em
particular, os captulos 1, 2, parte do Cap. 3, parte do Cap. 4, 5, 6 e parte do
Cap. 7, foram utilizados por mim em uma disciplina dessa natureza no curso
de pos-graduacao em desenvolvimento econ
omico da Universidade Federal do
Paran
a, onde dividi o programa com outro professor que desenvolveu t
opicos
em otimizacao. As secoes que constituem esse n
ucleo duro s
ao indicadas por
asteriscos no livro.
Ja a parte do captulo 3 que aborda trajet
orias cclicas, bem como as secoes
sem asterisco dos captulos podem ser usadas em uma disciplina optativa de
din
amica nao-linear aplicada `
a Economia, conforme descrevemos a seguir.
Segunda Parte: Din
amica N
ao-linear e Caos em Economia
A segunda parte do livro (Captulos 8 e seguintes) aborda t
opicos mais avancados
em din
amica econ
omica. As abordagens tradicionais (como o que e feito na
primeira parte do livro) tratam essencialmente dos pontos de equilbrio e sua
estabilidade, assim como de ciclos simples. V
arias evidencias econometricas,
entretanto, sugerem a existencia do que chamamos de din
amica complexa.
Uma dessas situacoes envolve as bifurcacoes que ocorrem nas solucoes de um
modelo quando um par
ametro e variado. Por exemplo, uma solucao de equilbrio
pode perder a sua estabilidade ou mesmo desaparecer nessas circunstancias. Ou
ent
ao as solucoes podem tornar-se mais complicadas, mesmo irregulares, como
no comportamento caotico.
A din
amica nao-linear, apos decadas de relativo abandono, sofreu um impulso consideravel em finais da decada de 70 com a disseminacao do uso de computadores pessoais para a solucao de modelos matematicos contnuos e discretos.
Solucoes caoticas s
o podem ser convenientemente estudadas com o auxlio do
computador, com o que profissionais de diversas areas tornaram sua atencao
para as novas perspectivas abertas pela din
amica nao-linear.
N
ao tardou muito para que os especialistas em din
amica econ
omica tambem
comecassem a investigar comportamentos complexos em modelos nao-lineares,
tanto discretos como contnuos. Por outro lado, acumulam-se evidencias econometricas
13
de que pode haver um componente determinstico e nao-linear em series econ

omicas
que justifique o interesse em solucoes caoticas, por exemplo.
A possibilidade de comportamento complexo aberta pela nao-linearidade dos
modelos econ
omicos, juntamente com sua observacao emprica em series temporais, torna a Dinamica N
ao-Linear um t
opico de grande interesse na din
amica
econ
omica a nvel de pesquisa e pos-graduacao. H
a v
arios textos sobre o assunto
na literatura, mas nenhum em portugues, na linha que adotamos neste trabalho.
Espero que a abordagem que utilizei, centrada nos aspectos qualitativos da teoria dos sistemas din
amicos, seja capaz de trazer o leitor a beleza conceitual e
a economia de linguagem que e ganha com esse enfoque. Mesmo o leitor que
ja tenha conhecimento nessa area, mas com um background dos textos mais
tradicionais, podera se beneficiar dessa forma atraente de estudar os sistemas
din
amicos.
O estudo de bifurcacoes e caos e particularmente simples em modelos discretos unidimensionais, sendo por eles que comecaremos nosso estudo sistematico
(Captulo 8). A extens
ao dos conceitos a sistemas multidimensionais e o objeto do Captulo 9. A identificacao de comportamentos din
amicos em series
econ
omicas e financeiras sera vista no Captulo 10. O Cap. 11 trata de bifurcacoes em modelos contnuos, ao passo que o Cap. 12 trata de modelos com
retardo.
Os conte
udos da segunda parte desse trabalho foram estruturados de forma
mais ou menos independente, tal que o professor possa us
a-los como subsdio
para uma disciplina optativa de Dinamica N
ao-Linear e Caos em Economia.
Alem disso, o pesquisador podera encontrar fontes conceituais e bibliograficas
para um aprofundamento ulterior, bem como temas recentes de pesquisa em
din
amica econ
omica complexa. Na medida do possvel, desejamos que o leitor
chegue a um ponto onde possa acompanhar uma parte da literatura recente
sobre din
amica econ
omica, como o Journal of Economic Dynamics, Journal of
Economic Behavior and Organization, entre outros.
14
Parte I
Primeira Parte: M
etodos e
Modelos em Din
amica
Econ
omica
15
Captulo 1
Modelos contnuos
unidimensionais
Na Economia, a determinacao dos valores assumidos pelas variaveis din
amicas
ocorre a intervalos de tempo discretos, que correspondem a anos, meses, safras,
estacoes, etc. Ent
ao podemos dizer que modelos discretos seriam mais adequados, sob o ponto de vista da modelagem macro e microecon
omica. No entanto, em v
arios problemas e conveniente supor que o tempo seja uma variavel
contnua, de modo que a evolucao das variaveis din
amicas seja ditada por
equacoes diferenciais, e possamos usar o vasto repert
orio de ferramentas disponveis
do calculo diferencial e integral. Formalmente, supomos que os intervalos de
tempo sejam t
ao pequenos (em comparacao com a escala de tempo relevante
da situacao estudada) que possamos substituir intervalos finitos de tempo por
intervalos infinitesimais.
1.1
Equac
oes diferenciais
Admitimos a existencia de apenas uma variavel econ

omica, que dependa do
tempo continuamente: x = x(t), onde tanto x como t s
ao n
umeros reais. A taxa
instant
anea de variacao temporal de x, que e sua derivada dx/dt, e considerada
como uma funcao f da variavel x no instante t:
dx(t)
= f (x(t), t),
dt
(1.1)
onde dizemos que o tempo t e a variavel independente, enquanto x e a variavel

dependente. A eq. (1.2) e uma equacao diferencial de primeira ordem em
relacao ao tempo, pois temos apenas uma derivada de ordem 1. Em diversos
problemas de interesse econ
omico a funcao f nao depende do tempo diretamente,
e focalizaremos inicialmente apenas este tipo de equacao, que chamamos de
autonoma:
dx
= f (x).
(1.2)
dt
Como as equacoes diferenciais surgem em modelos de din
amica econ
omica?
Vimos que, em princpio, qualquer modelo din
amico, seja em macro ou em microeconomia, e um modelo discreto, visto que o tempo e sempre uma variavel
17
amostrada em intervalos finitos (dias, meses, anos, etc.), ou seja t = 0, 1, 2, . . ..

Vamos designar por xt o valor da variavel x no instante t (para distinguir formalmente do valor da funcao x(t) num modelo contnuo). Um modelo din
amico
discreto pode ser encarado como uma regra que, dado o valor de x no instante
t 1, fornece o valor de x no instante de tempo posterior t;
xt = F (xt1 ),
(1.3)
onde F (.) e uma funcao arbitraria do seu argumento. A partir do captulo 5,

estudaremos com mais detalhes os modelos discretos baseados nesse tipo de
equacao, tambem denominada equacao a diferencas, mapeamento, ou simplesmente mapa.
Vamos supor que o intervalo de tempo seja pequeno o suficiente de modo que
possamos substitui-lo por uma diferencial: t dt. A raz
ao entre a variacao
de x e a variacao do tempo, ou raz
ao incremental, sera
xt xt1
x
=
.
t
t
(1.4)
Como estamos interessados no caso em que o tempo e uma variavel contnua,

formalmente tomamos o limite t 0, e a raz
ao incremental torna-se a derivada
de x(t) em relacao `
a variavel t:
x
dx
xt xt1
= lim
=
.
t0 t
t0
t
dt
lim
(1.5)
Dada uma condicao inicial, ou seja, um valor para a variavel x no instante

inicial t = 0, denotada x0 = x(0), podemos (sob determinadas condicoes que
discutiremos mais tarde) encontrar uma solucao para a equacao (1.2), que designaremos por x = x(t). Em princpio, conhecida a funcao f (x), e desde que
ela seja diferenciavel no intervalo de tempo considerado, podemos integrar a
equacao (1.2) diretamente para obter a solucao, na forma implcita, como
Z
x
x0
dx
=
f (x )
dt = t,
(1.6)
onde x e uma variavel de integracao (muda). Nem sempre podemos efetuar

analiticamente a integral acima, para uma funcao f (x) arbitraria, mas quase
sempre sera possvel efetuarmos numericamente esta integral, de modo que seja
possvel conhecer o valor de x para qualquer tempo t posterior (ou anterior),
dentro de um certo domnio.
Embora um acompanhamento detalhado da evolucao din
amica da variavel
x(t) requeira uma solucao explcita (analtica ou numerica) da equacao (1.6),
frequentemente sera suficiente investigarmos propriedades gerais destas solucoes.
Por exemplo, em Dinamica Economica interessam-nos as chamadas solucoes de
equilbrio ou estacion
arias, para as quais as variaveis econ
omicas nao mudam
com o passar do tempo. Alem disso, e importante conhecer a estabilidade de
tais solucoes, ou seja, como elas se comportam quando variamos ligeiramente os
par
ametros e as condicoes iniciais do modelo. Como veremos, tais informacoes
s
ao `
as vezes ate mais importantes do que o conhecimento detalhado da solucao
x(t), e muitas vezes mais faceis de serem obtidas.
18
1.1.1
Equa
c
oes diferenciais lineares
Um tipo particularmente importante de equacao diferencial e

dx
= ax + b,
dt
(1.7)
onde a e b s
ao constantes. A sua solucao geral e dada por
b
x(t) = Ceat ,
a
(1.8)
onde C e uma constante, como podemos verificar por substituicao direta: a

derivada de (1.8) e

dx
b
d
Ceat
= Caeat
=
dt
dt
a

b
+ b = ax + b.
(1.9)
= a Ceat
a
Como a equacao (1.7) e de primeira ordem em relacao ao tempo, a sua
solucao geral (1.8) tem uma constante de integracao C arbitraria. Ela pode ser
fixada a partir da condicao inicial que adotamos: x(t = 0) = x0 . Como
x(0) = C
b
= x0 ,
a
(1.10)
segue-se que a constante de integracao e

b
C = x0 + ,
a
de forma que podemos reescrever a solucao geral (1.8) como

b
b
x(t) = x0 +
eat .
a
a
(1.11)
(1.12)
O comportamento desta solucao geral depende do sinal do par

ametro a. Se
a > 0, a solucao x(t) e uma funcao monotonicamente crescente do tempo, e na
verdade vai a infinito (diverge) quando t [Fig. 1.1(a)]. Por outro lado,
se a < 0, a solucao x(t) tende, assintoticamente, ao valor b/a = +b/|a| para
tempos muito grandes, tambem de forma monotonica [Fig. 1.1(b)]. Em ambos
os casos, o comportamento assint
otico nao depende da condicao inicial.
O caso particular quando b = 0 e muito comum na pratica, descrevendo uma
situacao onde a taxa de variacao de uma grandeza e proporcional ao valor atual
da propria grandeza:
dx
= ax,
(1.13)
dt
sendo a a constante de proporcionalidade. A solucao (1.12), dada a condicao
inicial x0 , e simplesmente
x(t) = x0 eat ,
(1.14)
e representa, para a > 0, um crescimento exponencial; ao passo que, se a < 0,
um decrescimento exponencial, tal que x tende a zero quando o tempo tende a
infinito.
19
18
(a)
x01
(b)
5
12
4
x(t)
x(t)
3
6
2
x0
0
x02
0
10
15
20
Figura 1.1: Solucoes do fluxo linear x = ax + b quando (a) a = 0, 25 > 0, b = 1

e x0 = 2; (b) a = 0, 25 < 0, b = 1 e as condicoes iniciais x01 = 6 e x02 = 0, 5,
sendo o valor assint
otico b/|a| = 4.
1.1.2
Exist
encia e unicidade das solu
c
oes
A equacao diferencial x = f (x) admite, a partir da condicao inicial x0 , uma

e somente uma solucao. Esta afirmacao baseia-se no teorema de existencia e
unicidade para equacoes diferenciais [1, 2, 3].
Teorema 1 (Exist
encia e Unicidade) Considere a seguinte equaca
o diferencial (problema de valor inicial):
dx
= f (x),
dt
x(0) = x0 ,
Suponha que f (x) e sua derivada f (x) sejam funco

es contnuas em um intervalo
aberto I do eixo real, e suponha que x0 I. Ent
ao o problema de valor inicial
tem uma soluca
o x(t) para algum intervalo de tempo (, ) centrado em t = 0;
e a soluca
o e u
nica.
Em outras palavras, o teorema de existencia e unicidade garante que existe
um limite finito para o intervalo de tempo, no qual uma solucao x(t) existe
e e u
nica, desde que a funcao f (x) seja suficientemente suave. Por suficientemente suave, queremos dizer que f (x) nao tenha pontos dentro do intervalo R
onde a derivada nao exista. Um exemplo pode ser visto na figura 1.9(b), onde
mostramos o diagrama de fase da equacao
(
+x, se x 0,
x = |x| =
(1.15)
x, se x < 0.
No ponto x = 0 o campo vetorial f (x) = |x| nao e suave, pois a sua derivada
a esquerda de x = 0 vale 1, enquanto à direita vale +1. Como as derivadas
`
a direita e `
`
a esquerda nao coincidem, a derivada de f (x) nao existe no ponto
x = 0. Neste caso o teorema de existencia e unicidade nao se aplica para toda
condicao inicial x0 pertencente a um intervalo aberto arbitrario que contenha
o ponto x = 0. Em outras palavras, nao podemos garantir a priori que exista
uma solucao, e nem que esta solucao (caso exista) seja u
nica. A mesma coisa
ocorre quando f (x) nao e contnua em algum ponto do seu domnio.
20
x
1
(b)
(a)
t
0
/2
/2
-1
-2
-1
-2
-1
Figura 1.2: (a) Diagrama de fase de x = x1/3 . (b) Uma solucao para x = 1 + x2 .
Consideremos, agora, a equacao

x = x1/3 .
(1.16)
O ponto x = 0 e um ponto de equilbrio, logo e uma solucao possvel para a

condicao inicial x0 = 0. No entanto, podemos facilmente encontrar uma segunda
solucao para a mesma condicao inicial. Para tal, separamos variaveis de modo
que possamos integrar separadamente os dois membros da equacao:
Z
Z
dx
=
dt
x1/3
3 2/3
= t + C,
x
2
onde fundimos as constantes de integracao das duas integrais em uma s
o (C) .
Como x(t = 0) = 0, temos que C = 0. Logo
x(t) =
2
t
3
3/2
(1.17)
tambem e uma solucao possvel, violando a unicidade das solucoes. Na verdade,

neste exemplo podemos encontrar um n
umero infinitamente grande de solucoes,
a partir da mesma condicao inicial x0 = 0. O diagrama de fase da equacao
(1.16), mostrado na figura 1.2(a), indica que: (i) o ponto de equilbrio x = 0 e
instavel; (ii) como o gr
afico de f (x) e tangente ao eixo das ordenadas, a derivada
f (0) e infinita. Neste caso, o teorema de existencia e unicidade tambem nao
pode ser utilizado, pois f (x) nao e contnua em x = 0.
Outro ponto relevante e que o teorema de existencia e unicidade nao garante
a existencia de solucoes para um tempo arbitrariamente grande. Ele apenas
afirma a existencia de um tempo maximo para o qual as solucoes existem
dentro do intervalo (, + ) centrado em t = 0. Um exemplo de solucao que
existe apenas ate um tempo finito e apresentado pela equacao
x = 1 + x2 .
(1.18)
Aqui, novamente, podemos separar variaveis para integrar ambos os lados:

Z
Z
dx
=
dt
1 + x2
arctan x = t + C.
21
Com a condicao inicial x(0) = x0 = 0 obtemos C = 0. Logo, a solucao e

dada por
x(t) = tan t.
(1.19)
Pelas propriedades da funcao tangente, sabemos que a solucao acima somente
existe no intervalo de tempo /2 < t < +/2, ja que a tangente vai a infinito
nos pontos /2, e a solucao x(t) diverge nestes pontos [Figura 1.2(b)]. Logo,
mesmo o teorema de existencia e unicidade sendo aplicavel neste caso, nao se
garante a existencia de solucoes para tempos arbitrariamente. Neste exemplo,
o teorema aplica-se somente ate = /2.
1.1.3
Diagramas de fase
possvel determinar analiticamente as solucoes de modelos contnuos unidiE

mensionais da forma
dx
= f (x),
(1.20)
dt
mesmo quando a funcao f (x) e nao-linear, embora este procedimento esteja
limitado a relativamente poucos casos, como a equacao logstica. Mesmo em
casos onde nao podemos encontrar uma solucao analtica fechada, ou ainda em
casos onde essa solucao possa existir mas seja muito complicada, podemos usar
tecnicas que focalizam nao a solucao em si, mas comportamentos qualitativos
gerais das mesmas, como equilbrio e estabilidade. Uma tecnica apropriada
para isso e a do diagrama de fase, e que permite uma serie de conclus
oes u
teis
a respeito do sistema, prescindindo de uma solucao analtica ou numerica para
todos os instantes de tempo.
O diagrama de fase e um gr
afico da funcao f (x) versus x. Se x fosse interpretado como a posicao de uma partcula hipotetica movendo-se numa reta,
ent
ao x = dx/dt seria sua velocidade. Logo, a funcao f (x) forneceria o valor da
velocidade da partcula para qualquer valor de sua posicao. Como a velocidade e uma grandeza vetorial (isto e, tem intensidade, direcao e sentido), usa-se
comumente o termo campo vetorial para f (x). Desenhamos flechas no eixo x
para indicar o sentido da velocidade para cada valor de x: as flechas apontam
para a direita se x e positivo, e para a esquerda se x for negativo.
Considere a chamada equacao logstica, que sera vista com mais detalhes na
pr
oxima secao
dx
= rx(1 x).
(1.21)
dt
O diagrama de fase est
a representado na figura (1.3): o gr
afico de f (x) =
rx(1 x) e uma par
abola com concavidade para cima, quando r > 0, e que
intercepta o eixo das abscissas no ponto x = 1. Como x tem valores positivos
e negativos, as flechas tambem apontam em sentidos alternados. Por exemplo,
para x entre 0 e 1, como x > 0 a flecha aponta para a direita, indicando que,
se uma partcula hipotetica fosse colocada em qualquer ponto x dentro desse
intervalo, a sua velocidade seria para a direita, fazendo a partcula deslocar-se
nessa direcao. Isso ocorre para qualquer ponto deste intervalo, ent
ao podemos
pensar nas partculas como uma especie de fluido que desloca-se para a direita
em direcao ao ponto x = 1.
Como, no intervalo seguinte x > 1 o fluido escoaria para a esquerda (ja
que x < 0), podemos imaginar que o ponto x = 1 funciona como um ralo, ou
22
.
x
Figura 1.3: Diagrama de fase do fluxo x = rx(1 x)
sumidouro desse fluido imagin

ario, que identificamos como o fluxo das solucoes
da equacao diferencial (1.27). A forma exata de como o fluxo se comporta
depende, e claro, da solucao x(t). Entretanto, se o que nos interessa e apenas o
comportamento geral da solucao, podemos dizer imediatamente que uma solucao
x(t) cuja condicao inicial pertence ao intervalo aberto 0 < x < 1 tende, com o
passar do tempo para o ponto x = 1.
Este e um exemplo de ponto de equilbrio, como veremos na proxima secao.
Neste caso, se colocassemos a condicao inicial exatamente em x = 1, a solucao
gerada seria simplesmente x(t) = 1 para todos os tempos posteriores. Alem
disso, x = 1 e um ponto est
avel, pois qualquer perturbacao do mesmo geraria
uma nova condicao inicial na sua vizinhanca, e a solucao que resultaria dessa
nova condicao inicial tenderia a voltar ao ponto x = 1. Assim como as solucoes
aparentam ser atraidas pelo ponto x = 1, elas parecem ser repelidas pelo ponto
x = 0. O ponto x = 0 tambem e um equilbrio possvel (se nos inici
assemos
a trajet
oria exatamente em x = 0, ela permaneceria nesse ponto para todos os
tempos posteriores), mas ele e instavel, pois qualquer pertubacao nos levaria
para longe de x = 0.
1.2
Exemplos em economia: modelos de crescimento populacional
Modelos de crescimento populacional est

ao presentes em varias aplicacoes em
economia. Alem disso, eles se constituem em ilustrativas aplicacoes dos conceitos
e tecnicas empregadas em modelos contnuos unidimensionais.
1.2.1
Crescimento exponencial
Uma populacao biol

ogica com alimento suficiente, espaco para crescer e ausencia
de predadores reproduz-se e aumenta exponencialmente, de acordo com o modelo que veremos a seguir. Numa populacao animal, por exemplo, e costume
fazer a contagem a tempos regulares, como anos ou meses, os quais podemos
representar por uma variavel discreta t = 0, 1, 2, . . .. Vamos designar por Pt o
23
10
1
(a)
(b)
8
0,8
P(t)/P0
P(t)/P0
7
6
5
4
0,6
0,4
3
2
0,2
1
0
10
15
20
Figura 1.4: Solucoes do modelo Malthusiano quando (a) r = 0, 3 > 0; (b)

a = 0, 3 < 0.
tamanho da populacao no instante t. Quando a populacao e pouco numerosa,

a cada perodo t esta aumenta de um n
umero R, que e da ordem de 2 a 3 para
mamferos de pequeno porte. Logo, a populacao num instante t e dada, em
funcao da populacao no instante anterior, t 1, pela relacao
Pt = RPt1 .
(1.22)
Subtraindo Pt1 em ambos os membros de (1.22) e dividindo por t = 1, temos

uma raz
ao incremental
Pt Pt1
1
Pt
t
RPt1 Pt1
(R 1)Pt1 .
Formalmente, tomando o limite quando t 0, obtemos a derivada da

funcao populacao P (t), a qual satisfaz a seguinte equacao diferencial:
dP
= rP,
dt
(1.23)
r R1
(1.24)
onde
e a taxa de crescimento da populacao, igual à diferenca entre a taxa de natalidade e mortalidade. Se a primeira e maior do que a segunda (nascem mais
indivduos do que morrem), a taxa r e positiva; caso contrario r e negativa.
A equacao (1.23) e linear da forma (1.13), donde sua solucao e, de (1.14),
dada por
P (t) = P0 ert ,
(1.25)
sendo P0 = P (t = 0) a condicao inicial. Caso r > 0 essa solucao implica num
crescimento exponencial, ou seja, aumento ilimitado da populacao [Fig. 1.4(a)].
Se r < 0, por outro lado, o decrescimo e exponencial, com a populacao extinta
a longo prazo [Fig. 1.4(b)].
Associamos esse modelo ao nome de Thomas Malthus que, em seu Ensaio
sobre o princpio da populacao (1798), estimou que a populacao da Inglaterra
24
(b)
P/P
(a)
P(t)/P0
r
4
P
1
10
20
30
Figura 1.5: (a) Taxa de crescimento per capita no modelo de crescimento

logstico.(b) Aumento populacional no modelo de crescimento logstico (1.33)
com r = 0, 3 e K = 5P0 . A curva tracejada refere-se ao modelo de crescimento
exponencial com o mesmo valor de r.
dobrava seu valor a cada intervalo de 25 anos. Tomando t = 25 em (1.25), temos

que a populacao sera o dobro da inicial quando
P (t = 25) = P0 e25t = 2P0 ,
de modo que, simplificando P0 e aplicando logaritmos neperianos em ambos os
membros, obtemos
ln 2
0, 028,
t=
25
o que equivale a uma taxa de crescimento ligeiramente positiva. O crescimento ilimitado da populacao preconizado pelo modelo exponencial fez com
que Malthus previsse para o futuro fome e miseria, uma vez que a producao de
alimentos nao seguiria a mesma progress
ao que o aumento populacional.
1.2.2
Crescimento logstico
Pierre-Francois Verhulst sugeriu, em 1838, que a previsao de Malthus exagerava

na capacidade que uma populacao tem de se multiplicar, dentro de restricoes
naturais. Na verdade, ha v
arios fatores que limitam o n
umero de indivduos que
podem co-habitar em uma regi
ao geogr
afica limitada, e com uma capacidade
limitada de producao de alimentos. A taxa de crescimento per capita P /P , que
era uma constante (r) no modelo de Malthus, diminuiria na medida em que a
populacao aumentasse, podendo inclusive tornar-se negativa se P fosse maior
que um valor limite K, denominado capacidade de sustentaca
o [3].
Verhulst ainda propos que, se a populacao fosse pequena o suficiente, a
sua taxa de crescimento seria praticamente igual ao valor Malthusiano r. Numa
primeira aproximacao, a taxa de crescimento diminuiria linearmente com a populacao [Figura 1.5(a)]:

P
P
,
(1.26)
=r 1
P
K
de modo que, quando a populacao se aproximasse do seu valor limite K, essa
taxa seria muito pequena, e inclusive poderia ser negativa se, eventualmente, a
25
populacao excedesse K. Passando P para o segundo membro, decorre imediatamente a chamada equaca
o logstica

dP
P
.
(1.27)
= rP 1
dt
K
Vamos definir uma populacao reduzida dividindo-a pelo seu valor crtico
K, que e a capacidade de sustentacao.
x
P
,
K
(1.28)
Desta forma, enquanto P mede-se em n

umero de habitantes, x torna-se uma
quantidade normalizada, ou seja, e um n
umero sem unidades. Com esta redefinicao, temos que mudar tambem a derivada temporal que, pela regra da
cadeia, fornece
dP dx
dx
dP
=
=K ,
(1.29)
dt
dx dt
dt
a qual, substituida em (1.27) fornece,
K
dx
= rKx(1 x),
dt
Apos a divis
ao de ambos os membros por K teremos a equacao logstica normalizada
dx
= rx(1 x).
(1.30)
dt
Essa equacao, embora seja nao-linear, pois contem um termo quadratico, tem
a particularidade de poder ser resolvida analiticamente. Separando as variaveis,
como em (1.6), e integrando a partir da condicao inicial x(0) = x0 :
Z
x
x0
dx
=
x(1 x)
rdt
(1.31)
Como r e constante, a segunda integral fornece simplemesmente rt. Ja a integral

no primeiro membro pode ser encontrada numa tabela de integrais [4],

x

x
= rt
ln
x 1 x 0
Pela definicao de integral definida,

x x0 1
ln
x0 x 1
x x0 1
x0 x 1
x(x0 1)
rt
ert
ert x0 (x 1).
Finalmente, isolando a variavel x obtemos, apos uma algebra elementar, a

solucao geral da equacao logstica
x(t) =
x0
.
x0 + (1 x0 )ert
26
(1.32)
Tabela 1.1: Populacao dos Estados Unidos (em milh

oes de habitantes). As
derivadas foram calculadas a partir da prescricao de intervalos simetricos
(1.34)[5].
Para as aplicacoes demograficas a serem detalhadas na pr
oxima sub-secao,
sera conveniente retornar `
a variavel original P = Kx. Colocando em (1.32)
teremos
P
P0 /K

= P0
K
+
1 PK0 ert
K
onde P0 = Kx0 e a populacao inicial, de modo que, multiplicando ambos os
membros por K chega-se a
P (t) =
KP0
P0 + (K P0 )ert
(1.33)
a qual e mostrada na figura 1.5(b); onde tambem nos comparamos a solucao

de (1.27) com a previsao do modelo Malthusiano, de crescimento exponencial,
para o mesmo valor de r > 0. Vemos que, para populacao pequena, ambos
os modelos produzem resultados muito parecidos. Para valores maiores de P ,
entretanto, os modelos v
ao fornecendo solucoes progressivamente divergentes.
Em particular, o modelo logstico preve que, para t , a populacao realmente
aproxima-se assintoticamente da capacidade de sustentacao K, como imaginado
por Verhulst. Com efeito, tomando o limite t em (1.33), obtemos
lim P (t) =
1.2.3
KP0
= K.
P0 + 0
Modelo logstico e o crescimento demogr

afico
Verhulst dispunha, em 1840, dos dados referentes aos primeiro cinco recenseamentos feitos nos Estados Unidos [vide Tabela 1.1], e com base neles ajustou a
27
P(t) (milhes de habitantes)
300
250
200
150
100
dados do censo
ajuste ao modelo logstico (at 1940)
50
0
1790
1840
1890
1940
ano
1990
2040
2090
Figura 1.6: Crescimento populacional nos Estados Unidos de acordo com o modelo logstico (1.33). Os smbolos representam os valores constantes da Tabela
1.1.
curva de crescimento populacional previsto pelo modelo logstico, Eq. (1.33) [5].
Com isso, fez uma previsao para a populacao americana em 1940 (um seculo
depois) que foi verificada com um erro menor do que 1%. No entanto, como
podemos observar pela figura 1.6, foi justamente apos o censo de 1940 que os
dados comecaram a nao ser mais descritos pelo modelo logstico. Pelo contrario,
os dados mais recentes sugerem que o crescimento americano pode ser melhor
descrito pelo modelo exponencial Malthusiano.
Na figura 1.6, a curva representando a solucao prevista pelo modelo logstico
foi obtida a partir da analise dos dados da Tabela 1.1 somente ate 1940 [5]. A
Para estimar os par
ametros do modelo necessarios ao ajuste da curva logstica,
foi necessario inicialmente estudar a dependencia da taxa de aumento per capita
em funcao da populacao, conforme a Eq. (1.26). Inicialmente temos de estimar
os valores das derivadas dP/dt a partir dos dados disponveis. Podemos usar
diferencas simetricas, como ilustrado pela Fig. 1.7(a), tal que a derivada a um
dado ano do censo e aproximadamente a taxa de variacao comecando 10 anos
antes, e terminando 10 anos depois. Por exemplo, o valor da derivada em 1830
sera

dP
dt
=
t=1830
P (1840) P (1820)
17, 069 9, 638
=
= 0, 37155,
1840 1820
20
(1.34)
de modo que podemos calcular a raz

ao P /P para todos os anos, desde que
conhecamos pelo menos o valor da populacao um ano antes e um ano depois.
Por isso, para o perodo entre 1790 e 1940 nos computamos os dados entre 1800
e 1930, conforme as duas u
ltimas colunas na Tabela 1.1. Com estes dados,
construimos o gr
afico de P /P versus P [Fig. 1.7(b)]. Usando regress
ao linear,
28
00
11
11
00
00
11
0,035
(a)
(b)
0,03
0,0318 - 0,00017 P
11
00
00
11
00
11
P/P (por ano)
0,025
11
00
00
11
0,02
0,015
0,01
0,005
1820
1830
50
100
150
P (milhes de habitantes)
1840
Figura 1.7: (a) Determinacao da derivada a partir de intervalos simetricos. (b)

P /P versus P para os dados do censo americano, de 1790 a 1940. A reta foi
obtida a partir de regress
ao linear.
podemos ajustar uma reta aos dados

dP/dt
= 0, 0318 0, 00017P.
P
(1.35)
Comparando a equacao da reta ajustada aos dados com (1.26), concluimos

que o par
ametro r e o coeficiente linear da reta ajustada, ou seja, 0, 0318; ao
passo que a capacidade de sustentacao K = r/m = 187, 9, onde m = 0, 00017
e o coeficiente angular da reta ajustada. A curva na Figura 1.6 foi construida a
partir desses valores, mais P0 = 3, 929, que era a populacao quando o censo foi
iniciado em 1790 (considerado o ponto onde t = 0). Observamos que a populacao
maxima prevista pelo modelo logstico, K = 187, 9 milh
oes de habitantes, seria
atingida por volta do ano 2050. O fato dos dados ajustarem-se bem ao modelo
logstico somente ate 1940 indica que os pressupostos de Verhulst nao mais se
aplicariam nos anos posteriores. Realmente, a partir do final da Segunda Guerra
Mundial, houve um aumento populacional sem precedentes nos Estados Unidos
(chamado baby-boom), causado pelo otimismo originado pela vitoria militar
acompanhada pelo progresso econ
omico.
1.3
Pontos de equilbrio e estabilidade
Podemos, pois, formalizar estas observacoes. A partcula hipotetica que usamos

na secao anterior para exemplificar o comportamento das solucoes e chamada
de ponto de fase, e a solucao x(t) (a partir de uma dada condicao inicial) e
tambem denominada de trajet
oria de fase. O ponto de equilbrio, ou ponto fixo,
denotado por x , da equacao dx/dt = f (x), e definido pela condicao
x = f (x ) = 0,
(1.36)
ou seja, se colocarmos uma condicao inicial exatamente sobre ele x0 = x , a

solucao seria
x(t) = x = constante,
(1.37)
29
para todos os tempos posteriores. De (1.36) vemos imediatamente que os pontos fixos, no diagrama de fase, podem ser identificados como os zeros do campo
vetorial f (x), ou seja, os pontos onde o gr
afico de f (x) intercepta o eixo horizontal.
Mesmo uma vez conhecida uma solucao de equilbrio, interessa-nos saber
como ela se comporta quando alteramos ligeiramente as condicoes iniciais do
problema. Uma analogia fsica permite entender melhor essa quest
ao: uma
banqueta com tres pernas seguramente representa uma situacao de equilbrio.
Melhor ainda: esse equilbrio e est
avel, pois se retirarmos ligeiramente a banqueta dessa situacao (tombando-a por um pequeno angulo, por exemplo), ela
voltar
a com o tempo `
a situacao original de equilbrio. E e por isso mesmo
que a banqueta e u
til. Considere, no entanto, que a banqueta tivesse apenas
uma perna. Do ponto de vista puramente mec
anico, esta ainda e uma solucao
de equilbrio (um equiibrista, por exemplo, poderia manter-se sobre ela com a
necessaria habilidade). No entanto, ninguem gostaria de sentar-se numa banqueta assim! Por que? Pois ela e instavel, ou seja, se retirarmos ligeiramente
a banqueta da sua posicao de equilbrio ela tombar
a rapidamente. A moral
da historia e que nao basta encontrarmos solucoes de equilbrio; e mister que
saibamos se s
ao ou nao est
aveis.
A determinacao da estabilidade de um ponto de equilbrio de um modelo
contnuo unidimensional pode ser feita de duas formas: qualitativamente, pela
observacao do diagrama de fase; e quantitativamente: pela analise do comportamento de pequenos desvios em relacao à solucao de equilbrio. Este segundo
metodo e, de certa forma, uma formalizacao do procedimento ilustrado anteriormente pelo problema da banqueta. Para verificar a estabilidade da sua posicao
de equilbrio, nos perturbamos a mesma e verificamos o que ocorre: se o
desvio, quando tombamos ligeiramente a banqueta, diminui tendendo a zero
com o passar do tempo, o equilbrio e est
avel. Caso contrario, se o desvio aumenta com o tempo, levando o sistema para longe da solucao de equilbrio, o
mesmo sera instavel.
Seja x um ponto de equilbrio do campo vetorial x = f (x). Para investigarmos sua estabilidade consideramos uma solucao proxima ao ponto de equilbrio,
na forma
x(t) = x + (t),
(1.38)
onde (t) e uma funcao definida como sendo o desvio da solucao em relacao ao
ponto de equilbrio. Como estamos supondo que a solucao x(t) nao difere muito
da de equilbrio, os desvios correspondentes devem ser sempre pequenos, ou
seja, o valor absoluto da funcao, |(t)|, deve ser sempre muito menor que o valor
absoluto da solucao de equilbrio |x |. Na pratica, basta exigir que |(t)| 1
para todos os tempos t dentro de um intervalo suficientemente longo. Logo,
este metodo investiga a estabilidade local, ou seja, apenas nas proximidades do
ponto de equilbrio.
Em seguida, estudamos o comportamento dos desvios (t) = x(t) x com
o passar do tempo. Isso pode ser feito linearizando, como veremos, o campo
vetorial na vizinhanca proxima a x , e analisando a solucao que, neste caso,
pode ser obtida imediatamente. Caso os valores absolutos dos desvios |(t)|
diminuirem gradualmente com o tempo, retornamos ao ponto de equilbrio que,
neste caso, e dito assintoticamente est
avel. Caso contrario, se as perturbacoes
aumentam com o tempo em valores absolutos, o ponto de equilbrio sera ent
ao
30
f (x ) < 0
f (x ) > 0
f (x ) = 0
x e est
avel
x e instavel
o criterio de linearizacao falha
Tabela 1.2: Estabilidade do ponto de equilbrio de um modelo contnuo unidimensional

dito inst
avel.
Substituindo x(t) = x + (t) na equacao diferencial x = f (x) temos
d
d
dx
= (x(t) x ) =
= f (x) = f (x + ),
dt
dt
dt
(1.39)
ja que, sendo x uma constante, sua derivada temporal e nula. Se os desvios

forem suficientemente pequenas (|(t)| 1) nos podemos expandir o campo
vetorial f (x) em serie de Taylor em torno de x = x :

df
+ ...,
(1.40)
f (x + ) = f (x ) +
dx x=x
onde desprezamos os termos de ordem igual ou superior a 2 , por serem muito
menores que . Lembramos que para que esta linearizacao seja v
alida, os valores
absolutos de devem ser suficientemente pequenos. Por exemplo, se, para um
certo valor do tempo, temos que = 0, 1, ent
ao 2 = 0, 01 0, 1, 3 = 0, 001
0, 1, e assim por diante. Desta forma, o erro cometido neste truncamento e
sempre significativamente menor que os termos que estamos retendo.
Definindo a seguinte constante

df
= f (x ),
(1.41)
a
dx x=x
e igualando (1.39) a (1.40), obtemos a seguinte equacao diferencial para o comportamento das perturbacoes:
d
= a,
(1.42)
dt
onde usamos que f (x ) = 0.
A equacao linearizada (1.42) pode ser resolvida analiticamente, sendo ela
um caso particular da eq. (1.7) para b = 0. A sua solucao sera, em vista de
(1.14), dada por
(t) = 0 eat ,
(1.43)
onde 0 e a perturbacao inicial (no instante t = 0). O comportamento das
perturbacoes depende do sinal do coeficiente a: se a < 0 as perturbacoes tendem
a zero com o passar do tempo [Fig. 1.8(a)], de modo que o ponto fixo x e
assintoticamente est
avel. Se a > 0, as perturbacoes crescem monotonicamente
com o tempo, e x e instavel [Fig. 1.8(b)]. Temos, pois, o criterio de estabilidade
linear sintetizado na Tabela 1.3
Por falha do criterio, queremos dizer que a linearizacao efetuada nao e
suficiente para esclarecer se o ponto fixo e ou nao est
avel. Se a = 0, (1.43)
fornece (t) = 0 para todos os tempos, ou seja, os desvios nao tornam-se maiores
nem menores com o tempo, e nao se pode concluir algo sobre a estabilidade por
31
(a)
(b)
a<0
a>0
Figura 1.8: Solucao geral do fluxo linear (1.42), para (a) a < 0; (b) a > 0.
esse processo. Neste caso, e necessario analisar o campo vetorial f (x) com mais
detalhes.
No exemplo da equacao logstica, x = rx(1 x), os pontos fixos serao as
solucoes da equacao quadr
atica
f (x ) = rx (1 x ) = 0,
(1.44)
de forma que x1 = 0 e x2 = 1 (estes s

ao os pontos onde a funcao f (x) cruza o
eixo das abscissas no diagrama de fase). Para determinar sua estabilidade, nos
calculamos inicialmente a derivada da funcao
f (x) = r(1 2x).
(1.45)
Como a(x1 ) = f (0) = r > 0, o ponto de equilbrio na origem x1 = 0 e instavel

para todo r positivo, ao passo que, como a(x2 ) = f (1) = r < 0, o segundo
ponto de equilbrio, x1 = 1, e assintoticamente est
avel. Estas conclus
oes ja
foram antecipadas, como vimos, pela mera inspecao do diagrama de fase correspondente.
Se a = 0 o criterio que introduzimos falha, pois nao podemos dizer nada
sobre a estabilidade do ponto fixo unicamente por meio da sua linearizacao.
Neste caso, temos de olhar (no diagrama de fase) o campo vetorial nao-linear
para dizermos algo sobre a estabilidade de x . Por exemplo, consideremos o
campo vetorial
dx
= x3 ,
(1.46)
dt
O seu ponto fixo e a origem (pois f (x ) = x 3 = 0), com um coeficiente dado
por

df
(1.47)
= 3x 2 = 0.
a =
dx x =0
No entanto, se analisarmos o diagrama de fase deste campo vetorial [Fig. 1.9(a)]

vemos que ele e est
avel, pois o fluxo e atraido por x = 0 dos dois lados. Neste
caso, como a = 0, foi imperativo olharmos para a nao-linearidade de f (x) para
decidir sobre a estabilidade do ponto fixo.
32
(a)
(b)
1
0
-5
x
-2
-1
-2
-1
Figura 1.9: Diagrama de fase de (a) x = x3 ;(b) x = |x|.
1.4
Solu
c
oes num
ericas
A enfase que colocamos nas propriedades das solucoes para grandes intervalos
de tempo nao pode nos alienar do que ocorre entre a condicao inicial t = 0 e
o ponto de equilbrio para o qual as solucoes eventualmente convergem quando
t . Principalmente em din
amica econ
omica, o comportamento transit
orio
e muito importante, e depende de um conhecimento mnimo das solucoes da
equacao diferencial x = f (x). No caso linear, a solucao analtica da equacao
x = ax + b permite-nos dizer que, tanto no caso divergente a > 0 como no caso
convergente a < 0 as solucoes x(t) tem um comportamento monotonicamente
crescente ou decrescente, respectivamente. N
ao ha convergencia ou divergencia
oscilat
orias; assim como nao existem solucoes peri
odicas, ou seja, solucoes que
retornam periodicamente aos mesmos valores das variaveis. Veremos que tais
fatos s
o comecam a ocorrer quando consideramos modelos com duas ou mais
dimensoes.
Mesmo para as equacoes nao-lineares, as trajet
orias podem aproximar de um
ponto fixo, ou ent
ao divergir, sendo estas as u
nicas possibilidades para modelos
contnuos unidimensionais. Comportamentos oscilat
orios aqui s
ao impossveis,
pois a velocidade do ponto de fase (no diagrama de fase) nunca muda de direcao.
Logo, as propriedades gerais do comportamento transit
orio s
ao as mesmas nos
casos linear e nao-linear. Podemos tambem perguntar qual o valor (mesmo
aproximado) de x(t) para um certo valor do tempo t. Neste caso, e forcoso utilizar a solucao analtica (se houver), ou ent
ao resolver numericamente a equacao
diferencial. Os metodos numericos baseiam-se, por sua vez, numa discretizacao
tanto da variavel independente (no caso, o tempo), como tambem da derivada
existente na equacao diferencial.
1.4.1
M
etodo de Euler
A solucao numerica x = x(t) de uma equacao do tipo x = f (x), sujeita à

condicao inicial x0 = x(0), e obtida discretizando o tempo, fazendo-o assumir
os valores t0 , t1 , t2 , etc., onde tk = k(t), e t e um intervalo que denominamos
de passo da integracao. A solucao, por sua vez, sera composta de um n
umero
finito de pontos x1 = x(t1 ), x2 = x(t2 ), x3 = x(t3 ), etc., onde xk x(tk ) Figura
1.10].
O metodo mais smples, embora pouco preciso, para obter a solucao, e o
metodo de Euler: supondo que o passo t seja suficientemente pequeno, pode33
x
x
x3
x
x1
x0
t
t1
t2
t4
Figura 1.10: Discretizacao da solucao de uma equacao diferencial.
mos substituir a derivada temporal pela taxa de variacao

x(tk + t) x(tk )
dx
,
dt
t
(1.48)
de modo que a equacao diferencial e discretizada como

x(tk + t) x(tk )
= f (x(tk )),
t
(1.49)
xk+1 = x(tk+1 ) = x(tk ) + f (x(tk ))t = xk + f (xk )t,
(1.50)
tk+1 = tk + t.
(1.51)
tal que
onde
A partir da condicao inicial x(t0 = 0) = x0 os pontos seguintes da solucao
s
ao dados por (1.50) como:
x1
x0 + f (x0 )t
(1.52)
x2
x1 + f (x1 )t,
(1.53)
e assim por diante.

Suponhamos que seja conhecida a solucao exata (analtica) x(t) para a
condicao inicial x0 . Nesse caso, podemos estimar, a cada etapa da integracao
numerica, o erro absoluto cometido:
Ek = |xk x(tk )|.
(1.54)
O metodo de Euler e de primeira ordem no passo, ou seja, em geral o erro

1
aumenta linearmente com o passo de integracao: Ek (t) , como pode ser
mostrado a partir da Eq. (1.50). Em geral, se o passo de integracao for pequeno
(da ordem de 0.1 ou inferior) e o tempo total de integracao nao for muito grande
(da ordem de algumas dezenas de iteracoes numericas), o metodo de Euler
fornece resultados bons, mas certamente nao-satisfat
orios em todos os casos.
34
Figura 1.11: Planilha e gr

afico da solucao da Eq. 1.55 para a condicao inicial
x0 = 0, 1
Uso de planilhas eletr

onicas
A aplicacao computacional do metodo de Euler para a solucao numerica de uma
equacao pode ser feita, por exemplo, usando uma planilha eletr
onica. Planilhas
eletr
onicas s
ao bastante usadas para tabulacao e analise de dados. Elas tem,
ainda, recursos gr
aficos que permitem a visualizacao dos resultados [6].
Vamos exemplificar o procedimento para a equacao
x = f (x) = x(1 2x),
(1.55)
usando como condicao inicial x0 = 0, 1, tendo como passo de integracao t =

0, 1 para integrar de t = 0 ate t = 1, 5. Isso vai requerer (1, 5 0)/0, 1 = 15
iteracoes da equacao do metodo de Euler, Eq. (1.50). Na Fig. 1.11 reproduzimos
a planilha correspondente `
a solucao desejada.
Uma planilha eletr
onica e constituida de celulas associadas a linhas (numeradas como 1, 2, . . .) e colunas (indexadas por letras: A, B, C, . . .). A celula B2,
por exemplo, encontra-se na intersecao da linha 2 com a coluna B. Na planilha
mostrada na Fig. 1.11 a celula D3 est
a ocupada pelas palavras dt= para representar o smbolo t, e colocamos o seu valor (0, 1) na celula E3. O valor de
x0 (0, 1), e posto na celula B6. A equacao do metodo de Euler, Eq. (1.52), e
escrita simbolicamente na celula B7 de forma que o valor de x1 e dado por
= B6 + B6 (1 2 B6) $E$3
(1.56)
onde o smbolo $E$3 indica o endereco absoluto da variavel (a planilha sempre

buscara o valor de t na celula E3). Ja B6 e um endereco relativo. O n
umero na
celula B6 e copiado na
area de transferencia (clipboard ). O valor armazenado
na area de transferencia e copiado catorze (= 15 1) vezes para baixo, o que
pode ser feito com o mouse copiando a celula e colando em bloco. O resultado
e o conjunto das quinze primeiras iteracoes do metodo de Euler na segunda
coluna. Na primeira coluna representamos os valores do tempo colocando na
35

afico da solucao da Eq. 1.55 para a condicao inicial
x0 = 0, 8
celula A7 a formula para o incremento do tempo (1.51)

= A6 + $E$3
(1.57)
que e copiada e colada nas celulas embaixo. Os valores de ambas variaveis

podem ser mostradas em um gr
afico xt versus t usando-se os recursos gr
aficos
especficos da planilha (veja a figura 1.11).
A operacao de colar em bloco faz cada celula referenciar a celula anterior,
que e justamente o princpio de recorrencia envolvido no metodo de Euler. Por
exemplo, se deslocarmos o cursor (usando o mouse) para a celula B8, onde
encontra-s e o valor da segunda iteracao x2 , vemos a seguinte operacao simbolica:
= B7 + B7 (1 2 B7)E3, e assim por diante, ate o u
ltimo valor de t que
colocamos nas celulas da coluna A. Caso quisessemos obter as 50 primeiras
iteracoes do metodo, colar a celula B7 no bloco que abrange todos estes valores,
fazendo uma operacao semelhante para os valores do tempo na coluna A.
Uma das vantagens de usar uma planilha eletr
onica e a possibilidade de refazer os calculos simplesmente atualizando os valores das celulas. Suponha, por
exemplo, que desejassemos refazer a sequencia de iteracoes para outro valor da
condicao inicial, digamos 0, 8. Para tal, basta alterar o valor de x0 na celula B6,
de modo que os valores de x(t) na coluna B s
ao atualizados simultaneamente,
bem como o gr
afico [Fig. 1.12]. Desta forma, podemos experimentar v
arias
possibilidades, tanto em termos da condicao inicial, como dos par
ametros da
equacao diferencial, e tambem do passo de integracao [7, 6].
Programa de computador para solu
c
ao pelo m
etodo de Euler
Uma outra alternativa e escrever um programa para essa finalidade numa linguagem como C, Fortran, Pascal, etc. Vamos considerar a mesma equacao
resolvida anteriormente com o auxlio da planilha eletr
onica. Mostramos abaixo
um programa de computador, escrito na linguagem C, para resolver essa equacao,
usando como condicao inicial x0 = 0, 1, e os valores dos par
ametros a = 1 e
36
b = 2, tendo como passo de integracao t = 0, 1. Esse programa pode ser

facilmente editado para incluir outros modelos contnuos unidimensionais.
/* euler.c: metodo de Euler para solucao numerica de um modelo
continuo unidimensional especificado na subrotina f
Saida dos dados no arquivo euler.dat (tabela com duas colunas) */
#include <stdio.h>
#include <math.h>
FILE *fp;
double f(double arg), fexato(double arg);
main( )
{
int k, points;
/* declaracoes de variaveis */
double x, x_k, x_0, t_0, t_k, t_f, delta, err;
fp = fopen("euler.dat","w");/* abre arquivo */
points = 100;
/* numero total de iteracoes */
x_0 = 0.1;
/* condicao inicial */
t_0 = 0.0;
/* tempo inicial */
t_f = 10.0;
/* tempo final */
delta = fabs(t_f - t_0)/points; /* passo da integracao */
x_k = x_0;
/* inicializa o valor de x_k */
t_k = t_0;
/* inicializa o valor de t_k */
k = 0;
x = x_0;
err = 0.0;
fprintf(fp,"%d %f %f %f %f\n",k,t_k,x_k,x,err); /* imprime
condicoes iniciais no arquivo de saida */
for (k = 1; k <= points; ++k) { /* varre os valores de k */
t_k = t_k + delta;
/* incremento no tempo */
x_k = x_k + f(x_k)*delta;
/* calculo das iteracoes */
x = fexato(t_k);
/* resultado exato */
err = fabs(x - x_k);
/* erro em cada passo */
fprintf(fp,"%d %f %f %f %f\n",k,t_k,x_k,x,err); /* imprime
resultados no arquivo de saida */
}
fclose(fp);
/* fecha o arquivo de dados */
}
/* especifica a equacao */
double f(double arg)
{
double a, b;
a = 1.0;
b = 2.0;
return(arg*(a - b*arg));
}
37
k
0
1
2
3
4
5
10
20
30
40
50
100
110
120
130
140
150
tk
0.0
0.1
0.2
0.3
0.4
0.5
1.0
2.0
3.0
4.0
5.0
10.0
11.0
12.0
13.0
14.0
15.0
xk
0.100000
0.108000
0.116467
0.125401
0.134796
0.144642
0.199848
0.322278
0.417431
0.467362
0.488059
0.499937
0.499978
0.499992
0.499997
0.499999
0.500000
x exato
0.100000
0.108240
0.116961
0.126158
0.135822
0.145938
0.202305
0.324393
0.416963
0.465869
0.486878
0.499909
0.499967
0.499988
0.499995
0.499998
0.499999
erro
0.000000
0.000240
0.000494
0.000757
0.001026
0.001296
0.002456
0.002115
0.000468
0.001492
0.001181
0.000028
0.000011
0.000005
0.000002
0.000001
0.000000
Tabela 1.3: Algumas iteracoes do metodo de Euler para solucao numerica da

equacao x = x(1 2x) com x0 = 0, 1.
/* especifica a solucao exata (analitica) */
double fexato(double arg)
{
double x_0,a,b,num,denom;
x_0 = 0.1;
a = 1.0;
b = 2.0;
num = a*x_0;
denom = (a - b*x_0)*exp(-a*arg) + b*x_0;
return(num/denom);
}
interessante comparar a solucao numerica pelo metodo de Euler com a
E
solucao analtica para estimar o erro cometido na discretizacao da derivada
temporal. A equacao (1.55) pode ser resolvida analiticamente, tendo como
resultado:
ax0
x(t) =
.
(1.58)
(a bx0 )eat + bx0
Mostramos, na tabela 1.4.1, uma sequencia representativa de iteracoes do metodo
de Euler, mostrando a solucao numerica (xk ), a analtica (x(tk )) e o erro em
cada etapa. Foi utilizado um passo de integracao igual a = 0.1.
Observe que, ao longo das 20 primeiras iteracoes do metodo de Euler, a
solucao numerica afasta-se da exata; e posteriormente aproxima-se da mesma.
Na Fig. 1.13 nos representamos graficamente as solucoes numerica e analtica,
esta u
ltima dada por (1.58). As solucoes praticamente coincidem, como podemos
38
0,5
soluo numrica
soluo analtica
0,4
0,3
0,5
0,2
0,475
0,1
0,45
10
Figura 1.13: Solucao numerica da equacao (1.55) pelo metodo de Euler.
observar na ampliacao de parte do gr

afico na Fig. 1.13. Em particular, ambas
as solucoes convervem, para tempos grandes, para o valor 0, 5. De fato, sendo
a > 0 e tomando o limite quando t em (1.58) temos que
lim x(t) =
1
a
= .
b
2
(1.59)
Podemos refinar o metodo de Euler substituindo a derivada de f (.) no comeco

do intervalo tk+1 tk pela media das derivadas nos extremos. Para tal fazemos
inicialmente uma tentativa como em (1.50):
xk x
k+1 = xk + f (xk )t.
Depois tiramos a media nos extremos do intervalo:

f (xk ) + f (
xk+1 )
t.
xk xk+1 = xk +
2
(1.60)
(1.61)
possvel mostrar que, nesse caso, o erro cometido aumenta com o quadrado do
E
2
passo de integracao, Ek (t) . Como o passo e usualmente um n
umero muito
pequeno, (t 1), ent
ao o erro propaga-se mais lentamente com o passar do
tempo nessa versao mais refinada do metodo. Nesse caso, para um mesmo valor
do passo, mais iteracoes do metodo podem ser realizadas com relativa confianca.
1.4.2
M
etodo de Runge-Kutta
Podemos, no entanto, ir mais alem em busca de erros menores e, consequentemente, resultados numericos mais confiaveis. Isso torna-se imperioso em modelos multidimensional, especialmente aqueles com din
amica complexa, devido
à riqueza de possibilidades para as trajet
orias, o que nos exige uma precis
ao
bem maior que a fornecida pelo metodo de Euler. Um metodo bastante u
til e
muito usado em diversas aplicacoes, mesmo as que envolvem din
amica caotica,
39
soluao
"verdadeira"
(a)
(b)
soluao
numerica
t
t
Figura 1.14: (a) Uma solucao suave pode ser obtida com passos de integracao
relativamente grandes, ao passo que (b) solucoes com variacoes em pequenas
escalas de tempo exigem passos de integracao muito menores.
4
e devido a Runge e Kutta. Ele e de quarta ordem, ou seja, o erro e E (t) ,

sendo pois muito mais preciso que o metodo de Euler, para um mesmo valor do
passo de integracao.
Seja, pois, o modelo unidimensional x = f (x) com a condicao inicial x(0) =
x0 . Partindo do valor xk no incio do intervalo (tk , tk+1 ), definimos uma primeira
variavel auxiliar r1 , a qual e dada pela mesma formula do metodo de Euler
r1 = f (xk )t
(1.62)
Definimos uma novas variaveis auxiliares r2 ate r4 dadas por (as respectivas
deducoes podem ser encontradas na Ref. [8], por exemplo)

1
(1.63)
r2 = f xk + r1 t,
2

1
(1.64)
r3 = f xk + r2 t
2
r4 = f (xk + r3 ) t
(1.65)
tal que o valor da variavel x no final deste intervalo, ou seja, em t = tk+1 , sera
dado por:
1
xk+1 = xk + (r1x + 2r2x + 2r3x + r4x ) .
(1.66)
6
V
arios autores generalizaram as formulas de Runge e Kutta para obter
metodos de ordens bastante altas, como 12 ou ate mais. No entanto, um problema comum aos metodos de Euler e de Runge-Kutta, tal como foram apresentados aqui, e o uso de um passo de integracao fixo t. Se a solucao x(t) e uma
curva que varia suavemente com o tempo, a escolha do passo de integracao nao
e t
ao crtica, pois a interpolacao obtida ligando os pontos aproxima-se uniformemente da solucao verdadeira do problema [Fig. 1.14(a)]. Por outro lado, caso
a solucao apresente variacoes repentinas numa escala de tempo muito pequena,
um passo de integracao grande demais pode ignorar tais variacoes, fornecendo
um resultado bastante diferente do verdadeiro [Fig. 1.14(b)].
Poderamos ainda objetar que, escolhendo o menor passo possvel estaramos
preparados para tais problemas. No entanto, essa nao e definitivamente uma
40
boa solucao, pois um passo pequeno demais implica num tempo de computacao
muito alto. Alem disso, boa parte desse tempo pode estar sendo gasto em trechos suaves da solucao, onde bastaria um passo menor. Por esse motivo, um
recurso extremamente u
til e o passo variavel, ou seja, o programa aumenta ou
diminui automaticamente o passo de integracao conforme isso seja necessario.
Boa parte dos metodos profissionais usados para integracao emprega tais recursos, como as adaptacoes do metodo de Runge-Kutta propostas por Merson,
Gill, e Fehlberg, entre outros. Maiores detalhes sobre metodos numericos podem
ser encontrados na monumental obra [9], que traz inclusive codigos em v
arias
linguagens para construcao de programas de computador.
1.4.3

atico
A solucao numerica de equacoes diferenciais pode ser feita, ainda, com o auxlio
de software matematico comercialmente disponvel em v
arios ambientes computacionais e sistemas operacionais diferentes, como Unix, Linux, Mackintosh e
Windows. Estes pacotes oferecem vantagens substanciais em relacao ao procedimento mais trabalhoso de elaborar, compilar e executar um programa, e depois
ainda usar um programa gr
afico:
N
ao e necessario compilar os programas-fonte, pois os pacotes ja vem
prontos para ser executados.
O usuario apenas deve indicar a equacao a ser resolvida, a condicao inicial,
os tempos inicial e final, e ainda o passo da integracao.
A execucao e acompanhada da visualizacao gr
afica dos resultados.
A mudanca de equacoes, par
ametros, e condicoes iniciais e facilmente realizada usando os recursos de edicao disponveis.
A maioria dos softwares matematicos utiliza, para integrar numericamente
equacoes diferenciais ordinarias, metodos do tipo Runge-Kutta ou aperfeicoamentos
deste. Nem sempre conhecemos a priori qual integrador est
a sendo usado, por
isso tais metodos s
ao `
as vezes encarados como caixas-pretas, e e sempre prudente tomarmos algumas precaucoes sobre os resultados com eles gerados. Em
particular, e importante conferir a eficacia de nosso pacote, preferencialmente
usando mais de um software dentre os disponveis pelo usuario, e comparando
os resultados. Por esse motivo, vamos mostrar o uso de tres dos mais conhecidos softwares matematicos encontrados no mercado brasileiro: o Maple, o
Mathematica, e o Matlab.
Para exemplificar o uso de alguns desses pacotes, vamos retomar o exemplo
das secoes anteriores, acrescentando um par
ametro variavel para servir como
modelo:
x = f (x) = x(1 ax),
(1.67)
onde a = 2, a condicao inicial e x0 = 0, 1 e integramos de t = 0 ate t = 1, 5,

tendo como passo de integracao t = 0, 05.
41
Maple
Maple e um software cientfico que realiza diversos tipos de calculos, tanto
numericos quanto algebricos. Os comandos em Maple podem ser escritos em arquivos chamados worksheets, com a extensao .mws A estrutura de um programa
em Maple e bastante semelhante à de outras linguagens como C e Fortran, mas
ha v
arias funcoes pre-definidas que simplificam tarefas padronizadas, como a
solucao de uma equacao diferencial (problema de valor inicial). N
ao entraremos
em detalhes sobre a estrutura dos comandos em geral, mas mostraremos um
modelo de worksheet para a solucao da equacao (1.67) que pode ser modificado
para todas as equacoes que aparecerao neste captulo. Maiores informacoes
sobre a linguagem e o software podem ser encontradas nas referencias [10, 11].
A funcao pre-definida no Maple para a integracao numerica de equacoes
diferenciais ordinarias e a consequente visualizacao da solucao e DEplot, que e
apenas um dos muitos recursos contidos no pacote DEtools. Inicialmente nos
especificamos o valor do par
ametro a
a := 2:
Observe que o comando de atribuicao e :=, ao inves de =, como na linguagem
C, e que o final de uma linha de comando e indicado pelo smbolo :
O passo seguinte consistem em definir a equacao diferencial deq a ser resolvida, atraves do comando diff(x(t),t), que especifica x e t como as variaveis
dependente e independente, respectivamente:
deq := diff(x(t),t) = x*(1 - a*x):
O pacote DEtools deve ser carregado antes do uso do comando DEplot, da
seguinte forma:
with(DEtools):
DEplot( deq, x, t=0..10.0, {x(0)=0.1}, stepsize=0.1,
scene = [t,x], linecolor=black, arrows=none);
onde indicamos a condicao inicial x0 = 0, 1, o intervalo de integracao 0 t
1, 5, e o passo de integracao t = 0, 1. O comando acima produz o gr
afico de x
versus t [Fig. 1.15].
Mathematica
O Mathematica e um software fabricado e comercializado pela Wolfram Research
Inc. que possui v
arias ferramentas de calculo algebrico e numerico. Recomendamos ao leitor a Referencia [12], que e um detalhado manual de instrucoes
desse software (outra boa referencia e [13]). Os comandos em Mathematica
s
ao escritos em arquivos chamados notebooks, que tambem contem os gr
aficos
e demais resultados obtidos. N
ao e nosso objetivo aqui descrever em detalhes
a linguagem usada no Mathematica, mas a sintaxe dos seus comandos e relativamente simples, sendo muito semelhante à das linguagens de programacao.
Ao inves de instrucoes detalhadas, mostraremos como e feita a solucao para o
exemplo desta secao, que o leitor podera adaptar para a sua propria equacao,
quando necessario.
A funcao NDSolve e usada para resolver numericamente equacoes diferenciais
ordin
arias. Sua sintaxe geral e:
42
0,5
0,4
x 0,3
0,2
0,1
0
10
Figura 1.15: Solucao numerica da equacao (1.67) usando o Maple.
NDSolve[{deq, x[0]==x0}, x[t], {t, tmin, tmax}]

para resolver a equacao deq (especificada na forma x[t] == f(x[t]), onde x
e a variavel dependente e t e a variavel independente), com a condicao inicial na
forma x[0]==x0, e no intervalo desde tmin ate tmax. No exemplo dessa secao,
precisamos especificar antes o valor do par
ametro a:
a = 2;
depois definir a equacao diferencial
deq = x[t] == x[t] * (1 - a*x[t]);
para usar NDSolve para obter a solucao numerica com a condicao inicial x(0) =
0, 1 no intervalo de t = 0 ate t = 1, 5, que e armazenada na variavel soln:
soln = NDSolve[{deq, x[0]==0.1}, x[t], {t,0,10.0}];
Como desejamos visualizar o gr
afico de x contra t usamos o comando
Plot[Evaluate[ x[t] /. soln], {t,0,10.0}, AxesLabel -> {t,x}];
cujo resultado vemos na Figura 1.16.
Matlab
O Matlab e um software cientfico com diversos recursos de calculo numerico e
algebrico desenvolvido por The MathWorks Inc.. O Matlab conta com v
arios pacotes para solucao numerica de equacoes diferenciais ordinarias, em ordem crescente de precis
ao e capacidade de lidar com equacoes numericamente instaveis
(stiff). O pr
oprio manual de referencia do Matlab [14, 15] recomenda que, para
equacoes nao-stiff e se uma precis
ao muito grande nao for necessaria, devemos
usar ode45 pela economia de tempo computacional. Equacoes do tipo stiff exigem o uso do comando ode15s, por exemplo.
A sintaxe basica do comando ode45 e
43
x
0.5
0.4
0.3
0.2
10
Figura 1.16: Serie temporal obtida por solucao numerica da equacao o (1.67),
usando o Mathematica.
[t,x] = ode45(funcao, [tmin:deltat:tmax], x_0);

onde t e x correspondem às variaveis independente e dependente, respectivamente, onde tmin e tmax s
ao os valores inicial e final do tempo, deltat e o
passo de integracao, e x0 e a condicao inicial.
A equacao a ser resolvida (1.67) e armazenada num arquivo com extensao
.m denominado funcao.m
function xp = funcao(t,x)
% funcao.m
a = 2;
xp = x*(1 - a*x);
de modo que, no exemplo da equacao (1.67), para o intervalo 0 t 1.5 com
passo de integracao 0, 1, o comando a ser usado e
[t,x] = ode45(funcao, [0:0.1:1.5], 0.1);
Para tracar o gr
afico de x em funcao de t usamos o comando
plot(t,x(:));
cujo resultado pode ser visto na Figura 1.17.
1.5
Depend
encia da soluc
ao com as condi
c
oes
iniciais
O teorema de existencia e unicidade garante que, uma vez conhecida a condicao

inicial x(t = t0 ) = x0 para uma equacao da forma x = f (x), a solucao existe
e e u
nica. Podemos, no entanto, tambem perguntar o que deve ocorrer com
a solucao quando mudamos ligeiramente a condicao inicial: sera que a nova
44
0.5
0.45
0.4
0.35
0.3
0.25
0.2
0.15
0.1
4
t
Figura 1.17: Serie temporal obtida por solucao numerica da equacao o sistema
(1.67), usando o Matlab.
solucao continuar
a acompanhando de maneira proxima a solucao anterior, ou
ela ter
a um comportamento totalmente imprevisvel? A resposta a essa quest
ao
e o objeto da presente secao e, como veremos, ela favorece a primeira resposta.
Sejam x(t) e x
(t) duas solucoes diferentes, provenientes de condicoes iniciais
x0 = x(t = t0 ) e x
0 = x
(t = t0 ), respectivamente. Vamos supor que a diferenca
entre essas condicoes iniciais provenha de uma incerteza na sua determinacao, de
modo que podemos determinar a priori o erro absoluto inicial (0) = |x0 x
0 |.
Em termos quantitativos queremos saber como evolui com o tempo o erro num
instante t: (t) = |x(t) x
0 |. A resposta a essa importante quest
ao e o objeto
do seguinte
Teorema 2 (Desigualdade de Gronwall) [8] Seja a regi
ao retangular S =
{(t, x) : t [a, b], x [c, d]}, no interior da qual est
ao contidos os pontos (t0 , x0 )
e (t0 , x
0 ). Seja

f

(1.68)
K = max (t, x) ,
(t,x)S x
tal que o m
aximo exista (isto e, n
ao seja infinito). Ent
ao
(t) = |x(t) x
0 | |x0 x
0 |eK(tt0 ) ,
(1.69)
desde que os gr
aficos de x(t) e x
(t) permanecam no interior de S.
A figura 1.18 ilustra esquematicamente o significado da desigualdade de
Gronwall: desde que os gr
aficos das duas solucoes permanecam no ret
angulo
S, a equacao (1.69) nos diz que o erro absoluto e limitado superiormente, ou
seja, nunca pode ser maior do que o erro inicial multiplicado pelo fator eK(tt0 ) ,
onde K e uma constante de Lipschitz. Podemos depreender duas consequencias
da desigualdade de Gronwall: (i) o erro absoluto entre duas solucoes pode ser
estimado (por meio de um limite superior, o que geralmente superestima o erro)
sem a necessidade de resolver a equacao diferencial; (ii) as solucoes de uma
45
^x(t)
(t0,x^ 0)
x(t)
(t0,x 0)
c
a
b
t
Figura 1.18: Figura esquematica do intervalo na desigualdade de Gronwall.
Figura 1.19: Gr
aficos das solucoes da equacao diferencial (1.70) para as
condicoes iniciais x0 = 1, 0 e x
0 = 1, 1.
equacao diferencial variam continuamente com a condicao inicial. Logo, se o

erro inicial tende a zero, o erro tender
a tambem a zero desde que o tempo nao
aumente mais do que o proprio intervalo de existencia de ambas as solucoes [8].
Como um exemplo, vamos considerar a equacao diferencial
(1.70)
x = x
e o ret
angulo S sera definido pelos intervalos 1 x 2 e 0 t 1. A constante
de Lipschitz (1.68) sera

1
f

1
1

K = max (t, x) = max = = ,
(1.71)
2
(t,x)S 2 x
(t,x)S x
2 1
ja queo valor mnimo de x, que e x = 1 dentro de S, fornece o valor maximo

de 1/ x dentro desse mesmo intervalo retangular. Logo, pela desigualdade de
Gronwall (1.69), se (t0 , x0 ) e (t0 , x
0 ) s
ao duas condicoes iniciais no interior de
S, ent
ao
(t) = |x(t) x
0 | |x0 x
0 |e(tt0 )/2 ,
(1.72)
Este resultado e ilustrado pela figura 1.19(a), que mostra os gr
aficos das
solucoes de (1.70) para as condicoes iniciais x0 = 1, 0 e x
0 = 1, 1, obtidos
numericamente. Vemos que as duas curvas caminham juntas, por assim dizer.
46
A diferenca entre as duas solucoes, que associamos ao erro absoluto, e limitada

superiormente pela desigualdade de Gronwall, a saber, (t) 0, 1et/2 .
A moral da historia e a seguinte: em economia a determinacao das variaveis
econ
omicas e sempre eivada de incertezas estatsticas, o que tambem afeta as
condicoes iniciais de um determinado modelo. No entanto, e possvel dizer que,
na medida em que possamos garantir as condicoes necessarias à desigualdade de
Gronwall, o efeito dessa incerteza inicial pode ser quantificado de forma precisa
(ainda que superestimada), de modo a sabermos ate quando a solucao pode
ainda ter significado. Como um exemplo, se uma taxa de inflacao e inicialmente
determinada com uma incerteza de 0, 1% num modelo din
amico, podemos dizer
ate quando os resultados podem ter algum significado pratico, pois uma incerteza futura como 1% seria provavelmente inaceitavel em termos de previsao
futura, o que limitar
a, portanto, o horizonte dessa mesma previsao.
1.6
1.6.1
Exemplos em Economia: modelos de crescimento econ

omico
Macrovari
aveis
Em modelos de crescimento econ

omico, destacamos as seguintes macrovariaveis
de interesse (consideradas funcoes contnuas do tempo): Y : renda total; Z:
demanda total por bens; C: despesas de consumo; I: investimento; G: gastos governamentais. Maiores detalhes sobre a interpretacao econ
omica destas
macrovariaveis podem ser encontradas em textos classicos de Macroeconomia,
como [16, 17], dentre outros.
Numa economia fechada (sem considerar importacoes ou exportacoes), e sob
a hip
otese de equilbrio macroecon
omico, a renda total e igual à demanda total,
e esta e composta pela soma do consumo, do investimento, e dos gastos do
governo em cada tempo:
Y (t) = Z(t) = C(t) + I(t) + G(t).
(1.73)
N
os suporemos inicialmente, por simplicidade, que tanto o investimento
como os gastos governamentais s
ao variaveis ex
ogenas, ou seja, que tem um
valor constante que nao depende da din
amica das outras variaveis (variaveis
ex
ogenas s
ao costumeiramente indicadas por uma barra superior):
I(t) = I,
G(t) = G.
(1.74)
Desconsiderando o papel de impostos e transferencias governamentais, vamos

tambem admitir que as despesas de consumo aumentem com a renda sob a forma
de uma funcao consumo linear afim:
C(t) = + Y,
(1.75)
onde 0 < < 1 e a propensao marginal de consumo; e supomos a existencia de

um consumo residual (independente da renda) > 0. O fato de que e positivo traduz a tendencia de aumento do consumo devido ao aumento da renda
disponvel. Ja a limitacao em = 1 decorre da tendencia de consumir apenas
47
parte da renda, poupando o restante da mesma. Estudos econometricos apontam valores de tipicamente superiores a 0.6. Ent
ao a propensao marginal a
poupar, denotada s, e igual ao complemento da propensao marginal a consumir:
s = 1 .
(1.76)
Substituindo (6.151) em (1.73) temos
Y = + Y + I + G
(1 )Y = sY = + I + G,
de forma que a renda de equilbrio sera dada por
Y = YE =
+ I + G
,
s
(1.77)
onde aparece o multiplicador Keynesiano

1
1
=
.
s
1
1.6.2
(1.78)
Modelo de Domar
Neste modelo o investimento torna-se uma variavel endogena, a partir da introducao das seguintes macrovariaveis adicionais: K(t): estoque de capital;
(t): producao potencial; tal que o investimento e a taxa de variacao temporal
do estoque de capital:
dK(t)
I(t) =
,
(1.79)
dt
e o fluxo de producao potencial est
a relacionado à capacidade produtiva da
economia.
No modelo de Domar, uma mudanca na taxa anual de investimento produz
um efeito tanto sobre a demanda como a capacidade produtiva da economia
[18, 19]. Partimos da analise est
atica vista na sub-secao anterior, para explicitar
o efeito do multiplicador, que quantifica o efeito sobre a demanda de mudancas
no investimento I(t). Um aumento em I(t) produz um acrescimo na renda Y (t)
dado pelo multiplicador 1/s, ou seja, usando (1.78) e (1.77) temos
Y =
1
1
I =
I.
s
1
(1.80)
Dividindo pelo intervalo de tempo e fazendo-o tender a zero,

dY
Y
= lim
,
t0 t
dt
I
dI
= lim
,
t0 t
dt
(1.81)
teremos a seguinte relacao entre derivadas temporais:

1 dI
dY
=
.
dt
s dt
(1.82)
Para exprimir o efeito do investimento sobre a capacidade produtiva da

economia, Domar propos uma relacao linear entre o fluxo de producao potencial
e o estoque de capital na forma
(t) = K(t),
48
(1.83)
onde > 0 denota a relacao capacidade produtiva-capital. Diferenciando a

relacao acima temos d = dK, e dividindo pelo intervalo de tempo dt chegamos
à relacao
dK
d
=
= I.
(1.84)
dt
dt
Supomos que, no equilbrio macroecon
omico, a demanda seja igual à capacidade produtiva potencial, de forma que esta seja usada plenamente (sem
ociosidade):
Z(t) = Y (t) = (t).
(1.85)
Considerando um intervalo de tempo, temos uma igualdade semelhante entre
variacoes (Y = ), bem como as derivadas temporais (fazendo o intervalo
de tempo tendendo a zero):
dY
d
=
.
(1.86)
dt
dt
Substituindo (1.82) e (1.84) em (1.86) temos
1 dI
dY
=
= I,
dt
s dt
(1.87)
dI
= sI,
dt
(1.88)
ou seja,
que e um modelo unidimensional linear na forma geral x = ax + b, onde x(t) =

I(t), a = s e b = 0. Logo, sendo a condicao inicial I(0) = I0 , a sua solucao e
dada por
I(t) = I0 est .
(1.89)
Interpretamos esta solucao como exigindo que, para que seja mantido com
o tempo o equilbrio entre a capacidade produtiva e a demanda, o fluxo de
investimento precisa crescer exatamente à taxa exponencial s. Logo, uma vez
determinados os valores de e s, a trajet
oria de crescimento do investimento
torna-se rigidamente determinada, no que se conhece na literatura como fio
da navalha. Se a taxa real de crescimento do investimento for maior do que
o valor s, resulta uma escassez de capacidade produtiva; ao passo que se for
menor que s, haver
a um excesso da mesma. A utilizacao plena da capacidade
produtiva s
o ocorrera se a taxa for precisamente s.
1.6.3
Modelo de Solow
Deriva
c
ao do modelo
A existencia de um equilbrio t
ao delicado como o fio de navalha do modelo
de Domar e consequencia da suposicao extremamente restritiva na funcao de
producao = f (K) = K, de ter apenas o estoque de capital K como variavel
independente. Solow propos a inclusao do emprego, na forma da macrovariavel
L(t), indicando a forca de trabalho (n
umero de empregados mais pessoas procurando emprego) [20, 19]. Sendo Q(t) o nvel lquido de producao (descontada a
depreciacao), a nova funcao de producao sera
Q = f (K, L),
49
(1.90)
no lugar da producao potencial do modelo de Domar.

Solow supos que a funcao producao tivesse as seguintes propriedades matematicas:
(i) produtos marginais positivos:
f (K, L)
> 0;
L
f (K, L)
>0
K
(1.91)
(ii) rendimentos decrescentes para cada insumo (capital ou trabalho):

2 f (K, L)
<0
K 2
2 f (K, L)
< 0;
L2
(1.92)
(iii) rendimentos s
ao constantes em escala: aumentando n vezes o nvel dos
insumos (capital e trabalho), o nvel de producao aumentara tambem em n
vezes, ou seja, a funcao producao f (K, L) e linearmente homogenea de primeiro
grau: f (nK, nL) = nf (K, L). Fazendo n = 1/L, temos

K
1
K L
=f
f
,
, 1 = f (k, 1) = f (K, L),
(1.93)
L L
L
L
onde definimos a raz
ao capital/trabalho
k
K
.
L
(1.94)
Denotando a funcao
(k) f (k, 1),
(1.95)
escrevemos a funcao producao homogenea como

Q = f (K, L) = L(k).
Derivando a funcao producao em relacao a K temos

f (K, L)
d(k) dk
1
= (k),
=L
= L (k)
K
dk dK
L
(1.96)
(1.97)
onde (k) denota a derivada da funcao (.) em relacao a seu argumento, e

usamos a regra da cadeia.
Derivando novamente em relacao a k teremos:

2 f (K, L)
d(k)
d (k) dk
1
.
(1.98)
=
=
= (k)
2
K
dK
dk dK
L
Logo, as condicoes matematicas (1.91)-(1.92) implicam em que
(k) > 0,
(k) < 0,
(1.99)
denominadas na literatura condico

es de Inada [21].
Para determinar a forma explcita da funcao producao, Solow supos ainda
que: (iv) e invertida uma proporcao constante s da producao, igual à propensao
marginal para poupar 0 < s < 1:
I(t) =
dK(t)
= sQ(t),
dt
50
(1.100)
(k)
(k)
(b)
(a)
Figura 1.20: Formas possveis para a funcao (k) com (k) > 0 e (a) (k) < 0;
(b) (k) > 0.
()v A forca de trabalho cresce exponencialmente (de acordo com o modelo

Malthusiano): de (1.25) temos
L(t) = L0 et ,
(1.101)
onde L0 e a forca de trabalho no tempo inicial.

dK
= sL(k) = sL0 et (k),
dt
(1.102)
A derivada de K(t) pode ser escrita, ainda, lembrando que k = K/L, como
dK
dt
=
=

d(Lk)
d
=
L0 et k
dt
dt

d
dk
t dk
+k
+ kL0 et ,
L0 et = L0 et
L0 e
dt
dt
dt
(1.103)
de modo que, igualando (1.102) e (1.103), temos

sL0 et (k) = L0 et
dk
+ kL0 et .
dt
(1.104)
Finalmente, dividindo ambos os membros por L0 et , segue a equacao fundamental do modelo de Solow:
dk
= s(k) k.
dt
(1.105)
An
alise no diagrama de fase
A equacao do modelo de Solow,
k = F (k) s(k) k,
(1.106)
pode ser interpretada como um modelo contnuo unidimensional nao-linear.

Como f (K, L) homogenea de primeiro grau temos que (0) = 0, e os argumentos k e L devem ser positivos. Alem disso, a condicao (k) > 0 implica que
51
.
k
(a)
(b)
s (k)
k
k = 0
1
k 2
Figura 1.21: (a) Pontos de equilbrio do modelo de Solow. (b) Diagrama de fase
generico para o modelo de Solow.
a funcao (k) deva ser monotonicamente crescente com k. H

a duas possibilidades, mostradas nas Figuras 1.20(a) e (b). No entanto, em vista da segunda
condicao de Inada em (1.99), (k) < 0, apenas a funcao (a) representaria uma
alternativa admissvel no modelo de Solow.
Os pontos de equilbrio do modelo de Solow k s
ao dados pela solucao da
equacao F (k ) = 0, ou seja,
k = s(k )
(1.107)
representando a intersecao dos gr
aficos das funcoes s(k) (curva de produca
o)
e k (reta de perda de capital), como mostrado na Figura 1.21(a). H
a duas
solucoes, uma trivial k1 = 0 (representando uma situacao onde nao ha capital
envolvido), e uma nao-trivial k2 6= 0.
Podemos, ainda, analisar o diagrama de fase do fluxo k = F (k) esbocado
na Figura 1.21(b). O fluxo F (k) tem valores positivos para 0 < k < k2 , e
negativos para k > k2 , o que indica que o ponto de equilbrio trivial k1 = 0
e instavel, e o nao-trivial k2 e est
avel. Partindo de uma condicao inicial k0
ha uma convergencia monotonica para o ponto de equilbrio k2 , que representa
uma raz
ao capital-trabalho constante no tempo. Do ponto de vista econ
omico,
isso significa que, uma vez alcancado este equilbrio estavel, se a raz
ao entre o
estoque de capital K(t) e a forca de trabalho L(t) for constante, o capital cresce
a mesma taxa ()que a forca de trabalho.
`
Fun
c
ao de produ
c
ao do tipo Cobb-Douglas
Uma funcao de producao homogenea de primeiro grau bastante utilizada e a
funcao de Cobb-Douglas [22]:
Y = f (K, L) = K L1 ,
(1.108)
onde 0 < < 1. A funcao (k) sera, portanto

1
(k) = f (K, L) =
L
52
K
L
= k ,
(1.109)
de modo que a equacao diferencial fundamental do modelo de Solow e escrita

como
k = F (k) = sk k.
(1.110)
Os pontos de equilbrio s
ao dados por
F (k ) = k (sk 1 ) = 0,
(1.111)
ou seja
k1 = 0,
k2 =
1/(1)
,
s
(1.112)
que s
ao as intersecoes entre os gr
aficos de (k) e a primeira bissetriz.
A estabilidade destes pontos de equilbrio e determinada pela derivada do
fluxo em relacao a k nestes pontos:
F (k) = sk 1 ,
(1.113)
Vamos investigar a estabilidade de k1 = 0. Lembremos que, como 0 < < 1,

o expoente 1 e negativo, ent
ao se tomarmos o limite k1 0 em F (k1 )
resultar
a num valor infinito positivo , donde k1 = 0 sera sempre um ponto
de equilbrio instavel. Ja para o ponto de equilbrio n
ao-trivial k2 a derivada
correspondente e
F (k2 ) = s = ( 1).
(1.114)
s
Como > 0 e 0 < < 1, temos que 1 < 0, de modo que a condicao
F (k2 ) < 0 e sempre verificada, donde k2 e assintoticamente est
avel.
Uma peculiaridade da equacao diferencial (1.110) e que podemos resolve-la
analiticamente, fazendo a seguinte transformacao (nao-linear) de variavel [21]:
x = k 1 ,
(1.115)
cuja derivada temporal e, pela regra da cadeia, dada por

dx
dt
dx dk
= (1 )k F (k) = (1 )k (sk k)
dk dt
= (1 )(s k 1 ) = (1 )(s x),
=
(1.116)
donde a equacao (1.110) pode ser reescrita como

x = (1 )x + s(1 ),
(1.117)
que e uma equacao linear da forma (1.7), com a = (1 ) e b = s(1 ).

A solucao geral da equacao do modelo de Solow sera, portanto, dada por
(1.12) como

s (1)t s
x(t) = x0
(1.118)
e
+ ,
onde x0 = x(0) e a condicao inicial. Retornando à variavel original teremos

k(t) =
h
k01
1
s (1)t s i 1
e
+
,
53
(1.119)
1/(1)
onde k0 = x0
e a respectiva condicao inicial. Usando a funcao producao
de Cobb-Douglas (1.108) temos
K
K
K
=
= 1 =
Y
f (K, L)
K L
K
L
1
= k 1 = x,
(1.120)
de modo que a transformacao de variavel (1.115) que fizemos para resolver analiticamente o modelo e, na verdade, a relacao capital/produto que procuramos
para caracterizar o processo de crescimento econ
omico.
Varia
c
oes do modelo de Solow
Podemos incluir dois efeitos no modelo de Solow, sem alterar significativamente
sua estrutura e analise: (i) depreciacao do capital, e (ii) progresso tecnologico
ex
ogeno [21]. Supondo que, devido à inflacao por exemplo, o capital seja depreciado numa taxa temporal > 0, a equacao para o investimento sera:
dK
= I(t) K(t).
dt
(1.121)
No modelo original de Solow, a taxa de crescimento econ

omico depende
essencialmente da taxa de crescimento Malthusiano da forca de trabalho .
No entanto, e possvel incluir tambem o efeito do progresso tecnologico, que
aumenta a produtividade a uma taxa > 0, de modo que a forca de trabalho
efetiva seja dada por
L(t) = L0 et e t = L0 et ,
(1.122)
onde + e a taxa de crescimento efetiva.
Substituindo (1.96), (1.100) e (1.122) em (1.121) teremos
K
=
=
sQ K = sL(k) kL =
L0 e(+ )t (s(k) k) .
Por outro lado, como K = kL, derivando ambos os lados temos

h
i
+ k L = L0 e(+ )t k + k( + ) ,
K = kL
(1.123)
(1.124)
de tal modo que, igualando (1.123) e (1.124), chega-se à equacao diferencial

k = F (k) s(k) ( + + )k.
(1.125)
Supondo uma funcao de producao do tipo Cobb-Douglas (1.109) temos ent

ao
k = F (k) sk ( + + )k,
(1.126)
cujos pontos de equilbrio s

ao
k1
= 0,
k2
+ +
s
1
1
(1.127)
Como a derivada do fluxo e

F (k) = sk 1 ( + + ),
54
(1.128)
(++) k
(++)
k
a
(++)
k
b
sb (k)
s (k)
sa (k)
ka
(a)
(b)
k
k b
k b
k a
Figura 1.22: Pontos de equilbrios do modelo de Solow quando (a) s aumenta;

(b) aumenta
segue que k1 = 0 e instavel, pois a derivada e infinitamente grande (como no caso

precedente, alias); ao passo que k2 e assintoticamente est
avel, pois a derivada e
sempre negativa, merce do fato que + + > 0 e 1 < 0.
Representando graficamente tanto a funcao s(k) como ( + + )k [Fig.
1.22(a)] podemos encontrar em suas intersecoes os novos pontos de equilbrio.
Concentremo-nos apenas no ponto nao trivial, k2 . Para um dado valor do
par
ametro s = sa , o ponto de equilbrio seja designado ka . Suponhamos que o
valor de s seja aumentado de sa para sb , mantendo os demais par
ametros fixos.
Neste caso, vemos que o ponto de equilbrio aumenta seu valor, de ka para kb ,
indicando que ha um novo patamar de crescimento econ
omico a uma taxa maior
que a anterior.
Consideremos, agora, o efeito do aumento nos par
ametros , ou sobre
os pontos de equilbrio [Fig. 1.22(b)], mantendo-se o par
ametro s fixo. Suponhamos, por exemplo, que a taxa de crescimento da forca de trabalho cresca de
a para b . Nesse caso, a reta de perda de capital fica mais inclinada, isto e, o
seu coeficiente angular aumenta; e o ponto de equilbrio diminui seu valor, de
omico.
de ka para kb , indicando um patamar menor de crescimento econ
1.7
Equac
oes n
ao-aut
onomas
Quando a variavel independente, ou seja, o tempo t, aparece explicitamente no

campo vetorial f (x, t) nos dizemos que a equacao diferencial correspondente
dx
= f (x(t), t),
dt
(1.129)
e nao-autonoma. Assim como no caso autonomo, e conveniente comecar pelas

equacoes lineares, que podem ser escritas na forma padrao
dx
= G(t)x + F (t)
dt
(1.130)
onde G(t) e F (t) s

ao funcoes arbitrarias do tempo.
Uma propriedade fundamental da Eq. (1.130) e que sua solucao geral gepode
ser escrita como [23]
x(t) = xH (t) + xN H (t)
(1.131)
55
onde xH (t) e a solucao geral da equacao homogenea correspondente a (1.130),

ou seja, a equacao sem o termo dependente unicamente do tempo F (t):
dx
= G(t)x,
dt
(1.132)
onde xN H (t) e uma solucao particular da equacao nao-homogenea (1.130).

A solucao geral da equacao homogenea (1.132) pode ser encontrada facilmente por separacao de variaveis, e e uma generalizacao da solucao geral (1.12)
xH (t) = Ce
G(t )dt
(1.133)
onde C e uma constante determinada pela condicao inicial x(0), e usamos o

smbolo t para enfatizar que e uma variavel de integracao. A prova desse
resultado pode ser feita derivando-se (1.133), usando o teorema fundamental do
calculo, e substituindo em (1.132), que resultar
a numa identidade.
Ja a solucao particular da equacao nao-homogenea (1.130) pode ser procurada a partir de um metodo chamado variacao de par
ametros, cuja ideia basica
e encontrar uma funcao u(t) tal que possamos escrever
xN H (t) = u(t)e
G(t )dt
(1.134)
Um calculo semelhante ao que levou à solucao homogenea fornece [[23], pgs. 61

a 63]:
Z
R
u(t) = dt F (t )e G(t )dt .

(1.135)
tal que, substituindo-se (1.135) em (1.133), e depois (1.133) em (1.131), obtemos
a solucao geral da equacao nao-homogenea:
Z
R
R
R
G(t )dt
G(t )dt
x(t) = Ce
+e
dt F (t )e G(t )dt .
(1.136)
Na pr
atica, no entanto, nao e conveniente o uso da formula geral acima,
e sim o procedimento
que segue. Multiplicamos (1.136) pelo chamado fator
R
integrante e G(t )dt :

Z
R
R
xe G(t )dt = C + dt F (t )e G(t )dt ,

(1.137)
e agora derivamos ambos os membros em relacao ao tempo:
R
d h R G(t )dt i
= 0 + F (t)e G(t )dt ,
xe
dt
(1.138)
Fazendo a derivada do produto no lado esquerdo

xe
G(t )dt
+ xG(t)e
G(t )dt
= F (t)e
G(t )dt
(1.139)
e dividindo tudo pelo fator integrante obtemos novamente a forma padrao da

equacao:
dx
= G(t)x + F (t)
(1.140)
dt
Dessa forma, um procedimento mais interessante para resolver um modelo naoautonomo linear e o seguinte [23]:
56
1. Coloque o modelo na forma padrao (1.130);

2. Ache o fator integrante e
G(t )dt
3. Multiplique a equacao na forma padrao pelo fator integrante, de forma

que o lado esquerdo da equacao resultante e automaticamente a derivada
do produto do fator integrante por t:
R
d h R G(t )dt i
= F (t)e G(t )dt ;
xe
dt
(1.141)
4. Integre ambos os membros da equacao acima.

Como um exemplo smples, vamos considerar a equacao nao-autonoma
dx
=xt
dt
(1.142)
com a condicao inicial x(0) = 4. Comparando com a forma-padr

ao (1.130) temos
que G(t) = 1 e F (t) = t, ambas funcoes contnuas na reta real. Calculamos o
fator integrante
R
R
e G(t )dt = e dt = et ,
(1.143)
onde a constante de integracao C nao precisa ser escrita aqui, ja que sera considerada apenas no final dos calculos. A equacao (1.141) sera
Integrando ambos os lados

Z
d t
xe = tet ,
dt
d(xet )
xet
(1.144)
dttet ,
et (t 1) + C,
tal que, dividindo por et chegamos, ent

ao, à solucao geral
x(t) = Cet + et et (t 1) = Cet + t 1
(1.145)
Avaliando essa expressao em t = 0 temos que x(0) = C 1. Como x(0) = 4,

ent
ao C = 4 + 1 = 5 e a constante de integracao, com a qual () e escrita como
x(t) = 5et + t 1,
(1.146)
cujo comportamento e representado graficamente na Fig. 1.23. Observe que

x(t) inicialmente decresce ate um valor mnimo por volta de 1, 6 e depois cresce
monotonicamente, indo a infinito para t . Embora o termo 5et decaia
logo a zero, quem domina para grandes tempos e o termo linear t 1, que faz
com que a solucao divirja.
Nem todas as equacoes nao-autonomas (mesmo lineares) tem solucoes analticas,
a nao ser em casos smples como o do exemplo precedente onde as integrais podem ser calculadas numa forma fechada. Em geral, portanto, e necessario utilizar tecnicas numericas de solucao, como o metodo de Euler visto anteriormente.
57
10
10
Figura 1.23: Solucao da equacao (1.142) com a condicao inicial x(0) = 4.
No entanto, em se tratando de equacoes nao-autonomas e necessario fazer uma

modificacao para que o modelo torne-se autonomo. Considere a equacao
dx
= f (x, t).
dt
(1.147)
Se tentarmos usar diretamente a formula do metodo de Euler (1.50) esbarramos

na necessidade de expressar o campo vetorial sem o tempo. No entanto, podemos
definir uma variavel auxiliar y = t, tal que sua derivada seja igual a um. Temos,
portanto, um sistema de duas equacoes autonomas:
dx
dt
dy
dt
f (x, y),
(1.148)
1.
(1.149)
No Captulo (3) vamos abordar a extensao do metodo de Euler para modelos

bidimensionais como esse (bem como outros metodos numericos), de modo que
postergaremos a discussao desse tipo de solucao ate l
a.
1.8
Explorac
ao de recursos naturais renov
aveis
Um dos objetivos da Economia Ambiental e a administracao de recursos renov

aveis,
e um problema classico nessa area e a otimizacao de estrategias de exploracao
de recursos naturais de ecossistemas [24]. Um modelo smples para a evolucao
populacional e, como vimos, a equacao logstica (1.27)

P
dP
.
= rP 1
dt
K
onde r e a taxa de crescimento, e K a capacidade de sustentacao.
1.8.1
Taxa de explorac
ao constante
Um modelo muito smples para a exploracao (via colheita, caca, pesca, etc.) da
especie consiste em incluirmos na equacao logstica um termo h, com h > 0
58
1,5
0,1
(rK/4)-h
1
0
*
P1
*
P2
P2
P(t)
f(P)
K/2
K/2
0,5
-0,1
P1
0
tE
-h
-0,2
0,2
0,4
0,6
0,8
-0,5
Figura 1.24: (a) Diagrama de fase e (b) algumas solucoes possveis para a
equacao (1.150).
constante dito taxa de exploracao.

dP
= f (P ) = rP
dt
P
K
h.
(1.150)
O ponto de equilbrio P deve ser a solucao de f (P ) = 0, que e uma equacao

quadr
atica cujas razes s
ao
p
K K 2 (4hK/r)
P1,2 =
.
(1.151)
2
e que, no diagrama de fase da Fig. 1.24(a), s
ao as intersecoes do gr
afico de f (P )
com o eixo das abscissas.
Pela inspecao da Fig. 1.24(a) concluimos que P1 e um ponto de equilbrio
instavel, ao passo que P2 representa um equilbrio assintoticamente est
avel. Se a
populacao inicial P0 = P (0) for menor que P1 os valores de P (t) diminuem com o
tempo. No entanto, como a populacao nao pode ter valores negativos, (P (t) 0)
na pratica P (t) tende a zero com o passar do tempo, o que implica na extincao
da especie. Ja se P0 > P1 os valores da populacao tendem assintoticamente
para o ponto de equilbrio P2 , que representa a populacao compatvel com a
taxa de exploracao constante. Algumas solucoes est
ao representadas na Fig.
1.24(b) [veja tambem o Problema 11].
Observe que ha duas solucoes distintas de equilbrio quando o radicando em
(1.151) for positivo, o que implica em
K2
rK
4hK
> 0 h < h
,
r
4
(1.152)
Ja se h > h nao ha solucoes reais, e portanto nao ha solucao de equilbrio: seja

qual for a populacao inicial P0 ela tender
a assintoticamente à extincao total.
O caso limite ocorre quando h = h , e haver
a uma u
nica solucao de equilbrio,
P = K/2. Na literatura h e denominada producao maxima sustent
avel (PMS)
pelo ecossistema.
Clark [[23], pg. 135] apresenta o exemplo das baleias da Antartida, para
as quais estima os valores numericos r = 0, 08 e K = 400.000, ambos com
incertezas da ordem de 10%, e tomando o instante t = 0 no ano de 1976, com a
populacao inicial P0 = 70.000. A taxa de producao maxima sustent
avel (PMS),
59
neste caso, e h = rK/4 = 8000, compatvel com uma populacao de equilbrio

P = K/2 = 200.000. No entanto, como P0 < P essa taxa de exploracao
levar
a inexoravelmente `
a extincao da especie! A taxa de exploracao maxima
hmax sera, portanto, aquela que permita uma populacao de equilbrio nao-nula,
ou seja, tal que P1 < P0 e, consequentemente, P (t) P2 quando t . Do
Problema 11(b), essa taxa sera

70.000
P0
= 0, 08 70.000 1
= 4620.
(1.153)
hmax = rP0 1
K
400.000
Devemos, no entanto, ter uma certa cautela com essas estimativas, uma vez que
os valores de r e K tem margens de erro de ate 10% e, portanto, o valor acima
pode ja estar acima do maximo previsto pelo modelo.
1.8.2
Taxa de explorac
ao proporcional `
a populac
ao
Um aperfeicoamento do modelo logstico consiste em supor a taxa de exploracao

como sendo linearmente proporcional à populacao, por meio de um termo EP
em (1.27)

dP
P
EP,
(1.154)
= f (P ) = rP 1
dt
K
onde E > 0 e chamado esforco, e representa a medida do desgaste na exploracao

do recurso na fonte, de modo que este modelo e dito de esforco constante. Os
seus pontos de equilbrio s
ao

E
P1 = 0,
P2 = K 1
,
(1.155)
r
tal que P2 existe sempre que E < r, ou seja, que o esforco seja pequeno o
suficiente. Pela analise do diagrama de fase ou pelo criterio de linearizacao
ao sempre instavel e est
avel, respectivamente
concluimos que P1 = 0 e P2 s
(veja o Problema 12).
A taxa de exploracao compatvel com uma populacao de equilbrio est
avel
sera, pois,

E
,
(1.156)
EP2 = EK 1
r
Para obter a producao maxima sustent
avel (PMS) deste modelo, determinamos
o extremo da funcao EP2 em relacao ao esforco. Derivando (1.156) em relacao
a E obtemos:
2KE
EP2 = K
,
(1.157)
E
r
que sera igual a zero para o esforco maximo Emax = r/2, que e compatvel com
uma populacao

K
Emax
= .
P2 (Emax ) = K 1
(1.158)
r
2
Considerando novamente o exemplo das baleias da Ant

artida, supondo que
o esforco seja maximo Emax = 0, 08/2 = 0, 04, teremos que a populacao de
equilbrio sera P2 = K/2 = 400.000/2 = 200.000 (igual ao modelo onde a taxa
de exploracao era constante). A taxa de exploracao no primeiro ano sera
EP0 = 0, 04 70.000 = 2800,
60
e a producao maxima sustent

avel (PMS)
EP2 = 0, 04 200.000 = 8000.
tem o mesmo valor previsto no modelo anterior. O uso de uma poltica de exploracao dependente da populacao e efetivo na recuperacao de especies ameacadas
de extincao, pois limita-se severamente a exploracao inicial, para que possa haver
uma exploracao anual maior no futuro. Alem disso, como todos os valores de P0
levam a um ponto de equilbrio est
avel, nao ha os problemas vistos no modelo
onde a taxa de exploracao e mantida constante.
1.8.3
Modelo de explorac
ao com varia
c
oes sazonais
Uma caracterstica comum a muitos ecossistemas e a sazonalidade das variacoes

ambientais, como os ciclos associados às estacoes do ano, e que afetam a disponibiliade de alimento e a
area disponvel para a especie. Por exemplo, no inverno
a quantidade de alimento disponvel diminui pela queda na temperatura, a migracao de v
arias especies, e outros fatores. Neste caso, tanto a taxa de crescimento como a capacidade de sustentacao podem ser modelados por funcoes
peri
odicas do tempo.
Implementamos essa condicao no modelo logstico impondo que
r
b(t)
K
r a(t),
(1.159)
na Eq. (1.27), onde A(t) e B(t) s

ao funcoes de perodo T , ou seja,
A(t + T ) = A(t),
B(t + T ) = B(t).
(1.160)
de modo que
dP
= P [A(t) B(t)P ].
(1.161)
dt
A introducao destes termos representando variacoes sazonais torna mais delicado o modelamento da exploracao, visto que esperam-se solucoes peri
odicas,
onde a populacao tambem cresca nos perodos de alimento abundante e decresca
naqueles onde ha falta de recursos naturais. Uma estrategia de exploracao nesse
caso pode ser implementada por um esforco E(t) dependente do tempo, tambem
denominado poltica de extracao:
dP
= P [A(t) B(t)P ] E(t)P.
dt
(1.162)
onde podemos supor que E(t) tambem seja uma funcao de perodo T . Podemos
especificar uma cota mnima Emin e uma cota maxima Emax de extracao, de
modo que E(t) [Emin , Emax ]. Essa e uma condicao de vnculo para um
problema de otimizacao que consiste em maximizar um funcional de retorno
para o agente extrator [25]. N
ao iremos nos deter nesse problema especfico mas
sim estudar a din
amica da equacao nao-autonoma (1.162). Ela pode tornar-se
uma equacao linear, por meio da transformacao de variavel z 1/P .
Mudando a derivada temporal pela regra da cadeia temos
dP dz
1 dz
dP
=
= 2 ,
dt
dz dt
z dt
61
(1.163)
que, substituida em (1.162), fornece

B(t)
E(t)
1
1 dz
A(t)
=
2
z dt
z
z
z
Multiplicando ambos os membros por z 2 teremos a equacao normalizada
dz
= z[A(t) E(t)] + B(t).
dt
(1.164)
que tem a forma padrao (1.130), desde que facamos as seguintes identificacoes:
x z,
G(t) A(t) E(t),
F (t) b(t).
(1.165)
Calculamos o fator integrante

e
G(t )dt
=e
[A(t )E(t )]dt
(1.166)
tal que a equacao (1.141) sera

R
d h R [A(t )E(t )]dt i

= B(t)e [A(t )E(t )]dt
ze
dt
(1.167)
Integrando ambos os lados de 0 a t, sendo z0 = z(0) temos

ze
Rt
0
[A(t )E(t )]dt
z0 =
dt B(t )e
R t
0
[A(t )E(t )]dt
(1.168)
tal que chegamos `

a solucao
z(t) = e
Rt
0
[A(t )E(t )]dt
z0 +
dt B(t )e
R t
0
[A(t )E(t )]dt
(1.169)
ou, voltando `
a variavel original, com P0 = 1/z0 ,
P0 e
P (t) =
1 + P0
Rt
0
Rt
0
[A(t )E(t )]dt
dt B(t )e
R t
0
[A(t )E(t )]dt
(1.170)
Se a taxa de extracao for maior que a taxa de crescimento para todos os

tempos, E(t) > A(t), ent
ao a diferenca entre elas sera negativa A(t) E(t) < 0,
tal que
Z t
Z t
|A(t ) E(t )|dt =
[A(t ) E(t )]dt = lim
lim
t
Rt
tal que e 0 [A(t )E(t )]dt 0, e a populacao P (t) tende a zero assintoticamente. No entanto, em geral A(t) E(t) sera uma funcao peri
odica, podendo
assumir valores positivos e negativos. Neste caso, o comportamento assint
otico
da solucao dependera do valor medio sobre um perodo T da funcao A(t) E(t),
que denotamos:
1
< A E >=
T
t+T
[A(t ) E(t )]dt
62
(1.171)
Se < A E >< 0 ent

ao uma extensao do raciocnio anterior leva à conclus
ao
de que a solucao tende a zero assintoticamente.
Alem da solucao P = 0 podemos tambem ter uma solucao perodica Pp de
perodo T , definida como aquela para a qual Pp (t) = Pp (t+T ). Para encontra-la
nos partimos da integral (1.168), integrando z sobre um ciclo completo, de t ate
t + T:
zp (t + T )e
R t+T
t
[A(t )E(t )]dt

= zp (t) eT <AE> 1 =
zp (t)e
t+T
Rt
dt B(t )e
[A(t )E(t )]dt
R t
t
[A(t )E(t )]dt
onde usamos que zp (t) = zp (t + T ) e a Eq. (1.171). Logo Pp = 1/zp sera dado
por
eT <AE> 1
.
(1.172)
Pp (t) = R t+T
R t
dt B(t )e t [A(t )E(t )]dt

t
Para investigar a estabilidade (global) dessa solucao peri

odica, consideramos
duas solucoes nao-nulas P1 e P2 da equacao (1.162), e definimos a variavel [25]
=
1
1
.
P1
P2
(1.173)
cuja derivada temporal e:

d
dt
=
=
=
=
1 dP1
1 dP2
+ 2
P12 dt
P2 dt
1
1
2 [P1 (A E) P12 B] + 2 [P2 (A E) P22 B]
P1
P2

1
1
1
1
(A E) + B +
(A E) B = (A E)
P1
P2
P1
P2
(A E)
(1.174)
que e uma equacao diferencial linear cuja solucao e

(t) = (0)e
Rt
0
[A(t )E(t )]dt
(1.175)
Agora suponhamos que P1 e uma solucao peri

odica Pp , e que P2 seja uma
perturbacao dessa solucao. Supondo que < A E >> 0, ent
ao fazendo t = T
em (1.175) teremos
(T ) = (0)eT <AE> ,
(1.176)
mostrando que, ao longo de um ciclo completo, a solucao P2 aproxima-se da
solucao peri
odica P1 , de modo que esta e assintoticamente est
avel.
1.9
Problemas
1. Sejam os fluxos unidimensionais: (a) x = sin x; (b) x = x2 1. Faca o diagrama

de fase, ache os pontos de equilbrio e investigue sua estabilidade.
2. Esboce o diagrama de fase para x = xcos x, e discuta a estabilidade dos pontos
de equilbrio (n
ao e necess
ario determin
a-los para isso).
63
3. Discuta a estabilidade dos pontos de equilbrio para os seguintes casos: (a)

x = x3 ; (b) x = x2 ; (c)x = 0.
4. Considere o modelo contnuo unidimensional
dx
= 2 x + x2 ,
dt
x(0) = 1,
Fazendo a transformaca
o de vari
aveis z 1/(y 2) mostre que ele reduz-se `
a
equaca
o linear
dz
= 3z 1,
dt
Resolva essa equaca
o e ache a soluca
o do modelo original. Esse e um exemplo
de equaca
o de Riccati.
5. O modelo de teia de aranha descreve a formaca
o do preco de equilbrio de um
certo produto. Considere o preco p(t), e uma funca
o demanda linear D(t) =
a bp(t), onde a > 0, e b > 0 e a elasticidade da demanda. Supomos tambem
uma funca
o oferta linear O(t) = c + dp(t), onde c > 0 e d > 0 e a elasticidade
da oferta; e ainda que a taxa temporal de variaca
o do preco seja proporcional `
a
demanda lquida, ou seja
dp(t)
= j(D(t) S(t)),
dt
onde j > 0 e um coeficiente de ajuste.
(a) Mostre que o modelo reduz-se ao fluxo unidimensional
p = j(b + d)p + j(a c).
(b) Ache os pontos de equilbrio e estude sua estabilidade;
(c) Ache a soluca
o geral do modelo, ou seja, ache p como funca
o de t.
6. Um modelo contnuo unidimensional que explica a perda de competitividade de
economias com um grande hiato tecnol
ogico Norte-Sul foi proposto e estudado
em 2006 por Curado, Porcile e Viana [26]. No caso de uma curva horizontal de
crescimento econ
omico, a variaca
o temporal da taxa de juros i e dada por

di
1
(yd Se az) b0 i + b1 i2 ,
=v
dt
1a
onde v > 0, a representa a participaca
o de exportaco
es nominais no faturamento
total devido ao comercio exterior, > 0 e > 0 s
ao elasticidades da renda, yd
e a taxa de crescimento desejada, > 0 e um par
ametro que depende das
elasticidades das demandas por importaco
es e exportaco
es, Se < 0 depende
da raz
ao entre as capacidades tecnol
ogicas Norte-Sul, z > 0 e a taxa real de
crescimento do Produto Interno Bruto do Norte, b0 > 0 e b1 > 0 s
ao coeficientes
da taxa de crescimento da oferta de capital estrangeiro.
(a) Determine os pontos de equilbrio do modelo e estude sua estabilidade.
(b) Obtenha a soluca
o analtica para a taxa de juros i(t) como funca
o do tempo
neste modelo e interprete sua resposta.
7. Uma consequencia interessante do modelo de Solow estendido (1.126) e que
podemos deduzir uma condica
o para maximizar o consumo por unidade de trabalho (per capita), uma vez estando o sistema num estado de equilbrio k .
Mostre que isto e possvel quando
(k ) = + + ,
conhecida como regra de ouro de Phelps [21].
64
8. Consisdere o modelo de Solow estendido (1.126). Estime o valor do par

ametro
a partir dos seguintes dados: (a) funca
o de produca
o do tipo Cobb-Douglas
com = 0, 25; (ii) em um ano, a forca de trabalho cresceu 2%, o estoque de
capital 4%, e o produto 3%.
9. (a) Use uma planilha eletr
onica para resolver a equaca
o x = 4 2x, com a
condica
o inicial x0 = 1. Compare seu resultado com a soluca
o analtica dessa
equaca
o, que e x(t) = 2 e2t . Maiores detalhes podem ser encontrados na
referencia [6], pgs. 22-24. (b) Use um dos softwares matem
aticos mostrados no
texto para obter a soluca
o numerica.
10. Resolva as equaco
es n
ao-aut
onomas:
(a)
4x
dx
=
+ t5 e t ,
dt
t
x(0) = 1,
(b)
dx
8x
,
=
dt
9 t2
x(0) = 1,
11. (a) Mostre, usando o criterio de estabilidade linear, que as soluco

es de equilbrio
do modelo (1.150), P1 e P2 s
ao inst
avel e assintoticamente est
avel, respectivamente. (b) Mostre que a taxa de exploraca
o m
axima tal que P0 > P1 e

P0
.
hmax = rP0 1
K
(c) Mostre que a soluca
o geral da equaca
o (1.150) pode ser escrita como
P (t) =
P2 (P0 P1 ) P1 (P0 P2 )et

,
P0 P1 (P0 P2 )et
onde P0 = P (0) e
r(P2 P1 )
=r
K
4h
Kr
12. Repita os tens (a) e (c) do problema anterior para o modelo de esforco constante
(1.154).
13. Considere o exemplo da exploraca
o de baleias na Ant
artida sob os pontos de
vista de uma taxa de exploraca
o constante e proporcional `
a populaca
o. Usando os valores numericos dados no texto, resolva numericamente as equaco
es
diferenciais para obter a populaca
o como funca
o do tempo (anualmente).
14. Um modelo de crescimento populacional alternativo ao logstico foi proposto por
Gompertz
dP
= P ( ln P )
dt
onde e a taxa de crescimento, e e/ a capacidade de sustentaca
o. Considere
o problema de exploraca
o de recursos sob os tres pontos de vista: (i) taxa de
exploraca
o constante; (ii) exploraca
o dependente da populaca
o; e (iii) variaca
o
sazonal da exploraca
o. Determine os pontos de equilbrio e sua estabilidade,
interpretando os resultados do ponto de vista das estrategias de exploraca
o.
Quando possvel, mostre soluco
es analticas para a populaca
o como funca
o do
tempo.
65
66
Captulo 2
Modelos contnuos
bidimensionais lineares
Na maioria dos modelos de interesse econ
omico ha duas ou mais variaveis
din
amicas, e a evolucao de cada uma depende das demais, o que demanda
modelos contnuos multidimensionais. Inicialmente vamos estudar com algum
detalhe o caso mais smples, que e o de modelos bidimensionais. O caso de modelos lineares e interessante de per si, pois ja serve ao modelamento de problemas
econ
omicos, alem de servir como base para o estudo de modelos nao-lineares.
2.1
Matrizes bidimensionais
A analise matematica de modelos bidimensionais pode ser feita de forma elegante na linguagem matricial. Por este motivo, nesta secao, vamos revisar
alguns conceitos da
algebra de matrizes bidimensionais e vetores no R2 . No
entanto, a maioria destes conceitos e facilmente generalizavel para matrizes de
ordem arbitraria.
2.1.1
Operac
oes elementares com matrizes
Sejam M e N duas matrizes reais 2 2, ou seja, que tem duas linhas e duas
colunas cada, escritas na seguinte forma geral

M11 M12
N11 N12
M=
,
N=
,
(2.1)
M21 M22
N21 N22
onde o elemento de matriz Mij est
a localizado na linha i = 1, 2 e na coluna
j = 1, 2.
A adicao e subtracao de matrizes e feita diretamente sobre os seus elementos

M11 N11 M12 N12
MN=
,
(2.2)
M21 N21 M22 N22
e, dado um n
umero real , o resultado da multiplicacao da matriz M por e a
matriz

M11 M12
M =
.
(2.3)
M21 M22
67
Para estas operacoes, valem as seguintes propriedades:

1. associatividade I: M + (N + P) = (M + N) + P;
2. comutatividade I: M + N = N + M
3. associatividade II: (M) = ()M;
4. comutatividade II: (M) = (M)
5. distributividade: (M + N) = M + N;
Ja o produto das matrizes M e N, denotado M.N, e uma matriz C, cujos
elementos s
ao obtidos a partir da seguinte regra
Cij =
2
X
Mik Nkj = Mi1 N1j + Mi2 N2j
(2.4)
k=1
ou, em termos das matrizes bidimensionais correspondentes

C11 C12
M11 N11 + M12 N21 M11 N12 + M12 N12
=
.
C21 C22
M21 N11 + M22 N21 M21 N12 + M22 N22
(2.5)
O produto de matrizes goza das seguintes propriedades

1. associatividade: M.(N.P) = (M.N).P,
2. distributividade: M.(N + P) = M.N + M.P
mas nao vale a comutatividade, ou seja M.N 6= N.M em geral. Potencias de
uma matriz s
ao obtidas por multiplicacao sucessiva Mn = M.M. .M.
Matrizes diagonais tem elementos nao-nulos apenas ao longo da sua diagonal
principal

D11
0
D=
.
(2.6)
0
D22
Potencias sucessivas de matrizes diagonais tambem s
ao diagonais. Por exemplo:

2

D11
0
D11
0
D11
0
2
D = D.D =
.
=
(2.7)
2
0
D22
0
D22
0
D22
ou, de modo geral, para t inteiro positivo,

t
D11
0
t
,
D =
t
0
D22
como pode ser demonstrado, usando inducao finita.
Um caso particular de matriz diagonal e a matriz identidade:

1 0
I=
,
0 1
(2.8)
(2.9)
com a propriedade que, para qualquer matriz M,

I.M = M.I = M
68
(2.10)
O chamado traco de uma matriz e a soma de seus elementos diagonais

Tr (M) = M11 + M22 ,
e o determinante dessa matriz e dado pela seguinte definicao

M11 M12

= M11 M22 M12 M21
det M =
M21 M22
(2.11)
(2.12)
O determinante do produto de matrizes e
det(M.N) = (det M)(det N).
(2.13)
Dada uma matriz M, se existir uma matriz T tal que

M.T = T.M = I
(2.14)
ent
ao T e dita matriz inversa de M, e sera denotada T = M1 . Uma matriz
possvel mostrar
que possua uma inversa e dita inversvel, ou nao-singular. E
que uma matriz M e inversvel se, e somente se, o seu determinante for diferente
de zero: det M 6= 0. De (2.13) e (2.14) decorre que, para matrizes inversveis,
det(M1 ) =
Para matrizes 2 2 da forma geral

a
M=
c
1
det M
(2.15)

b
,
d
(2.16)
a matriz inversa e dada por

M1 =
1
ad bc
d
c

b
,
a
(2.17)
desde que ad bc 6= 0.
2.1.2
Vetores e matrizes coluna
Num sistema de coordenadas cartesianas ortogonais, um ponto P tem coordenadas (x, y), e podemos construir um vetor ligando a origem O ao ponto P,
o qual sera denotado v (Fig. 2.1). Podemos representar este vetor por uma
matriz coluna (duas linhas e uma coluna), cujos elementos s
ao as coordenadas
do ponto P:

x
v=
(2.18)
y
Os vetores, considerados como matrizes coluna, gozam de propriedades inteiramente semelhantes `
as das matrizes bidimensionais, quais sejam:

x
wx
x + wx
v+w =
+
=
,
(2.19)
wy
y + wy
y

x
x
.
(2.20)
=
v =
y
y
69
y
P
y
v
Figura 2.1: Vetor no R2
O produto de uma matriz por um vetor resulta em outro vetor, dado por:
w = M.v =
M11
M21
M12
M22

M11 x + M12 y
x
.
=
M21 x + M22 y
y
(2.21)
O modulo de um vetor, designado por v ou |v|, representa a distancia entre

os pontos O e P na Figura 2.1. Aplicando o teorema de Pitagoras, temos que
v = |v| =
p
x2 + y 2
(2.22)
Um vetor de modulo igual a um sera dito unit

ario, ou ainda versor. Qualquer
vetor pode ser normalizado se o dividirmos pelo seu modulo
vw=
v
,
|v|
(2.23)
tal que |w| = 1.

Em especial, nos introduzimos os vetores unitarios correspondentes aos eixos
x e y, denotados i e j, respectivamente, tal que um vetor qualquer seja escrito
como uma combinacao linear dos vetores unitarios, na forma:
v = xi + yj.
(2.24)
Usando (2.20), concluimos que as representacoes dos vetores unitarios, em termos de matrizes coluna, s
ao:
i=

1
,
0
j=

0
.
1
(2.25)
O vetor nulo e a matriz nula s

ao representados pela mesma letra, mas
definidos de forma diferente, a saber:
0=

0
,
0
0=
70
0
0

0
.
0
(2.26)
2.1.3
Autovalores e autovetores
Seja M uma matriz quadrada. O n

umero real e dito um autovalor da matriz
M se existir um vetor nao-nulo u tal que
M.u = u,
(2.27)
onde u e o autovetor correspondente ao autovalor .

Podemos isolar o autovetor na equacao (2.27)
M.u u = M.u I.u = 0,
o que fornece a chamada equacao dos autovetores:
(M I).u = 0,
(2.28)
Considerando a seguinte matriz bidimensional

a b
,
A=
c d
(2.29)
podemos escrever o seu autovetor na forma geral

ux
u=
.
uy
(2.30)
tal que a equacao de autovalores (2.28) seja

a b
1 0
ux
0
(A I).u =
=
,
c d
uy
0 1
0

a
b
ux
0
=
.
uy
c
d
0
(2.31)
Igualando os elementos de matriz correspondentes dos lados esquerdo e direito dessa equacao, temos o seguinte sistema linear e homogeneo de equacoes:
(a )ux + buy
cux + (d )uy
=
=
0,
0,
(2.32)
(2.33)
que tem uma solucao trivial ux = uy = 0 correspondente ao vetor nulo. Solucoes

nao-triviais deste sistema homogeneo s
ao possveis se e somente se o determinante formado pelos coeficientes dessa equacao for nulo:

a
b

,
(2.34)
c
d
ou, numa notacao mais compacta,
det(A I) = 0,
(2.35)
dita equacao secular, e cuja solucao fornece os autovalores procurados.

No caso de (2.34), desenvolvendo o determinante pela definicao (2.12) temos
que
(a )(d ) bc
(a + d) + (ad bc)
=
=
0,
0,
(2.36)
+ =
0,
(2.37)
71
onde identificamos duas quantidades fundamentais, que s

ao o traco
Tr A = a + d,
(2.38)
e o determinante da matriz A:
det A = ad bc.
(2.39)
Os autovalores da matriz A s
ao dados pelas razes da equacao (2.37):
2 4
D
1,2 =
=
,
(2.40)
2
2
onde definimos o discriminante
D 2 4,
(2.41)
cujo sinal determina se os autovalores de A s

ao reais ou complexos. Podemos
ter as seguintes situacoes:
1. D > 0, ( 2 > 4): autovalores reais e distintos;
2. D = 0, ( 2 = 4): autovalores reais e iguais: 1 = 2 = ;
3. D < 0, ( 2 < 4): autovalores complexos conjugados
(a) 6= 0: 1 = + i, 2 = 1 = i,
(b) = 0: imagin
arios puros 1 = i, 2 = i,
onde
p
|D|
.
(2.42)
2
2
Conhecidos os autovalores de uma matriz, os autovetores correspondentes a
eles s
ao determinados substituindo 1,2 na equacao (2.31). Nas proximas secoes
veremos diversos exemplos do calculo de autovalores e autovetores.
2.2
Modelos bidimensionais lineares
A extens
ao natural dos modelos contnuos unidimensionais vistos no captulo
anterior contempla, agora, duas variaveis dependentes, que denotaremos x(t) e
y(t), ambas funcoes da mesma variavel dependente, o tempo t. Cada variavel
dependente satisfaz uma equacao diferencial de primeira ordem em relacao ao
tempo, onde a derivada de cada variavel depende do valor das duas variaveis.
Um modelo contnuo bidimensional linear e um conjunto de duas equacoes diferenciais obtido a partir de funcoes afins para cada variavel dependente:
dx
dt
dy
dt
ax + by + j,
(2.43)
cx + dy + k,
(2.44)
onde a, b, . . . k s
ao constantes. Na notacao matricial, podemos escrever o
sistema na forma
dv
= A.v + B,
(2.45)
dt
72
onde definimos

x
,
v=
y

a
A=
c

b
,
d

j
.
B=
k
(2.46)
Assim como no caso unidimensional, estamos interessados em resolver o

chamado problema de valores iniciais para as equacoes (2.43)-(2.44). Dados
os valores das variaveis dependentes no instante inicial x(t = 0) = x0 e y(t =
0) = y0 , desejamos determinar os valores das mesmas num instante t qualquer:
(x(t; x0 , y0 ), y(t; x0 , y0 )). O conjunto de pontos assim determinado determina
uma solucao do problema de valor inicial para o qual, alias, tambem se aplica o
teorema de existencia e unicidade visto no Captulo 1.
2.2.1
Pontos de equilbrio
Assim como nos modelos discretos, os modelos contnuos tambem apresentam

solucoes estacion
arias, ou de equilbrio v , que s
ao constantes no tempo, ou seja:

dv
x
= 0.
(2.47)
v =
y
dt
Para o modelo linear (2.45), temos de resolver a equacao matricial
A.v + B = 0.
(2.48)
Supondo que a matriz A seja inversvel, ou seja, que det A 6= 0, podemos

multiplicar ambos os membros de (2.48) à esquerda pela inversa da matriz,
A1 , o que fornece um u
nico ponto de equilbrio
v = A1 .B.
(2.49)
Para conveniencia de calculos, podemos transladar o ponto de equilbrio para

a origem, o que equivale a definir a nova variavel

wx (t)
w(t) =
v(t) v = v(t) + A1 .B.
(2.50)
wy (t)
Derivando em relacao ao tempo, e usando (2.47), temos
dw
dt
=
=
dv dv
= A.v + B = A.(w + v ) + B
dt
dt
A.(w A1 .B) + B = A.w A.A1 .B + B,
ou seja, o novo vetor w satisfaz a equacao

dw
= A.w,
dt
cujo ponto de equilbrio e a propria origem do plano de fase

0
w =0=
.
0
Alem disso, para este novo problema,

x(0) x
wx (0)
=
w(0) =
y(0) y
wy (0)
e o vetor de condicoes iniciais.
73
(2.51)
(2.52)
(2.53)
(b)
(a)
1
0
v1
0
0
1
0
0
1
00
11
11
00
00
11
1
v* 0
v0
11
00
00
11
00
11
v*
U1
U1
U
Figura 2.2: (a) Equilbrio est

avel no sentido de Lyapunov, e (b) assintoticamente
est
avel.
2.2.2
Conceitos de estabilidade
A estabilidade do ponto fixo na origem pode ser estudada da mesma forma

do que para os modelos unidimensionais: investigando o comportamento das
solucoes nas proximidades da solucao de equilbrio. Se as trajet
orias aproximamse do ponto de equilbrio quando o tempo tende a infinito, o ponto e est
avel.
Caso contrario, ou seja, se as trajet
orias se afastam exponencialmente do ponto
de equilbrio, ele e instavel.
No entanto, em mais de uma dimensao e necessario introduzir conceitos
precisos de estabilidade para dar conta da variedade de maneiras de aproximarse (ou afastar-se) do equilbrio. As definicoes a seguir est
ao formuladas em
duas dimensoes, mas podem ser imediatamente generalizadas para um n
umero
arbitrario de dimensoes [3, 1].
Defini
c
ao 1 Um ponto de equilbrio v e dito est
avel no sentido de Lyapunov se, para toda a vizinhanca U de v no plano existe uma vizinhanca
U1 U tal que toda a soluca
o v(t) iniciada no ponto v(0) U1 e definida e
permanece em U para todo tempo t > 0.
Defini
c
ao 2 Um ponto de equilbrio v e dito atrativo se, para toda a vizinhanca U de v existe uma vizinhanca U1 U tal que toda a soluca
o v(t)
iniciada no ponto v(0) U1 tende a v no limite t .
Defini
c
ao 3 Um ponto de equilbrio v e dito assintoticamente est
avel (ou
est
avel, simplesmente) se ele for simultaneamente est
avel no sentido de Lyapunov e atrativo.
Em outras palavras, v e est
avel no sentido de Lyapunov se todas as trajet
orias que iniciam a partir de pontos proximos a v permanecem proximas a
ele para todos os tempos [Fig. 2.2(a)]. Ja v e atrativo se todas as trajet
orias
iniciadas em pontos proximos a v tendem a ele quando o tempo vai a infinito
[Fig. 2.2(b)]. Por estas definicoes todo ponto atrativo e est
avel no sentido de
Lyapunov mas a recproca nao e verdadeira: ha equilbrios onde as trajet
orias
permanecem orbitando nas suas proximidades sem, contudo, tender a ele para
tempos infinitos, como veremos na sequencia deste captulo. Tais pontos serao
classificados como sendo neutros ou marginalmente est
aveis. Por outro
74
lado, basta que o equilbrio nao seja est

avel no sentido de Lyapunov para ser
considerado instavel.
No caso especfico de modelos bidimensionais lineares, a existencia de solucoes
gerais para condicoes iniciais arbitrarias faz com que as solucoes de equilbrio
possam ser (se for o caso) globalmente atrativas, ou seja, v atrai todas as trajet
orias do plano. Em contraposicao, em modelos nao-lineares arbitrarios nao
se pode afirmar, em geral, que isso seja verdade: contentamo-nos em descrever
regi
oes do plano que contenham vizinhancas U e U1 para as quais as definicoes
anteriores sejam v
alidas.
2.2.3
Soluc
ao geral do modelo bidimensional linear
A equacao matricial (2.51) e, formalmente, muito parecida com a equacao unidimensional dx/dt = ax, cuja solucao geral foi vista no Captulo 1 como:
x(t) = x0 eat .
(2.54)
No entanto, em se tratando de matrizes, o analogo dessa expressao envolve uma

operacao relativamente complicada, que e a exponencial de uma matriz. Esse
tratamento formal sera apresentado no Captulo 4, onde serao vistos modelos multidimensionais. Neste Captulo, por raz
oes pedagogicas, seguiremos um
caminho menos formal, porem mais direto para resolver a equacao (2.51), e que
consiste em procurar soluco
es para ela na seguinte forma:
w(t) = et u,
(2.55)
onde u e um vetor fixo, a ser determinado, e pode ser interpretado como uma
taxa de aumento ou diminuicao do modulo do vetor w com o passar do tempo,
caso seja positivo ou negativo, respectivamente.
Dessa forma, a solucao w(t) representa um vetor, ao longo da direcao fixada
pelo vetor u, e cujo modulo diminui ou aumenta com o passar do tempo à taxa
[Fig. 2.3(a) e (b), respectivamente]. Essa caracterstica da solucao geral do
modelo linear permitir
a que facamos uma classificacao dos tipos de pontos de
equilbrio no plano, baseada no comportamento temporal do modulo dos desvios
das trajet
orias em relacao `
a solucao de equilbrio.
Substituindo a solucao tentativa (2.55) na equacao (2.51) temos
d t
dw
=
e u
dt
dt
et u
=
=

A.w = A. et u ,
et A.u,
(2.56)
tal que, dividindo por et , chegamos a

A.u = u,
(2.57)
que e a equacao de autovalores (2.28) para a matriz A, onde u e o autovetor

correspondente ao autovalor .
Na secao anterior, vimos que uma matriz bidimensional tem dois autovalores
que podem ser reais ou complexos. Alem disso, na Algebra

Linear mostra-se
que os autovetores correspondentes aos autovalores 1 e 2 , que denotaremos
u1 e u2 , respectivamente, s
ao linearmente independentes [27]. Isso significa
75
(b)
(a)
<0
>0
w(0)
w(t)
w(t)
w(t)
w(t)
w(t)
0
w(t)
w(0)
Figura 2.3: Vetor com modulo (a) diminuindo e (b) aumentando exponencialmente com o passar do tempo.
c u2
2
u2
c1u 1
u
Figura 2.4: Combinacao linear de dois vetores linearmente independentes.
que qualquer vetor no plano pode ser escrito como uma combinacao linear dos
autovetores:
w = c1 u1 + c2 u2 ,
(2.58)
onde c1 e c2 s
ao coeficientes reais arbitrarios. Esse vetor pode ser, por exemplo,
a condicao inicial w0 = w(t = 0) [Figura 2.4].
Como a equacao
dw
= A.w
dt
(2.59)
representa matricialmente um sistema de duas equacoes diferenciais de primeira

ordem, ela ter
a duas constantes de integracao arbitrarias. Tais constantes s
ao
justamente os coeficientes c1 e c2 da combinacao linear em (6.36). Logo, a
solucao geral de (2.59) pode ser escrita, em vista da solucao tentativa (2.55),
como
w(t) = c1 e1 t u1 + c2 e2 t u2 .
76
(2.60)
2.3
An
alise da estabilidade do equilbrio
Vamos estudar os casos possveis para os autovalores da matriz A, e que tipos de

solucoes de equilbrio a eles correspondem, do ponto de vista da sua estabilidade.
Neste captulo apresentaremos os diversos casos possveis por meio de exemplos.
No Captulo 4 apresentaremos um enfoque mais geral para esse assunto.
2.3.1
Autovalores reais e distintos
Comecaremos pelo caso de autovalores reais e distintos, que apresentara v

arias
situacoes para a estabilidade do ponto de equilbrio.
N
o est
avel: 1 < 0 e 2 < 0
Considere o seguinte exemplo
dx
dt
dy
dt
2x + y,
(2.61)
x 2y,
(2.62)
ou, na forma matricial,

dv
= A.v,
dt
onde
A=
2
1

1
,
2
(2.63)
B=

0
,
0
(2.64)
de modo que w = v, e o ponto de equilbrio e a origem do plano: v = 0.

Para a matriz A, o traco e o determinante s
ao dados por (2.38) e (2.39),
respectivamente, como
= Tr A = 2 2 = 4,
= det A = 4 1 = 3,
(2.65)
(2.66)
tal que o discriminante seja

D = 2 4 = 16 12 = 4 > 0,
(2.67)
de modo que os autovalores de A s

ao reais e positivos. De fato, aplicando (2.40)
temos que
4 + 2
4 + 4
=
= 1,
(2.68)
1 =
2
2
4 4
4 4
2 =
=
= 3.
(2.69)
2
2
Para determinar os autovetores usamos as equacoes (2.32)-(2.33)
(2 )ux + uy
ux + (2 )uy
77
0,
(2.70)
0,
(2.71)
Para o autovalor 1 = 1 teremos

ux + uy
ux uy
0,
(2.72)
0.
(2.73)
Da primeira equacao acima concluimos que ux = uy , mas a segunda equacao

e simplesmente a primeira com sinal trocado, de forma que o sistema (2.72)(2.73) nao e suficiente para determinar univocamente as duas componentes do
autovetor u1 .
Como ha infinitas escolhas possveis, optamos por uma que nos seja particularmente simples, de sorte que arbitramos ux = uy = 1, e o autovetor
correspondente ao autovalor 1 = 1 e

1
.
(2.74)
u1 =
1
De modo inteiramente analogo, o autovetor relativo ao autovalor 2 = 3 e

1
,
(2.75)
u2 =
1
e a solucao geral da equacao (2.61), tendo em vista (2.60), e dada por

1
t 1
3t
v(t) = c1 e
+ c2 e
,
1
1
(2.76)
que equivale `
as seguintes expressoes
x(t)
y(t)
=
=
c1 et + c2 e3t ,
c1 et c2 e3t .
(2.77)
(2.78)
Podemos verificar que, no limite t , tanto x(t) como y(t) tendem a zero.
Em outras palavras, o modulo do vetor, |v(t)| tende a zero quando t . De
acordo com as definicoes vistas na secao anterior, o ponto de equilbrio w = 0
e assintoticamente est
avel. A condicao necessaria e suficiente para isso e que
ambos autovalores da matriz A sejam negativos.
As constantes de integracao c1 e c2 , por sua vez, s
ao determinadas a partir
das condicoes iniciais x0 = x(t = 0) e y0 = y(t = 0), ou seja, das componentes
do ponto inicial no plano de fase. Do sistema acima temos que, para t = 0, as
constantes satisfazem o sistema linear
x0
y0
=
=
c1 + c2 ,
c1 c2 ,
(2.79)
(2.80)
cujas solucoes s
ao
x 0 + y0
,
(2.81)
2
x 0 y0
.
(2.82)
c2 =
2
Substituindo (2.81) e (2.82) em (2.79) e (2.80) chegamos à solucao final

x 0 + y0
x 0 y0
t
x(t) =
e +
e3t ,
(2.83)
2
2

x 0 + y0
x 0 y0
y(t) =
et
e3t .
(2.84)
2
2
c1
78
x(t)
(b)
(a)
4
3
1
2
u1
1
0
y(t)
1,5
u2
-1
1
0,5
0
0,5
1,5
2,5
-2
-2
-1
Figura 2.5: (a) Evolucao temporal das variaveis x e y para condicoes iniciais
x0 = 5 e y0 = 1. (b) N
o est
avel.
Cada condicao inicial (x0 , y0 ) produz uma trajet

oria no plano de fase, na
qual cada instante de tempo t corresponde um ponto da trajet
oria. Por ser
um ponto assintoticamente est
avel, a origem do plano de fase atrai todas as
trajet
orias possveis. Por exemplo, considere o caso em que x0 = 5 e y0 = 1. A
evolucao temporal das variaveis x e y, de acordo com (2.77)-(2.78) e mostrada
na Figura 2.5(a).
Uma outra forma de visualizar tais solucoes e mostrada na Figura 2.5(b),
onde exibimos algumas das trajet
orias obtidas a partir de diferentes condicoes
iniciais, as flechas sobre elas indicando o sentido do tempo. Figurativamente,
e como se o ponto de equilbrio fosse um sumidouro (ou ralo) do fluxo de
trajet
orias no plano de fase. Nesse caso, o ponto de equilbrio e dito um n
o
est
avel. Indicamos, ainda, na Fig. 2.5(b), os autovetores correspondentes a
cada autovalor. Somente as trajet
orias cujas condicoes iniciais pertencem às
direcoes determinadas pelos autovetores s
ao retilneas. Como todos os pontos
dessas trajet
orias ficam rigorosamente contidos nessas direcoes, dizemos que as
direcoes dos autovetores s
ao invariantes. No captulo 4 iremos tratar com mais
profundidade este assunto.
N
o inst
avel: 1 > 0 e 2 > 0
Seja o seguinte sistema linear
dx
dt
dy
dt
x + y,
(2.85)
2x + 4y,
(2.86)
para o qual a matriz dos coeficientes e

1
A=
2

1
,
4
(2.87)
e o ponto de equilbrio e, novamente, a origem 0.

O traco, determinante e discriminante de A s
ao
= 5,
= 3,
D = 25 24 = 1 > 0,
79
(2.88)
0,01
20
x(t)
15
10
u1
u2
y(t)
8
6
4
2
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
-0,01
-0,002
0,002
Figura 2.6: (a) Evolucao temporal das variaveis x e y para condicoes iniciais
x0 = 0, 1 e y0 = 0, 3. (b) N
o instavel.
sendo seus autovalores iguais a

1 = 3
2 = 2,
correspondendo aos seguintes autovetores, respectivamente,

1
1
u1 =
,
u2 =
.
2
1
A solucao geral de (2.85) sera, pois,

1
1
,
+ c2 e2t
v(t) = c1 e3t
1
2
(2.89)
(2.90)
(2.91)
ou
x(t)
y(t)
c1 e3t + c2 e2t ,
3t
2t
2c1 e + c2 e .
(2.92)
(2.93)
Para t , tanto x(t) como y(t) tendem a infinito. Como o modulo do vetor
v cresce com o passar do tempo, dizemos que o ponto de equilbrio v = 0 e
instavel; situacao que surgir
a sempre que um ou mais dos autovalores da matriz
A sejam positivos, como nesse caso.
Supondo uma condicao inicial x(0) = x0 e y(0) = y0 , as constantes serao
solucoes do sistema
x0
c1 + c2 ,
(2.94)
y0
2c1 + c2 ,
(2.95)
dadas por c1 = y0 x0 e c2 = 2x0 y0 , e portanto

x(t)
y(t)
=
=
(y0 x0 )e3t + (2x0 y0 )e2t ,

2(y0 x0 )e3t + (2x0 y0 )e2t .
(2.96)
(2.97)
que est
ao representadas graficamente na Figura 2.6(a) para as condicoes iniciais
x0 = 0, 1 e y0 = 0, 3.
80
Tais solucoes, para diferentes valores das condicoes iniciais, apresentam,

no plano de fase, o comportamento ilustrado pela figura 2.6(b). O ponto de
equilbrio na origem parece ser uma fonte do fluxo representado pelas solucoes
que afastam-se dela com o passar do tempo. Nesse caso, o ponto de equilbrio e
dito um n
o inst
avel. Aqui, mais uma vez, as trajet
orias sobre as direcoes determinadas pelos autovetores u1 e u1 s
ao retilneas, e as direcoes s
ao invariantes,
portanto.
Ponto de sela: 1 < 0 e 2 > 0 ou vice-versa
O exemplo representativo desse caso e
dx
dt
dy
dt
correspondendo `
a matriz
A=
x + y,
(2.98)
4x 2y,
(2.99)

1
,
2
(2.100)
1
4
com o ponto de equilbrio na origem. O traco, determinante e discriminante

serao
= 1,
= 6,
D = 25 > 0,
(2.101)
tal que os autovalores s

ao
1 = 2
2 = 3
correspondendo aos seguintes autovetores, respectivamente:

1
1
u1 =
,
u2 =
.
1
4
(2.102)
(2.103)
Com esses dados, podemos escrever a solucao geral de (2.98) como

1
1
v(t) = c1 e2t
+ c2 e3t
,
(2.104)
1
4
ou ainda
x(t)
y(t)
=
=
c1 e2t + c2 e3t ,
c1 e2t 4c2 e3t .
(2.105)
(2.106)
Sendo a condicao inicial x(0) = x0 , y(0) = y0 o sistema (2.105)-(2.106)

torna-se, para t = 0,
x0
y0
=
=
c1 + c2 ,
c1 4c2 .
(2.107)
(2.108)
Subtraindo membro a membro as equacoes acima temos que c1 = (4x0 + y0 )/5

e c2 = (x0 y0 )/5. Logo
x(t)
y(t)
1
(4x0 + y0 )e2t +
5
1
(4x0 + y0 )e2t
5
81
1
(x0 y0 )e3t ,
5
4
(x0 y0 )e3t .
5
(2.109)
(2.110)
20
15
10
x(t)
u1
y(t)
u2
-2
-4
2
0
-6
-2
-4
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
-8
-5
-4
-3
-2
-1
Figura 2.7: (a) Evolucao temporal das variaveis x e y para as condicoes iniciais
x0 = 2 e y0 = 3. (b)Ponto de sela.
que est
ao representadas graficamente na Fig. 2.7(a) para as condicoes iniciais
x0 = 2, y0 = 3.
Devido `
a existencia de um expoente positivo, se fizermos o tempo tender a
infinito, tanto x(t) como y(t) divergirao, ent
ao o ponto de equilbrio na origem
e instavel. No entanto, como ha um expoente negativo, o comportamento das
solucoes e qualitativamente diferente dos casos anteriores, como mostra a Figura
2.7(b). O autovetor u1 referente ao autovalor positivo 1 = 2 determina uma
direcao invariante, onde as trajet
orias s
ao retilneas e afastam-se do ponto de
equilbrio. Dizemos que esta e uma direca
o inst
avel. Ja o autovetor u2 , que corresponde ao autovalor negativo 1 = 3, fixa no plano de fase uma direcao invariante onde as trajet
orias retilneas convergem assintoticamente para a origem.
Essa e chamada uma direca
o est
avel, e pode ser imaginada como um fio de
navalha: qualquer pequeno afastamento da mesma levar
a a um comportamento
diferente.
Trajet
orias geradas por condicoes iniciais fora destas direcoes invariantes
s
ao curvilneas, o que da ao ponto de equilbrio o nome de ponto de sela [Fig.
2.7(b)]. As trajet
orias aproximam-se da origem pela direcao est
avel, e afastamse da mesma pela direcao instavel. Em outras palavras, as direcoes est
avel e
instavel s
ao assntotas para todas as trajet
orias que passam por pontos fora
delas. Pontos de sela ocorrem sempre que os autovalores forem reais e tiverem
sinais diferentes. Como, na pratica, e impossvel determinar uma condicao inicial com precis
ao infinitamente grande, a existencia de uma direcao est
avel nao
afeta o car
ater instavel do ponto de sela.
Um dos autovalores
e nulo: feixe de retas paralelas
Suponha que 1 6= 0 e 2 = 0, correspondendo à matriz dos coeficientes, ja na
forma diagonal

1 0
A=
,
(2.111)
0 0
com o ponto de equilbrio na origem. Os autovetores s

ao dados pelas Eqs.
(2.32)-(2.32)
(1 )ux
uy
82
0,
(2.112)
0.
(2.113)
(b)
(a)
y
Figura 2.8: Feixe de retas paralelas para o caso de um autovalor nulo, sendo o
outro (a) negativo, e (b) positivo.
Considerando o autovalor nao-nulo 1 , decorre que ux = 0 para qualquer uy ,

situacao que se inverte quando levamos em conta o autovalor igual a zero, de
sorte que os autovetores correspondentes a eles podem ser escolhidos, respectivamente, como

1
0
u1 =
,
u2 =
.
(2.114)
0
1
Podemos, pois, escrever a solucao geral do modelo como

0
1 t 1
,
v(t) = c1 e
+ c2
1
0
(2.115)
ou ainda
x(t)
c 1 e 1 t ,
(2.116)
y(t)
c2 .
(2.117)
Em termos das condicoes iniciais x(0) = x0 , y(0) = y0 o sistema (6.85)-(6.86)

fornece, para t = 0, c1 = x0 e c2 = y0 ; donde
x(t)
x 0 e 1 t ,
(2.118)
y(t)
y0 .
(2.119)
Logo, apenas a variavel x muda com o tempo: se 1 < 0 os seus valores convergem assintoticamente para zero, e divergem caso 1 > 0. Ja os valores de
y nao se alteram: seja qual for a condicao inicial y0 , seu valor permanecera
constante, o que define um feixe de retas paralelas à direcao especificada pelo
autovetor u2 . No caso de 1 < 0 o movimento converge para esta direcao,
divergindo dela caso contrario [Figuras 2.7(a) e (b), respectivamente].
A rigor, a solucao de equilbrio no caso 1 < 0 e 2 = 0 s
o pode ser considerada est
avel no sentido de Lyapunov, ja que as trajet
orias no plano de fase que se
originam pr
oximo `
a origem permanecem proximos dela para tempos posteriores.
Como as trajet
orias nao convergem à origem para tempo tendendo ao infinito,
o equilbrio nao e atrativo, nem tampouco assintoticamente est
avel.
83
2.3.2
Autovalores reais e iguais
Se a matriz A tiver autovalores reais e iguais, 1 = 2 , ha duas possibilidades

para a solucao geral, dependendo se os autovetores correspondentes forem ou
nao linearmente independentes [8].
Dois autovetores linearmente independentes
Se existem dois autovetores linearmente independentes u1 e u2 associados ao
mesmo autovalor, ent
ao a solucao geral sera semelhante à do caso anterior, a
saber:
v(t) = c1 e1 t u1 + c2 e1 t u2
(2.120)
Como exemplo, considere o sistema
dx
dt
dy
dt
correspondendo `
a matriz
A=
x,
(2.121)
y,
(2.122)

0
,
1
(2.123)
1
0
que ja encontra-se na forma diagonal, sendo os autovalores dados diretamente

pelos elementos da diagonal principal: 1 = 2 = 1. Nesse caso, a equacao dos
autovalores (2.32)-(2.33) resulta em identidades triviais, pois:
(1 )ux + 0.uy
0.ux + (1 )uy
=
=
0 0 = 0,
00=0
(2.124)
(2.125)
s
ao satisfeita por quaisquer valores de ux e uy . Logo, podemos escolher para o
papel de autovetores quaisquer dois vetores no plano, como por exemplo

0
1
.
(2.126)
,
u2 =
u1 =
1
0
os quais s
ao linearmente independentes pois qualquer vetor no plano pode ser
escrito como uma combinacao linear dos mesmos

0
1
c1
= c1 u1 + c2 u2 .
(2.127)
+ c2
c=
= c1
1
c2
0
A solucao geral desse modelo sera dada, ent
ao, por (2.120):

t 0
t 1
,
+ c2 e
v(t) = c1 e
1
0
(2.128)
ou seja,
x(t)
c 1 et = x 0 et ,
(2.129)
y(t)
c 2 et = y 0 et ,
(2.130)
e que, divididas uma pela outra, fornecem

y(t)
y0
=
,
x(t)
x0
84
(2.131)
y
u2
u1
0
-2
-4
-4
-2
Figura 2.9: N
o estrela instavel.
que e a equacao de uma estrela de retas que passam pela origem, sendo os
seus coeficientes angulares uma funcao das condicoes iniciais (x0 , y0 ). Esse caso
configura um n
o estrela inst
avel, pois os autovalores 1 = 2 s
ao positivos
[Fig. 2.9]. Caso fossem negativos, a origem seria assintoticamente est
avel (um
no estrela est
avel).
Apenas um autovetor linearmente independente
Se ha apenas um autovetor u1 associado ao autovalor repetido, a situacao fica
um pouco mais complicada. Nesse caso, precisamos de um segundo vetor linearmente independente u2 para que a solucao geral continue tendo duas constantes de integracao, como exigido pelo Calculo Diferencial. Pode-se mostrar,
na Algebra
Linear, que este segundo vetor e dado por [23, 8]
u2 = tu1 + z,
(2.132)
onde z e um vetor a ser determinado. Nesse caso, a solucao geral sera

v(t) = v1 + v2 = c1 e1 t u1 + c2 e1 t [tu1 + z] .
(2.133)
Para encontrar o vetor z nos substituimos (2.133) na equacao geral v = A.v.

Como v1 ja e uma solucao, temos que v 1 = A.v1 . Sobra
v 2

d 1 t
e (tu1 + z)
c2
dt
c2 e1 t [1 (tu1 + z) + u1 ]
A.v2 ,
c2 e1 t A. (tu1 + z) ,
c2 e1 t (tA.u1 + A.z) .
Dividindo por c2 e1 t
t(1 u1 A.u1 ) + u1
A.z 1 I.z
=
=
A.z 1 z,
u1 ,
(2.134)
(2.135)
ja que o termo entre parenteses em (2.134) e nulo, por ser a propria equacao dos
autovetores. Concluimos que o vetor z e determinado pela seguinte equacao:
(A 1 I) .z = u1 .
85
(2.136)
Vamos resolver o seguinte sistema linear, como exemplo

dx
dt
dy
dt
3x 18y,
(2.137)
2x 9y,
(2.138)

3 18
,
2 9
(2.139)
cuja matriz dos coeficientes e

A=
que tem traco, determinante e discriminante iguais, respectivamente, a

= 6,
= 9,
D = 0,
(2.140)
sendo seus autovalores iguais a

1 = 2 = 3,
correspondendo a um u
nico autovetor, que e

3
u1 =
.
1
(2.141)
(2.142)
Para encontrar um segundo autovetor, precisamos calcular o vetor

z
z= x .
(2.143)
zy
que satisfaz (2.136), que se escreve aqui como

3 1
18
zx
3
=
.
2
9 1
zy
1
ou, substituindo 1 = 3,
6
2
18
6

zx
3
=
.
zy
1
(2.144)
(2.145)
que e um sistema linear nao-homogeneo que, na verdade, representa apenas uma

equacao: 6zy = 2zx 1. Ja que temos a liberdade de escolher o valor de zx ,
vamos usar zx = 1/2, tal que zy = 0, e o vetor procurado sera

1/2
z=
.
(2.146)
0
A solucao geral sera dada por (2.133) como
v(t)
=
=
ou
c1 e3t u1 + c2 e3t [tu1 + z] ,

1/2
3
3t
3t 3
,
+
t
+ c2 e
c1 e
0
1
1
x(t)
y(t)

1
c2 e3t ,
3c1 e3t + 3t +
2
c1 e3t + c2 te3t .
86
(2.147)
(2.148)
(2.149)
(2.150)
x(t)
1
0
2
-1
u1
-2
-3
0
-4
3
y(t)
2
-2
1
0
-1
0,5
1,5
2,5
-4
-15
-10
-5
10
15
x0 = 3 e y0 = 3. (b) N
o est
avel degenerado.
Considerando a condicao inicial (x0 , y0 ), as constantes de integracao serao

solucoes do sistema
x0
y0
1
3c1 + c2 ,
2
c1 + 0,
(2.151)
(2.152)
que s
ao dadas por c1 = y0 e c2 = 2(x0 3y0 ). Logo a solucao final do modelo
bidimensional linear e

1
3t
2(x0 3y0 )e3t ,
(2.153)
x(t) = 3y0 e
3t +
2
y(t)
y0 e3t 2(x0 3y0 )te3t .
(2.154)
Um exemplo para o caso onde x0 = y0 = 3 e mostrado na Fig. 2.10(a).

Vamos considerar, agora, a estabilidade do ponto de equilbrio a partir dessa
solucao geral. Para isso, precisamos analisar o comportamento da funcao tet
quando t tende a infinito, se = || e um autovalor negativo. Nesse caso, a
funcao tet tende a zero pois o fator exponencial prevalece sobre o linear. Com
efeito, usando a regra de LH
opital temos [28]:
lim tet = lim
1
t
t
1
=
= lim ||t =
= lim
= 0.
t e
et
t ||e||t
Isso nos mostra que o ponto de equilbrio na origem e assintoticamente

est
avel, nesse caso, e e dito um n
o est
avel degenerado, sendo que as trajet
orias
nas vizinhancas do mesmo parecem a princpio afastar-se dele, para logo apos
aproximarem-se da origem pela direcao invariante indicada pelo autovetor u1
[Figura 2.10(b)]. Em geral, mesmo onde haja apenas um autovetor linearmente
independente, vale o mesmo criterio de estabilidade do caso nao degenerado
(autovalor positivo relacionado a instabilidade, e negativo para estabilidade).
Dois autovalores nulos
Um caso extremo e o de dois autovalores nulos: 1 = 2 = 0, como por exemplo
no sistema bidimensional onde todos os elementos da matriz dos coeficientes A
87
s
ao iguais a zero. Podemos, ainda, descrever dois casos possveis, no esprito
da discussao anterior [29]. No primeiro caso, ha dois autovetores linearmente
independentes. De fato, como todos os elementos da matriz dos coeficientes s
ao
nulos, as equacoes (2.32)-(2.32) tem infinitas solucoes, ou seja, quaisquer valores
das componentes dos autovetores ux e uy s
ao possveis para ambos os autovalores. Supondo que os autovetores nao sejam colineares, eles s
ao linearmente
independentes. Neste caso, e imediato que, sendo x = 0 e y = 0, as solucoes s
ao
constantes, ou seja, iguais às proprias condicoes iniciais para quaisquer instantes
de tempo:
x(t) = x0 ,
y(t) = y0 .
(2.155)
Logo, todos os pontos do plano de fase s
ao solucoes de equilbrio (nao s
o a
origem). Alem disso tais pontos s
ao est
aveis apenas no sentido de Lyapunov,
ja que, a rigor, nao nos afastamos nem nos aproximamos deles no decorrer do
tempo.
No segundo caso, ha apenas um autovetor u1 associado ao autovalor nulo
repetido (com componentes arbitrarias), e precisamos encontrar um segundo
autovetor linearmente independente u2 que, de acordo com o procedimento
visto anteriormente, e dado por
u2 = tu1 + z,
(2.156)
onde z e um vetor a ser determinado, de modo que a solucao geral sera

v(t) = c1 u1 + c2 (tu1 + z).
(2.157)
Como u1 tem componentes arbitrarias, podemos escolhe-lo por simplicidade

como

1
u1 =
,
(2.158)
0
tal que o segundo vetor, linearmente independente ao primeiro, pode ser escolhido como

0
z=
,
(2.159)
1
ja que este e perpendicular àquele. Nesse caso, (2.157) sera, em componentes,
x(t)
y(t)
=
=
c1 + c2 t = x0 + y0 t,
c 2 = y0 ,
(2.160)
(2.161)
em vista das condicoes iniciais (x0 , y0 ).

Apenas x muda com o tempo: caso y0 > 0, x(t) aumenta linearmente com
t, e diminui linearmente quando y0 < 0. Por outro lado, os valores de y nao
se alteram: seja qual for a condicao inicial y0 , seu valor permanecera o mesmo
para quaisquer tempos, o que define um feixe de retas paralelas à direcao especificada pelo autovetor u1 . Os sentidos das trajet
orias serao diferentes, conforme
estivermos acima ou abaixo do eixo horizontal [Fig. 2.11]. Para esse segundo
caso degenerado, os u
nicos pontos de equilbrio s
ao os pertencentes à direcao
u1 , e sua estabilidade e considerada apenas no sentido de Lyapunov, tal como
no caso anterior.
88
Figura 2.11: Feixe de retas paralelas quando dois autovalores s

ao nulos.
2.3.3
Autovalores complexos
Centro: Re(1 ) = Re(2 ) = 0

Vamos estudar o seguinte exemplo
dx
dt
dy
dt
2y,
(2.162)
2x,
(2.163)

2
0
(2.164)
para o qual a matriz dos coeficientes

A=
0
2
tem traco, determinante, e discriminante iguais, respectivamente, a

= 0,
= 4 > 0,
D = 16 < 0
(2.165)
de modo que seus autovalores s

ao imagin
arios puros
1 = +2i
2 = 2i
(2.166)
No caso de autovalores complexos, e conveniente trabalhar no plano usando

coordenadas polares (r, ), definidas como [Fig. 13.35]
x
r cos ,
(2.167)
r sen ,
(2.168)
Quadrando as equacoes (2.167) e (2.168) obtemos x2 = r2 cos2 e y 2 = r2 sen 2

que, somadas membro a membro, fornecem
x2 + y 2 = r2 cos2 + r2 sen 2 = r2 (cos2 + sen 2 ) = r2 ,
(2.169)
onde usamos a identidade trigonometrica cos2 + sen 2 = 1. A coordenada

radial e, portanto,
p
(2.170)
r = x2 + y 2 .
89
y
P
y
r
Figura 2.12: Coordenadas polares no plano.
Dividindo (2.168) por (2.167) obtemos

y
r sen
=
= tan ,
x
r cos
(2.171)
de modo que a coordenada angular e obtida como

y
.
= arctan
x
(2.172)
Devemos tambem transformar as equacoes diferenciais para este sistema de

coordenadas, o que envolve a derivada total de uma funcao de duas variaveis
(no caso, r e ):
dx
dt
dy
dt
=
=
x dr x d
+
= cos r r sen ,
r dt
dt
y dr y d
+
= sen r + r cos ,
r dt
dt
(2.173)
(2.174)
onde usamos (2.167), (2.168), e utilizamos por simplicidade o ponto acima da

variavel quando designamos sua derivada em relacao ao tempo.
Multiplicando (2.173) por cos , (2.174) por sen , e substituindo ambas em
(2.162) e (2.163), e
cos2 r r sen cos
sen 2 r + r cos sen
=
=
2r sen cos ,
2r sen cos ,
(2.175)
(2.176)
que, somadas membro a membro, resultam em

(cos2 + sen 2 )r = r = 0,
(2.177)
equacao esta tem uma solucao bastante simples, a saber

r = r0 = const.
(2.178)
p
onde r0 = x20 + y02 , em termos das condicoes iniciais para as variaveis originais
(x, y).
Substituindo esse u
ltimo resultado nas equacoes (2.175) e (2.176) chega-se a
r0 sen cos
+r0 cos sen
2r0 sen cos ,
(2.179)
2r0 sen cos .
(2.180)
90
y
yM
x(t)
0
-1
-2
x
0
-33
2
-xM
r0
y(t)
xM
0
-5
-1
-yM
-2
-3
-5
r0 = 2 e 0 = 0. (b) Centro.
Simplificando tanto r0 como os senos e cossenos, verificamos que as equacoes

reduzem-se a uma s
o
= 1,
(2.181)
que pode ser imediatamente integrada, fornecendo

(t) = 0 t.
(2.182)
onde tan 0 = y0 /x0 .

Podemos, agora, interpretar as solucoes obtidas no sistema de coordenadas
polares, onde elas tornam-se particularmente simples: (2.178) e (2.182) indicam
que a solucao procurada e um crculo cujo centro encontra-se na origem (que,
lembremos, e o ponto de equilbrio) e de raio r0 . Sendo a condicao inicial o ponto
de coordenadas (r0 , 0 ), com o passar do tempo a solucao percorre esse circulo
no sentido negativo (convencionalmente o sentido hor
ario, ja que os angulos
crescem no sentido anti-hor
ario). Nesse caso, as trajet
orias no plano de fase
executam crculos concentricos (um para cada condicao inicial diferente)[Fig.
2.13(b)].
O ponto de equilbrio e dito um centro e, de acordo com as definicoes vistas na
secao precedente, e apenas est
avel no sentido de Lyapunov, nao sendo atrativo
nem portanto assintoticamente est
avel: os desvios da solucao de equilbrio nao
se afastam indefinidamente nem se aproximam indefinidamente da origem, mas
oscilam em torno do valor de equilbrio com o passar do tempo. Substituindo
(2.178) e (2.182) em (2.167) e (2.168) resulta
x(t)
y(t)
=
=
r0 cos(0 t),
r0 sen (0 t),
(2.183)
(2.184)
de forma que os valores de x oscilam entre os valores maximo xM = r0 cos(0 )

e mnimo xM . De forma analoga, a funcao y(t) e uma senoide com amplitude
yM = r0 sen (0 ) [Fig. 2.13(a)].
91
Foco est
avel: Re(1 ) < 0 e Re(2 ) < 0
Para este caso, considere o exemplo
dx
dt
dy
dt
2x + 3y,
(2.185)
3x 2y,
(2.186)
equivalente `
a matriz
A=
2
3

3
,
2
(2.187)
a qual tem traco, determinante e discriminante dados por:

= 4,
D = 2 4 = 36 < 0,
= 13,
(2.188)
de modo que seus autovalores s

ao complexos conjugados, dados por (2.40), s
ao
4 + 36
= 2 3i.
(2.189)
1,2 =
2
Aqui tambem trabalharemos com coordenadas polares (r, ), transformando
as equacoes do sistema (2.185)-(2.186) como segue
dx
=
dt
dy
=
dt
cos r r sen = 2r cos + 3r sen ,
(2.190)
sen r + r cos = 3r cos 2r sen .
(2.191)
Multiplicando (2.190) por cos , (2.191) por sen

cos2 r r sen cos
sen 2 r + r cos sen
=
=
2r cos2 + 3r sen cos ,

3r sen cos 2r sen 2 ,
(2.192)
(2.193)

(cos2 + sen 2 )r
r
=
=
2r(cos2 + sen 2 ),
2r,
a qual e uma equacao diferencial linear cuja solucao e

r(t) = Ce2t ,
(2.194)
onde C e uma constante de integracao, fixada pela condicao inicial r(t = 0) = r0 .

Fazendo t = 0 em (2.194) concluimos que C = r0 , de modo que (2.194) pode
ser reescrita como
r(t) = r0 e2t .
(2.195)
Para obtermos a equacao que governa a evolucao temporal do angulo , tmos
que multiplicar (2.173) por sen , e (2.174) por cos , o que resulta em
sen cos r + r sen 2
sen cos r + r cos2
=
=
92
2r cos sen 3r sen 2 ,

2
3r cos 2r sen cos ,
(2.196)
(2.197)
x(t)
1,5
5
1
0,5
0
0,2
y(t)
-0,2
-0,4
-5
-0,6
-0,8
0
0,5
1,5
2,5
-5
r0 = 2 e 0 = 0. (b)

r(cos2 + sen 2 )
=
=
3r(cos2 + sen 2 ),
3,
ja que r 6= 0, e que e tambem uma equacao linear, cuja solucao e

(t) = 3t + 0 .
(2.198)
Para interpretar a solucao, expressa em coordenadas polares por (2.195) e

(2.198), observamos inicialmente que as equacoes est
ao desacopladas, ou seja,
que a evolucao de r s
o depende de r, o mesmo podendo ser dito de . Logo,
pode-se fazer o limite t em (2.195), e concluimos que r tende a zero nesse
caso. Logo, estamos nos aproximando do ponto de equilbrio na origem, o que ja
nos garante que este ponto e assintoticamente est
avel. No entanto, ao contrario
do no est
avel, agora temos uma convergencia oscilat
oria, pois o angulo muda
seu valor com o passar do tempo, de acordo com (2.198). Inserindo (2.195) e
(2.198) em (2.167) e (2.168) resulta
x(t)
y(t)
=
=
r0 e2t cos(0 3t),

r0 e
2t
sen (0 3t),
(2.199)
(2.200)
Os valores de x e y alternam-se entre valores positivos e negativos, mas as amplitudes decaem exponencialmente, como numa oscilacao amortecida, de forma que
no limite t continuamos convergindo ao ponto de equilbrio [Fig. 2.14(a)].
Ja na Figura 2.14(b) mostramos o comportamento de v
arias trajet
orias obtidas
a partir de diferentes condicoes iniciais (r0 , 0 ). Da mesma forma que no caso do
centro visto ha pouco, a trajet
oria descreve uma trajet
oria curvilnea no sentido
hor
ario. Combinando uma diminuicao exponencial do raio com uma trajet
oria
curva, chegamos a uma espiral convergente à origem. Nesse caso a solucao de
equilbrio v = 0 e dita um foco est
avel.
93
80000
x(t)
40000
5
0
-40000
0
-80000
y(t)
40000
0
-5
-40000
-80000
-5
r0 = 2 e 0 = 0. (b) Foco instavel.
Foco inst
avel: Re(1,2 ) > 0
O exemplo que ilustra esse caso e uma pequena modificacao de sinal no sistema
anterior:
dx
dt
dy
dt
2x + 3y,
(2.201)
3x + 2y,
(2.202)
ou,
A=

2 3
,
3 2
(2.203)
cujos autovalores tambem s

ao complexos conjugados e dados por
1,2 = 2 3i.
(2.204)
Uma analise em coordenadas polares, inteiramente analoga à precedente,

leva `
as seguintes solucoes:
r(t)
(t)
=
=
r0 e2t ,
3t + 0 .
(2.205)
(2.206)
Observe que a u
nica alteracao em relacao ao exemplo anterior e o sinal do
expoente, desta vez positivo. A equacao em simplesmente nao se altera.
Colocando (2.205) e (2.206) em (2.167) e (2.168) vem as solucoes
x(t)
y(t)
= r0 e2t cos(0 3t),

= r0 e2t sen (0 3t).
(2.207)
(2.208)
representando oscilacoes explosivas, ou seja, onde a amplitude diverge a uma

taxa exponencial [Fig. 2.15(a)].
Tomando o limite t em (2.205) constatamos que o raio r diverge, ou
seja, tende a infinito. Estamos, portanto, nos afastando com o passar do tempo,
do ponto de equilbrio na origem. Isso indica que esse equilbrio e instavel. A
divergencia, aqui, e oscilat
oria, pois o angulo muda seu valor com o passar do
94
Autovalores
reais
reais
reais
complexos
complexos
complexos
Condicao
D>0
D>0
D>0
D<0
D<0
D<0
= Tr A
<0
>0
=0
=0
<0
>1
= det A
>0
>0
<0
>0
>0
>0
Ponto fixo
no est
avel
no instavel
ponto de sela
centro
foco est
avel
foco instavel
Tabela 2.1: Estabilidade do ponto fixo em modelos contnuos bidimensionais

lineares.
tempo, de acordo com (2.206). Temos, portanto, a combinacao de um aumento
exponencial do raio com uma trajet
oria curva no sentido hor
ario, o que implica
numa trajet
oria espiral que afasta-se da origem. A solucao de equilbrio na
origem sera um foco instavel [Fig. 2.15(b)].
Outra situacao que escapa `
a classificacao de estabilidade consiste no caso em
que um dos autovalores (reais) e nulo. Nestes casos, as trajet
orias consistem em
retas paralelas a uma reta que passa pela origem. Essa reta tem como direcao
o autovetor correspondente ao autovalor nao-nulo do sistema.
2.3.4
Crit
erio geral para estabilidade
Dentre os tres casos possveis para os autovalores 1,2 da matriz A, podemos

encontrar uma exigencia comum para a estabilidade do ponto de equilbrio na
origem: os autovalores devem ser negativos, caso sejam reais, ou terem a parte
real negativa, caso complexos.
v = 0 e est
avel se
Re(1,2 ) < 0.
(2.209)
Lembremos que, para sistemas bidimensionais, a equacao secular e de segundo grau:

2 + a1 + a2 = 2 ( Tr A) + (det A) = 0,
(2.210)
cujas solucoes podem ser reais ou complexas, dependendo do discriminante
2
D = a21 4a2 = ( Tr A) 4(det A) = 2 4,
(2.211)
onde
= a1 = Tr A,
= a2 = det A.
(2.212)
possvel mostrar que as razes de (2.210) ter

E
ao partes reais negativas se, e
somente se, as duas condicoes seguintes forem satisfeitas:
a1 = < 0,
a2 = > 0,
(2.213)
(2.214)
Ja o comportamento das solucoes na vizinhanca do ponto de equilbrio na

origem, tanto ao aproximarem-se de um ponto est
avel como ao afastarem-se
de um ponto instavel, sera: (i) oscilat
orio se os autovalores forem complexos
(D < 0); e (ii) nao-oscilat
orio se os autovalores forem reais (D 0).
95
D>0
D=0
no instavel
D<0
ponto
foco instavel
de
centro
0
sela
foco estavel
no degen.
no estavel
Figura 2.16: Diagrama de estabilidade no plano traco versus determinante da

matriz A.
Na tabela 2.1 resumimos as diferentes situacoes de estabilidade para o ponto

de equilbrio na origem, conforme os valores de , e D. Uma forma pratica de
visualizarmos os diferentes casos de estabilidade consiste em tracarmos um diagrama , ou seja, do traco versus o determinante da matriz A (Figura 2.16).
Pelas condicoes gerais de estabilidade (2.213)-(2.214), o ponto de equilbrio na
origem sera est
avel se os valores de e estiverem no quadrante inferior esquerdo do diagrama ( negativo e positivo). A condicao de realidade dos
autovalores define uma curva crtica no diagrama da Figura 2.16, a saber,
D = 2 4 = 0
1 2
,
4
(2.215)
que e representada por uma par

abola com vertice na origem e concavidade na
direcao dos negativos. Se < 0, os valores de e que fornecem autovalores
complexos (focos est
avel, instavel e centro) situam-se no interior da concavidade
determinada pela par
abola. Os casos onde = 0 levam a autovalores reais
degenerados, que podem corresponder a nos do tipo estrela (dois autovetores
LI quaisquer), a nos degenerados (um u
nico autovetor LI), ou ainda a feixes de
retas paralelas (um autovalor nulo), como vimos na secao precedente.
2.4
Exemplo em Economia: Modelo de infla

c
ao
e desemprego
Como exemplo de modelo contnuo bidimensional linear em Economia, vamos

abordar um modelo din
amico inflacao-desemprego que emprega a relacao conhecida na literatura macroecon
omica como curva de Phillips. Inicialmente veremos como as variaveis s
ao definidas, enfatizando o uso de logaritmos na elaboracao de modelos econ
omicos. As hip
oteses do modelo, principalmente no
que diz respeito `
a curva de Phillips, serao utilizadas para obter um sistema
96
bidimensional linear, cujos pontos de equilbrio serao estudados e interpretados

economicamente, bem como as suas condicoes de estabilidade.
2.4.1
Macrovari
aveis e logaritmos
Sejam N (t) e U (t) os n

umeros de empregados e desempregados (procurando
emprego) no perodo t, tal que L(t) = N (t) + U (t) seja a forca de trabalho neste
perodo. A taxa de desemprego neste perodo t e
u(t) =
U (t)
U (t)
=
.
L(t)
N (t) + U (t)
(2.216)
O logaritmo natural, ou neperiano, ln x, tem propriedades matematicas

que o tornam muito u
til na descricao a tempo contnuo de fluxos de variaveis
econ
omicas. A derivada da funcao logaritmo neperiano y(x) = ln x e
d
1
dy(x)
=
ln x = .
dx
dx
x
(2.217)
Considerando a interpretacao da derivada como o limite de uma raz

ao entre
incrementos (vide Eq. (1.5) no Captulo 1), podemos considerar a seguinte
aproximacao:
y(x + x) y(x)
y
dy(x)
= lim
,
(2.218)
x0
dx
x
x
e que e tanto melhor quanto menor for o intervalo x. No caso do logaritmo
neperiano:
ln x
1
y
=
= ,
(2.219)
x
x
x
de modo que
x
y = ln x =
,
(2.220)
x
ou seja, a variacao do logaritmo da variavel x e aproximadamente igual à mudanca relativa (normalizada) dessa variavel. Como x/x e comumente expresso
em percentagens, e portanto conveniente exprimir fluxos de variaveis econ
omicas
em termos de logaritmos neperianos[6]. A raz
ao
d
dy/dx
= (ln y(x))
x
dt
(2.221)
e chamada derivada logartmica.

Como um exemplo, seja P (t) o nvel de precos no instante t. Definimos
a taxa de inflacao como a variacao normalizada do nvel de precos entre dois
perodos sucessivos:
dP/dt
d
(t) =
= (ln P ),
(2.222)
p
dt
isto e, a derivada logaritmica do nvel de precos. Para outro exemplo, seja
M (t) a base monet
aria no ano t. A sua taxa nominal de variacao representa o
fluxo de capital injetado ou retirado da economia naquele perodo pela autoridade monet
aria. Aqui, tambem, podemos definir a derivada logartmica dessa
quantidade como o fluxo de variacao da base monet
aria
m(t) =
d
dM/dt
= (ln M ).
M
dt
97
(2.223)
Aqui seguimos a convencao usual de que letras min

usculas representam derivadas
logartmicas de quantidades escritas com letras mai
usculas. Finalmente, podemos considerar a macrovariavel salarios W (t), com taxa de variacao dW/dt. Por
analogia, o fluxo de variacao salarial e a derivada do logaritmo de W em relacao
ao tempo, ja que
dW/dt
d
w(t) =
= (ln W ).
(2.224)
W
dt
2.4.2
Curva de Phillips
Em finais da decada de 60, Phillips [30], ao analisar as estatsticas de salarios e

taxas de desemprego no Reino Unido, observou a existencia de uma relacao entre
estas taxas: altas taxas de desemprego u forcam os fluxos de salarios nominais
w para baixo e vice-versa. Solow e Samuelson desenvolveram estudos similares
nos Estados Unidos [31]. Podemos escrever esta relacao genericamente como
w = f (u),
(2.225)
onde df (u)/du < 0, ou seja, w diminui (aumenta) à medida em que u aumenta

(diminui).
O chamado efeito de markup faz com que aumentos salariais (w > 0) carreguem implicacoes inflacion
arias. Em princpio poderamos admitir que as
taxas de aumento salarial refletir-se-am diretamente nas taxas de inflacao:
(t) = w(t). No entanto, o efeito inflacion
ario de aumentos salariais pode ser
diminuido pelo aumento da produtividade T (t) dos trabalhadores, o qual sera
suposto ex
ogeno (T) de modo que
= w T,
(2.226)
e a curva de Phillips (2.225) sera escrita como

= f (u) T.
(2.227)
A curva de Phillips forneceu uma descricao razo

avel do comportamento das
taxas de inflacao e desemprego ate o final da decada de 60, a partir da qual
ela aparentemente deixou de ser verificada: observaram-se altas taxas de desemprego e de inflacao [32]. Friedman explicou esse comportamento a partir
da hip
otese de que, se uma tendencia de aumento da inflacao subsiste por um
tempo suficientemente grande, os agentes econ
omicos formam expectativas inflacion
arias, as quais tentam incorporar às suas demandas por aumentos de
salario.
Nesse caso, entra em cena a taxa de inflacao esperada para o perodo t, que
sera expressa e (t). Friedman propos que a curva de Phillips levasse em conta
tambem a taxa de inflacao esperada, na seguinte forma [33]:
a e = f (u) T,
(2.228)
onde 0 < a < 1 e um coeficiente que mede a influencia da taxa de inflacao

passada na expectativa de inflacao presente.
No perodo examinado por Phillips (no Reino Unido) [30] e Samuelson e
Solow (nos Estados Unidos) [31], os agentes econ
omicos ignoraram as inflacoes
passadas, de modo que a era proximo a zero, ou e (t) = 0, e a relacao entre
98
f(u)
u
/
Figura 2.17: Curva de Phillips linear.
inflacao e desemprego era fornecida pela curva de Phillips original (11.106). Na

medida em que a taxa de inflacao aumentava de forma persistente, a taxa de
inflacao esperada para um certo perodo era igual à taxa do perodo anterior, e
a = 1. Nesse caso, a curva de Phillips relaciona, de fato, a taxa de desemprego
com a variacao da taxa de inflacao.
Numa curva de Phillips modificada por expectativas, o baixo desemprego
provocar
a um aumento da taxa de inflacao e vice-versa. De fato, analisando
econometricamente os dados para os Estados Unidos de 1970 a 1994, encontrase uma relacao linear da forma [Fig. 2.17]
f (u) = u,
(2.229)
onde = 7, 5 e = 1, 15 (sendo as taxas expressas em percentuais) [16]. Um

estudo semelhante, realizado para a Uni
ao Europeia no mesmo perodo, aponta
tambem uma curva de Phillips modificada com = 6, 1 e = 0, 66.
Usando uma funcao de ajuste linear (6.300) numa curva de Phillips modificada por expectativas (6.299), temos que a taxa de inflacao num instante t sera
dada por
= a e + T u.
(2.230)
Tomando a = 1, o chamado nvel natural de desemprego, ou NAIRU, e definido
como a taxa de desemprego que nao provoca aceleracao inflacion
aria, ou seja, e
o valor de u = uE tal que f (uE ) = 0 com = e e T = 0. De (2.230), temos
que o nvel natural de desemprego sera
uE =
2.4.3
(2.231)
Equa
c
oes e hip
oteses do modelo
A primeira hip
otese do modelo e supor que as expectativas s
ao formadas adaptativamente, ou seja, a taxa de inflacao esperada num perodo e ajustada em
funcao da diferenca entre as taxas esperada e realizada no perodo anterior.
Logo a taxa de variacao da inflacao esperada e proporcional a essa diferenca:
d e
= c( e ).
dt
99
(2.232)
onde c > 0 e um coeficiente de incorporacao dos sucessos (ou insucessos) na

formacao de expectativas inflacion
arias. Se > e , ou seja, se a inflacao observada for maior que a esperada, as expectativas s
ao puxadas para cima, ou seja,
sua taxa de variacao sera positiva, ou d e /dt > 0. Analogamente, se < e as
expectativas s
ao puxadas para baixo, e d e /dt e negativa.
A segunda hip
otese do modelo diz respeito ao efeito da poltica monet
aria
sobre as macrovariaveis: o Banco Central faz um aumento da taxa de expansao
monet
aria real, que atua na diminuicao da taxa de desemprego via aumento
na demanda. Em outras palavras, com mais dinheiro circulando na economia,
ha um aquecimento geral das atividades provocado pelo aumento dos salarios
e que, por sua vez, estimula a criacao de mais empregos. Vamos modelar este
efeito por uma relacao linear entre a variacao na taxa de desemprego e a taxa
de expansao monet
aria real. Esta u
ltima, por sua vez, e igual à taxa nominal
m(t) dada por (6.304), e descontada a inflacao naquele perodo:
du
= b(m
),
(2.233)
dt
onde o par
ametro b > 0 e a elasticidade da taxa de desemprego em relacao
a variacoes da poltica monet
aria; e m,
a taxa nominal de variacao da base
monet
aria, que e considerada uma variavel ex
ogena nesse modelo.
Substituindo (2.230) em (2.232) e (6.307) temos
ut+1 ut
d e
= c(a 1) e cu + c( T),
dt
du
= ab e bu b(m
+ T),
dt
e que tem a forma de um modelo bidimensional linear (2.45)
(2.234)
(2.235)
dv
= A.v + B,
dt
onde
v
B =

e
,
u
(2.236)

c
,
b

c( T)
.
b(m
+ T)

c(a 1)
ab
O determinante e o traco da matriz A s

ao, respectivamente
=
=
2.4.4
det A = cb,
Tr A = c(a 1) b.
(2.237)
(2.238)
Ponto de equilbrio e sua estabilidade
O ponto de equilbrio do modelo e dado por v = A1 .B, onde

1
b
c
1
A
=
cb ab c(a 1)

1/c
1/b
,
=
a/c (a 1)/b
100
(2.239)
de forma que
e
1/c
v =
=
a/c
u
1/b
(a 1)/b

c( T)
,
b(m
+ T)
(2.240)
ou seja,
e
m,
(a 1)m
+ T
.
(2.241)
(2.242)
Logo, a taxa de inflacao esperada no equilbrio e a propria taxa de expansao

monet
aria. Ja a taxa de inflacao de equilbrio u , no caso particular onde a = 1
(incorporacao plena da inflacao passada na expectativa de inflacao futura) e
T = 0, fornece
(2.243)
u = = uE .
que e a taxa natural de desemprego (2.231).

Estudaremos, agora, a estabilidade desta solucao de equilibrio. Na secao
anterior, vimos que as condicoes de estabilidade do ponto de equilbrio s
ao
< 0 [Eq. (2.213)] e > 0 [Eq. (2.214)]. De (2.237) e (2.238) temos, para um
equilbrio est
avel, as seguintes condicoes sobre os par
ametros do modelo:
cb
>
0,
c(a 1) b
<
0.
Enquanto a primeira desigualdade e sempre verificada, uma vez que c, b e s

ao
todos coeficientes positivos, a segunda implica em que c(a 1) < b. Como
0 < a < 1, ent
ao a 1 < 0, e ent
ao esta desigualdade tambem resulta sempre verificada. Concluimos, ent
ao, que as taxas de inflacao e desemprego de
equilbrio s
ao sempre est
aveis neste modelo.
Alem de conhecer a estabilidade do ponto fixo, e importante determinar se a
convergencia a ele sera oscilat
oria ou nao. Por exemplo, se determinarmos uma
convergencia oscilat
oria, a taxa de inflacao esperada sera alternadamente maior
ou menor que a taxa de equilbrio m (mas com o tempo tende a ele). Do ponto
de vista das expectativas dos agentes econ
omicos, convergencias oscilat
orias s
ao
mais complicadas pois nao oferecem uma vis
ao clara do futuro, o que gera incertezas. Matematicamente, isso implica em determinar se o ponto de equilbrio
e um foco ou no est
avel, para os quais a convergencia ao equilbrio e oscilat
oria
ou nao, respectivamente.
Para tal, devemos calcular o discriminante (2.211):
2
D = 2 4 = [c(a 1) b] 4cb.
(2.244)
Comecemos pelo caso a = 1, para o qual D = b(b 4c). Como b e sempre

positivo, D > 0 (autovalores reais) sempre que b 4c 0, ou seja, quando
b b1
4c
,
(2.245)
o que fornece um no est

avel para o ponto de equilbrio. Se, por outro lado,
0 < b < b1 , teremos consequentemente autovalores complexos, ou um foco
est
avel.
101
b=b
1
no
estavel
b=b
foco
estavel
no
estavel
c
0
Figura 2.18: Plano de par
ametros para o modelo da curva de Phillips
O caso 0 < a < 1 e um pouco mais trabalhoso. Desenvolvendo o discriminante (2.244) temos que, para autovalores complexos, exige-se que
D
=
=
c2 (a 1) 2c(a 1)b + b2 2 4cb < 0,

2
c2 (a 1) 2cb(a + 1) + b2 2 < 0,
O trin
omio quadrado acima em b pode ser escrito na forma (b b1 )(b b2 ) onde
as razes s
ao dadas por
q
2
2
2c(a + 1) 4c2 2 (a + 1) 4c2 2 (a 1)
b1,2 =
,
2 2
s
2
c
c(a + 1)
2
2
[(a + 1) (a 1) ],
c
=
(2.246)
(a + 1 2 a).
Logo, D < 0 para b2 b1 ou para 0 < b < b2 (autovalores reais = no est
avel). Evidentemente,
se tomarmos o limite a = 1, obtemos que b1 = 4c/ = b1 , e b2 = 0.
A analise fica particularmente simples no plano de par
ametros b versus c,
onde fixamos o valor do coeficiente a. Podemos graficar as curvas correspondentes aos valores-limites em (2.246):
b = b1
b = b2
c
(a + 1 + 2 a)
c
(a + 1 2 a)
(2.247)
(2.248)
que s
ao retas que passam pela origem. Para valores de b na cunha delimitada
por essas duas retas, teremos uma convergencia oscilat
oria para o equilbrio, ao
passo que no restante do plano de par
ametros, a convergencia e nao-oscilat
oria.
Consideremos um exemplo numerico, tomando os coeficientes da curva de
Phillips para os Estados Unidos: = 7, 5, = 1, 15 (as taxas de inflacao e
102
desemprego est
ao expressas em percentuais); e um coeficiente de expectativas
inflacion
arias como c = 0, 6. Neste caso a taxa natural de desemprego e
u =
7, 5
=
6, 52%.
1, 15
(2.249)
De fato, estudos mais aprofundados mostram que a taxa natural de desemprego

deve ser da ordem de 6%, portanto apenas um pouco menor do que aquela prevista pelo modelo aqui abordado. Tomaremos como valor para o coeficiente de
influencia a = 0, 5, a meio-caminho entre os extremos 0 (nenhuma influencia
sobre a inflacao futura) e 1 (repasse total da inflacao passada).
Vamos, agora, determinar se a convergencia ao equilbrio e ou nao oscilat
oria.
Os limiares (2.247) e (2.247) para a elasticidade do desemprego tem os seguintes
valores
p
0, 6
(0, 5 + 1 + 2 0, 5) = 1, 520,
b1 =
(2.250)
1, 15
p
0, 6
(0, 5 + 1 2 0, 5) = 0, 045,
b2 =
(2.251)
1, 15
tal que 0, 045 < b < 1, 520 caracteriza um comportamento oscilat

orio. Como b2
e muito pr
oximo a zero, um valor seguroseria, por exemplo, b = 2, implicando
que cada 1% de aumento da base monet
aria provocaria 2% de diminuicao da
taxa de desemprego.
Independentemente dos valores dos par
ametros aqui escolhidos, este modelo preve taxas de inflacao e desemprego est
aveis, o que de certa forma e um
tanto irreal e mostra as limitacoes de um modelo t
ao simples para um contexto
t
ao complexo. Modelos macroecon
omicos mais sofisticados para a din
amica inflacao-desemprego levam em conta o equilbrio nos mercados de bens e moeda, a
partir da introducao de outras variaveis, como a taxa de juros [ver, por exemplo,
o Captulo 6 da referencia [6]].
2.5
Exemplo em Economia: Modelo macroecon

omico
IS-LM
Como um segundo exemplo de modelos contnuos bidimensionais lineares em

Economia, abordaremos o famoso modelo macroecon
omico IS-LM, que considera o equilbrio nos mercados de bens e moeda numa economia fechada. Antes
de abordar o modelo din
amico propriamente dito, vamos recordar alguns aspectos do modelo est
atico, o qual e estudado em todos os textos did
aticos de
macroeconomia [16]. Incluiremos a evolucao temporal no modelo est
atico admitindo que os mercados de moeda ajusta-se mais rapidamente que o mercado
de bens, mediante variacoes em par
ametros do modelo, como a oferta de moeda
(expans
ao monet
aria) e o gasto governamental (expansao fiscal).
2.5.1
Macrovari
aveis e hip
oteses do modelo
Mercado de bens
As variaveis a serem empregadas na descricao do mercado de bens s
ao essencialmente as mesmas abordadas nos modelos de crescimento econ
omico vistos
103
no Captulo 1: Y : renda ou produto, Z: demanda total por bens, C: despesas

de consumo, I: despesas de investimento, G: gastos governamentais. Incluiremos, ainda, os impostos (T ) e a taxa de juros (r). Na hip
otese de equilbrio, o
produto e igual `
a demanda total
Y = Z = C + I + G,
(2.252)
ao passo que
Os gastos governamentais serao considerados ex
ogenos G = G,
suporemos o investimento como diminuindo linearmente com a taxa de juros
I = I0 hr,
(2.253)
onde I0 e o investimento autonomo, e h > 0 e a taxa de variacao dos investimentos em relacao `

a taxa de juros. A arrecadacao de impostos cresce linearmente
com a renda total na forma
T = T0 Y,
(2.254)
onde T0 e a parte fixa e 0 1 e a taxa marginal de impostos. Ja o consumo
aumenta com a renda disponvel Yd = Y T , ou seja, a renda total menos os
impostos:
C = a + bYd = a + b(Y T ),
(2.255)
onde a o consumo autonomo, e 0 b 1 e a propensao marginal de consumo.
Mercado de moeda
Sejam Ms e Md a oferta e a demanda por moeda, respectivamente. Consideraremos a oferta de moeda como uma variavel ex
ogena
,
Ms = M
(2.256)
enquanto a demanda por moeda cresce linearmente com a renda (produtores

procuram emprestimos para a aquisicao de maquinas e equipamentos, por exemplo) e diminui, tambem linearmente, com a taxa de juros. Escrevemos, pois
Md = M0 + kY r,
(2.257)
onde M0 e a parte fixa, , e k > 0 e > 0 s

ao as respectivas taxas marginais.
Tambem o mercado de moeda e suposto em equilbrio, ou seja, a oferta por
moeda e sempre igual `
a demanda por moeda
Md = Ms .
2.5.2
(2.258)
Modelo est
atico
Por simplicidade, primeiramente vamos supor que as macrovariaveis sejam est

aticas.
A condicao de equilbrio no mercado de bens implica, substituindo (5.85), (2.254)
e (2.255) em (2.252), que
+ b(1 )Y hr
Y = (a bT0 + I0 + G)
(2.259)
de modo que, colocando a taxa de juros em evidencia, podemos escrever

r = A0 A1 Y,
104
(2.260)
r
Ao
curva LM
curva IS
Bo
Y
YE
Bo /B 1
A o /A 1
Figura 2.19: Curvas IS e LM no modelo est

atico.
onde definimos as constantes

A0
A1
a bT0 + I0 + G
,
h
b(1 )
,
h
(2.261)
(2.262)
que, num gr
afico da taxa de juros r versus a renda Y , define a chamada curva IS,
que e uma reta com coeficiente angular A1 (inclinacao negativa) e coeficiente
linear A0 , interceptando o eixo das abscissas no ponto A0 /A1 [Fig. 2.19].
O equilbrio no mercado de moeda e descrito substituindo (2.256) e (2.257)
em (2.258), fornecendo
,
r = M0 + kY M
(2.263)
ou, colocando a taxa de juros em evidencia,
r = B0 + B1 Y,
(2.264)
onde
B0
B1
M0 M
,
k
,
(2.265)
(2.266)
que define a curva LM, que e uma reta com coeficiente angular B1 (inclinacao
positiva) e coeficiente linear B0 Fig. 2.19.
O ponto de intersecao entre as curvas IS e LM define a renda de equilbrio
YE e a taxa de juros de equilbrio rE , as quais s
ao solucoes do sistema linear
rE
rE
A0 A1 YE ,
B0 + B1 YE ,
105
(2.267)
(2.268)
(a)
Ao
r
r
(b)
LM
LM
P2
E2
E1
IS 2
1
IS
LM 2
E1
P2
E2
IS
Bo
Y
A o /A 1
Y E1 YE2
Y
Bo /B 1
Y E1 YE2
Figura 2.20: Curvas IS e LM no modelo est

atico quando ha uma (a) expansao
fiscal; (b) expansao monet
aria.
a saber,
YE
rE
A0 B0
,
A1 + B1
B1 A0 + B0 A1
.
A1 + B1
(2.269)
(2.270)
Na analise est
atica comparativa estudamos como o ponto de equilbrio do
modelo P1 = (YE , rE ) muda de posicao quando alteramos determinados par
ametros
do mesmo. Por exemplo, se fazemos uma expansao fiscal, ou seja, se os gastos
G
+ G. Pela
governamentais s
ao aumentados de uma certa quantidade G
equacao (2.261) vemos que o par
ametro A0 crescera de uma quantidade G/h,
de modo que a reta IS desloca-se paralelamente para a direita (ja que os pontos
de intersecao com ambos os eixos dependem de A0 , conforme a Fig. 2.19). Se a
reta LM permanecer im
ovel, o ponto de intersecao deslocar-se-a para uma nova
posicao P2 , o que implica numa maior renda de equilbrio, bem como numa
maior taxa de juros [Fig. 2.20(a)].
Outra variacao possvel e uma expansao monet
aria, quando a oferta de
M
+ M . Pela equacao (2.265),
moeda e aumentada de uma quantidade M
concluimos que o par
ametro B0 diminuir
a de M/. Como os pontos de intersecao da reta LM com os eixos dependem ambos de B0 [Fig. 2.19], a reta
LM desloca-se paralelamente para baixo, assim como o ponto de intersecao com
a reta IS, implicando numa renda de equilbrio maior, porem numa menor taxa
de juros [Fig. 2.20(b)].
2.5.3
Modelo din
amico
A despeito de fornecer uma descricao do que ocorre com os pontos de equilbrio

quando fazemos uma mudanca num par
ametro ex
ogeno do modelo, a analise
est
atica comparativa nada informa sobre como o sistema evoluiu de um ponto
a outro. Essa quest
ao e importante na medida em que o comportamento transit
orio pode apresentar uma evolucao nao-oscilat
oria ou oscilat
oria. Como um
exemplo, vamos considerar o caso de uma expansao fiscal, para o qual a curva
IS desloca-se paralelamente para a direita, do ponto P1 para o ponto P2 . Na
Figura 2.21 nos consideramos tres trajet
orias possveis conectando estes pontos
106
r
LM
r
r
P2
1
E2
E1
IS 2
1
IS
Y
Y E1 YE2
Figura 2.21: Trajet

orias no plano de fase do modelo din
amico IS-LM para uma
situacao de expansao monet
aria.
inicial e final, de modo que nos tres casos tanto a taxa de juros final como o
produto final s
ao os mesmos. No entanto, o modo como o sistema converge à
situacao final sera diferente para os tres casos:
1. um segmento de reta ligando P1 e P2 , e representando um ajuste instant
aneo do mercado de moeda (que, neste caso, sempre encontra-se em
equilbrio), com crescimento monotonico da taxa de juros e do produto;
2. um segmento de curva mostrando uma evolucao tambem monotonica, mas
a taxa de juros aumenta muito rapidamente no incio, e depois muito
lentamente no final do processo;
3. um trecho de espiral convergente mostrando uma evolucao oscilat
oria das
duas variaveis em direcao ao estado final, revelando um overshooting
da taxa de juros que inicialmente aumenta muito mais do que o desejado,
para depois decrescer menos que o desejado, e s
o finalmente convergir (esse
caso sera analisado em detalhes num exemplo numerico a seguir).
O primeiro pressuposto do modelo din
amico, alem da validade da analise
est
atica vista na secao anterior, e uma relacao de ajuste no mercado de bens: a
renda aumenta se ha um excesso de demanda (Z = C + I + G > Y ), e cai se ha
excesso de oferta (Z < Y ), de modo que no equilbrio Z = Y , conforme (2.252).
dY
= (Z Y ),
dt
(2.271)
onde > 0 e a velocidade de ajuste no mercado de bens. O mesmo raciocnio

valer
a para o mercado de moeda: a taxa de juros ira aumentar se ha excesso de
demanda pela moeda (Md > Ms ), e diminuir se ja excesso de oferta (Md < Ms ),
de acordo com a relacao
dr
= (Md Ms ),
(2.272)
dt
sendo > 0 a velocidade de ajuste no mercado de moeda.
107
A segunda hip
otese do modelo din
amico e que o mercado de moeda ajusta-se
mais rapidamente que o mercado de bens, ou seja, que > . Como enfatizado
por Shone [6], as taxas de juros ajustam-se rapidamente na medida em que as
informacoes s
ao disseminadas pelo mercado. Ja o mercado de bens tem um
ajuste bem mais lento, pois as empresas tem que contratar mais trabalhadores
de forma que o produto aumente na proporcao desejada, o que consome tempo.
Uma aproximacao bastante comum e supor ajustes instant
aneos no mercado de
moeda, o que implica formamente em tomar o limite , de modo que o
mercado de moeda encontrar-se-a sempre em equilbrio (ou seja, sobre a curva
LM). Nossa analise, porem, sera mais geral.
Substituindo (5.85), (2.254) e (2.255) em (2.271) obtemos
dY
Y ],
= [a + b(Y T0 Y ) + I0 hr + G
dt
(2.273)
assim como, inserindo (2.256) e (2.257) em (2.272),

dr
+ kY r],
= [M0 M
dt
(2.274)
as quais, em vista de (2.261), (7.96), (2.265) e (2.266) podem ser reescritas como
dY
dt
dr
dt
h(A0 A1 Y r),
(2.275)
(B0 + B1 Y r).
(2.276)
e que tem a forma de um modelo bidimensional linear (2.45) onde

Y
v =
,
r

hA1 h
,
A =
B1

hA0
B =
.
B0
(2.277)
O determinante e o traco da matriz A s

ao, respectivamente
=
=
2.5.4
det A = hA1 ,
Tr A = h(A1 + B1 ).
(2.278)
(2.279)
O ponto de equilbrio do modelo

v =

Y
r
(2.280)
pode ser encontrado pela sua definicao v = A1 .B, mas tambem de forma
bem mais smples impondo que Y e r tenham derivada temporal nula em
(2.275)-(13.42).
0
0
=
=
h(A0 A1 Y r ),
(B0 + B1 Y r ).
108
(2.281)
(2.282)
que nos leva ao sistema (2.267)-(2.268), com as mesmas solucoes, a saber, a renda
e a taxa de juros de equilbrio para o modelo est
atico: Y = YE e r = rE .
Aplicando, agora, as condicoes de estabilidade do ponto de equilbrio < 0
[Eq. (2.213)] e > 0 [Eq. (2.214)], e necessario que
hA1
h(A1 + B1 )
<
>
0,
0.
(2.283)
(2.284)
para que (Y , r ) seja assintoticamente est

avel. Vamos examinar a primeira
desigualdade , Eq. (2.283). Ela implica em que
A1 >
.
h
Como todos os par

ametros do lado direito s
ao positivos, o lado direito e certamente um n
umero negativo. Mas, como vamos mostrar abaixo, A1 e necessariamente um n
umero nao-negativo, ent
ao essa desigualdade sera sempre verificada.
Para mostrar que A1 > 0, usamos as propriedades que 0 1 e 0 b 1.
A primeira delas leva-nos a 1 b A1 h 1, enquanto a segunda conduz a
A1 h 1. Combinando as duas desigualdades temos que
max(1 b, ) A1 h 1.
Como tanto 1 b como s
ao nao-negativos, assim como h > 0, em qualquer
situacao teremos A1 nao-negativo. Alem disso, decorre tambem que a segunda
desigualdade, Eq. (2.284) e verificada sempre que A1 > 0 (ja que B1 > 0). Concluimos que (Y , r ) s
ao sempre solucoes de equilbrio assintoticamente est
aveis.
Para estudar se a convergencia ao equilbrio sera ou nao oscilat
oria, devemos
calcular o discriminante (2.211):
D
=
=
=
=
2 4 = (hA1 + ) 4h(A1 + B1 ),
2 h2 A21 + 2hA1 + 2 2 4h(A1 + B1 ),

2 h2 A21 2hA1 + 2 2 4hB1 ,
2 h2 A21 2h(A1 + 2B1 ) + 2 2 .
(2.285)
Vamos estudar a possibilidade de autovalores complexos conjugados para a

matriz A, que ocorre sempre que D < 0. Nesse caso, a solucao de equilbrio sera
um foco est
avel no plano de fase, e as trajet
orias irao convergir ao equilbrio
espiralando em torno deste. Como o discriminante em (2.285) tem a forma de
um trin
omio quadrado no par
ametro , que pode ser escrito como
D = ( 1 )( 2 ),
onde 1 e 2 > 1 s
ao as raizes da expressao D = 0, sabemos que D sera
negativo desde que 1 < < 2 . As raizes de (2.285) s
ao
1,2 =
h(A1 + 2B1 )
hA21
hA1
4B12 + 4A1 B1 3A21 .
(2.286)
Caso < 1 ou > 2 o discriminante sera positivo, e o ponto de equilbrio

sera um no est
avel.
109
Figura 2.22: Planilha eletr

onica para a solucao do modelo din
amico IS-LM
= 8 para 12.
quando ha uma expansao monet
aria de M
Para um exemplo numerico, tomemos os valores sugeridos na Referencia [6],

pg. 101: a = 15, b = 0, 75, = 0, 25, T0 = 0, I0 = 10, M0 = 0, h = 1, 525,
= 25, M
= 8, k = 0, 25, = 0, 5. Para as velocidades de ajuste temos
G
= 0, 05 e = 0, 8, que e significativamente maior que porem nao infinito.
Os par
ametros das curvas IS e LM serao
A0 = 32, 79
A1 = 0, 2869
B0 = 16
B1 = 0, 5
correspondendo aos pontos de equilbrio (2.269)(2.270):

YE = 62,
rE = 15.
O traco, determinante, e discriminante tem os respectivos valores:

= 0, 422 < 0,
= 0, 024 > 0,
D = 0, 0821 > 0,
mostrando ser este equilbrio um no est

avel.
Com o objetivo de estudar a evolucao deste equilbrio quando mudamos
os par
ametros ex
ogenos, vamos considerar o exemplo da expansao monet
aria
= 8 para
caracterizada pelo aumento da oferta de moeda do valor inicial M
12, o que desloca a curva LM paralelamente para a direita, fazendo a renda de
equilbrio aumentar para o valor 12, 17 e a taxa de juros de equilbrio cair para
12, 08. Pode-se mostrar (veja o Problema 10) que o novo equilbrio continua
sendo um no est
avel. Para descrever a evolucao da renda e da taxa de juros
durante o processo de expansao monet
aria, consideramos o ponto de equilbrio
antigo como a condicao inicial de uma trajet
oria que evolui assintoticamente
para o ponto de equilbrio novo, e que est
a representada na Figura 2.22.
Embora ambos os pontos de equilbrio sejam nos est
aveis e nao haja convergencia oscilat
oria, ela tambem nao e monotonica, como pode ser visto pelo
110
comportamento da taxa de juros: ela inicia no valor de equilbrio antigo (15),

cai para um valor pr
oximo a 8, e depois volta a subir ate estacionar no valor de
equilbrio novo 12. Embora a taxa de juros caia, como esperado pelo modelo
est
atico, apenas o modelo din
amico e capaz de explicar o overshooting que
faz a taxa cair mais do que deveria, para depois subir novamente um pouco. O
mercado pode reagir de forma inesperada a esses movimentos, pois as expectativas s
ao revistas continuamente, e um overshooting como o que observamos
pode levar a uma alteracao em outros par
ametros do modelo.
2.6
Problemas
1. Seja a matriz [[34], pg. 136]A =

0
.
que A.v =
1
1
0

x
2
tal
. Ache o vetor coluna v =
y
3

2 1
. Ache a relaca
o
b
0
entre e de forma que a matriz M tenha um autovalor real.
2. Considere dois n
umeros reais e , tais que M =
3. Se A e B s
ao matrizes bidimensionais, prove (por c
alculo direto) que det(A.B) =
det A det B.
4.
Verifique
que o produto das seguintes matrizes [[27], pg. 64]:

explicitamente

c d
a b
, e comutativo.
e
d c
b a

x1
x2
e v2 =
s
ao duas soluco
es linearmente independentes de
y1
y2
um modelo bidimensional linear (2.45), pode-se mostrar que o seguinte determinante, dito Wronskiano das soluco
es, e diferente de zero:

x1 x2

6= 0
W=
y1 y2
5. Se v1 =

3
1
s
ao soluco
es
e v2 = e6t
5
1
linearmente independentes, de modo que a soluca
o geral do sistema x = x + 3y,
y = 5x + 3y, ser
a uma combinaca
o linear das mesmas. Verifique esta u
ltima
afirmaca
o explicitamente.
Usando esse resultado, mostre que v1 = e2t
6. Obtenha os autovalores e autovetores da matriz A para os modelos bidimensionais lineares listados abaixo, classifique o equilbrio e determine analiticamente a
soluca
o (x(t), y(t)) para as condico
es iniciais indicadas.
(a)
dx
= 2x + y,
dt
dy
= x 2y,
dt
(x0 , y0 ) = (1, 1);
(b)
dx
= x + y,
dt
dy
= 4x + y,
dt
(x0 , y0 ) = (1, 2);
(c)
dx
= 3x 2y,
dt
dy
= 2x 2y,
dt
111
(x0 , y0 ) = (2, 1);
(d)
dx
= x + y,
dt
dy
= 4x + y,
dt
(x0 , y0 ) = (1, 1);
dy
= 2y,
dt
(x0 , y0 ) = (3, 2);
(e)
dx
= x 3y,
dt
(f)
(g)
dx
= 6x y,
dt
dy
= 5x + 4y,
dt
(x0 , y0 ) = (1, 1);
dx
= 2x + 8y,
dt
dy
= x 2y,
dt
(x0 , y0 ) = (2, 1);
7. Seja o seguinte campo vetorial linear:

dx
dt
dy
dt
xy
x + 3y
(a) Mostre que os autovalores da matriz A s

ao iguais a 2 (razes repetidas), e
encontre os autovetores correspondentes. Que voce nota de diferente neste caso?
(b) Encontre a soluca
o geral do modelo. Para isso, voce precisar
a de novos
autovetores. O primeiro novo autovetor e t vezes o autovetor u encontrado no
tem (a) . O segundo novo autovetor tem coeficientes a determinar. A soluca
o
geral e (detalhes em [7], pg. 133-134):
x(t)
y(t)
c1 e2t + c2 (t 1)e2t
c1 e2t c2 te2t
(2.287)
(2.288)
(2.289)
8. Considere o seguinte sistema bidimensional:

dx
dt
dy
dt
ax
Estude a estabilidade do equilbrio na origem para os casos: a < 1, a = 1,

1 < a < 0, a = 0, e a > 0.
9. Encontre a soluca
o de equilbrio do modelo IS-LM [Eq. (2.280)] diretamente a
partir da equaca
o v = A1 .B.
10. Seja o modelo IS-LM estudado neste captulo, com os mesmos valores numericos.
(a) Mostre que, ap
os uma expans
ao monet
aria onde a oferta de moeda aumenta
de 8 para 12, o ponto de equilbrio desloca-se para os valores YE = 72, 17 e
rE = 12, 08. (b) Mostre que este novo ponto de equilbrio e um n
o est
avel.
(c) Ache os autovalores e autovetores do novo modelo bidimensional e encontre
a soluca
o geral do modelo. (d) Use como condica
o inicial o antigo ponto de
equilbrio, e descreva graficamente a trajet
oria que o sistema executa ate o novo
ponto de equilbrio.
112
Captulo 3
Modelos contnuos
bidimensionais n
ao-lineares
Neste captulo faremos um estudo mais geral de modelos din
amicos empregando
duas variaveis dependentes, que denotaremos x(t) e y(t), ambas funcoes da
mesma variavel dependente, o tempo t. Cada variavel dependente satisfaz uma
equacao diferencial de primeira ordem em relacao ao tempo, onde a derivada de
cada variavel depende das duas variaveis. N
ao consideraremos o caso em que
as derivadas dependam explicitamente do tempo, ou seja, estudaremos apenas
sistemas autonomos de duas equacoes diferenciais de primeira ordem acopladas:
dx
dt
dy
dt
f (x, y),
(3.1)
g(x, y),
(3.2)
onde f (x, y) e g(x, y) s

ao funcoes dos seus argumentos. No captulo anterior
supusemos que tais funcoes fossem afins, mas agora consideraremos casos mais
gerais, onde f e g podem ser funcoes nao-lineares. Elas estarao apenas sujeitas
aos requisitos matematicos necessarios à aplicacao do teorema de existencia e
unicidade, que abordaremos na sequencia.
N
ao apenas sistemas de duas equacoes diferenciais de primeira ordem levam
a modelos bidimensionais. Outra situacao possvel e representada por equacoes
diferenciais de segunda ordem em relacao ao tempo, ou seja, equacoes onde a
derivada de ordem mais alta e uma derivada segunda: d2 f /dx2 . Suponha, por
exemplo, a equacao de segunda ordem para a variavel dependente x = x(t):
a
d2 x
dx
+b
+ cx + d = 0.
2
dt
dt
(3.3)
Introduzindo a variavel auxiliar

y
dx
dt
(3.4)
e derivando em relacao ao tempo ambos os lados da expressao,

d2 x
dy
2,
dt
dt
113
(3.5)
de tal maneira que a equacao (6.5) fica

a
dy
+ by + cx + d = 0.
dt
(3.6)
Isolando dy/dt temos, portanto, o seguinte sistema de duas equacoes diferenciais

de primeira ordem:
dx
dt
dy
dt
y,
(3.7)
b
c
d
y x ,
a
a
a
(3.8)
que tem a forma geral da Eq. (3.1), para

f (x, y)
g(x, y)
c
d
b
y x .
a
a
a
(3.9)
(3.10)
Reescrevemos o sistema de equacoes diferenciais (3.1) de forma compacta usando a notacao matricial. Definimos a matriz coluna das variaveis dependentes
como

x(t)
v(t) =
,
(3.11)
y(t)
e o campo vetorial
F(v) =
f (x, y)
g(x, y)
(3.12)
de modo que (3.1) fica

dv(t)
= F(v(t)),
(3.13)
dt
onde se subentende que a derivada da matriz coluna e a matriz das derivadas
dos seus elementos. Nesta notacao, ainda, as condicoes iniciais s
ao descritas
pelo vetor no R2 :

x0
x(0)
=
.
(3.14)
v(0) =
y0
y(0)
3.1
Trajet
Assim como no caso linear, dados os valores iniciais das variaveis dependentes,
x(t = 0) = x0 e y(t = 0) = y0 , desejamos achar seus valores no tempo t, ou
seja, (x(t; x0 , y0 ), y(t; x0 , y0 )). Adotando a representacao de um plano de fase,
em cujos eixos representamos os valores das variaveis x e y, a cada estado do
sistema din
amico num dado instante de tempo corresponde a um ponto no plano
de fase. A condicao inicial (x0 , y0 ), por exemplo, corresponde a um ponto nesse
plano de fase [Fig. 3.1(a)]. A solucao do problema de valor inicial e, pois, uma
curva no plano de fase que passa pelo ponto (x0 , y0 ), que chamamos trajet
oria
do sistema din
amico no plano de fase.
Se mudarmos a condicao inicial para outro ponto, como (x0 , y0 ) por exemplo,
a solucao sera uma outra trajet
oria, e assim por diante. Na verdade, o sistema
de equacoes diferenciais (3.1) define uma infinidade de trajet
orias no plano de
114
y
(a)
fluxo
(b)
trajetoria
yo
xo
Figura 3.1: (a) Trajet

oria no plano de fase. (b) Fluxo de trajet
orias no plano
de fase.
fase [Fig. 3.1(b)]. Podemos imaginar estas trajet

orias como sendo as linhas
de fluxo de um fluido se deslocando no plano de fase. Podemos nos referir ao
conjunto de solucoes de um sistema de equacoes diferenciais como sendo um
fluxo no plano (ou, em geral, no espaco) de fase.
Essas nocoes podem ser formalizadas adequadamente (e facilmente generaliz
aveis para um n
umero qualquer de dimensoes)[1]:
Defini
c
ao 4 Seja o sistema bidimensional
dv(t)
= F(v(t)),
dt
(3.15)
onde F e uma funca

o (ou campo) vetorial suave definida sobre algum subconjunto do plano U R2 . Dizemos que F gera um fluxo t : U R2 ,
onde t (v) = (v, t) e uma funca
o suave definida para todo v U e todo
t I = (a, b) R se satisfaz a relaca
o:
d
((v, t))t= = F((v, )),
dt
(3.16)
para todo v U e I [Fig. 3.2(a)].

Defini
c
ao 5 Num problema de valores iniciais onde, para t = 0, temos o ponto
v(0) = v0 U , procuramos a soluca
o da Eq. (3.16) tal que
(v0 , 0) = v0 ,
(3.17)
Neste caso, a funca

o (v0 , .) : I R2 define uma trajet
oria ou curvasolu
c
ao da Eq. (3.15) baseada na condica
o inicial v0 [Fig. 3.2(a)]. N
os
usualmente escrevemos a trajet
oria, por simplicidade, como v(t).
A princpio nao parece muito evidente a diferenca entre o fluxo e a solucao
propriamente dita do sistema bidimensional. Quando definimos o fluxo gerado
pelo campo vetorial F estamos nos referindo à totalidade das solucoes possveis,
115
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
1
0
1
I0
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
(a)
(b)
R2
(v0 , . )
(U)
t
U
U
1
0
1
0
v0
Figura 3.2: (a) Trajet

oria t (v), e (b) fluxo t no plano de fase.
cada qual com sua propria condicao inicial. Ent

ao o fluxo t (v) e, na verdade,
uma funcao das coordenadas (x, y) e do tempo t. Podemos evoluir um
conjunto de condicoes iniciais U no espaco de fase, e saber a imagem desse
conjunto apos um tempo t, que denotamos t (U ) [Fig. 3.2(b)]. Se escolhemos
uma dada condicao inicial v0 , ent
ao falamos da trajet
oria propriamente dita.
Logo, a trajet
oria resulta da aplicacao do fluxo sobre a condicao inicial para
todos os instantes de tempo: t (v0 ). Como ja havamos comentado no Captulo
1, neste curso daremos mais enfase às famlias de solucoes do que a curvassolucao particulares. Focalizaremos, portanto, o comportamento global do fluxo
t : U R2 definido para todos os pontos em v U .
Outra forma de encarar as solucoes de um sistema de equacoes diferenciais e

lembrar que, num dado ponto das trajet
orias, a inclinacao de uma reta tangente
a curva e igual `
`
a derivada de y em relacao a x, dy/dx. Por outro lado, de (3.1),
como
dy
dy/dt
g(x, y)
=
=
dx
dx/dt
f (x, y)
(3.18)
no ponto de tangencia (x, y) a inclinacao da reta e dada pela raz

ao entre as
funcoes f (x, y) e g(x, y) calculadas nesse mesmo ponto. Logo, mesmo sem resolver o sistema de equacoes diferenciais (3.1), e possvel conhecer, aplicando
(3.18) a um n
umero suficientemente grande de pontos no plano de fase, as inclinacoes das tangentes `
as trajet
orias. Por esse motivo, o sistema (3.1) e tambem
chamado campo vetorial, ja que f (x, y) e g(x, y) nos dao as direcoes e sentidos
de vetores tangenciais `
as trajet
orias em cada ponto.
O chamado campo de direco
es [Figura 3.3(a)] e uma representacao u
til do
campo vetorial no plano de fase. A partir desses vetores, podemos esbocar
algumas trajet
orias no plano construindo curvas que tangenciem os vetores em
cada ponto. As chamadas isoclinas s
ao os lugares geometricos no plano onde os
campos vetoriais tem o mesmo valor. Como veremos a seguir, as isoclinas s
ao
elementos valiosos para obter uma vis
ao qualitativa das trajet
orias possveis.
116
(b)
(a)
Figura 3.3: (a) Campo de direcoes no plano de fase. (b) Duas falsas trajet
orias
que se cruzam no plano de fase.
3.1.1
Exist
encia e unicidade
No captulo 1 mencionamos o teorema da existencia e unicidade para equacoes

diferenciais, bem como algumas de suas importantes consequencias. No caso de
modelos bidimensionais (e multi-dimensionais, de maneira geral) vale, portanto,
o
Teorema 3 (Exist
encia e Unicidade) Sejam U R2 um subconjunto aberto
do plano, F : U R2 uma funca
o vetorial continuamente diferenci
avel, e v0
U . Ent
ao existe uma constante > 0 e uma soluca
o u
nica (v0 , .) : I U ,
onde I = (, + ) e um intervalo centrado em t = 0, que satisfaz a equaca
o
diferencial (3.15) com a condica
o inicial v(0) = v0 .
Vamos explorar um pouco mais esse importante teorema, escrevendo um
modelo bidimensional nao-linear generico na forma
dx
dt
dy
dt
f (x, y),
(3.19)
g(x, y),
(3.20)
com as condicoes iniciais x(t = 0) = x0 e y(t = 0) = y0 . Supondo as funcoes f e

g contnuas num intervalo D do plano R2 , assim como todas as suas derivadas
parciais,
f
g
g
f
,
,
,
,
x
y
x
y
ent
ao, para as condicoes iniciais dentro da regi
ao D, e um intervalo de tempo
(, + ) centrado em t = 0, existe uma e somente uma solucao (x(t), y(t)) para
o problema de valor inicial (3.19), representada por uma trajet
oria no plano de
fase passando pelo ponto (x0 , y0 ).
Uma consequencia imediata deste teorema e que trajet
orias diferentes nunca
se interceptam no plano de fase. Para mostrar esse resultado, podemos proceder
por reducao ao absurdo, e imaginar que duas trajet
orias quaisquer pudessem se
interceptar num ponto P do plano [Figura 3.3(b)]. Nesse caso, se imaginarmos
que o ponto P pode ser usado como condicao inicial para o sistema (3.19),
117
(b)
(a) y
Figura 3.4: (a) Orbita

peri
odica representada por uma trajet
oria fechada no
plano de fase. (b) Trajet
oria dentro de uma orbita fechada.
ent
ao haveria duas solucoes diferentes partindo da mesma condicao inicial, o
que violaria a unicidade garantida pelo teorema.
Assim como em sistemas lineares, nos interessam particularmente as solucoes
de equilbrio, definidas como os pontos (x , y ), tais que eles nao variem com o
tempo, ou seja
dx
dt
dy
dt
f (x , y ) = 0,
(3.21)
g(x , y ) = 0,
(3.22)
eles fazem o campo vetorial anular-se. No entanto, ha em sistemas bidimensionais nao-lineares outras solucoes estacion
arias possveis, alem dos pontos de
equilbrio, e que vem a ser as orbitas peri
odicas, representadas por trajet
orias
fechadas no plano de fase [Figura 3.4(a)] tais que, iniciando de um ponto qualquer sobre elas, apos um intervalo de tempo T bem-determinado, retornaremos
ao ponto de partida, ou seja,
x(t) = x(t + T )
y(t) = y(t + T )
(3.23)
para todos os valores do tempo t, sendo o perodo T um n

umero real e positivo.
Uma trajet
oria no plano de fase proveniente de uma condicao inicial que se
encontre no interior de uma orbita fechada [veja Figura 3.4(b)] estara fadada a
permanecer sempre nessa regi
ao. Para que essa trajet
oria pudesse escapar da
orbita fechada teria de cruz
a-la, e isso, como vimos, viola o teorema de existencia

e unicidade.
3.2
Diagramas de fase
No captulo 1 introduzimos os diagramas de fase como uma tecnica que permitenos conhecer muitas propriedades gerais das trajet
orias de um sistema contnuo,
como pontos de equilbrio e sua estabilidade, simplesmente a partir do gr
afico
da variavel versus sua derivada (no caso unidimensional, x em funcao de x).
Como essa tecnica prescinde do conhecimento detalhado das solucoes, e como
estas nao s
ao conhecidas a priori para a maioria dos sistemas bidimensionais, e
interessante utilizar diagramas de fase tambem nesse caso.
118
Como, para sistemas bidimensionais, temos quatro variaveis ao todo (a saber,

x, y, x e y),
resulta impratic
avel uma representacao gr
afica de x e y em funcao
de x e y. Vamos recorrer, pois, ao conceito de isoclinas para auxiliar na representacao dos sinais das derivadas x e y em diferentes regi
oes do plano de fase
x y. Dentre as infinitas isoclinas que podemos construir, s
ao fundamentais os
lugares geometricos dos pontos do plano de fase onde x = 0 e y = 0, tambem
chamadas nulclinas. Tais isoclinas indicam as curvas sobre as quais o fluxo
das trajet
orias e puramente vertical ou horizontal, correspondendo aos casos
onde x = 0 e y = 0, respectivamente.
Vamos considerar o seguinte exemplo [3]:
x
y
=
=
x + ey ,
y,
(3.24)
(3.25)
para o qual os pontos de equilbrio s

ao dados pelas solucoes de
0 =
0 =
x + ey ,
y ,
(3.26)
(3.27)
ou seja, y = 0 e x = ey = e0 = 1.
Uma particularidade deste exemplo e que a equacao (3.25) e linear, e portanto sua solucao e
y(t) = y0 et ,
(3.28)
onde y0 = y(t = 0) e a condicao inicial respectiva, tal que, para t ,
y(t) tende a zero. A outra equacao, (3.24), nao tem solucao analtica, mas
para tempos grandes vimos que y tende a zero, portanto uma aproximacao sera
x x + e0 = x + 1, a qual tem como solucao (veja a eq. 1.12)
x(t) = (x0 + 1)et 1,
(3.29)
a qual, para t leva a x(t) tambem tendendo ao infinito. Nesse caso, o ponto
de equilbrio (x = 1, y = 0) e certamente instavel, e a existencia de uma
direcao est
avel (ja que y tende a zero) sugere um comportamento semelhante a
um ponto de sela, no caso de modelos lineares.
Para construir o diagrama de fase deste exemplo, examinemos primeiramente
suas isoclinas (ou nulclinas). A condicao y = 0 implica em y = 0, ou seja, o eixo
x e uma isoclina, que denotaremos por A. Ja a condicao x = 0 leva à relacao
ey = x, ou seja
1
,
(y < 0),
(3.30)
y=
ln(x)
que e a equacao da segunda isoclina, que denotaremos B, e e a curva no semiplano à esquerda na figura 3.5. O ponto P de equilbrio, de coordenadas (1, 0),
e a intersecao entre as duas isoclinas, por definicao.
A intersecao entre as isoclinas A : y = 0 e B : x = ey cria quatro
quadrantes na figura 3.5. Analisamos os sinais das derivadas em (3.24)-(3.25),
e os consequentes sentidos do campo vetorial para os quadrantes da seguinte
forma:
se y > 0 (acima de A), y = y < 0, flecha para baixo na direcao y;
se y > 0 (abaixo de A), y = y > 0, flecha para cima na direcao y;
119
A
x
B
Figura 3.5: Diagrama de fase para o sistema (3.24)-(3.25).
se x < ey (a esquerda de B), x = x + ey < 0, flecha para esquerda na

direcao x;
se x > ey (a direita de B), x > 0, flecha para direita na direcao x;
combinando essas possibilidades temos as flechas apontando nos sentidos indicados pelas flechas na figura 3.5. Evidentemente essa analise nos fornece apenas
uma ideia qualitativa do campo vetorial, pois o valor exato das componentes
depende das coordenadas (x, y) de cada ponto no quadrante, de acordo com a
Eq. (3.18).
Alem disso:
se y = 0 (sobre A), y = y = 0, fluxo e puramente horizontal, para a
direita ou esquerda, dependendo do valor de x;
se x = ey (sobre B), x = x + ey = 0, fluxo e puramente vertical, para
cima ou para baixo, dependendo do valor de y;
3.3
Solu
c
oes num
ericas
Mesmo tendo uma ideia qualitativa do campo vetorial, o metodo das isoclinas
nao nos permite conhecer com detalhes as possveis trajet
orias de fase do modelo em estudo. Em v
arias situacoes e importante conhecer o comportamento
transit
orio das trajet
orias no plano de fase, de modo que precisamos resolver
numericamente as equacoes do modelo bidimensional. O metodo de Euler, introduzido no Captulo 1 pode ser facilmente generalizado para duas (ou mais)
equacoes.
No captulo 1 vimos que, do ponto de vista computacional, a solucao x = x(t)
de uma equacao do tipo x = f (x), sujeita à condicao inicial x0 = x(t0 ), consiste
numa sequencia de pontos xk = x(t = tk ), onde
tk = tk1 + t = t0 + kt,
120
(3.31)
fornece uma sequencia de valores discretizados do tempo. O par

ametro t e
denominado passo da integracao, e deve ser suficientemente pequeno para
permitir uma aproximacao da derivada x por uma raz
ao incremental. Para
duas equacoes da forma
dx
dt
dy
dt
f (x, y),
(3.32)
g(x, y),
(3.33)
com as condicoes iniciais (x0 , y0 ), consideramos a sequencia de coordenadas de

pontos no plano de fase: (xk , yk ) = (x(tk ), y(tk )); e podemos generalizar a
equacao (1.50) na forma
xk+1
yk+1
3.3.1
= xk + f (xk , yk )t,
= yk + g(xk , yk )t.
(3.34)
(3.35)

onicas
O metodo de Euler para modelos bidimensionais pode ser implementado em

planilhas eletr
onicas. Consideremos, a ttulo de exemplificacao, a solucao numerica
do sistema de equacoes diferenciais (3.24)-(3.25)
x =
y =
f (x, y) = x + ey ,
g(x, y) = y,
(3.36)
(3.37)
com as condicoes iniciais (x0 = 1/2, y0 = 1/4), com um passo de integracao

t = 0, 05, de t = 0 ate t = 2, 5. Precisaremos de (2, 5 0)/0, 05 = 50 iteracoes
das equacoes do metodo de Euler (3.34)-(3.35).
A planilha correspondente `
a solucao numerica est
a reproduzida na Fig. 3.6.
O valor do passo de integracao (0, 05) est
a indicado na na celula F 3 (endereco
absoluto). O valores de x0 (0, 5) e y0 (0, 25), s
ao inseridos nas celulas B8 e C8,
respectivamente (enderecos relativos). A equacao (3.34) para k = 0, a saber,
x1 = x0 + f (x0 , y0 )t = x0 + (x0 + ey0 )t,
(3.38)
e escrita na celula B9 como

= B8 + (B8 + EXP (C8) $F $3
(3.39)
ao passo que a equacao (3.35),

y1 = y0 + g(x0 , y0 )t = y0 (1 t),
(3.40)
e escrita na celula C9 como

= C8 (1 $F $3)
(3.41)
Os n
umeros nas celulas B9 e C9 s
ao, ent
ao, copiados para a area de transferencia e colados nas celulas seguintes pelo n
umero de iteracoes do metodo
necessarias, em nosso caso mais 49. Na coluna A temos os valores do tempo
inserindo na celula A9 a Eq. (3.31):
= A8 + $F $3
121

afico da solucao das Eqs. (3.24)-(3.25) para a condicao
inicial x0 = 0, 5, y0 = 0, 25
Na Fig. 3.6, alem de um certo n
umero de pontos, apresentamos tambem o
gr
afico de y(t) versus x(t) correspondente à trajet
oria de fase. Comparando
com a analise das isoclinas que fizemos para esse sistema [Fig. 3.5], a trajet
oria
que encontramos numericamente concorda com os sentidos do campo vetorial
no quadrante acima da isoclina A e à direita da isoclina B.
Trajet
orias em outros quadrantes podem ser facilmente implementadas na
planilha eletr
onica alterando-se as condicoes iniciais nas celulas B8 e C8. Um exemplo est
a ilustrado na Fig. 3.7, obtida para a condicao inicial x0 = 0, 5, y0 =
4, 0. O sentido do campo vetorial para a trajet
oria de fase nesse caso corresponde ao quadrante em Fig. 3.5 abaixo da isoclina A e à direita da isoclina
B.
3.3.2
Programa em linguagem C
A mesma equacao tratada com o auxlio da planilha eletr

onica pode ser resolvida
usando um programa em linguagem C, um exemplo do qual sendo mostrado a
seguir. Na tabela 3.3.2 encontra-se uma sequencia representativa de cinquenta
iteracoes do metodo de Euler, mostrando a solucao numerica (xk , yk ) para um
passo de integracao igual a = 0, 05. Ja as 100 primeiras iteracoes podem
ser vistas como uma trajet
oria no plano de fase da Figura 3.8, confirmando os
resultados obtidos via planilha eletr
onica.
/* euler2.c: metodo de Euler para solucao numerica de um modelo
continuo bidimensional. Saida dos dados no arquivo
euler2.dat (tabela com duas colunas) */
#include <stdio.h>
#include <math.h>
FILE *fp;
122

afico da solucao das Eqs. (3.24)-(3.25) para a condicao
inicial x0 = 0, 5, y0 = 4, 0.
double f(double x,double y), g(double x,double y);

main( )
{
int k, points;
double x_k, y_k, x_0, y_0, t_0, t_k, delta;
fp = fopen("euler2.dat","w");/* abre arquivo */
points = 100;
x_0 = -0.5;
/* condicoes iniciais */
y_0 = 0.25;
x_k = x_0;
/* inicializa os valores de x e y */
y_k = y_0;
t_0 = 0.0;
/* tempo inicial */
t_k = t_0;
/* inicializa o valor de t_k */
delta = 0.05;
/* passo da integracao */
k = 0;
for (k = 1; k <= points; ++k) { /* varre os valores de k */
t_k = t_k + delta;
/* incremento no tempo */
x_k = x_k + f(x_k,y_k)*delta;
y_k = y_k + g(x_k,y_k)*delta;
fprintf(fp,"%d %f %f %f \n",k,t_k,x_k,y_k); /* imprime
resultados no arquivo de saida */
}
fclose(fp);
}
/* especifica o campo vetorial */
double f(double x,double y)
{
123
k
0
1
2
3
4
5
6
7
8
9
10
20
30
40
50
tk
0, 000000
0, 050000
0, 100000
0, 150000
0, 200000
0, 250000
0, 300000
0, 350000
0, 400000
0, 450000
0, 500000
1, 000000
1, 500000
2, 000000
2, 500000
xk
0, 500000
0, 486060
0, 470933
0, 454579
0, 436954
0, 418014
0, 397709
0, 375988
0, 352797
0, 328078
0, 301771
0, 064868
0, 690082
1, 725937
3, 423936
yk
0, 250000
0, 237500
0, 225625
0, 214344
0, 203627
0, 193445
0, 183773
0, 174584
0, 165855
0, 157562
0, 149684
0, 089621
0, 053660
0, 032128
0, 019236
Tabela 3.1: Algumas iteracoes do metodo de Euler para solucao numerica das
equacoes (3.24)-(3.25) com as condicoes iniciais x0 = 0, 5 e y0 = 0, 25.
return(x + exp(-y));
}
double g(double x,double y)
{
return(-y);
}
Alem dessa, na figura indicamos tambem outras trajet
orias possveis que
foram geradas a partir de outras condicoes iniciais. Em uma linha tracejada
indicamos tambem uma das isoclinas do sistema, de modo que o leitor pode
comparar os resultados numericos com a analise do diagrama de fase da Figura
importante salientar que as isoclinas nao s
3.5. E
ao, em geral, trajet
orias do
sistema, a nao ser em casos particulares, como o eixo das abscissas que e ao
mesmo tempo uma isoclina e uma trajet
oria do sistema.
Uma inspecao atenta da Fig. 3.8 nos sugere que o ponto de equilbrio (x =
1, y = 0) e um ponto de sela, pois ha uma direcao - o eixo x - que corresponde
a uma trajet
oria que afasta-se do equilbrio e cujos pontos nunca deixam o eixo.
De fato, o eixo x e uma direcao instavel para o ponto de sela. As trajet
orias
convergem para o ponto de equilbrio de forma a sugerir a existencia de uma
direcao est
avel (e que tambem nao e a isoclina tracejada da figura).
3.3.3

atico
No captulo 1 abordamos a utilizacao de tres pacotes matematicos comerciais disponveis para v

arios ambientes computacionais e sistemas operacionais
como Linux, Mackintosh e Windows: o Maple, Mathematica e Matlab. Tais pacotes oferecem a comodidade de trazerem embutidas as rotinas computacionais
para integracao numerica das equacoes diferenciais, e ainda terem um ambiente
124
0,2
0,1
-0,1
-0,2
-8
-6
-4
-2
Figura 3.8: Trajet

orias de fase obtidas por solucao numerica do sistema (3.24)(3.25) com diferentes condicoes iniciais.
gr
afico para tracar diagramas como series temporais e retratos de fase. Vamos, pois, indicar aqui as modificacoes necessarias para resolver as equacoes
(3.36)-(3.37), bem como o tipo de gr
aficos produzidos.
Maple
Necessitaremos apenas do pacote DEtools e da funcao DEplot. Escrevemos as
equacoes (3.36)-(3.37) na seguinte forma:
deq1 := diff(x(t),t) = x + e^{-y}:
deq2 := diff(y(t),t) = -y:
Vamos considerar a trajet
oria obtida a partir da condicao inicial x0 = 0, 5
e y0 = 0, 25, para o intervalo de tempo 0 t 50 com passo de integracao
t = 0, 05. Para tracar o retrato de fase contendo essa trajet
oria, usamos os
comandos:
with(DEtools):
DEplot([deq1,deq2],[x,y],t=0..50, x=-8..8, y=-0.25..0.25,
{[x(0)=-0.5, y(0)=0.25]}, stepsize=0.05,linecolor=black, arrows=none);
onde os comandos linecolor e arrows dizem respeito à cor da curva a ser
tracada, e `
a presenca (ou nao) de flechas indicativas do sentido do tempo, respectivamente [Fig. 3.9].
Para tracar a serie temporal das variaveis x e y, procedemos assim [Fig.
3.10]:
DEplot([deq1,deq2],[x,y],t=0..2.0,{[x(0)=-0.5, y(0)=0.25]},
stepsize=0.05,scene= [t,x], linecolor=black, arrows=none);
DEplot([deq1,deq2],[x,y],t=0..5.0,{[x(0)=-0.5, y(0)=0.25]},
stepsize=0.05,scene= [t,y], linecolor=black, arrows=none);
125
0,2
y
0,1
0
-8
-4
x
-0,1
-0,2
Figura 3.9: Retrato de fase obtidas por solucao numerica do sistema (3.24)(3.25) usando o Maple.
0,25
1,5
x
y
1
0,2
0,15
0,5
0,1
0
0
0,5
1,5
0,05
t
-0,5
0
0
Figura 3.10: Series temporais obtidas por solucao numerica do sistema (3.24)(3.25) usando o Maple.
126
y
0.25
0.2
0.15
0.1
0.05
1
Figura 3.11: Retrato de fase obtidas por solucao numerica do sistema (3.24)(3.25) usando o Mathematica.
Mathematica
No Mathematica tambem devemos antes especificar as equacoes diferenciais na
seguinte forma:
deq1 = x[t] == x[t] + Exp[-y[t]];
deq2 = y[t] == -y[t];
Usamos o comando NDSolve para resolver numericamente esse sistema de
equacoes. Para o intervalo 0 t 10 e condicao inicial (x0 , y0 ) = (0, 5, 0, 25,
usamos
soln = NDSolve[{deq1,deq2, x[0]==-0.5, y[0]==0.25},{x[t],y[t]}, {t,0,10}];
Para representar a trajet
oria correspondente no plano de fase, usamos o comando [Fig. 3.11]:
ParametricPlot[
Evaluate[{x[t],y[t]} /. soln], {t,0,3}, AxesLabel ->{x,y}];
enquanto, para as series temporais, usamos [Fig. 3.12]:
Plot[Evaluate[ x[t] /. soln], {t,0,10}, AxesLabel ->{t,x}];
Plot[Evaluate[ y[t] /. soln], {t,0,10}, AxesLabel ->{t,y}];
Matlab
No Matlab o sistema de equacoes diferenciais deve ser especificado por meio de
um arquivo-m, que vamos chamar de exemplo.m, contendo uma funcao que denominaremos exemplo, onde as variaveis independentes s
ao o vetor de variaveis
v e o tempo t e a variavel dependente e o vetor vp, contendo as derivadas do
campo vetorial:
function vp = exemplo(t,v)
% exemplo.m
vp = v;
x = v(1);
127
x
3000
y
0.12
2500
0.1
2000
0.08
1500
0.06
1000
0.04
0.02
500
4
10
10
Figura 3.12: Serie temporal obtida por solucao numerica do sistema (3.24)-(3.25)
0.25
0.2
0.15
0.1
0.05
0
1
3
x
Figura 3.13: Retrato de fase obtidas por solucao numerica do sistema (3.24)(3.25) usando o Matlab.
y = v(2);
vp(1) = x + exp(-y);
vp(2) = -y;
Para integrar numericamente o sistema de equacoes, o Matlab conta com
v
arios integradores. Recomendamos usar ode45, para obter uma solucao no
intervalo 0 t 50, partindo da condicao inicial (x0 , y0 ) = (0, 5, 0, 25), e com
passo de integracao 0, 05:
[t,v] = ode45(exemplo, [0:0.05:3.0], [-0.5,0.25]);
Para tracar os gr
aficos correspondentes à trajet
oria no plano de fase[Fig. 3.13],
e`
as series temporais de x e y [Fig. 3.14], usamos os comandos:
plot(v(:,1),v(:,2))
plot(t,v(:,1), t,v(:,2))
128
4
3.5
x(t)
y(t)
2.5
2
1.5
1
0.5
0
0.5
1
0.5
1.5
t
2.5
Figura 3.14: Series temporais obtidas por solucao numerica do sistema (3.24)(3.25) usando o Matlab.
3.4
Solu
c
oes de equilbrio e sua estabilidade
Para sistemas nao-lineares da forma geral (3.15) procuramos solucoes de equilbrio

v , tais que

dv
x
= 0,
(3.42)
v =
y
dt
ou seja, as solucoes da equacao vetorial
F(v ) = 0.
(3.43)
No plano de fase, as solucoes de equilbrio s

ao identificadas como o ponto
de coordenadas (x , y ), que nao se alteram com o tempo. Para investigar
sua estabilidade consideramos uma pequena vizinhanca em torno de (x , y )
na forma de um crculo de raio , onde |x | e |y | (Figura 3.15).
Consideramos, agora, desvios da solucao de equilbrio em ambas as direcoes
x(t)
y(t)
=
=
x + wx (t),
y + wy (t),
(3.44)
(3.45)
onde supomos que os modulos de tais desvios sejam pequenos o suficiente para
estarem contidos na vizinhanca definida anteriormente: |wx,y | . Como vimos
no Captulo 1, isso nos permite truncar as series de potencias a partir dos termos
quadr
aticos nos desvios.
Expandimos em serie de potencias as duas componentes do campo vetorial
(3.12) f (x, y) e g(x, y), na vizinhanca do ponto (x , y ); o que fornece, ate os
129
y
y
v
11111111111
00000000000
00000000000
11111111111
00000000000
11111111111
00000000000
11111111111
00000000000
11111111111
00000000000
11111111111
00000000000
11111111111
00000000000
11111111111
00000000000
11111111111
00000000000
11111111111
v*
00000000000
11111111111
00000000000
11111111111
00000000000
11111111111
00000000000
11111111111
00000000000
11111111111
00000000000
11111111111
00000000000
11111111111
00000000000
11111111111
00000000000
11111111111
00000000000
11111111111
00000000000
11111111111
Figura 3.15: Estabilidade linear de um ponto de equilbrio no plano de fase
termos lineares nos desvios, as seguintes expressoes

dx
dwx
+
dt
dt
dy
dwx
+
dt
dt
f (x + wx , y + wy )
(3.46)

f
f
+ wy
,
f (x , y ) + wx
x (x ,y )
y (x ,y )
g(x + wx , y + wy )

g
g

g(x , y ) + wx
+ wy
.
x (x ,y )
y (x ,y )
(3.47)
Por outro lado, pela definicao de solucao de equilbrio,

x = f (x , y )
y = g(x , y )
=
=
0,
0,
(3.48)
(3.49)
de forma que, na aproximacao linear, a din

amica que os desvios satisfazem e
dada por:

f
f
dwx
+ wy
,
(3.50)
= wx
dt
x (x ,y )
y (x ,y )

g
g
dwy
+ wy
,
(3.51)
= wx
dt
x (x ,y )
y (x ,y )
e que, por sua vez, pode ser escrita na forma
dw
= DF(v ).w(t),
dt
onde
w(t) =
wx (t)
wy (t)
(3.52)
(3.53)
e um vetor de desvios em relacao à solucao de equilbrio, e DF(v ) e chamada

matriz Jacobiana do campo vetorial, cujos elementos s
ao as derivadas parciais
130
das componentes do campo vetorial, calculadas no ponto fixo (x , y ):

f
x
DF(v ) = g (x ,y )
x
(x ,y )
f
y
g
y
(x ,y )
(3.54)
(x ,y )
A equacao (3.52) representa um modelo contnuo bidimensional linear, cujo

equilbrio na origem corresponde `
a solucao de equilbrio v do modelo nao-linear
(3.13). Como vimos no captulo II, a estabilidade da solucoes de equilbrio do
sistema linear, e determinada pelos autovalores da matriz Jacobiana, calculada
no ponto de equilbrio A = DF(v ). Neste caso, o equilbrio sera assintoticamente est
avel se as partes reais dos autovalores forem negativas. Vimos, no
Captulo 2, que as condicoes necessarias e suficientes para isso s
ao
= T rDF(v ) < 0,
= det DF(v ) > 0,
(3.55)
(3.56)
Caso uma das condicoes acima nao seja satisfeita, a solucao de equilbrio sera
instavel. A convergencia (ou divergencia, no caso instavel) dos desvios a esta
solucao de equilbrio e oscilat
oria se D < 0 e nao-oscilat
oria se D > 0, onde
D = 2 4 e o discriminante.
O teorema de existencia e unicidade 3.2 garante que, se a funcao vetorial
F(v) for suficientemente suave, a solucao da equacao (3.13) e definida em algum
intervalo de tempo (, + ) centrado em t = 0. Nesse caso, um fluxo local
t : R2 R2 pode ser definido por t (v0 ) = v(t, v0 ) [1]. Em particular, o
fluxo linearizado, que denotaremos Dt (v )w, pode ser obtido integrando-se
a equacao linearizada (3.52) em torno de v , o que como veremos no proximo
captulo com mais detalhes.
3.4.1
Pontos hiperb
olicos e o Teorema de Hartman e Grobman
A linearizacao do campo vetorial permite-nos classificar a estabilidade da solucao

de equilbrio. No entanto, como podemos saber se o resultado obtido via linearizacao pode ser estendido ao sistema nao-linear. Por exemplo: a analise linear
revela que um ponto de equilbrio e do tipo foco est
avel. Sera que ele manter
a
essa caracterstica se forem considerados os termos ignorados durante a linearizacao. A resposta a essa pergunta e dada, na teoria dos sistemas din
amicos,
por dois teoremas importantes, cujo conte
udo iremos apresentar ao longo desse
captulo. Vamos comecar com a seguinte
Defini
c
ao 6 Um ponto de equilbrio v e dito hiperb
olico (ou n
ao-degenerado)
se todos os autovalores da matriz Jacobiana do sistema, calculada nesse ponto,
DF(v ) tiverem partes reais diferentes de zero.
Caso um ou mais autovalores tenham parte real nula, v e dito nao-hiperbolico.
Um importante teorema, que sera enunciado no final desta secao, garante que,
se v for um ponto hiperbolico, o comportamento das solucoes na sua vizinhanca (e, portanto, sua estabilidade) e determinado pela aproximacao linear.
No exemplo do par
agrafo anterior, o no est
avel (cujos autovalores s
ao reais
131
0,2
0,1
(a)
(b)
0,1
0,05
-0,1
-0,05
-0,2
-0,2
-0,1
0,1
0,2
-0,1
-0,05
0,05
0,1
0,15
0,2
Figura 3.16: Retrato de fase do sistema (3.57)-(3.58) para (a) = 0 (centro

linear); (b) = 100 (foco est
avel).
e negativos) e um ponto hiperbolico e, portanto, permanecera um no est

avel
mesmo quando consideramos o sistema nao-linear como um todo.
Caso contrario, ou seja, se um ou mais autovalores tiverem parte real nula,
ent
ao o criterio de linearizacao falha, ou seja, pela aproximacao linear em torno
do ponto de equilbrio nao e possvel dizer se o ponto de equilbrio e est
avel ou
instavel. Consideremos o exemplo:
x
= f = y,
(3.57)
= g = x x2 y,
(3.58)
cujo ponto de equilbrio e facilmente identificado como sendo a origem do plano

de fase: x = y = 0. A matriz jacobiana do sistema e
!

f
f
0
1
x
y
,
(3.59)
=
DF(x, y) =
g
g
1 2xy x2
x
y
cujos elementos, quando calculados no ponto de equilbrio, s
ao

0 1
.
A = DF(x = y = 0) =
1 0
(3.60)
cujos traco, determinante e discriminante s

ao, respectivamente
=
=
T rA = 0,
det A = 1,
(3.61)
(3.62)
2 4 = 4.
(3.63)
o que identifica o ponto de equilbrio como um centro nao-hiperbolico, ja que os

autovalores da Jacobiana tem partes reais nulas:
+ D
= +i,
(3.64)
1 =
2
D
2 =
= i.
(3.65)
2
132
Vimos no captulo 2 que, neste caso, a solucao de equilbrio e um centro,

o qual e neutro ou marginalmente est
avel: uma condicao inicial nas proximidades do ponto de equilbrio gera trajet
orias circulares em torno desse ponto
[Fig. 3.16(a)]. N
ao devemos esperar, entretanto, que a linearizacao de uma
informacao confi
avel. De fato, se retivermos os termo nao-linear x2 y, o ponto
de equilbrio sera um foco est
avel se > 0 [Fig. 3.16(b)] e um foco instavel se
< 0. Como essa afirmacao independe do valor de , os centros lineares s
ao
frageis, pois s
ao alterados radicalmente devido a mudancas, mesmo que muito
pequenas, no campo vetorial.
Enquanto pontos de equilbrio hiperbolicos s
ao robustos, no sentido que
sua estabilidade nao se altera alem da aproximacao linear, os pontos naohiperbolicos s
ao fr
ageis, pois sua estabilidade pode ser alterada por qualquer
perturbacao devida aos termos nao-lineares. N
os e focos, bem como pontos de
sela s
ao robustos; ao passo que centros e demais pontos nao-hiperbolicos s
ao
marginais.
A formalizacao destas ideias e o objeto do
Teorema 4 (Hartman-Grobman) Se a matriz Jacobiana calculada no ponto
de equilbrio, DF(v ) n
ao tiver autovalores nulos ou puramente imagin
arios,
ent
ao existe um homeomorfismo h, definido em alguma vizinhanca U do ponto
de equilbrio v R2 , que leva trajet
orias do fluxo n
ao-linear t do sistema
dv(t)
= F(v(t)),
dt
v(0) = v0 ,
em trajet
orias do fluxo linear Dt (v )w do sistema
dw
= DF(v ).w(t).
dt
Um homeomorfismo e uma aplicacao contnua, com uma inversa tambem
contnua. O homeomorfismo h citado pelo teorema de Hartman-Grobman mapeia
as trajet
orias na vizinhanca do ponto de equilbrio do sistema em trajet
orias do
fluxo linear equivalente. Nessa aplicacao o sentido do tempo (as flechas nas trajet
orias) e preservado. N
ao e realmente necessario conhecer a forma analtica
desse homeomorfismo (ate porque pode ela nao existir!), mas basta-nos saber
que ele existe.
Uma maneira alternativa de exprimir o teorema de Hartman-Grobman e
dizer que as trajet
orias do sistema nao-linear na vizinhanca do equilbrio s
ao
topologicamente equivalentes `
as do sistema linearizado [Fig. 3.17]. Consequentemente a estabilidade do equilbrio e fielmente captada pela linearizacao.
Uma forma intuitiva de entender essa equivalencia topol
ogica e pensar que as
trajet
orias dos dois sistemas (nao-linear e linearizado) podem ser continuamente
deformadas uma em outra (e vice-versa): dobrar e esticar trajet
orias s
ao, pois,
operacoes permitidas, mas nao cort
a-las, por exemplo. Logo trajet
orias fechadas
permanecem fechadas pela acao do homeomorfismo h, trajet
orias conectando
pontos de sela nao podem ser quebradas, etc. [3].
Podemos tambem dizer que o retrato de fase nas vizinhancas de um ponto
de equilbrio hiperbolico, isto e, o conjunto das trajet
orias nessa regi
ao, e estruturalmente est
avel, pois sua topologia nao pode ser alterada por pequenas
perturbacoes do campo vetorial. O conceito de estabilidade estrutural formaliza
o de robustez introduzido anteriormente.
133
V
h
v*
U
h(U)
Figura 3.17: Retratos de fase nas vizinhancas de um ponto de equilbrio linear

e nao-linear, relacionados entre si por um homeomorfismo, conforme o Teorema
de Hartman-Grobman.
3.4.2
Exemplos de an
alise pelo diagramas de fase
1. Consideremos o sistema [adaptado de [7], pg. 200]

x =
y
0, 1x + 5y,
20
+ 0, 1y,
x
(3.66)
(3.67)
com x > 0, y < 0, e cuja solucao de equilbrio e dada por

0, 1x + 5y
20
+ 0, 1y
x
0,
(3.68)
0.
(3.69)
Isolando y de (3.69) temos que y = 200/x a qual, substituda em (3.68),

nica solucao admissvel e x = 100, tal que y =
fornece x 2 = 10000. A u
200/100 = 2.
Construimos agora a matriz jacobiana do sistema
!

f
f
0, 1 5
x
y
=
,
(3.70)
DF(x, y) =
20
g
g
0, 1
x2
x
y
cujos elementos, quando calculados no ponto de equilbrio, s
ao

0, 1
5
A = DF(x = 100, y = 2) =
.
0, 002 0, 1
(3.71)
Calculando o traco, determinante e discriminante da matriz Jacobiana obtemos, respectivamente, que:

=
=
D
T rA = 0, 1 + 0, 1 = 0,
det A = 0, 12 5 0, 002 = 0, 02,
2 4 = 4 (0, 01) = 0, 08.
134
(3.72)
(3.73)
(3.74)
100
Figura 3.18: Diagrama de fase para o sistema (3.66)-(3.67)
Como < 0 segue que a solucao de equilbrio e um ponto de sela. Isso pode
ser confirmado pelos autovalores respectivos, que s
ao
+ D
0, 08
1 =
=
= 0, 14142,
(3.75)
2
2
0, 08
D
2 =
=
= 0, 14142.
(3.76)
2
2
Para ter uma ideia do comportamento das trajet
orias no plano de fase, vamos
determinar as isoclinas do sistema:
A : x = 0, 1x + 5y = 0
20
B : y = + 0, 1y = 0
x
y = 0, 02x,
200
y=
,
x
(3.77)
(3.78)
representadas, respectivamente, por uma reta que passa pela origem, e por uma
hiperbole no primeiro quadrante do plano (Figura 3.18). A intersecao dessas
isoclinas produz quatro quadrantes, nos quais os sinais do campo vetorial s
ao
determinados como segue: vamos inicialmente reescrever o sistema (3.66)- (3.66)
na forma equivalente
x
5(y 0, 02x),

200
0, 1 y
.
x
(3.79)
(3.80)
e podemos fazer agora a analise para cada quadrante:

se y > 0, 02 (acima de A), y 0, 02 > 0, e x = 5(y 0, 02x) > 0, flecha
para a direita na direcao x;
se y < 0, 02 (abaixo de A), y 0, 02 < 0, e x < 0, flecha para a direita na
direcao x;
135
100
50
150
200
Figura 3.19: Trajet

se y = 0, 02 (sobre A), y 0, 02 = 0, e x = 0, fluxo puramente vertical

(para cima ou para baixo dependendo de x);
se y > 200/x (acima de B), y 200/x > 0 e y = 0, 1 (y 200/x) > 0,
flecha para cima na direcao y;
se y < 200/x (abaixo de B), y 200/x < 0 e y < 0, flecha para baixo na
direcao y;
se y = 200/x (sobre B), y 200/x = 0 e y = 0, fluxo puramentehorizontal
(para a esquerda ou para a direita dependendo de y);
sendo a combinacao dessas possibilidades representada no diagrama de fase da
Fig. 3.18.
Na Fig. 3.19 mostramos trajet
orias de fase obtidas por solucao numerica do
sistema (3.66)-(3.67) com diferentes condicoes iniciais (linhas cheias) bem como
as isoclinas correspondentes (linhas tracejadas). Fica aparente a natureza de
ponto de sela da solucao de equilbrio, ja que as trajetorias inicialmente convergem a ele, para depois divergirem rapidamente a infinito. Comparando com
os sentidos do campo vetorial previstos pelo metodo das isoclinas observamos
uma concord
ancia qualitativa nos quatro quadrantes da Fig. 3.18.
2. Um exemplo mais complicado e o sistema [3]
x
x(3 x 2y),
y(2 x y),
(3.81)
(3.82)
onde x > 0, y < 0, e cujas solucoes de equilbrio s

ao obtidas a partir de
x (3 x 2y )
y (2 x y )
136
0,
(3.83)
0,
(3.84)
que tem uma solucao imediata:

P1 :
x1 = 0,
y1 = 0.
(3.85)
Outra solucao decorre de anularmos os termos entre parenteses em (3.81)-(3.82),

caindo no sistema
x + 2y
x + y
=
=
3,
2,
(3.86)
(3.87)
y2 = 1.
(3.88)
que e verificado para

P2 :
x2 = 1,
H
a duas outras possibilidades, facilmente verificadas por substituicao direta:
P3 :
x3 = 0,
y2 = 2,
(3.89)
P4 :
x4 = 3,
y4 = 0,
(3.90)
e
num total de quatro solucoes de equilbrio. A matriz jacobiana do sistema e

3 2x 2y
2x
DF(x, y) =
.
(3.91)
y
2 x 2y
Para o ponto de equilbrio P1 : (0, 0) os elementos da matriz jacobiana s
ao

3 0
,
(3.92)
A(P1 ) = DF(x1 = 0, y1 = 0) =
0 2
com traco = 5, determinante = 6 e discriminante D = 52 4 6 = 1 > 0.
Logo, P1 e um no instavel. De fato, a matriz Jacobiana acima ja est
a na forma
diagonal, e seus autovalores s
ao 1 = 3 e 2 = 2.
A matriz Jacobiana, calculada no segundo ponto de equilbrio P2 : (1, 1) e

1 2
A(P2 ) = DF(x2 = 1, y2 = 1) =
,
(3.93)
2 1
para qual o traco e = 2, determinante = 1 e discriminante D = 8 >0,
donde P2 e um ponto de sela, correspondendo aos autovalores 1,2 = 1 2
da matriz Jacobiana.
O ponto de equilbrio P3 : (0, 2) est
a associado à matriz Jacobiana

1 0
A(P3 ) = DF(x2 = 0, y2 = 2) =
,
(3.94)
2 2
cujo traco e = 3, determinante = 2 e discriminante D = 1 > 0, donde P1
e um no est
avel. A matriz Jacobiana tem autovalores: 1 = 1 e 2 = 2.
tambem um no est
E
avel o quarto ponto de equilbrio P4 : (3, 0), pois a
matriz Jacobiana

3 6
(3.95)
A(P4 ) = DF(x4 = 3, y4 = 0) =
0 1
137
P3
2
B
1,5
P2
A
P1
P4
0
0
Figura 3.20: Diagrama de fase para o sistema (3.81)-(3.82)
tem traco, determinante e discriminante iguais, respectivamente, a = 4,

= 3 e D = 4 > 0., e autovalores 1 = 3 e 2 = 1.
As isoclinas do sistema s
ao obtidas a partir das equacoes x = 0 e y = 0. Os
eixos das abscissas (y = 0) e ordenadas (x = 0) s
ao, portanto, isoclinas. Alem
deles, temos ainda
A : x = x + 2y 3 = 0
B : y = x + y 2 = 0
3x
,
2
y = 2 x,
y=
(3.96)
(3.97)
representadas como duas retas no plano de fase. As intersecoes dessas quatro

isoclinas fornecem os quatro pontos de equilbrio ja estudados [Figura 3.20]. As
duas isoclinas determinam quatro setores, para os quais o sentido do campo
vetorial e determinado observando-se que podemos reescrever o sistema original
como

3x
,
(3.98)
x = 2x y
2
y = y[y (2 x)],
(3.99)
de sorte que as possibilidades de sinal s
ao [Fig. 3.20]:
y > (3x)/2 (acima de A): y(3x)/2 < 0, logo x = 2x [y (3 x)/2] <
0 (ja que sempre temos x > 0), flecha para a esquerda na direcao x;
y < (3 x)/2 (abaixo de A): y (3 x)/2 > 0, logo x > 0, flecha para a
direita na direcao x;
y = (3 x)/2 (sobre A): x = 0, fluxo puramente vertical (para cima ou
para baixo dependendo de x);
y > 2 x (acima de B): y (2 x) > 0, logo y = y[y (2 x)] < 0 (ja
que sempre temos y > 0), flecha para baixo na direcao y;
138
1,6
1,2
0,8
0,4
0,5
1,5
2,5
Figura 3.21: Trajet

y < 2 x (abaixo de B): y (2 x) < 0, logo y > 0, flecha para cima na

direcao y;
y = 2 x (sobre B): y = 0, fluxo puramente horizontal (para a esquerda
ou para a direita dependendo de y);
N
os tracamos na Fig. 3.21 uma serie de trajet
orias de fase obtidas por
solucao numerica do sistema (3.81)-(3.82) com diferentes condicoes iniciais, onde
tambem indicamos as isoclinas do sistema por linhas tracejadas (excetos os eixos
imediato associarmos o ponto de equilbrio P1 como um no
coordenados). E
instavel, assim como P3 e P4 s
ao nos est
aveis. Ja P1 e claramente um ponto de
sela, cuja direcao instavel parece encontrar-se entre as isoclinas tracejadas na
figura.
3.5
Exemplo em Economia: Modelo de capital

fsico e humano
No captulo 1 estudamos o modelo de Solow de crescimento econ

omico, baseado
em dois fatores, a saber, o capital fsico e a forca de trabalho. A relacao capital/trabalho de equilbrio [vide Eq. (1.112)], ou seja, a taxa de crescimento
econ
omico, depende essencialmente da taxa de crescimento da forca de trabalho
possvel incluir tambem no modelo de Solow, de forma ex
. E
ogena, o efeito
do progresso tecnologico com o objetivo de aumentar a produtividade do trabalhador, de forma que a taxa de crescimento efetiva aumente para + , onde
representa os ganhos de produtividade.
Podemos, no entanto, tornar o progresso tecnologico endogeno, incluindo no
modelo o conceito de capital humano, conforme os trabalhos de Romer e seus
colaboradores [35]. O capital humano pode ser aumentado, por exemplo, por
139
investimentos em educacao e aperfeicoamento tecnico do trabalhador, de modo

a aumentar sua eficiencia, pelo conhecimento de tecnicas novas, implantacao de
mecanismos de controle de qualidade, aumento da auto-estima, etc. Na pratica,
segundo Romer [35], o capital humano (denotado H) pode ser mensurado a
partir dos salarios pagos aos trabalhadores, supondo que, quanto mais qualificado for o trabalhador, maior sera sua remuneracao em media. Dessa forma,
trabalharemos com as seguintes macrovariaveis: Y : renda; K: estoque de capital fsico; H: estoque de capital humano; L: forca de trabalho; A: nvel de
progresso tecnico (que leva a aumento de produtividade); I: investimento; e S:
poupanca.
3.5.1
Hip
oteses do modelo
Algumas das hip

oteses do modelo de capital fsico/humano s
ao as mesmas do
modelo de Solow:
1. A forca de trabalho cresce exponencialmente a uma taxa > 0:
L(t) = L0 et ,
(3.100)
2. A funcao producao depende nao s

o do capital fsico K e da forca de trabalho L, como no modelo de Solow, mas tambem do capital humano H e
do nvel de progresso tecnico A. Tambem suporemos que a funcao producao
Q = f (K, H, A, L) seja homogenea de primeiro grau, e dada por uma forma do
tipo Cobb-Douglas:
Y (t) = K(t) H(t) [A(t)L(t)]
(3.101)
onde supomos que 0 < < 1, 0 < < 1, e tambem que + < 1.
3. O nvel de progresso tecnico cresce exogenamente a uma taxa g > 0:
A(t) = A0 egt ,
(3.102)
4. O capital fsico e o humano depreciam com o tempo à mesma taxa > 0:

5. No equilbrio, o investimento I(t) e igual à poupanca S(t), sendo uma proporcao s constante da renda poupada e invertida: I(t) = S(t) = sY (t). Parte
do investimento o e em capital fsico (sk ) e parte em capital humano (sh ).
I = S = sY =
dH
dK
+
,
dt
dt
(3.103)
onde
dK
dt
dH
dt
sk Y K,
(3.104)
sh Y H,
(3.105)
onde incluimos os efeitos da depreciacao, e tal que s = sk + sh .
3.5.2
Deriva
c
ao das equa
c
oes do modelo
Assim como no modelo de Solow, e conveniente definir variaveis relativas: renda/trabalho

e capital/trabalho, da seguinte forma:
y
Y
,
AL
K
,
AL
140
H
.
AL
(3.106)
Usando (3.100) e (3.102) temos

Y
yAL = yA0 L0 e(g+)t ,
K
H
=
=
kAL = kA0 L0 e(g+)t ,

hAL = hA0 L0 e(g+)t ,
que, derivadas em relacao ao tempo, fornecem:

dY
dt
dK
dt
dH
dt
=
=
=
dy
d
A0 L0 e(g+)t + yA0 L0 (g + n)e(g+)t = Q(K, H, A, L),
dt
dt
dk
(g+)t
(g+)t
A0 L0 e
+ kA0 L0 (g + n)e
= sk Y K,
dt
dh
A0 L0 e(g+)t + hA0 L0 (g + n)e(g+)t = sh Y H,
dt
onde tambem usamos (3.104) e (3.105), e a forma geral da funcao producao.

Dividindo as tres equacoes acima por AL = A0 L0 e(g+)t temos
dy
+ y(g + )
dt
dk
+ k(g + )
dt
dh
+ h(g + )
dt
=
=
=
1 (g+)t d
e
Q(K, H, A, L),
A0 L0
dt
Y
K
sk
= sk y k,
AL
AL
Y
H
sh
= sh y h.
AL
AL
(3.107)
(3.108)
Como a funcao producao e suposta homogenea de primeiro grau em AL

temos que
Q(K, H, A, L) =
1
K H
1
Q(
,
, 1, 1) =
Q(k, h, 1, 1).
AL AL AL
AL
No caso da funcao de producao do tipo Cobb-Douglas (3.101) temos

1
1
K H (AL)
Y
=
Q(K, H, A, L) =
AL
AL
AL

H
K
= k h ,
= K H (AL) (AL) =
AL
AL
y=
(3.109)
que, quando substituida em (3.107) e (3.108), fornece as equacoes do modelo:

dk
dt
dh
dt
3.5.3
f (k, h) = sk k h ( + g + )k,
(3.110)
g(k, h) = sh k h ( + g + )h.
(3.111)
Soluc
oes de equilbrio
A solucao de equilbrio deste modelo e

k
,
v =
h
141
(3.112)
faz o campo vetorial (3.110)-(3.111) se anular:

sk k h ( + g + )k
sh k
( + g + )h
0,
(3.113)
0.
(3.114)
Dividindo as equacoes (3.113) e (3.114) por sk e sh , respectivamente, temos

que
c
sh
c
h h =
k ,
(3.115)
k h = k =
sk
sh
sk
onde definimos, por simplicidade de notacao:
c + g + .
(3.116)
Substituindo (3.115) em (3.113)

sh
k
ck
sk k
sk
"
#
s
h
+1
k sk
c
k
sk
0,
0,
(3.117)
que tem duas solucoes para a relacao capital fsico/trabalho de equilbrio. Uma
delas, que chamaremos de solucao trivial, e k = 0. A solucao nao-trivial e
1
! 1
1
s
s
sk
k
h
= k h .
k =
(3.118)
c
c
Usando (3.115), a relacao capital humano/trabalho de equilbrio (nao-trivial,
pois tambem temos h = 0 como uma solucao) sera
h =
1
s
k sh
c
1
1
sh
k h .
c
(3.119)
Podemos simplificar consideravelmente a algebra envolvida na manipulacao

destas expressoes, definindo novas variaveis normalizadas aos seus valores de
equilbrio (nao-triviais), como
x1
k
,
k
x2
h
.
h
(3.120)
Quando modificamos variaveis dependentes em equacoes diferenciais, devemos

utilizar a regra da cadeia do calculo para transformar as derivadas onde tais
variaveis ocorrem. Ent
ao
dx1
dt
dx2
dt
=
=
dx1 dk
1 dk
= ,
dk dt
k dt
dx2 dh
1 dh
=
,
dh dt
h dt
(3.121)
(3.122)
Substituindo (3.120), (3.121) e (3.122) no campo vetorial (3.110)-(3.111):

dx1
dt
dx2
h
dt
k
s k k h x
1 x2 ck x1 ,
s h k h x
1 x2 ch x2 .
142
Usando (3.118) e (3.119) as equacoes acima reduzem-se a

dx1
dt
dx
2
h
dt
k
ck x
1 x2 ck x1 ,
ch x
1 x2 ch x2 ,
e, dividindo ambos os membros por ck e ch , respectivamente, temos o campo

vetorial nas novas variaveis
dx1
dt
dx2
dt
f1 (x1 , x2 ) = c(x
1 x2 x1 ),
(3.123)
f2 (x2 , x2 ) = c(x
1 x2 x2 ).
(3.124)
Para esta forma do campo vetorial, a solucao nao-trivial de equilbrio e

facilmente encontrada como sendo
x1 =
k
= 1,
k
x2 =
h
= 1,
h
(3.125)
sendo (x1 , x2 ) = (0, 0) a solucao trivial, que representa ausencia de crescimento

econ
omico, ao passo que a solucao nao-trivial representa um crescimento a taxas
estacion
arias da raz
ao capital/trabalho, tanto para o capital fsico como para
o humano. No entanto, e fundamental que estudemos a estabilidade destas
solucoes, visto que e desejavel (do ponto de vista economico), que a solucao
trivial seja instavel, e que a solucao nao-trivial (3.125) seja est
avel.
3.5.4
Diagrama de fase
Antes de fazer uma analise quantitativa da estabilidade dos pontos de equilbrio

pela aproximacao linear, e conveniente realizar uma an
alise qualitativa das
solucoes com o auxlio do diagrama de fase. Para isso, determinamos as isoclinas
do sistema:
x 1 = f1 (x1 , x2 ) = c(x
1 x2 x1 ) = 0
x 2 = f2 (x2 , x2 ) =
c(x
1 x2
x2 ) = 0
x
1 x2 = x1 ,
(3.126)
x
1 x2
(3.127)
= x2 ,
ou seja
(1)/
A : x2
x1
(3.128)
B : x2
/(1)
x1
,
(3.129)
alem das isoclinas representadas por x1 = 0 e x2 = 0 [Figura 3.22] (veja o

Problema 6). Para a analise do diagrama de fase, consideremos as derivadas
parciais [21]
f1
x2
f2
x1
1
cx
> 0,
1 x2
(3.130)
x2 > 0,
cx1
1
(3.131)
ja que tanto x1 como x2 s

ao sempre positivos, e 1 > 0 e 1 > 0, uma vez
que e s
ao menores do que 1 nas funcoes de Cobb-Douglas.
143
A
x2
B
1
0
0
x1
Tomemos um valor arbitrario de x1 , que determina um ponto sobre a curva

A, para a qual f1 = 0. Mantendo x1 constante (isto e, dx1 = 0) e aumentando
x2 de uma quantidade infinitesimal dx2 , o ponto acima da curva A ter
a o novo
valor de f1 dado por
f1
f1 + df1 = 0 +
dx2 > 0.
x2
Analogamente, tomando um valor qualquer de x2 sobre a isoclina B, para a qual
f2 = 0; e aumentando x1 a partir desse ponto de dx1 , um ponto à direita da
curva B ter
a o novo valor de f2 dado por
f2 + df2 = 0 +
f2
dx1 > 0,
x1
onde, em ambas as expressoes, usamos a expressao da diferencial total de uma

funcao de duas variaveis [36].
O quadro de possibilidades e, portanto, o seguinte:
acima da isoclina A: x 1 = f1 > 0, flecha para a direita na direcao x1 ;
abaixo da isoclina A: x 1 = f1 < 0, flecha para a esquerda na direcao x1 ;
`
a esquerda da isoclina B: x 2 = f2 < 0, flecha para baixo na direcao x2 ;
`
a direita da isoclina B: x 2 = f2 > 0, flecha para cima na direcao x2 ;
o que delimita quatro regi
oes na figura 3.22.
Os dois pontos de equilbrio s
ao, como se esperaria, as intersecoes entre as
isoclinas A e B, ocorrendo em x1 = 0 e 1. Pelas direcoes das flechas em ambos
os eixos, podemos imediatamente dizer que o ponto de equilbrio trivial 0 : (0, 0)
e instavel, ao passo que o ponto nao-trivial P : (1, 1) e assintoticamente est
avel.
Para sabermos que tipos de equilbrio estes pontos representam, no entanto,
faz-se mister analisar quantitativamente o problema linearizado.
144
3.5.5
Estabilidade do equilbrio
Para estudar a estabilidade das solucoes de equilbrio, devemos inicialmente

obter os elementos da matriz Jacobiana do campo vetorial (3.123)-(3.124)
f1
x1
f1
=
x2
f2
=
x1
f2
=
x2
J11 =
= c(x1 y 1),
(3.132)
J12
= cx y 1 ,
(3.133)
= cx1 y ,
(3.134)
= c(x y 1 1),
(3.135)
J21
J22
(3.136)
de forma que
DF = c
x1 y 1
x y 1
x1 y
x y 1 1
(3.137)
Vamos considerar a solucao trivial de equilbrio 0 : (0, 0). Fazendo x = y = 0

em (3.137) teremos que, ja que 0 < < 1 e 0 < < 1, os expoentes 1 e
1 s
ao negativos, o que fornece resultados infinitos para todos os elementos
da matriz Jacobiana. Neste caso, por extensao da analise feita anteriormente,
os autovalores de DF(0, 0) tendem a infinito, e a solucao trivial e instavel.
Para a solucao nao-trivial de equilbrio P : (1, 1) a matriz Jacobiana e escrita
como

1
DF(1, 1) = c
,
(3.138)
1
cujo traco e determinante s
ao, respectivamente, dados por
=
=
T rDF(1, 1) = c( + 2),
(3.139)
2
2
det DF(1, 1) = c [( 1)( 1) ] = c (1 ). (3.140)
A solucao de equilbrio sera est

avel se as duas desigualdades em (2.213)(2.214) forem verificadas:
= c( + 2) < 0,
2
= c (1 ) > 0.
(3.141)
(3.142)
Como c > 0, (3.141) implica em que + 2 < 0, ou seja, que + < 2.

Mas supomos que 0 < < 1 e 0 < < 1, logo + < 2 e sempre verificada.
Ja (3.142) implica em que 1 > 0, mas isto e tambem sempre verificado,
pois presumimos que + < 1 (hipotese 2 do modelo). Logo, concluimos que
a solucao de equilbrio nao-trivial P e sempre est
avel.
Para descobrir se P e no ou foco est
avel, estudamos o comportamento do
discriminante
D
=
=
=
2 4 = c2 ( + 2) 4c2 (1 )
2
c2 [( + ) 4( + ) + 4 4(1 )
2
c2 ( + ) ,
145
(3.143)
1,5
0,5
0,5
1,5
Figura 3.23: Trajet

orias de fase para o modelo de capital humano (3.123)-(3.124)
obtidas a partir de diferentes condicoes iniciais, quando = 0, 50, 0, 25, e
c = 1, 0.
que e sempre um n
umero nao-negativo. Portanto, os autovalores da matriz
Jacobiana s
ao reais, e P e um no est
avel. Os autovalores e autovetores da
matriz Jacobiana nesse ponto podem ser determinados analiticamente (veja o
Problema 7).
As conclus
oes obtidas pela linearizacao do sistema (3.123)-(3.124) em torno
do ponto de equilbrio continuam v
alidas no caso nao-linear, como pode-se inferir
da Fig. 3.23, onde v
arias trajet
orias obtidas numericamente s
ao tracadas a
partir de condicoes iniciais diferentes. O equilbrio e, de fato, um no est
avel (ja
que ele e um ponto hiperbolico), e um dos autovetores deve ter a direcao da
primeira bissetriz, ja que as trajet
orias s
ao retilneas nessa direcao. Alem disso,
essa direcao parece representar um canal preferencial para as trajet
orias que
convergem ao equilbrio.
interessante interpretar economicamente algumas dessas trajet
E
orias, lembrando que x1 e x2 s
ao proporcionais ao capital fsico e humano, respectivamente. Tomemos a condicao inicial (x 0, 5, y = 2), que correponde a um
estado onde o capital fsico e quase nulo, e o capital e somente humano. O
crescimento do capital fsico e acompanhado inicialmente por um decrescimo do
capital humano, mas este volta a crescer e atingem ambos, finalmente, a situacao
de equilbrio, onde ambos s
ao iguais x1 = x2 . Esse tipo de compensacao entre
capital fsico e humano e observado para outras trajet
orias. Em particular, na
direcao da primeira bissetriz o crescimento ocorre a taxas iguais para ambos os
capitais.
146
3.6
Direc
oes e curvas invariantes
Ate o momento, demos muita importancia aos autovalores da matriz Jacobiana

para a investigacao da estabilidade das solucoes de equilbrio na aproximacao
linear. Em contrapartida, pouca ou quase nenhuma atencao foi dada aos autovetores correspondentes a tais autovalores. De fato, nao e necessario, a rigor,
conhecer os autovetores da matriz Jacobiana, se nosso intento e unicamente decidir se um ponto de equilbrio e ou nao est
avel, e qual o tipo de convergencia
ou divergencia. No entanto, se desejarmos conhecer algo mais sobre a natureza
das trajet
orias no plano de fase, alem da tecnica das isoclinas e do diagrama de
fase, podemos contar com os autovetores da matriz Jacobiana para investigar
as chamadas direcoes e curvas invariantes.
3.6.1
Auto-direc
oes e autovetores
Vamos retornar aos modelos bidimensionais lineares da forma

dv
= A.v,
dt
onde
v(t) =
x(t)
y(t)
v0 =
(3.144)

x(t = 0)
y(t = 0)
(3.145)
Vimos, no Captulo 2 que, substituindo a solucao tentativa v(t) = et u em

(3.144) chegamos `
a equacao dos autovalores:
A.u = u,
(3.146)
onde u e o autovetor correspondente ao autovalor da matriz A, e que e uma

raiz da equacao secular
det(A I) = 0.
(3.147)
Uma solucao geral da eq. (3.144) e portanto uma combinacao linear dos dois
autovetores, na forma (2.60):
v(t) = c1 e1 t u1 + c2 e2 t u2
(3.148)
onde c1,2 s
ao constantes de integracao determinadas pelas condicoes iniciais x(0)
e y(0).
Sera fundamental, nesse ponto, definirmos o conceito de invariancia na din
amica:
Defini
c
ao 7 Um conjunto S e dito invariante sob a din
amica gerada pelo campo
vetorial v = F(v) se, para qualquer v0 S tenhamos v(v0 , t) S para todos os
tempos t R.
Cada autovetor define uma direcao invariante no plano de fase, que pode ser
est
avel ou instavel, caso o autovalor correspondente ao autovetor tenha parte
real negativa ou positiva, respectivamente. Logo, as retas definidas pelos autovetores s
ao tais que, colocando uma condicao inicial exatamente sobre elas, todos
os demais pontos da trajet
oria resultante estarao confinados à essa direcao.
Para mostrar esta afirmacao consideramos uma condicao inicial colocada
sobre a direcao determinada por um dos autovetores, por exemplo, u1 . Nesse
caso, a condicao inicial sera escrita como
v 0 = c1 u1 .
147
(3.149)
Por outro lado, a solucao geral do modelo e dada por (2.76). Fazendo t = 0
na mesma, teremos que v0 = v(0) = c1 u1 + c2 u2 . Comparando com (3.149),
vemos que c2 = 0. Logo, a solucao para tempos arbitrarios fica
v(t) = c1 e1 t u1 ,
(3.150)
que representa vetores sempre na mesma direcao u1 , ou seja, essa direcao e

invariante. Caso Re1 > 0 sera dita uma auto-direcao instavel; e se Re1 < 0
nos a chamaremos uma auto-direcao est
avel.
Para um exemplo ilustrativo, vamos revisitar o sistema (2.98), ja estudado
no Captulo anterior:
dx
dt
dy
dt
= x + y,
(3.151)
= 4x 2y,
(3.152)
para o qual a matriz dos coeficientes e

1 1
A=
,
4 2
(3.153)
cujo traco, determinante e discriminante s

ao iguais, respectivamente, a 1 < 0,
= 6 < 0, e D = 25 > 0, tal que a origem (0, 0) e um ponto de sela. Os
autovalores da matriz dos coeficientes s
ao 1 = 2 e 2 = 3, correspondentes,
respectivamente, aos autovetores

1
1
u1 =
,
u2 =
,
(3.154)
1
4
Como 1 > 0, ent
ao u1 identifica a auto-direcao instavel, que denotaremos E u ;
ao passo que, como 2 < 0, u2 e a auto-direcao est
avel, representada como E s
[Fig.3.24].
Uma condicao inicial que fosse postada exatamente sobre a auto-direcao
est
avel E s geraria uma trajet
oria inteiramente contida nessa direcao, aproximandose da origem quando o tempo vai a infinito. De forma semelhante, se colocassemos
tal condicao inicial sobre a auto-direcao instavel E u , a trajet
oria resultante divergiria para infinito. No caso geral, as trajet
orias nas vizinhancas do ponto
de sela na origem tem a forma de curvas cujas assntotas s
ao as auto-direcoes
determinadas pelos autovetores que acabamos de calcular [Fig. 3.24].
3.6.2
Teorema das curvas invariantes
O ponto de sela e um ponto de equilibrio hiperbolico (autovalores com partes

reais nao-nulas). Gracas a isso, se a matriz dos coeficientes do exemplo anterior,
A, fosse a matriz Jacobiana calculada no ponto de equilbrio de um sistema naolinear, ent
ao o ponto de sela que determinamos subsiste tambem para o caso
nao-linear. Em outras palavras, os pontos de sela s
ao robustos na passagem
para o caso nao-linear.
Nos exemplos analisados neste captulo encontramos confirmacoes dese fato.
No sistema (3.66)-(3.67), o equilbrio (x = 100, y = 2) e um ponto de sela
na aproximacao linear, e o comportamento das trajet
orias de fase obtidas numericamente [vide Fig. 3.19] confirma essa conclus
ao. Da mesma maneira, no
148
Es
Eu
u1
O
u2
Figura 3.24: Ponto de sela para o sistema (3.151)-(3.152).
modelo (3.81)-(3.82), o ponto de sela (x = y = 1) tambem subsiste no caso

nao-linear [vide Fig. 3.21].
Podemos, agora, indagar sobre o que ocorre com as auto-direcoes invariantes (estavel e instavel) determinadas a partir dos autovetores calculados na
aproximacao linear, quando passamos para o caso nao-linear. A resposta a essa
quest
ao est
a no teorema a ser enunciado mais adiante, e que afirma que, no
caso de um ponto de sela, onde determinamos auto-direcoes instaveis e est
aveis
interceptando-se no ponto de equilbrio, no caso nao-linear ha curvas invariantes na vizinhanca do ponto de sela e tangentes às direcoes invariantes (retas)
definidas pelos autovetores.
Essas curvas s
ao invariantes no mesmo sentido dado anteriormente às autodirecoes: se colocarmos uma condicao inicial exatamente sobre a curva invariante, a trajet
oria obtida a seguir jaz inteiramente sobre essa curva para todos
os tempos. Quando a curva invariante e est
avel, denotada por V s , a trajet
oria
aproxima-se do ponto de sela quando t . Analogamente, se a curva invariante e instavel, V u , a trajet
oria afasta-se do ponto de sela quando o tempo
cresce indefinidamente. Alem disso, no ponto de sela, a curva est
avel V s e tans
u
gente à auto-direcao est
avel E , e a curva instavel V e tangente à auto-direcao
instavel E u [Figura 3.25].
Formalizamos estes conceitos (com generalizacoes imediatas para os casos
multidimensionais) atraves da seguinte
Defini
c
ao 8 Seja U R2 uma vizinhanca do ponto de equilbrio v . Definis
mos as curvas invariantes est
avel e inst
avel locais de v , denotadas Vloc
(v ) e
u
Vloc (v ), respectivamente, como os seguintes conjuntos:

s
Vloc
(v ) = {x U |t (x) v quando t , e t (x) U,
t 0}, (3.155)
u
Vloc
t 0}.
(3.156)
Observe que definimos as curvas invariantes est

avel e instavel apenas localmente, ou seja, dentro de uma vizinhanca U que contem o ponto de equilbrio
149
Es
Eu
v*
x
Figura 3.25: Variedades e auto-direcoes invariantes para um ponto de sela.
v . Alem disso, na definicao da curva instavel, usamos o expediente de fazer o

tempo diminuir, ao inves de aumentar. Isto e necessario pois, como a definicao
acima s
o vale na vizinhanca do ponto de equilbrio, se este for instavel a trajet
oria afasta-se dele quando o tempo aumenta.
possvel, no entanto, definir curvas invariantes (globais) alem da vizinhanca
E
U , considerando a uni
ao das imagens dos pontos das curvas invariantes locais.
No caso da curva est
avel, V s , consideramos os fluxos para tempos negativos,
ao passo que, para a curva instavel, V u , tomamos as imagens para tempos
positivos, ou seja
V s (v ))
s
t (Vloc
(v )),
(3.157)
u
t (Vloc
(v )),
(3.158)
t0
V u (v ))
t0
A tangencia das curvas e direcoes invariantes e garantida pelo (esta e uma

versao reduzida do teorema das variedades est
aveis, que sera enunciado com
toda sua generalidade apenas no proximo captulo)
Teorema 5 (Teorema das curvas invariantes) Suponha que o campo vetorial v = F(v) tenha um ponto de equilbrio hiperb
olico. Ent
ao existem curvas
locais invariantes est
avel e inst
avel, denotadas V s (v ) e V u (v ), respectivamente, com as mesmas dimens
oes das auto-direco
es invariantes E s e E u do
= DF(v ).w, e tangentes `

sistema linearizado w
as auto-direco
es no ponto v ).
Na maioria dos sistemas nao-lineares, as curvas est
avel e instavel s
o podem
ser obtidas por metodos computacionais [37]. Uma tecnica numerica simples
para obter a curva instavel e partir da auto-direcao instavel e colocar um grande
150
n
umero de pontos num pequeno intervalo centrado no ponto de equilbrio. Resolvemos numericamente o sistema de equacoes encontrando as imagens destes
pontos para tempos posteriores. No entanto, pela analise das trajet
orias de fase
nas vizinhancas de um ponto de sela e possvel ter uma ideia qualitativa da
forma dessas curvas invariantes. H
a um exemplo onde isso pode ser feito de
forma analtica [1]:
dx
dt
dy
dt
f (x, y) = x,
(3.159)
g(x, y) = y + x2 ,
(3.160)
para o qual a solucao de equilbrio e dada por

x = 0,
y + x 2 = 0,
(3.161)
ou seja, x = 0, y = 0.
Construimos agora a matriz jacobiana do sistema
!

f
f
1
0
x
y
DF(x, y) =
=
,
g
g
2x 1
x
y
(3.162)
que, no ponto de equilbrio, e

A = DF(x = 0, y = 0) =
1
0
0
1
(3.163)
que ja est
a na forma diagonal. Podemos, portanto, determinar imediatamente
os seus autovalores, que s
ao 1 = 1 e 2 = 1; o que caracteriza o equilbrio na
origem como um ponto de sela.
As autodirecoes serao determinadas pelos autovetores respectivos, os quais
verificam a equacao secular (3.146)

ux
0
1
0
.
(3.164)
=
(A I).u =
0
uy
0
1
Para o primeiro autovalor, 1 = 1 > 0, obtem-se

0 0
ux
0
=
,
uy
0 2
0
(3.165)
que implica em uy = 0, sendo ux arbitrario. Escolhendo ux = 1 temos o

autovetor

1
u1 =
,
(3.166)
0
ou seja, a auto-direcao instavel E u e o proprio eixo das abscissas. Analogamente,

para o outro autovalor, 2 = 1 < 0, a auto-direcao est
avel E s e determinada
pelo autovetor correspondente, a saber

0
u2 =
,
(3.167)
1
que e o eixo das ordenadas.
151
y
s
s
E =V
u
V
O
E
Figura 3.26: Curvas e direcoes invariantes para o sistema (3.159)-(3.160).
Dividindo membro a membro as equacoes (3.159) e (3.160) chegamos a

dy
y + x2
y
y
=
=
= + x,
x
dx
x
x
(3.168)
que tem como solucao analtica,

y(x) =
x2
c
+ ,
3
x
(3.169)
onde c e uma constante de integracao, como pode ser verificado por substituicao
de (3.169) e sua derivada em (3.168).
u
Pelo teorema anterior, sabemos que a curva instavel local Vloc
deve ser tanu
gente `
a auto-direcao instavel E no ponto de equilbrio. Logo, a curva instavel
deve ser tangente ao eixo x na origem. Por outro lado, a curva invariante deve
ser necessariamente uma trajet
oria possvel para o sistema, De (3.169) vemos
que isso s
o e possvel se c = 0, de outra forma na origem teramos um termo
infinito. Concluimos que
x2
(3.170)
y(x) =
3
e a equacao da curva instavel do ponto de equilbrio na origem [Fig. 3.26].
Podemos, ainda, mostrar diretamente que o eixo y e a curva est
avel V s
do sistema. Para isso tomemos uma condicao inicial sobre ela, ou seja, x0 =
0 para y0 arbitrario. De (3.159) resulta que x = 0, ou seja, x = 0 e uma
constante. Isso significa que a trajet
oria resultante dessa condicao inicial est
a
fadada a permanecer sobre o eixo y para todos os tempos. Colocando x = 0 em
(3.160) temos uma equacao linear y = y, cuja solucao e y(t) = y0 et , ou seja,
aproximamo-nos da origem para t . Logo o eixo y, alem de ser a autodirecao est
avel E s , e tambem a curva est
avel V s . No captulo 4 definiremos
o termo variedade invariante para generalizar o conceito de curva invariante,
de modo que as aspas que aqui usamos serao desnecess
arias.
152
2,5
1,5
0,5
0,5
1,5
2,5
Figura 3.27: Ciclo-limite num modelo contnuo bidimensional
3.7
Trajet
orias fechadas
H
a dois tipos de trajet
oria fechada num modelo contnuo bidimensional: (i) as
trajet
orias em torno de um centro nao-linear; e (ii) os ciclos-limite. Em ambos
os casos, elas correspondem `
a solucoes peri
odicas do modelo que repetem-se
ciclicamente apos um dado perodo T :
(x(t + T ), y(t + T )) = (x(t), y(t)).
A existencia das trajet
orias em torno de um centro nao-linear tem uma pecu mais
liaridade: cada condicao inicial leva a uma trajet
oria fechada diferente. E
comum nos modelos bidimensionais a existencia dos chamados ciclos-limite,
que s
ao trajet
orias fechadas isoladas, para as quais convergem ou divergem
trajet
orias pr
oximas a elas. Por outro lado, as trajet
orias em torno de um centro nao s
ao isoladas: se (x(t), y(t)) e uma destas trajet
orias fechadas, ent
ao
(cx(t), cy(t)), para c arbitrario, tambem e uma trajet
oria fechada possvel.
Um ciclo-limite pode ser est
avel (instavel), quando atrai (repele) as trajet
orias que se originam de pontos na sua proximidade [Fig. 3.28(a) e (b)] .
Tambem pode ser semi-est
avel, quando atrai trajet
orias vindas de seu interior
e repele trajet
orias provenientes do seu exterior, ou vice-versa. Trajet
orias orbitando em torno de um centro podem existir em sistemas lineares, como vimos
no Cap. 2, mas ciclos-limite s
ao exclusividade de modelos nao-lineares.
Um exemplo de ciclo-limite ocorre para o modelo bidimensional
dx
dt
dy
dt
x(1 x2 y 2 ) y,
(3.171)
y(1 x2 y 2 ) + x.
(3.172)
Aqui sera mais conveniente trabalharmos em coordenadas polares, como fizemos

no Cap. 2 x = r cos , y = r sin (veja as Eqs. 2.167-2.168 e os desenvolvimentos
153
(a)
(b)
-1
-1
-1
-2
-2
-1
Figura 3.28: Ciclo-limite (a) est

avel, (b) instavel.
algebricos subsequentes se tiver alguma d

uvida quanto a essa transformacao).
Derivando x e y em relacao ao tempo, e levando em conta que ambas s
ao funcoes
das coordenadas r e , temos
dx
dt
dy
dt
cos r r sin ,
(3.173)
sin r + r cos .
(3.174)
Multiplicando (3.173) por cos , (3.174) por sin e somando membro a membro, obtemos a primeira das seguintes equacoes
dr
dt
= cos x + sin y,
(3.175)
y
x
x + y,
r
r
y
x
= cos sin ,
r
r
x
y
=
y 2 x,
r2
r
(3.176)
d
dt
sendo que a segunda pode ser obtida analogamente, multiplicando (3.173) por
sin , (3.174) por cos e novamente somando as duas.
Lembrando, ainda, que, de (2.170), r2 = x2 + y 2 , o sistema (3.171)-(3.172)
assume, ent
ao, a seguinte forma em coordenadas polares:
dr
dt
d
dt
= r(1 r2 ),
(3.177)
= 1.
(3.178)
onde r 0. A escolha dessas coordenadas e conveniente porque, com elas, o

sistema desacopla em duas equacoes independentes, que podem ser analisadas
separadamente. Na Figura 3.29 mostramos o diagrama de fase (unidimensional)
relativo `
a Eq. (3.177), que evidencia a existencia de dois pontos de equilibrio:
r = 0 (instavel) e r = 1 (estavel). Ja a equacao (3.178) tem, como solucao
geral, (t) = (0) + t.
154
0,5
dr/dt
-0,5
-1
0,5
1,5
Figura 3.29: Diagrama de fase unidimensional para a equacao (3.177).

2
-1
-2
-2
-1
Figura 3.30: Ciclo-limite e trajet

orias de fase do sistema (3.177)-(3.178).
Em termos do sistema bidimensional, a solucao r = 0 representa um foco

instavel, pois as trajet
orias nas suas proximidades afastam-se dele na forma de
espirais (uma vez que tanto r como aumentam com o passar do tempo). A
solucao r = 1 e representada por um crculo no plano de fase, o qual e uma
trajet
oria fechada do tipo ciclo-limite est
avel, pois as trajet
orias que vem do seu
interior e exterior s
ao atraidas a ele com o passar do tempo [Figura 3.30].
3.7.1
Crit
erios para impossibilidade de trajet
orias fechadas
relativamente simples saber se ha ou nao pontos de equilbrio para um modelo

E
bidimensional, bastando achar as solucoes do sistema de equacoes (3.21). Por
outro lado, e bem mais difcil saber se ha ou nao trajet
orias fechadas para um
modelo nao-linear qualquer. H
a, no entanto, diversos resultados matematicos
que podem ser usados para explorar a possibilidade ou impossibilidade da existencia de trajet
orias fechadas. Dada a natureza introdut
oria desse livro, nao
vamos demonstrar a maioria dos resultados mostrados nesta secao, mas remetemos o leitor interessado `
a bibliografia especfica [2, 3].
155
Sistemas gradientes
Um modelo contnuo bidimensional e dito um sistema gradiente se tiver a forma
geral
dx
dt
dy
dt
=
=
V
,
x
V
,
y
(3.179)
(3.180)
onde V (x, y) e uma funcao qualquer, desde que seja contnua e diferenciavel
possvel mostrar que trajet
nos seus argumentos 1 E
orias fechadas nao podem
ocorrer em sistemas gradientes [3].
Considere, por exemplo, o sistema:
dx
dt
dy
dt
y(2x y),
(3.181)
x(x 2y).
(3.182)
nao pode exibir trajet

orias fechadas, pois trata-se de um sistema gradiente, onde
V (x, y) = xy(x y), como pode ser verificado por substituicao direta.
Fun
c
oes de Lyapunov
Teorema 6 Seja um modelo bidimensional escrito na forma vetorial
dv
= F(v),
dt
(3.183)
onde v e F s
ao dados por (3.11) e (3.12), respectivamente, e que tem um ponto
de equilbrio v dado por (3.42). Seja, ainda, uma funca
o (de Lyapunov) L(v) :
W R onde W R2 e uma vizinhanca de v , com as seguintes propriedades:
L e continuamente diferenci
avel e tem valores reais;
L(v ) = 0;
L(v) > 0 para todo v 6= v ;
L < 0 para todo v 6= v .
Ent
ao v e globalmente assintoticamente est
avel, ou seja, para todas as condico
es
iniciais em R2 temos que v(t) v quando t .
Observe que, no presente contexto, a derivada temporal da funcao de Lyapunov e calculada ao longo das trajet
orias no plano de fase:
L
L
L
L
x +
y =
f (x, y) +
g(x, y).
L =
x
y
x
y
(3.184)
Na Figura 3.31 mostramos esquematicamente o gr

afico da funcao de Lyapunov L(x, y) que satisfaz às propriedades acima enunciadas: todas as trajet
orias movem-se na direcao do fundo do poco, que e o proprio ponto de
1 As derivadas de V em rela
c
ao a x e y s
ao as componentes do gradiente de V , que
e um
operador diferencial vetorial [36].
156
L(x,y)
1
0
1
0
Figura 3.31: Esquema da funcao de Lyapunov no entorno de um ponto de

equilbrio x = y = 0.
equilbrio. Uma das consequencias, portanto, e que nao podem haver trajet
orias
fechadas. Note que essa afirmacao sobre a estabilidade de v nao se baseia na
linearizacao do sistema, como fizemos no incio deste captulo. O metodo das
funcoes de Lyapunov fornece, portanto, um metodo global para a determinacao
da estabilidade dos equilbrios. A funcao V (x, y) nos sistemas gradientes representa um exemplo importante da funcao de Lyapunov.
Considere, por exemplo, o sistema [[2], pg. 13].
dx
dt
dy
dt
y,
(3.185)
x + x2 y,
(3.186)
onde e um par
ametro variavel. Esse sistema tem um ponto de equilbrio na
origem (x = 0, y = 0), como pode ser verificado diretamente substituindo em
(3.185) e (3.186). Para mostrar que (0, 0) e assintoticamente est
avel nos usamos
a funcao de Lyapunov
x2 + y 2
,
(3.187)
L(x, y) =
2
que satisfaz as condicoes (1), (2): L(0, 0) = 0; (3)L(x, y) > 0 para qualquer
x 6= 0 e y 6= 0. Para verificar a condicao (4) nos calculamos a derivada total da
funcao de Lyapunov, a saber
L(x, y)
dt
=
=
L dx L dy
+
,
x dt
y dt
xy + y(x + x2 y) = x2 y 2 .
(3.188)
Logo L < 0 para todo x 6= 0 e y 6= 0, desde que < 0. Nesse caso todas as
condicoes iniciais no plano geram trajet
orias que convergem para (0, 0), o que
157
exclui automaticamente a possibilidade de existirem trajet

orias fechadas neste
sistema.
Poderamos perguntar como achar a funcao de Lyapunov em geral. O problema est
a em que e relativamente raro encontrarmos uma funcao de Lyapunov
dado um sistema nao-linear arbitrario, e infelizmente n
ao ha metodos gerais
para essa investigacao.
Um criterio u
til para excluir a possibilidade de existirem trajet
orias fechadas
e o
Teorema 7 (Bendixson) Seja um sistema bidimensional da forma (3.1). Se,
numa regi
ao simplesmente conexa D do plano de fase 2 a express
ao
B(x, y) =
f
g
+
x y
(3.189)
n
ao for identicamente nula nem mudar de sinal em D, ent
ao o sistema n
ao
exibe trajet
orias fechadas inteiramente contidas em D [2].
Considere o sistema
dx
dt
dy
dt
f =y
(3.190)
g = x x3 5y,
(3.191)
onde D e todo o plano de fase. A expressao (3.189) sera igual a

B(x, y) =
f
g
+
= 5 < 0
x y
(3.192)
para todo x e y, ou seja, ela nao muda de sinal nem e nula, de sorte que nao ha
trajet
orias fechadas no plano.
Uma generalizacao do criterio de Bendixson e o [2]
Teorema 8 (Dulac) Seja h(x, y) uma funca
o contnua e diferenci
avel na regi
ao
simplesmente conexa D. Se a express
ao
H(x, y) =
(hf ) (hg)
+
x
y
(3.193)
n
ao for identicamente nula nem mudar de sinal, ent
ao n
ao h
a trajet
orias fechadas
em D.
Por exemplo, no modelo [[3], pg. 202]
dx
dt
dy
dt
f = x(2 x y),
(3.194)
g = y(4x x2 3),
(3.195)
2 Aqui o termo simplesmente conexo implica n

ao existirem buracos na regi
ao, ou seja,
aus
encia de singularidades do campo vetorial
158
onde D e o quadrante positivo: x > 0 e y > 0, vamos tomar h(x, y) = 1/xy, tal
que (3.193) seja

y(4x x2 + 3)
x(2 x y)
+
=
H(x, y) =
x
xy
y
xy
1
= <0
(3.196)
y
que nunca muda de sinal, desde que nos restrinjamos a D, o que exclui portanto
a possibilidade de haver trajet
orias fechadas contidas inteiramente no primeiro
quadrante.
3.7.2
Indice de Poincar
e
A teoria do ndice, devida a Poincare, e que veremos de forma muito breve

aqui, e uma ferramenta u
til para analisar a impossibilidade da existencia de
trajet
orias fechadas. Consideremos um modelo bidimensional escrito na forma
explcita
dx
= f (x, y),
(3.197)
dt
dy
= g(x, y),
(3.198)
dt
e seja C uma curva fechada smples, ou seja, uma curva que nao se autointercepta (uma curva na forma de n
umero oito, por exemplo, nao seria
possvel) e que nao passe por ponto de equilbrio algum. A curva C nao precisa
ser necessariamente uma trajet
oria fechada do sistema.
O campo vetorial (f (x, y), g(x, y)), quando calculado num ponto qualquer
dessa curva, pode ser representado por um vetor (de componentes f e g ao
longo das direcoes x e y, respectivamente) que faz um angulo com o eixo x
positivo dado por [Fig. 3.32(a)]:
arctan
g(x, y)
f (x, y)
(3.199)
Percorrendo a curva C no sentido anti-hor

ario, por convencao, o vetor ira
apontar numa direcao diferente em cada ponto, dependendo dos valores de f e
g, de modo que o
angulo tambem aumenta continuamente. Apos uma volta
completa ao longo da curva C, em geral o vetor ter
a girado de um m
ultiplo
de 2 radianos, ou seja, = 2k, onde k e um n
umero inteiro (positivo ou
negativo), dito ndice da curva C, ou seja, IC = /2.
possvel mostrar que o ndice de uma curva nao depende da sua forma
E
especfica, mas sim do n
umero e da natureza dos pontos de equilbrio envolvidos
por ela. Se a curva C for escolhida tal que ela envolva apenas um ponto de
equilbrio v do sistema, ent
ao o ndice da curva e tambem chamado de ndice
do ponto de equilbrio. Na Figura 3.32(b) mostramos uma trajet
oria circular
C envolvendo um no instavel degenerado do tipo estrela. Devido à simetria
do campo vetorial, sempre afastando-se do ponto de equilbrio, e facil ver que,
percorrendo C no sentido hor
ario, o campo vetorial gira de um angulo igual a
2, de maneira que o ndice desse ponto de equilbrio e +1.
As propriedades do ndice que nos interessam mais diretamente s
ao o conteudo do
159
(a)
(f,g)
(b)
v*
C
Figura 3.32: (a) Definicao do ndice de uma curva. (b) Indice de um no instavel
do tipo estrela.
Teorema 9
1. Se a curva C e continuamente deformada para tornar-se uma
curva C sem passar por um ponto de equilbrio, ent
ao I C = I C ;
2. Se C n
ao envolve ponto de equilbrio algum, ent
ao IC = 0;
3. Se C coincidir com uma trajet
oria fechada, ent
ao IC = +1;
4. Se C envolver n pontos de equilbrio isolados, IC ser
a igual `
a soma dos
ndices de cada ponto de equilbrio;
5. O ndice de um n
o ou foco (est
avel ou inst
avel), bem como de n
os degenerados e centros e +1;
6. O ndice de um ponto de sela e 1.
Caso a curva C coincida com uma trajet
oria fechada no plano de fase, o
teorema anterior exige que o ndice da curva seja +1. Se houver mais de um
ponto de equilbrio sendo envolvido por C, ent
ao a soma dos ndices de cada
ponto deve ser igual a +1. Logo, deve haver pelo menos um ponto de equilbrio
no interior de uma trajet
oria fechada. Se ele for o u
nico ponto, nao pode ser
um ponto de sela (mas pode ser um no, foco, ou centro).
Uma aplicacao mais concreta do teorema do ndice e o sistema (3.81)-(3.82),
estudado anteriormente nesse captulo. Vimos que ele possui quatro pontos de
equilbrio: (0, 0), que e um no instavel, (0, 2) e (3, 0), que s
ao nos est
aveis, e
(1, 1), que e um ponto de sela. Na Figura 3.33 mostramos esses quatro pontos
e as possveis trajet
orias fechadas que os circundam, denotadas C1 , C2 , e C3
(lembremos que outras trajet
orias podem ser continuamente deformadas para
essas tres, sem mudar o seu ndice). A primeira delas, C1 , e impossvel por nao
envolver ponto de equilbrio algum. Da mesma forma, C2 nao pode existir, pois
o seu ndice seria 1 ao inves e +1, como requerido pelo teorema anterior.
O teorema do ndice nao impede a existencia da trajet
oria C3 . Porem, usando outros resultados podemos ver que C3 tambem e inadmissvel. Observe
que C3 intercepta o eixo x ou o eixo y (ou, ainda, ambos os eixos, como na figura
160
y
C1
C3
+1
1
C2
+1
+1
Figura 3.33: Candidatos a trajet

orias fechadas no modelo bidimensional (3.81)(3.82).
3.33). Mas estes eixos contem trajet

orias retilneas do sistema, como pode ser
imediatamente verificado inspecionando-se a Figura 3.20. Logo, se C3 fosse realmente uma trajet
oria fechada, ela necessariamente cruzaria outras trajet
orias
do sistema, o que viola o teorema de existencia e unicidade. Como esgotamos
todos os tipos possveis, concluimos que o modelo bidimensional (3.81)-(3.82)
nao apresenta trajet
orias fechadas.
3.7.3
Crit
erios para exist
encia de trajet
orias fechadas
Todos os criterios anteriores tinham como objetivo provar que trajet

orias fechadas
eram impossveis em uma dada regi
ao do plano de fase. H
a, no entanto, alguns
resultados matematicos rigorosos para explorar a possibilidade de haver trajet
orias fechadas, ainda que nem sempre tais criterios possam prever onde estas
trajet
orias est
ao. Nestes casos, o uso de integracao numerica para obter as
trajet
orias no plano de fase e obrigatorio numa investigacao.
Um resultado central na teoria dos sistemas din
amicos e o
Teorema 10 (Poincar
e, Bendixson) Sejam
1. U R2 e um conjunto fechado e limitado do plano;
2. v = F(v) e um campo vetorial continuamente diferenci
avel num conjunto
aberto contendo U ;
3. U n
ao contem pontos de equilbrio;
4. Existe uma trajet
oria C confinada no interior da regi
ao U , ou seja, se
v(0) U , ent
ao v(t) U para todo tempo t > 0.
Ent
ao C e uma trajet
oria fechada ou converge espiralando em direca
o a uma
trajet
oria fechada, quando t . Em qualquer um dos casos, U contem uma
trajet
oria fechada [Fig. 3.34(a)].
161
(a)
(b)
U
P
U
C
Figura 3.34: (a) Teorema de Poincare-Bendixson: a regi

ao U sempre contem
uma
orbita fechada; (b) U e uma regi
ao de aprisionamento: o campo vetorial
sempre aponta para dentro de U .
O teorema de Poincare-Bendixson pode ser usado para sabermos se pode

ou nao haver trajet
orias fechadas numa dada regi
ao do plano de fase. Temos
basicamente que mostrar que ha uma trajet
oria confinada no interior da regi
ao
U do plano de fase. Isto nao e uma tarefa facil, em geral. Uma forma de levar
isto a cabo e encontrar uma regi
ao de aprisionamento, onde o campo vetorial
aponta para dentro em todos os pontos da fronteira da regi
ao U [Fig. 3.34(b)].
Mais precisamente,[1]
Defini
c
ao 9 Seja t (.) o fluxo das soluco
es de v = F(v). Uma regi
ao de
aprisionamento e um conjunto simplesmente conexo U R2 tal que t (U ) U
para todo tempo t > 0.
Se conseguirmos encontrar uma regi
ao de aprixionamento U para um sistema
din
amico, podemos garantir que todas as trajet
orias originadas de condicoes
iniciais pertencentes a U estarao confinadas em U por todos os tempos subsequentes. Logo, caso nao haja pontos de equilbrio em U , o teorema de PoincareBendixon assegura a existencia de uma trajet
oria fechada contida em U [3].
Alem desse papel na analise da existencia de trajet
orias fechadas, o teorema
de Poincare-Bendixson constitui uma severa limitacao nos tipos de comportamento din
amico possveis em modelos bidimensionais nao-lineares. Se uma
trajet
oria est
a confinada a uma regi
ao fechada e limitada do plano de fase que
nao contem pontos de equilbrio, ent
ao essa trajet
oria deve necessariamente
espiralar convergindo para uma trajet
oria fechada.
Sistemas de Li
enard
Uma grande classe de modelos contnuos bidimensionais pode ser escrita na
forma geral
dx
dt
dy
dt
y,
(3.200)
G(x) F (x)y,
(3.201)
162
onde F e G s
ao funcoes arbitrarias de seus par
ametros. Para estes sistemas, ha
um resultado matematico que demonstra a existencia de um ciclo limite u
nico
e est
avel circundando a origem do plano de fase (0, 0), desde que as funcoes F
e G satisfacam certas hip
oteses, na forma do
Teorema 11 (Li
enard) Seja um modelo bidimensional da forma geral (3.200)(3.201), onde F e G sejam tais que:
1. F (x) e G(x) s
ao continuamente diferenci
aveis para todo x;
2. G(x) = G(x) para todo x (G e uma funca
o mpar);
3. G(x) > 0 para todo x > 0;
4. F (x) = F (x) para todo x (F e uma funca
o par);
5. a funca
o
F(x) =
F (x)dx
0
tem exatamente uma raiz positiva em x = a, e negativa para 0 < x < a, e

positiva e n
ao-decrescente para x > a, e vai a infinito quando x .
Ent
ao o sistema (3.200)-(3.201) tem um ciclo limite u
nico e est
avel envolvendo
a origem (0, 0).
Um exemplo notavel e a chamada equacao de Van der Pol [38]:
dx
dt
dy
dt
y,
(3.202)
(x2 1)y x.
(3.203)
onde 0 e um par
ametro do modelo. Comparando (3.202) e (3.203) com
(3.200) e (3.201) vemos que o sistema tem a forma de Lienard, com
F (x)
G(x)
=
=
(x2 1),
x.
(3.204)
(3.205)
que s
ao continuamente diferenciaveis para todo x real (condicao 1); e tem as
seguintes propriedades: G(x) = x = G(x) (condicao 2); G(x) = x > 0 se
2
x > 0 (condicao 3); e F (x) = ((x) 1) = F (x) (condicao 4).
Para verificar a condicao 5 construimos a funcao auxiliar
Z x
Z x
(x2 1)dx,
F (x)dx =
F(x) =
0
0

3
1
x
x = x(x2 3),
(3.206)
=
3
3
que tem tres raizes, a saber: x1 = 0, x

3, e x3 =
3. Apenas uma delas
2 =
e positiva, donde podemos tomar a = 3.
x < 3 temos que x2 3 < 0,
Se 0 <
2
donde tambem F(x) < 0. Para x > 3 e x 3 > 0, e F(x) > 0, alem
de ser monotonicamente crescente Fig. [3.35], e de tambem tender ao infinito
163
F(x)
0,5
x*3
x*2
x*1
-0,5
-1
-3
-2
-1
Figura 3.35: Funcao auxiliar F(x), Eq. (3.206), com /mu = 1.
-2
-2
Figura 3.36: Trajet

orias de fase para o sistema (3.202)-(3.203), com /mu = 1.
164
1
0
-1
-2
2
1
0
-1
-2
-3
0
10
15
20
Figura 3.37: Evolucao temporal das variaveis para o sistema (3.202)-(3.203),

com /mu = 1.
quando x . Logo, pelo teorema de Lienard, as equacoes de Van der Pol

(3.202)-(3.203) apresentam um u
nico ciclo limite est
avel.
Ja a forma desse ciclo limite nao e prevista pelo teorema de Lienard. Embora
haja argumentos matematicos s
olidos para esbocar a forma do ciclo [1], podemos
usar a integracao numerica das equacoes (3.202)-(3.203) para mostrar esse fato.
Na Fig. 3.36 exibimos v
arias trajet
orias que convergem ao ciclo limite, o qual e
uma trajet
oria fechada com um formato que lembra um losango arredondado.
Observamos que as trajet
orias que iniciam-se de pontos no interior do ciclo limite
convergem para ele em espirais no sentido hor
ario, assim como aquelas iniciadas
de pontos no seu exterior, de certa forma sendo uma versao deformada do
sistema (3.171)-(3.172), com as variaveis x e y assumindo valores dentro do
intervalo [2, +2], aproximadamente.
Conforme ilustrado pela Figura ??, a evolucao temporal das variaveis x e
y sobre o ciclo limite da equacao de Van der Pol mostra um tipo de oscilacao
diferente daquela apresentada, por exemplo, por uma trajet
oria do tipo centro (vide Captulo 2). Nessa u
ltima, as oscilacoes s
ao do tipo pendular, ou
seja, representadas por curvas senoidais ou cossenoidais. Podemos dizer que a
periodicidade e simetrica nesse caso.
Para a equacao de Van der Pol, pelo contrario, as oscilacoes tem duas escalas
de tempo: uma subida lentae uma descida r
apida. Embora sejam tambem
fenomenos peri
odicos, essa periodicidade nao pode ser descrita por uma curva
senoidal, por exemplo, e a periodicidade e assimetrica. Essas oscilacoes s
ao
chamadas de relaxacaona literatura, pois a variavel experimenta um crescimento lento, mas que relaxa rapidamente para a situacao inicial. Uma caracterstica comum `
as oscilacoes de relaxacao e, portanto, uma descontinuidade
causada pela existencia das duas escalas de tempo na din
amica do sistema.
165
(a)
V
(b)
v*
v*2
v*1
(c)
u
V
Vs
v*1
v*2
Figura 3.38: Orbitas

(a) homoclnica e (b) heteroclnica. (c) Conexao de sela
Oscilacoes de relaxacao tem in

umeras aplicacoes na fsica, eletr
onica, biologia, etc. [39]. Le Corbeiller foi o primeiro autor a apontar a possibilidade de
uso de oscilacoes de relaxacao em ciclos de neg
ocios [40], seguido por Samuelson [41], Georgescu-Roegen [43], Hamburger [42], Goodwin [81] e outros. Uma
referencia moderna sobre o assunto e o artigo de Chian e colaboradores [44].
3.7.4
Orbitas
homoclnicas
Para que o teorema da existencia e unicidade nao seja violado, duas trajet
orias
em geral nao podem se cruzar no plano de fase. H
a um caso particular, no
entanto, que merece uma analise em separado: ha trajet
orias, ditas
orbitas
homoclnicas, que comecam e terminam em um mesmo ponto de sela [Fig.
3.38(a)]. Neste caso, a
orbita homoclnica funde um ramo da curva invariante
est
avel V s e um ramo da curva invariante instavel V u , que emanam do ponto de
sela P . Por isso mesmo uma orbita homoclnica nao e uma trajet
oria fechada do
sistema, a despeito das aparencias: lembre que uma condicao inicial colocada
exatamente sobre a curva est
avel (instavel) gera uma trajet
oria que aproxima-se
do ponto de sela quando o tempo tende a + (). Logo, uma orbita homoclnica representa uma trajet
oria que levaria um tempo infinitamente grande
para ser completada, o que conflita com a definicao que demos para uma trajet
oria fechada.
Se uma trajet
oria conecta dois pontos de equilbrio (sela) diferentes, ela e
dita uma
orbita heteroclnica [Fig. 3.38(b)]. Podemos ter percursos fechados
formados por trajet
orias heteroclnicas, e chamados conex
oes de sela [Fig.
3.38(c)]. Pelo mesmo motivo anterior, as conex
oes de sela tambem nao s
ao
trajet
orias fechadas do sistema.
As
orbitas homo e heteroclnicas s
ao comuns em modelos bidimensionais
166
1,5
E>0
E = H(x,0)
0,5
ponto de sela
0
E=0
E<0
-0,5
-1
-2
centro
centro
-1
Figura 3.39: Hamiltoniana para o sistema (3.210) e (3.211), calculada no plano

y = 0.
ditos sistemas hamiltonianos, que podem ser escritos na forma geral

dx
dt
dy
dt
=
=
H
,
y
H
,
x
(3.207)
(3.208)
onde a funcao H(x, y) : R2 R e dita hamiltoniana do sistema. Uma propriedade notavel deste tipo de sistema e que as trajet
s
ao curvas de nvel da hamiltoniana, ou seja, lugares geometricos para os quais
H(x, y) = constante. Para mostrar esta importante propriedade, calculamos a
derivada temporal da hamiltoniana,
H(x, y)
dt
=
=
H dx H dy
+
,
x dt
y dt
H H
H H
= 0,
x y
y x
(3.209)
onde usamos (3.207) e (3.208). Logo H e uma constante para as trajet

orias do
sistema.
` guisa de exemplo, vamos considerar o modelo bidimensional
A
dx
= y,
(3.210)
dt
dy
= x x3 ,
(3.211)
dt
cujos pontos de equilbrio s
ao (x , y ) = (0, 0) e (1, 0), que s
ao, na aproximacao
linear, um ponto de sela e dois centros, respectivamente (veja o problema 1).
Podemos identificar este modelo como um sistema hamiltoniano, onde
H(x, y) =
y2
x2
x4
+ ,
2
2
4
167
(3.212)
-1
-2
-2
-1
Figura 3.40: Trajet

orias de fase para o sistema (3.210) e (3.211).
que, ao ser substituida em (3.207) e (3.208), fornece imediatamente as equacoes

do modelo (3.210) e (3.211).
Devido ao termo quadr
atico em y em (3.212), ha uma importante simetria
da hamiltoniana na troca de y por y (o sinal desaparece na hora de elevar
ao quadrado). Neste caso, podemos analisar simplesmente a funcao E(x)
H(x, y = 0), ou seja, a hamiltoniana calculada nos pontos do plano y = 0 [Fig.
3.39]. Os pontos de equilbrio s
ao os extremos da funcao: (0, 0) e um maximo
local e (1, 0) s
ao mnimos locais. As trajet
orias no plano de fase, que s
ao
curvas de nvel da funcao H(x, y), podem ser estudadas de acordo com o valor
de E no plano y = 0. Essa analise nos permite concluir sobre a existencia de
tres tipos qualitativamente diferentes de trajet
orias no plano, e que podem ser
identificadas na [Fig. 3.40]:
Se E > 0: trajet
orias fechadas com uma forma ovalada, e algo espremidas na direcao do eixo y;
Se E < 0: duas trajet
orias fechadas distintas em torno dos centros (1, 0).
Logo, estes pontos s
ao tambem centros nao-lineares (uma conclus
ao que,
naturalmente, nao provem da linearizacao, ja que s
ao pontos nao-hiperbolicos);
Se E = 0: duas
orbitas homoclnicas unindo os ramos direito e esquerdo
das curvas invariantes do ponto de sela (0, 0).
3.8
Exemplo em Economia: Modelo de luta de

classes de Goodwin
Ate o momento estudamos unicamente modelos econ

omicos onde as solucoes
de equilbrio s
ao pontos fixos, cuja estabilidade estudamos tanto qualitativamente pelo diagrama de fase, como quantitativamente pela aproximacao linear.
168
No entanto, como vimos no incio deste captulo, tambem trajet

orias fechadas
s
ao possveis para sistemas bidimensionais nao-lineares, e representam solucoes
peri
odicas, ou seja, trajet
orias que se repetem apos um determinado perodo de
tempo.
Orbitas
peri
odicas em economia representam ciclos econ
omicos, ou seja,
fenomenos que se repetem a intervalos de tempo mais ou menos bem-determinados.
Um modelo que apresenta tal comportamento foi proposto por R. Goodwin em
1967 [45], abordando a relacao entre o nvel de emprego e a participacao dos
salarios. O modelo baseia-se na luta de classes entre os capitalistas e os trabalhadores, tornando-se uma versao do famoso problema do predador-presa,
descrito no incio do seculo XX por Lotka e Volterra [23].
3.8.1
Macrovari
aveis e hip
oteses do modelo
O modelo de Goodwin usa, como macrovariaveis, Y : produto total; N : n

umero
total de trabalhadores; L: n
umero de trabalhadores empregados; U : n
umero de
trabalhadores desempregados; w: salario medio dos trabalhadores; P : lucro dos
capitalistas; S: poupanca; K: estoque de capital; e I: investimento.
Sendo w o salario medio per capita, a participacao dos salarios no produto
total da economia sera wL. Nesse caso o lucro dos capitalistas sera igual ao
produto lquido
P = Y wL,
(3.213)
Definindo o produto per capita como
Y
,
L
(3.214)
a fracao dos salarios dos trabalhadores em relacao ao produto total sera

x
wL
w
= ,
Y
(3.215)
ao passo que a fracao dos lucros dos capitalistas sera, usando (3.213), dada por
P
wL
w
=1
=1 .
Y
Y
(3.216)
Uma das hip

oteses centrais do modelo e que os capitalistas poupam todo o
lucro auferido

w
wL
=Y 1
S = P = Y wL = Y 1
,
(3.217)
Y
e, alem disso, o reinvestem inteiramente:

I=

w
dK
.
=S =Y 1
dt
(3.218)
Nessas condicoes, a taxa (normalizada) de crescimento do estoque de capital

sera 3

dK/dt = d ln K = Y 1 w = 1 1 w
K
(3.219)
K
dt
K
3 Usaremos aqui a conven

c
ao tradicional de denotar as derivadas logartmicas de
macrovari
aveis por um acento circunflexo. Outros autores preferem represent
a-las por letras
min
usculas.
169
onde definimos a raz

ao capital-produto
v
K
,
Y
(3.220)
e suporemos que essa ela seja constante: de K = vY decorre que K = v Y e

v Y
Y
K
=
= ,
K
vY
Y
(3.221)
de modo que a taxa (normalizada) de crescimento de capital seja igual à taxa

de crescimento do produto.
Outra hip
otese e a de que ha progresso tecnologico contnuo, de modo que
a produtividade do trabalho, ou seja, o produto per capita cresce exponencialmente com o passar do tempo, de modo que
= 0 et ,
(3.222)
onde > 0 e a taxa de crescimento da produtividade devido ao progresso tecnico.

Como = Y /L, tomando logaritmos e derivando temos

Y
= ln Y ln L,
ln = ln
L
d
d
d ln Y
d ln L
ln =
(ln Y ln L) =
,
dt
dt
dt
dt
d/dt
dY /dt dL/dt
dK/dt dL/dt
=
Y
L
K
L

= d/dt = 1 1 w dL/dt ,
(3.223)
L
onde usamos (3.221) e (3.219).
Derivando (3.222) em relacao ao tempo resulta que
d
= 0 et = ,
dt
(3.224)
que, substituida em (3.223), fornece a seguinte taxa de crescimento do n

umero
de trabalhadores empregados

= dL/dt = 1 1 w
(3.225)
L
L
v
Supoe-se, ainda, que o n

umero de trabalhadores (o qual nao e igual à forca de
trabalho, por nao estarmos supondo pleno emprego) cresce Malthusianamente
com o tempo com uma taxa n > 0, de modo que
N = N0 ent ,
(3.226)
cuja derivada fornece
dN
= N0 nent = nN.
dt
Definimos, tambem, a taxa de emprego como
y
L
,
N
170
(3.227)
(3.228)
(dw/dt)/w
(dw/dt)/w
(b)
(a)
Figura 3.41: Curva de Phillips para a taxa de variacao dos salarios. (a) N
aolinear; (b) Linear.
Sendo N = L+U a soma do n

umero de empregados e desempregados, dividindo
por N resulta em que 1 = y + u, onde u = U/N e a taxa de desemprego. Ent
ao
y e uma variavel que assume valores entre 0 e 1.
Tomando logaritmos de ambos os membros de (3.228) e derivando em relacao
ao tempo,

L
ln y = ln
= ln L ln N,
N
d
d ln L d ln N
d
ln y =
(ln L ln N ) =
,
dt
dt
dt
dt
dy/dt
dL/dt dN/dt
dL/dt
=
=
n,
y
L
N
L
w
1
dy/dt
1
n,
(3.229)
=
y =
y
v
onde usamos (3.225). Repetimos esse procedimento para (3.215):

w
ln x = ln
= ln w ln ,
d ln w d ln
d
ln x =
,
dt
dt
dt
dx/dt
dw/dt d/dt
x
=
=
=w
x
w
(3.230)
onde usamos (3.224), e batizamos w

= w/w
a taxa normalizada de crescimento

dos salarios.
Uma u
ltima hip
otese do modelo de Goodwin e a de que os salarios reais
aumentam na situacao proxima ao pleno emprego, e que haja uma curva de
Phillips do tipo
w
= f (y),
(3.231)
171
onde f (y) e uma funcao monotonicamente crescente com df /dy > 0, do tipo
mostrado na figura 3.41(a). Em termos econ
omicos, ela expressa o aumento
relativo nos salarios provocado pela aproximacao da situacao ideal de pleno
emprego (y = 1). Nesse caso, os trabalhadores s
ao cada vez mais valorizados
pelos capitalistas, que aumentam seus salarios devido à escassez de mao de
obra. Ja numa situacao de grande desemprego (y proximo a zero) os salarios
podem inclusive diminuir em valores reais, devido à grande oferta de mao de
obra. Por isso a funcao f (y) assume valores negativos para y suficientemente
pequeno. Uma aproximacao linear da curva de Phillips, adequada para descrever
o comportamento proximo a essa situacao, e [Figura 3.41(b)]:
w
= + y,
(3.232)
onde e s
ao coeficientes positivos.
x
=
dx/dt
= + y ,
x
(3.233)
e, finalmente, usando (3.215), podemos exprimir (3.229) e (3.233) na forma de

um modelo bidimensional nao-linear
dx
dt
dy
dt
3.8.2
=
=
[( + ) + y]x,

x
1
y.
( + n) +
v
v
(3.234)
(3.235)
Soluc
O sistema (3.234)-(3.235) tem a forma das equacoes de Lotka-Volterra, que descrevem um problema ecologico onde coexistem duas populacoes: um predador
e uma presa [vide a Ref. [21], pg. 461]:
x =
y =
(a1 + b1 y)x,
(a2 b2 x)y,
(3.236)
(3.237)
onde os coeficientes s
ao identificados como
a1
+ ,
(3.238)
b1
(3.239)
a2
b2
1
( + n) + ,
v
1
.
v
(3.240)
(3.241)
Nesse caso, a variavel x, que est

a relacionada à taxa de desemprego, e a
populacao de presas; ao passo que y, ou a fracao dos salarios dos empregados,
faz o papel do predador. Como veremos a seguir, essa e uma imagem u
til
para interpretar economicamente os resultados do modelo matematico. Tanto
x como y tem valores entre 0 e 1, enquanto os par
ametros a1 , b1 e b2 s
ao, por
definicao, positivos. Conforme [21] podemos imaginar que 0, 2 seja um limite
inferior seguro para b2 = 1/v, e que 0, 12 seja um limite superior seguro para
172
+ n, de modo que 1/v > + n e podemos supor ent

ao que tambem a2 seja
positivo.
Os pontos de equilbrio, (x , y ), serao as solucoes de
(a1 b1 y )x
(a2 + b2 x )y
0,
(3.242)
0,
(3.243)
que fornece um total de quatro solucoes, tres das quais s

ao triviais: (0, 0), (0, y ),

e (x , 0) e uma quarta nao-trivial,(x , y ), onde:
x
a2
= 1 ( + n)v,
b2
+
a1
=
.
b1
(3.244)
(3.245)
Para estudar a estabilidade da solucao de equilbrio nao-trivial, devemos

obter os elementos da matriz Jacobiana do campo vetorial (3.236)-(3.237)

(a1 b1 y)
b1 x
,
(3.246)
DF(x, y) =
b2 y
(a2 + b2 x)
cujos elementos, calculados no ponto (3.244)-(3.245), s
ao

0
(a1 b1 y )
b1 x
=
DF(x , y ) =
b2 y
(a2 + b2 x )
b2 ab11
b1 ab22
0
. (3.247)
O seu traco, determinante e discriminante s

ao, respectivamente,
T rDF(x , y ) = 0,
a2 a1
det DF(x , y ) = b1 b2
= a1 a2 > 0,
b2 b1
2 4 = 4a1 a2 < 0,
(3.248)
(3.249)
(3.250)
o que identifica a solucao de equilbrio como um centro. De fato, os autovalores

da matriz Jacobiana s
ao complexos conjugados, a saber:
r
D
4a1 a2
1,2 =
(3.251)
= i
= i a1 a2 .
2
4
As trajet
orias nas vizinhancas de um centro s
ao fechadas, correspondendo a
orbitas peri
odicas diferentes para cada condicao inicial. A interpretacao desses
ciclos pode ser feita a partir de conceitos Marxistas-Keynesianos: um alto nvel
de emprego gera reajustes salariais que aumentam a participacao da massa
salarial dos trabalhadores no produto, o que naturalmente reduz o lucro dos
capitalistas. Esse fato, conforme Kalecki, reduz o investimento futuro e consequentemente o pr
oprio produto total. Essa reducao no produto reduz a demanda por trabalhadores e uma menor pressao inflacion
aria dos salarios (pode
ate ocorrer deflacao), reduzindo portanto a participacao do salario dos trabalhadores no produto. Mas isso aumenta os lucros dos capitalistas e tambem seu
investimento, o que levar
a a um novo aumento do n
umero de trabalhadores empregados, e a uma melhora no seu poder de barganha. Como esse fato detona
novas pressoes por aumentos de salarios, o ciclo se repete.
173
y = 0
y*
x = 0
x*
No entanto, o proprio ponto de equilbrio (x , y ) nao tem sua estabilidade

determinada pelo criterio linear, visto que as partes reais dos autovalores s
ao
nulas ( = 0). Isso significa que o ponto de equilbrio n
ao e hiperbolico. Logo,
o resultado da analise linear pode nao se confirmar para o sistema nao-linear.
Para aferir se isso ocorre ou nao, somos obrigados a olhar o diagrama de fase
sistema nao-linear. Em particular, o sistema de Goodwin nao e estruturalmente
est
avel, na acepcao que demos neste captulo: relaxando alguma das suposicoes
originais do modelo, os ciclos dar
ao origem a outras solucoes de equilbrio, como
pontos de equilbrio ou ciclos-limite [46].
3.8.3
Diagrama de fase
Reescrevemos o modelo (3.236)-(3.237) na forma conveniente

x
y
=
=
b1 (y y)x,
b2 (x x )y,
(3.252)
(3.253)
Para construir o diagrama de fase do modelo (3.252)-(3.253) nos determinamos

inicialmente as suas isoclinas:
0 =
0 =
b1 (y y)x,
b2 (x x )y,
(3.254)
(3.255)
as quais s
ao, respectivamente, os eixos x = 0 e y = 0, e as retas A : y = y e
B : x = x , que s
ao paralelas a esses eixos e que interceptam-se no ponto de
equilbrio nao-trivial.
O sentido do campo vetorial para as trajet
orias nos quatro quadrantes determinados pelas isoclinas na figura 3.42 e obtido pela an
alise a seguir:
y > y (acima de A): y y < 0, logo x < 0 (ja que sempre temos x > 0),
flecha para a esquerda na direcao x;
y < y (abaixo de A): y y > 0, logo x > 0, flecha para a direita na
direcao x;
174
1,4
1,2
0,8
0,6
0,4
0,4
0,6
0,8
1,2
1,4
Figura 3.43: Trajet

orias de fase para o sistema (3.236)-(3.237).
y = y (sobre A): x = 0, fluxo puramente vertical (para cima ou para

baixo dependendo de x);
x > x (`
a direita de B): x x > 0, logo y > 0 (ja que sempre temos
y > 0), flecha para cima na direcao y;
x < x (`
a esquerda de B): x x < 0, logo y < 0, flecha para baixo na
direcao y;
x = x (sobre B): y = 0, fluxo puramente horizontal (para a esquerda ou
para a direita dependendo de y);
A tecnica do diagrama de fase permite-nos dizer como sera qualitativamente
o campo vetorial nas vizinhancas do ponto de equilbrio (x , y ), o qual e um
centro segundo a aproximacao linear. Podemos verificar explicitamente que as
trajet
orias do sistema nao-linear na vizinhanca do ponto de equilbrio tambem
s
ao fechadas por integracao numerica das equacoes do modelo, como mostra
a Fig. 3.43. As trajet
orias fechadas lembram ov
oides, tanto mais excentricas
quanto mais distantes do ponto de equilbrio, e sempre percorridas no sentido
anti-hor
ario (como, alias, e previsto pela aproximacao linear). Logo, o ponto de
equilbrio e um centro nao-linear.
H
a uma tecnica analtica engenhosa para mostrar a existencia de trajet
orias
fechadas no modelo (3.236)-(3.237). Introduzindo uma variavel muda z pelas
relacoes:
z F (y)
z G(x, C)
=
=
a1 ln y + b1 y
a2 ln x b2 x + C
(3.256)
(3.257)
Podemos nos valer do fato de usarmos somente o primeiro quadrante do plano de

fase xy para fazer uma construcao engenhosa usando os outros tres quadrantes
ociosos [Fig. 3.44]. N
os usamos os semi-eixos que est
ao sobrando para indicar a
175
F(y)
y2
y*
y1
45
x1
x*
G(x,C)
z
Figura 3.44: Diagrama para curvas fechadas do sistema (3.236)-(3.237).
variavel muda z. Podemos passar do segundo para o quarto quadrante por meio
da funcao identidade, representada no terceiro quadrante pela bissetriz (reta de
45o ). Os pontos da trajet
oria no primeiro quadrante s
ao aqueles que satisfazem
simultaneamente ambos os gr
aficos de F e G nos respectivos quadrantes. Podese mostrar que y e um mnimo e x e um maximo local para os gr
aficos de F
e G, respectivamente (veja o Problema 16)
3.9
Problemas
1. Considere o sistema bidimensional n

ao-linear
dx
dt
dy
dt
y,
x x3 ,
(a) Ache os pontos de equilbrio no plano, e determine sua estabilidade na aroximaca

o linear;
(b) Encontre as variedades invariantes para cada ponto de equilbrio;
(c) Ache as is
oclinas e esboce o diagrama de fase.
2. Idem para os seguintes sistemas
(a)
dx
dt
dy
dt
y y3
x y 2
176
(b)
dx
dt
dy
dt
x x2
(c)
dx
dt
dy
dt
2 cos x cos y
2 cos y cos x
(d)
dx
dt
dy
dt
x x3 y + x2 y
3. Seja o sistema bidimensional n

ao-linear
dx
dt
dy
dt
y + ax(x2 + y 2 )
x + ay(x2 + y 2 )
(a) Ache os pontos de equilbrio no plano, e determine sua estabilidade na aroximaca

o linear
(b) Faca uma transformaca
o para coordenadas polares x = r cos e y = r sin
(veja o Captulo II), e mostre que o sistema reduz-se `
a forma
dr
dt
d
dt
ar3
(c) Ache os pontos de equilbrio do sistema em coordenadas polares e estude sua

estabilidade sem recorrer `
a aproximaca
o linear
4. Determine as auto-direco
es est
avel e inst
avel para o ponto de equilbrio do modelo (3.66)-(3.67). Comparando essas direco
es com as trajet
orias na vizinhanca
do ponto de equilbrio, que podemos afirmar sobre as curvas invariantes do
equilbrio?
5. Repita a an
alise do problema anterior para o ponto de sela do modelo (3.81)(3.82).
6. Construa as is
oclinas e o respectivo diagrama de fase, e compare seus resultados
com trajet
orias obtidas numericamente (adaptando o programa euler2.c do
apendice A) para:
dx
dt
dy
dt
x + y + x2 y
1 y x2 y
177
7. Sejam as is
oclinas A e B do modelo (3.123)-(3.124). Obtenha algebricamente
as derivadas dx2 /dx1 e d2 x2 /dx21 para ambas, bem como os limites de dx2 /dx1
quando x1 tende para 0 e para infinito, justificando assim as formas das curvas
para as is
oclinas representadas na figura 3.22. Detalhes em [21], pg. 288 e 289.
8. Mostre que, no modelo de capital fsico/humano, os autovalores da matriz Jacobiana na soluca
o n
ao-trivial de equilbrio s
ao
1 = c( + 1)
2 = c
e que os autovetores correspondentes s


1
1
u1 =
,
u2 =
,
1
/
Com estes elementos, esboce no plano de fase (x1 , x2 ) as trajet
orias na vizinhanca da soluca
o de equilbrio.
9. Mostre que (3.169) e uma soluca
o da equaca
o diferencial (3.168).
10. Mostre, usando a funca
o de Lyapunov L(x, y) = x2 + 4y 2 , que o sistema
dx
dt
dy
dt
x + 4y
x y 3
n
ao pode exibir trajet
orias fechadas.
11. Considere o exemplo dos falsos centros obtidos por linearizaca
o [Equaco
es (3.57)(3.58)]. Ache uma funca
o de Lyapunov conveniente para mostrar que, se > 0
o ponto de equilbrio e um foco est
avel, e se < 0, um foco inst
avel.
12. Determine os pontos de equilbrio e sua estabilidade, na aproximaca
o linear,
para o sistema
dx
dt
dy
dt
x x3 y + x2 y
Aplique o criterio de Bendixson para determinar, no plano de fase, as possibilidades para a existencia de trajet
orias fechadas, nos casos em que > 1 e
0 < < 1.
13. Mostre, usando o criterio de Dulac, que o sistema
dx
dt
dy
dt
y,
x y + x2 + y 2 ,
n
ao tem trajet
orias fechadas no plano de fase. Sugest
ao: use h = e2x .
14. Mostre, usando o teorema de Poincare-Bendixson, que o sistema
dr
dt
d
dt
r(1 r2 ) + r cos ,
1,
178
tem um ciclo limite est

avel se < 0, desde que seja suficientemente pequeno.
Sugest
ao: procure dois crculos concentricos com raios rmin e rmax tais que
r > 0 no crculo interno e r < 0 no crculo externo, de forma que o anel rmin
r rmax seja a regi
ao de aprisionamento necess
aria `
a aplicaca
o do teorema de
Poincare-Bendixson.
15. Considere o modelo de luta de classes de Goodwin na forma (3.236)-(3.237). (a)
Mostre que, dividindo as equaco
es membro a membro, pode-se fazer uma dupla
separaca
o de vari
aveis e integrar as express
oes resultantes, de modo a obter a
seguinte relaca
o
a1 ln y + b1 y = a2 ln x b2 x + C
onde fundimos todas as constante de integraca

o em C. Cada trajet
oria fechada
do sistema e individualizada por um valor diferente de C. (b) Mostre que y e
um mnimo e x e um m
aximo local para os gr
aficos de F e G, respectivamente.
179
180
Captulo 4
Modelos contnuos
multidimensionais
4.1
Complementos de
algebra linear
Nos captulos anteriores consideramos apenas matrizes reais 2 2. Para descrever modelos multidimensionais, no entanto, e necessario trabalhar com matrizes
reais N N . Praticamente todos os resultados matematicos que abordamos na
revis
ao de
algebra de matrizes 2 2, do captulo 2, s
ao facilmente extensveis a
matrizes N N . No entanto, para uma discussao mais geral dos autovalores e
autovetores, necessaria `
a analise de estabilidade das solucoes de equilbrio, serao
necessarios conceitos adicionais da
algebra linear, em particular do calculo matricial.
4.1.1
Autovalores e autovetores
Na discussao a seguir, consideraremos matrizes reais N N escritas, na sua

forma geral, como
M=
M11
M21
..
.
M12
M22
..
.
..
.
M1N
M2N
..
.
MN 1
MN 2
MN N
(4.1)
Os seus autovalores , correspondentes aos autovetores u, s

ao as solucoes da
equacao
(M I).u = 0,
(4.2)
onde I e a matriz identidade N N . Os autovetores s
ao vetores coluna com N
linhas:
u1
u2
u = . ,
(4.3)
..
uN
181
de forma que a equacao (4.2) e, de fato uma equacao matricial:
..
.
M1N
M2N
..
.
M11
M21
..
.
M12
M22
..
.
MN 1
MN 2 MN N
M11
M12
M21
M
22
..
..
.
.
MN 1
MN 2
1 0
0 1
.. ..
. .
0 0
..
.
..
.
0
0
..
.
M1N
M2N
..
.
MN N
u1
u2
..
.
uN
u1
u2
..
.
uN
0
0
..
.
0
0
0
..
.
0
.(4.4)
Esse e um sistema linear e homogeneo de N equacoes algebricas. Em geral,

ha sempre uma solucao trivial para esse sistema, que e o vetor nulo: u = 0. Para
que haja tambem uma solucao nao-trivial desse sistema linear, pelo teorema de
Rouche-Capelli, e necessario e suficiente que o determinante dos coeficientes do
sistema seja nulo [47]:

M11

M21

det(M I) =
..

.

MN 1
M12
M22
..
.
..
.
MN 2

= 0,

M1N
M2N
..
.
MN N
(4.5)
condicao essa conhecida como equacao secular, a qual e uma equacao algebrica
de N -esimo grau, cujas razes s
ao os autovalores .
Pelo teorema fundamental da algebra, sabemos que uma equacao de grau
N tem sempre N razes, reais ou complexas: (1 , 2 , N ) [47]. Para N = 2
a formula resolutiva e bastante simples, mas ja no caso N = 3, embora exista
uma expressao analtica para as razes (formula de Cardano), essa e usualmente
difcil de aplicar na pratica. O mesmo pode ser dito sobre alguns casos de
equacoes de ordem N = 4. Como, para N > 5, nao ha expressoes fechadas (por
meio de radicais) para as razes de uma equacao algebrica, s
ao frequentemente
empregados metodos numericos para a obtencao das mesmas.
Um exemplo e o metodo de Newton-Raphson, que usa aproximacoes sucessivas para a determinacao numerica das razes de uma equacao qualquer. No
entanto, na discussao da estabilidade de pontos de equilbrio, nao sera realmente necessario obter explicitamente os autovalores de uma matriz N N . As
condicoes de estabilidade linear poderao ser obtidas diretamente a partir dos
coeficientes da equacao secular.
4.1.2
Espa
cos e sub-espacos vetoriais
A linguagem de espacos vetoriais e essencial para a compreens

ao da estabilidade
de solucoes de equilbrio em modelos contnuos e discretos multidimensionais.
Nesta secao, limitar-nos-emos a dar as definicoes essenciais para as aplicacoes a
serem desenvolvidas neste e em proximos captulos, bem como alguns exemplos
smples para fixar os conceitos matematicos abstratos. No entanto, para o leitor
que deseje (ou necessite) de um maior aprofundamento, e essencial consultar
bons textos de
algebra linear, como [48, 27].
182
Nos captulos 2 e 3 abordamos modelos contnuos bidimensionais, para os

quais definimos um plano de fase, cujas coordenadas s
ao as variaveis din
amicas.
A generalizacao dessa ideia, para N dimensoes, remete-nos ao conceito de espaco
vetorial:
Defini
c
ao 10 Um espaco vetorial sobre o conjunto F e um sistema constituido
por
1. Um conjunto n
ao-vazio V cujos elementos v ser
ao chamados de vetores
2. Uma operaca
o bin
aria chamada adica
o vetorial com as propriedades
Associatividade: se vi V, (i = 1, 2, 3), v1 + (v2 + v3 ) = (v1 + v2 ) +
v3 ,
Comutatividade: v1 + v2 = v2 + v1 ,
Elemento neutro: existe um u

nico vetor 0 V (vetor nulo) tal que,
para todo v V, v + 0 = 0 + v = v,
Elemento inverso: existe um u

nico vetor v V (vetor oposto) tal
que, para todo v V: v + (v) = v + v = 0.
3. Uma conjunto F cujos elementos s

ao chamados de escalares (c)
4. Uma aplicaca
o de F V em V, dita multiplicaca
o de vetor por escalar,
com as propriedades
Associatividade: se c, c F e v V, c(c v) = (cc )v,
Distributividade I: c(v1 + v2 ) = cv1 + cv2 .
Distributividade II: (c + c )v = cv + c v,
Elemento neutro: existe um u

nico escalar 1 F tal que, para todo
v V, 1v = v.
O espaco vetorial mais conhecido e aquele para o qual F = R (escalares reais)

e V e o conjunto dos vetores geometricos representados por flechas no espaco
euclidiano tridimensional (R3 ). Neste captulo os modelos a serem estudados
est
ao associados a um espaco vetorial real no RN . As operacoes de adicao de
vetores e multiplicacao de escalar por vetor s
ao obtidas como a generalizacao
das respectivas operacoes no caso bidimensional vistas nos dois captulos precedentes.
Defini
c
ao 11 Um vetor v pertencente ao espaco vetorial V sobre F e uma
combina
c
ao linear dos vetores vi V, (i = 1, 2, N ), e existem escalares
ci F, (i = 1, 2, N ), tais que
v = c1 v 1 + c2 v 2 + + cN v N
Defini
c
ao 12 Um sub-conjunto n
ao-vazio S do espaco vetorial V sobre F e
dito linearmente independente (LI) se, para quaisquer vetores vi S, (i =
1, 2, N ), e escalares ci F, (i = 1, 2, N ), a seguinte combinaca
o linear
c1 v 1 + c2 v 2 + + cN v N = 0
implica em que c1 = c2 = = cN = 0, ou seja, todos os coeficientes escalares
s
ao nulos.
183
Defini
c
ao 13 Uma base para o espaco vetorial V sobre F e um sub-conjunto
S de V formado por vetores linearmente independentes, e que gera V, ou seja,
todo vetor em V pode ser escrito como uma combinaca
o linear de vetores de
base S.
Como um exemplo smples, tomando o espaco dos vetores geometricos no R3 ,
se considerarmos um sistema de coordenadas cartesianas (x, y, z). Os versores
(vetores unitarios) (i, j, k) dos eixos num sistema de coordenadas cartesianas
ortogonais (em tres dimensoes) s
ao linearmente independentes, pois o vetor nulo
se escreve 0i + 0j + 0k = 0, ou seja, os coeficientes escalares s
ao identicamente
nulos. O conjunto (i, j, k) forma uma base para esse espaco, pois todo vetor
pode ser escrito como uma combinacao linear dos mesmos
v = xi + yj + zk
onde os escalares (x, y, z) s
ao as componentes do vetor v nas direcoes x, y e
z, respectivamente. Dizemos, ent
ao, que o conjunto (i, j, k) gera este espaco
vetorial. O conjunto de vetores de base e completo, ou seja, se tent
assemos
adicionar outro vetor de base, ele poderia ser escrito como combinacao linear
dos outros, e portanto nao seria vetor de base. A dimensao de um espaco vetorial
e o n
umero de vetores de base usados para ger
a-lo.
Defini
c
ao 14 Seja o espaco vetorial constituido do conjunto V de vetores e F
de escalares. Um sub-espaco vetorial consiste num sub-conjunto S V se e
somente se, para todo c F e vi V, (i = 1, 2), temos: (i) v1 + v2 S, (ii)
cvi S.
No exemplo do espaco dos vetores geometricos no R3 , os planos (x, y), (x, z)
e (y, z) s
ao sub-espacos vetoriais no R2 . Estes sub-espacos s
ao gerados pelos vetores unitarios dos eixos correspondentes: {i, j}, {i, k}, e {j, k} respectivamente.
4.1.3
Matrizes semelhantes
Duas matrizes M e N s
ao ditas semelhantes se existir uma matriz inversvel
T, denominada matriz de similaridade, tal que
T.M = N.T,
(4.6)
e escrevemos que M N (le-se: M e semelhante a N (por meio de S)).

Por exemplo, as matrizes

1 1
2 0
M=
,
N=
,
2 4
0 3
s
ao semelhantes por meio da matriz

2 1
,
T=
1 1
pois
2
1
1
1

1
2
1
4
184
2 0
0 3

2 1
1 1
Da definicao (4.6) decorre que, dada uma matriz N, podemos obter uma
matriz semelhante M, por meio da seguinte transformacao de similaridade:
M = T1 .N.T
(4.7)
Matrizes semelhantes tem potencias tambem semelhantes, o que e uma propriedade notavel, e que sera utilizada mais à frente em nosso estudo. Para
mostrar esse fato, escrevemos a t-esima potencia (com t inteiro positivo) da eq.
(4.7):
Mt
= (T1 .N.T)
(4.8)
t vezes
}|
{
z
1
1
= (T .N.T).(T .N.T). .(T1 .N.T)
= T1 .N.I.N.I. .I.N.T = T1 .Nt .T
ou seja, Mt Nt .
4.1.4
Formas de Jordan
possvel mostrar que duas matrizes semelhantes tem autovalores (1 , 2 , N )

E
identicos (veja o Problema 2). Um importante teorema da Algebra

Linear
mostra que uma matriz real N N qualquer e semelhante a uma forma normal,
dita forma de Jordan, dependendo dos seus autovalores. No caso bidimensional, ha tres formas de Jordan, a saber:
1. dois autovalores reais e distintos, 1 6= 2 ;

1 0
J=
,
0 2
2. dois autovalores reais e identicos 1 = 2 = ;

0
,
1
(4.9)
(4.10)
3. dois autovalores complexos (conjugados): 1 = + i, 2 = i, para

e reais;

.
(4.11)

Para matrizes N N as formas de Jordan s
ao semelhantes, mas poderao
ocorrer casos mais complicados do que em N = 2, visto que parte dos autovalores
pode ser real e parte complexa. No entanto, um teorema da teoria das equacoes
algebricas garante que, se houver um autovalor complexo da forma = + i,
ent
ao o seu complexo conjugado, = i, tambem sera um autovalor possvel.
Por exemplo, se N = 3 e ja houver um par de autovalores complexos conjugados entre si (1,2 = i), o outro autovalor (3 ) deve ser necessariamente
real. Na forma de Jordan correspondente, a matriz 3 3 sera diagonal em
blocos, onde cada bloco e uma forma de Jordan do tipo (4.10):
0
0 .
(4.12)
J=
0 0 3
185
De modo geral, uma matriz N N pode ser reduzida, por uma transformacao
de similaridade, a uma matriz diagonal em blocos de Jordan, de acordo com
o tipo dos autovalores. A matriz de similaridade que transforma uma dada
matriz A a uma das suas formas de Jordan possveis e construida a partir
dos autovetores de A. Sejam eles escritos como (o primeiro ndice refere-se à
componente, e o segundo ao autovalor correspondente):
u1N
u12
u11
u2N
u22
u21
uN = . . (4.13)
u2 = . ,
u1 = . ,
..
..
..
uN N
uN 2
uN 1
Ent
ao a matriz A e similar a uma das formas de Jordan J dadas por (4.9),
(4.10), ou(4.11), tal que existe uma matriz de similaridade T tal que
J = T1 .A.T,
onde os autovetores de A s
ao as colunas dessa matriz:
u11 u12 u1N

u21 u22 u2N
T= .
..
.. .
..
..
.
.
.
uN 1 uN 2 uN N
Como um exemplo, considere a matriz

1 1
,
A=
4 2
(4.14)
(4.15)
(4.16)
cujos dois autovalores, reais e distintos, s

ao 1 = 2 e 2 = 3, correspondendo,
respectivamente, aos autovetores

1
1
,
(4.17)
,
u2 =
u1 =
4
1
que s
ao tomados como colunas da matriz de similaridade

1 1
T=
,
1 4
(4.18)
Para verificar explicitamente que a matriz A e similar à respectiva forma de

Jordan

2 0
,
(4.19)
J=
0 3
bastara ao leitor mostrar que T J = A T.
4.1.5
Fatos sobre matrizes de terceira ordem
Para referencia posterior, dada a matriz de terceira ordem com elementos genericos
a b c
A = d e f ,
(4.20)
g h i
186
sua inversa e dada por

A1
onde
ei f h
1
gf di
=
dh ge
hc ib
ai gc
gb ah
bf ce
dc af ,
ae db
= det A = aei + bf g + cdh gec hf a icb
(4.21)
(4.22)
Outro resultado u
til e a equacao secular para uma matriz de terceira ordem
do tipo (7.125), cujas razes s
ao seus autovalores.

a
b
c

e
f = 0,
det(A I) = d
g
h
i
(a )(e )(i ) + dhc + gbf cg(e ) f h(a ) bd(i ) = 0,
3 + (a + e + i) 2 [(ae bd) + (ai gc) + (ei hf )]+
(aei + dhc + gbf ceg f ha dbi) = 0,
3 Tr A 2 + c2 det A = 0,
(4.23)
onde definimos a soma dos menores principais da matriz A, ou seja, dos menores
obtidos a partir dos elementos de sua diagonal principal.
c2 = (ae bd) + (ai gc) + (ei hf ).
4.2
(4.24)
Modelos lineares
Consideraremos, neste captulo, a presenca de N variaveis dependentes do tempo

xi = xi (t), com i = 1, 2, . . . N . Modelos contnuos multidiimensionais s
ao tais
que a taxa temporal de variacao, ou seja, a derivada em relacao ao tempo de
cada variavel xi e dada por funcoes arbitrarias Fi de todas as outras variaveis,
o que configura um sistema de N equacoes diferenciais de primeira ordem em
relacao ao tempo.
A forma geral de um modelo contnuo multidimensional e
dx1
dt
dx2
dt
..
.
dxN
dt
F1 (x1 , x2 , xN ),
F2 (x1 , x2 , xN ),
..
.
FN (x1 , x2 , xN ).
(4.25)
Definindo uma matriz coluna N 1 das variaveis dependentes:
x1 (t)
x2 (t)
v(t) =
,
..
.
xN (t)
187
(4.26)
e o campo vetorial
F(v(t)) =
F1 (v(t))
F2 (v(t))
..
.
FN (v(t))
(4.27)
o sistema de N equacoes (4.25) pode ser escrito na compacta forma vetorial

dv(t)
= F(v(t))
dt
(4.28)
Um modelo multidimensional linear afim e dado por

dv(t)
= A.v(t) + B,
dt
onde as matrizes constantes
A11 A12
A21 A22
A= .
..
..
.
AN 1
4.2.1
AN 2
(4.29)
A e B s
ao
..
.
A1N
A2N
..
.
AN N
B11
B = B12 .
..
.B
(4.30)
1N
Soluc
ao geral do modelo linear
A equacao linear matricial (4.29) e, formalmente, muito parecida com a equacao

linear (1.7) estudada no Captulo 1, dx/dt = ax + b, cuja solucao e dada por
(1.12) como

b
b
x(t) = x0 +
eat .
a
a
No caso multidimensional, em se tratando de matrizes, podemos indagar se e
possvel escrever a solucao de (4.29), por analogia, como

v(t) = v(0) + A1 .B etA A1 .B.
(4.31)
desde que, naturalmene, a matriz A seja nao-singular e portanto inversvel, o
que exige que det A 6= 0. Caso, ainda, o sistema linear seja tal que B = 0, ou
seja, quando
dv
= A.v,
(4.32)
dt
a solucao, para a condicao inicial v(0), sera simplesmente
v(t) = v(0)eAt .
(4.33)
onde aparece uma nova operacao algebrica, que e a exponencial de uma matriz
A, e que e o analogo da exponencial de um escalar, ex , a qual escreveremos eA .
Partimos da expansao em serie de Taylor da exponencial de uma variavel, que
e a soma infinita
ex = 1 + x +
X
1 2
1
1 n
x + x3 + . . . =
x
2!
3!
n!
n=0
188
(4.34)
A despeito de somarmos um n
umero infinito de termos, a soma resulta finita,
e e igual a ex . Em outras palavras, a serie infinita acima e convergente para
qualquer valor de x, o que se demonstra nos livros-texto de calculo [36].
De forma analoga, podemos definir a exponencial de uma matriz A como a
serie infinita
eA = I + A +
X
1 2
1 n
1
A + A3 + . . . =
A
2!
3!
n!
n=0
(4.35)
que, tal como no caso anterior, e sempre convergente. No caso de (4.33) temos
a seguinte exponencial
etA = I + tA +
X
1 2 2
1
1 n n
t A + t 3 A3 + . . . =
t A .
2!
3!
n!
n=0
(4.36)
Em geral, a exponencial de uma matriz e uma tarefa trabalhosa, e normalmente

pensamos nela do ponto de vista de uma solucao computacional, a menos que
a matriz esteja numa forma de Jordan. Esse assunto sera visto com detalhes
quando abordarmos a quest
ao da estabilidade do equilbrio de modelos multidimensionais.
Uma solucao geral de (4.32) pode ser obtida como a combinacao linear de
N solucoes linearmente independentes {v1 (t), v2 (t), , vN (t)}, na forma
v(t) =
N
X
cj vj (t),
(4.37)
j=1
onde cj s
ao coeficientes constantes a serem determinados a partir das condicoes
iniciais adotadas. Generalizando o procedimento adotado no Captulo 2 [vide
Eq. 2.55], vamos adotar como solucoes linearmente independentes
vj (t) = ej t uj
(4.38)
onde uj e o autovetor da matriz A correspondente ao autovalor j , onde j vai

de 1 ate N .
A partir dessas N solucoes linearmente independentes podemos formar a
chamada matriz fundamental de solucao, que e montada com os N autovetores
servindo como colunas:
V(t) = (v1 (t), v2 (t), , vN (t))
(4.39)
que est
a associada `
a exponencial da matriz pela relacao (vide o Problema 3):
etA = V(t)V( 0)1 .
(4.40)
instrutivo considerar o fluxo das solucoes do modelo linear no espaco de

E
fase N -dimensional RN : a matriz eAt e uma transformacao de RN em RN , tal
que dado qualquer ponto (condicao inicial) v(0) RN , ent
ao v(0)eAt e o ponto
que caracteriza a solucao num tempo t posterior. Logo t = eAt define um fluxo
de trajet
orias sobre RN gerado pelo campo vetorial A.v. Como isso vale para
qualquer ponto v(0), o fluxo t contem uma informacao global sobre a natureza
das trajet
orias no espaco de fase [1].
189
4.3
Solu
c
Os modelos contnuos tambem apresentam solucoes de equilbrio v , que s

ao
constantes no tempo, e que representamos por um vetor (matriz coluna)

x1
x2
v = . ,
(4.41)
..
xN
que, para um modelo multidimensional geral da forma (7.7), e dado pela seguinte
equacao
dv
= F(v ) = 0.
(4.42)
dt
No caso linear, a solucao ja foi vista no Captulo 2, e e
v = A1 .B,
(4.43)
desde que, naturalmente, A seja inversvel.

Com o auxlio de (2.49), a solucao geral (4.31) pode ser reescrita como
v(t) = (v(0) v ) etA + v ,
(4.44)
onde a exponencial da matriz e definida como em (4.35).

Para conveniencia de calculos, podemos transladar o ponto de equilbrio para
a origem, o que equivale a definir a nova variavel
w1 (t)
w2 (t)
(4.45)
w(t) =
v(t) v = v(t) + A1 .B
..
.
wN (t)
Derivando em relacao ao tempo, e usando (4.42), temos que o novo vetor satisfaz
a equacao
dw
= A.w,
(4.46)
dt
cuja solucao geral e
w(t) = w(0)etA ,
(4.47)
e o ponto de equilbrio e a propria origem do espaco de fase N -dimensional.
4.3.1
An
alise da estabilidade do equilbrio
A estabilidade da solucao de equilbrio v pode ser estudada investigando o

comportamento das solucoes nas proximidades de v . Desde que a vizinhanca do
ponto de equilbrio seja suficientemente pequena, podemos usar a aproximacao
linear para o campo vetorial. Estudamos, ent
ao, o comportamento dos desvios
do equilbrio w(t) = v(t) v , cuja evolucao e governada pelo campo vetorial
linearizado (7.179), onde A e a matriz jacobiana do fluxo nao-linear, cujos
elementos s
ao calculados no ponto de equilbrio (e, portanto, s
ao constantes).
190
A solucao do modelo linearizado para um tempo t arbitrario depende, como

pode-se ver em (4.47), da exponencial da matriz At. Esta u
ltima, por sua vez,
s
o pode ser obtida analiticamente numa forma fechada se A for similar a uma
matriz na forma de Jordan (ou seja, a matriz e diagonal em blocos de Jordan
elementares). Essa analise envolve a determinacao dos autovalores da matriz
A, que s
ao as solucoes da equacao secular

A11

A12
A1N

A21

A
A
22
2N

(4.48)
det(A I) =
= 0,
..
..
.
.
.
.

.
.
.
.

AN 1
AN 2
AN N
que, ao ser desenvolvido o determinante, fornece uma equacao algebrica de grau
N , na forma geral
ao N + a1 N 1 + . . . + aN 1 + aN = 0,
(4.49)
que possui N razes, reais ou complexas. Consequentemente, a matriz A ter

a
sempre N autovalores, i , com i = 1, 2, . . . N ; associados a N autovetores ui
que satisfazem a relacao caracterstica
A.ui = i ui
(4.50)
A partir da analise ja realizada nos captulos (2) e (3) para o caso bidimensional, generalizamos dizendo que o equilbrio na origem e assintoticamente
est
avel se todos os autovalores da matriz A tiverem partes reais negativas. Basta
que um dos autovalores tenha parte real positiva para que, tecnicamente, o
equilbrio seja considerado instavel. Como ha v
arias possibilidades de isso acontecer, o que ja vimos no caso bidimensional, tambem ha diversas maneiras de
um equilbrio ser instavel. Para explicitar melhor o significado dessa afirmacao,
precisaremos inicialmente retornar `
a equacao caracterstica (4.50). Quando a
matriz A tem autovalores reais e distintos, a cada autovalor i calculado corresponde um autovetor ui .
Dependendo do n
umero de autovalores com partes reais negativas (positivas),
tambem sera diferente a dimensao do sub-espaco invariante est
avel (instavel),
que e igual ao n
umero de autovetores linearmente independentes correspondentes a tais autovalores. Com algumas modificacoes, este cenario tambem se
aplica nos casos em que alguns (ou todos) os autovalores sejam reais e iguais,
ou ent
ao complexos. No entanto, ha diversas complicacoes tecnicas associadas
à definicao de subespacos nestas condicoes. Em geral, falamos de autovetores
generalizados quando queremos tratar estes casos, mas seu estudo foge ao escopo
desta obra (ver, por exemplo, as Referencias [23, 8, 49]).
4.3.2
Crit
erio de Routh-Hurwitz
possvel determinar condicoes gerais para a estabilidade de um ponto de

E
equilbrio a partir do conhecimento da equacao secular da matriz A. Como vimos, todos os seus autovalores (sejam eles reais ou complexos) devem ter parte
real negativa para que a origem seja um equilbrio assintoticamente est
avel. Felizmente nao e necessario resolver a equacao secular para saber quando todas as
suas razes ter
ao partes reais negativas.
191
Os autovalores da matriz A s
ao as razes da equacao secular (4.49)
N + a1 N 1 + a2 N 2 + + aN 1 + aN = 0,
(4.51)
Mesmo que o termo em N tenha um coeficiente qualquer, podemos dividir toda

a equacao secular por este coeficiente, de modo que qualquer equacao pode ser
colocada na forma da Eq. (4.51).
O criterio de Routh-Hurwitz estipula condicoes necess
arias e suficientes para
que as razes de (4.51) tenham partes reais negativas. Isto ocorre se e somente
se os N determinantes a seguir forem todos positivos [19]:
1 > 0,
2 > 0,
onde o determinante generico de ordem k e

a1
1
0
0
0

a3
a
a
1
0
2
1

a5
a
a
a
a
4
3
2
1
k =

..
..
..
..
..

.
.
.
.
.

a2k1 a2k2 a2k3 a2k4 a2k5
N > 0,
0
0
1
..
.
..
.
a2k6
(4.52)

ak
0
0
0
..
.
(4.53)
e onde tomamos am = 0 sempre que m > k.

A seguir analisaremos alguns casos particulares desse importante e muito
utilizado criterio de estabilidade
N=1
um caso trivial, pois a equacao secular, + a1 = 0, tem uma solucao imediata
E
= a1 . Pelo criterio anterior a parte real do autovalor sera negativa se e s
o
se 1 = a1 > 0, como de fato deve se-lo.
N=2
A equacao secular e do segundo grau
2 + a1 + a2 = 0,
(4.54)
de modo que a3 = 0, etc. Nesse caso, o criterio (4.52) impoe que 1,2 < 0 se e
somente se 1 > 0 e 2 > 0. De (4.53) temos, ent
ao, que
1
a1 > 0,

a1 1

0 a2
(4.55)

= a1 a2 > 0,

(4.56)
uma vez que a3 = 0 para N = 2. Como a1 e positivo a segunda condicao implica

necessariamente em que a2 > 0.
Comparando com (2.37) reconhecemos que a1 = Tr A e a2 = det A, donde
as condicoes podem ser reescritas na forma
Tr A
<
0,
(4.57)
det A
<
0,
(4.58)
e que s
ao justamente as inequacoes (2.213)-(2.214) empregadas no Captulo 2.
192
N=3
Os autovalores serao as razes da equacao secular do terceiro grau
3 + a1 2 + a2 + a3 = 0,
(4.59)
com a4 = a5 = = 0. As condicoes para que as razes tenham partes reais

negativas s
ao 1 > 0, 2 > 0, e 3 > 0; as quais, calculando-se os respectivos
determinantes, conduzem a
1
a > 0,
1
a1 1

a3 a2

a1 1

a3 a2

0 0
(4.60)

= a1 a2 a3 > 0,

0
a1 = a1 a2 a3 a23 = a3 (a1 a2 a3 ) > 0.
a3
(4.61)
(4.62)
ja que a4 = a5 = 0. Observe que a condicao (4.62), em vista de (4.61), implica,

simplesmente, em que a3 > 0.
No captulo 4 [vide Eq. (7.114)] mostramos que a equacao secular para uma
matriz 3 3 e dada por
3 Tr A 2 + c2 det A = 0,
(4.63)
onde c2 e a soma dos menores principais da matriz A, de sorte que os coeficientes

s
ao a1 = Tr A, a2 = c2 , e a3 = det A. Dessa forma, as condicoes (4.60)(4.62) podem ser reescritas na forma alternativa
Tr A
det A c2 Tr A
det A
<
>
0,
0,
(4.64)
(4.65)
<
0,
(4.66)
N=4
A equacao secular sera
4 + a1 3 + a2 2 + a3 + a4 = 0,
(4.67)
cujas razes ter

ao partes reais negativas se, e somente se
1
a > 0,
1
a1 1

a3 a2

a1 1

a3 a2

0 a4

a1 1

a3 a2

0 a4

0 0
(4.68)

= a1 a2 a3 > 0,

0
a1 = a1 a2 a3 a21 a4 a23 > 0,
a3

0 0
a1 1

a1 1
4+4
= (1) a4 a3 a2
a3 a2
0 a4
0 a4
(4.69)
(4.70)
0
a1
a3

= a4 3 > 0,
(4.71)

onde a5 = a6 = a7 = 0 e, no calculo do determinante de quarta ordem, usamos

o teorema de Laplace na quarta linha para reduzir a ordem do determinante.
Como a1 e positivo, ent
ao imediatamente temos que a4 > 0.
193
4.3.3
Sub-espacos invariantes
O conceito de auto-direcao invariante foi introduzido no captulo 2 para descrever as direcoes, determinadas pelos autovetores da matriz dos coeficientes de
um modelo bidimensional linear. Tais direcoes s
ao invariantes pois quaisquer
trajet
orias iniciadas em pontos das retas que as indicam permanecem nestas
retas para todos os tempos posteriores. A auto-direcao instavel (estavel) est
a
associada ao autovalor da matriz cuja parte real seja positiva (negativa); e as
condicoes iniciais que ali se coloquem geram trajet
orias que se afastam (aproximam) do ponto de equilbrio quando t tende ao infinito.
Esse conceito pode ser generalizado para uma matriz N -dimensional, que
tenha N autovalores (reais ou complexos), dos quais
s autovalores tem partes reais negativas;
u autovalores tem partes reais positivas;
c autovalores tem partes reais nulas;
onde N = s + u + c.
A estes autovalores estarao relacionados N autovetores correspondentes ui ,
i = 1, 2, . . . N , que podem ser classificados da seguinte forma:
s autovetores: u1 , us ;
u autovetores: us+1 , us+u ;
c autovetores: us+u+1 , uN ;
e os quais, por serem linearmente independentes, servem de base para subespacos do RN , denominados:
Es : sub-espaco est
avel, gerado pelos autovetores {u1 , us };
Eu : sub-espaco instavel, gerado pelos autovetores {us+1 , us+u };
Es : sub-espaco central gerado pelos autovetores {us+u+1 , uN }.
Esses sub-espacos s
ao invariantes em relacao ao fluxo linear t = etA : RN
R . Se uj e um autovetor de A correspondendo a um autovalor real e distinto
j , ent
ao ele tambem e autovetor de etA . Suponha que uj gere um sub-espaco
E, e que coloquemos uma condicao inicial exatamente nesse sub-espaco:
N
v(0) = cj uj E
(4.72)
Ent
ao a solucao correpondente para tempos posteriores sera dada por (4.38)
como
v(t) = cj ej t uj ,
(4.73)
que naturalmente tambem pertence a E, o qual portanto e invariante. Essa
prova tambem pode ser estendida a autovalores complexos e reais e repetidos,
com pequenas modificacoes.
Se uma condicao inicial for colocada exatamente em E s (E u ), a trajet
oria
resultante permanecer
a sempre nesse sub-espaco, e ira aproximar-se assintoticamente (afastar-se) da origem quando t tende ao infinito. Assim, os sub-espacos
194
est
avel e instavel s
ao generalizacoes diretas do conceito de auto-direcao est
avel e
instavel. No entanto, a variedade central s
o ocorre para autovalores com partes
reais nulas, o que torna o ponto de equilbrio nao-hiperbolico, e muito cuidado
deve-se tomar ao lidar com esse caso, ja que nessa situacao a aproximacao linear
pode ou nao nos fornecer uma informacao confiavel sobre o comportamento do
sistema nao-linear.
4.4
An
alise de estabilidade em alguns casos
Embora facamos uso de criterios gerais de estabilidade, que nao dependem da

determinacao explcita de autovalores, nem da solucao geral do modelo N dimensional, e importante conhecer maiores detalhes sobre o comportamento
das trajet
orias no espaco de fase, usando as informacoes obtidas pela aproximacao linear. Essa observacao vale mesmo que tenhamos disponveis amplos
recursos para integracao numerica das equacoes. Devemos explorar a grande
vantagem existente nos modelos lineares para ter uma ideia global da natureza
das solucoes, o que nem sempre se consegue apenas tracando algumas trajet
orias
no espaco de fase. Vamos restringir nossa abordagem a sistemas lineares com
N = 3 dimensoes, por simplicidade.
4.4.1
Tr
es autovalores reais e distintos
Suponhamos que a matriz A tenha tres autovalores reais e distintos: 1 , 2

e 3 , correspondendo aos autovetores linearmente independentes u1 ,u2 , e u3 ,
respectivamente. Como vimos no incio deste captulo, podemos encontrar uma
matriz de similaridade T que satisfaz
T1 .A.T = J,
ou seja, a matriz A e similar `
a seguinte forma de Jordan
1 0 0
J = 0 2 0 ,
0 0 3
(4.74)
(4.75)
e que e uma matriz diagonal. Em outros termos, a matriz A e diagonalizada

por meio da transformacao de similaridade T, que e obtida justapondo os tres
autovetores da matriz A, coluna a coluna. Pode-se mostrar que a exponencial
de uma matriz diagonal 2 2 e a matriz cujos elementos s
ao as exponenciais
dos elementos diagonais, o que pode ser estendido para tres dimensoes:
t
e1
0
0
e 2 t
0 .
eJt = 0
(4.76)
0
0
e 3 t
Vimos anteriormente que matrizes semelhantes tem as mesmas potencias

[veja a Eq. (4.8)]. Como a exponencial de uma matriz nada mais e do que uma
soma de um n
umero infinito de potencias, assim tambem se A e semelhante à
matriz de Jordan (diagonal) J, ent
ao a matriz etA e semelhante a etJ . Sabemos
que a solucao geral do modelo linear (7.179) e dada por w(t) = eAt .w(0). Como
195
10
5
0
-5
-10
10
5
z
0.5
0.25
0 z
-0.25
-0.5
0.5
-5
-10
-10
-1
-5
0 y
0
x
-0.5
10
Figura 4.1: Comportamento das trajet

orias quando (a) 1 = 0.8, 2 = 0, 6,
e 3 = 0, 5, e (b) 1 = 0.8, 2 = 0, 6, e 3 = 0, 5
eAt e semelhante a eJt , ent
ao existe uma matriz de similaridade T, que tem como
suas colunas os autovetores da matriz A, com a seguinte propriedade
eAt = T.eJt .T1 ,
(4.77)
de modo que, multiplicando por w(0) obtemos

w(t) = T.eJt .T1 .w(0).
(4.78)
z(t) T1 .w(t),
(4.79)
z(t) = eJt .z(0),
(4.80)
Definindo o vetor
a Eq. (4.78) fica
cujas componentes s
ao
t
e1
z1 (t)
z2 (t) = 0
z3 (t)
0
0
e 2 t
0
0
0
e 3 t
z1 (0)
z2 (0) ,
z3 (0)
(4.81)
o que desacopla as equacoes, fornecendo imediatamente as solucoes desejadas:

z1 (t)
z2 (t)
z3 (t)
=
=
=
e1 t z1 (0),
2 t
e z2 (0),
e3 t z3 (0).
(4.82)
(4.83)
(4.84)
Desta maneira, podemos fazer uma classificacao dos tipos de ponto de equilbrio
a partir dos valores (reais e distintos) dos autovalores da matriz A:
196
I. 1 < 0, 2 < 0, e 3 < 0

Como as exponenciais ei t tendem a zero quando t , ent
ao zi (t) 0,
de modo que a origem e um ponto de equilbrio assintoticamente est
avel. O
sub-espaco est
avel e, portanto, todo o R3 , nao havendo sub-espaco instavel. As
trajet
orias convergem para a origem como num no est
avel em tres dimensoes,
um exemplo sendo mostrado na Fig. 4.1(a).
II. 1 < 0, 2 < 0, e 3 > 0
Neste caso apenas as respectivas exponenciais anulam-se quando t tende a infinito. Por outro lado, como 3 > 0, a exponencial vai a infinito quando t .
O sub-espaco est
avel e o plano gerado pelos autovetores u1 e u2 ; enquanto o
sub-espaco instavel e a direcao definida pelo terceiro autovetor, u3 . Pelo exemplo representado na Figura 4.2(a), vemos que as trajet
orias no espaco de fase
tridimensional aproximam-se do ponto de equilbrio ao longo de direcoes paralelas ao sub-espaco est
avel, e depois escapam ao longo de direcoes paralelas ao
sub-espaco instavel. Nesse sentido, a Figura 4.2(a) mostra um analogo ao ponto
de sela, em tres dimensoes.
III. 1 < 0, 2 > 0, e 3 > 0
Agora u1 gera o sub-espaco est
avel, e u2 e u3 , o sub-espaco instavel, o qual e
um plano. As trajet
orias aproximam-se ao longo de direcoes paralelas a u1 e
afastam-se paralelamente ao plano [veja o exemplo da Fig. 4.2(b)]. O ponto de
equilbrio na origem e classificado formalmente como instavel, e constitui um
outro tipo de ponto de sela.
IV. 1 > 0, 2 > 0, e 3 > 0
Essa situacao implica na instabilidade do ponto de equilbrio ao longo das tres
direcoes, o que configura um analogo de um no instavel, onde o sub-espaco
instavel e todo o R3 , e o sub-espaco est
avel nao existe. A Figura 4.1(b) traz um
exemplo deste caso.
4.4.2
Dois autovalores complexos e um real
Supomos, agora, que dois dos autovalores de A sejam complexos conjugados,

dados por
1 = + i,
2 = 1 = i,
(4.85)
enquanto um terceiro autovalor 3 e real. De (4.12), a matriz A e similar a uma
matriz diagonal em blocos de Jordan:
0
0 ,
(4.86)
J=
0 0 3
onde o bloco 2 2 corresponde aos autovalores complexos e o elemento solteiro

ao autovalor real.
A exponencial de um bloco de Jordan 2 2 relativo a um par de autovalores
complexos pode ser efetuada a partir das series de Taylor das funcoes seno e
197
x
-0.1
-0.05
0.1
0
0.05
0
0.05
0.1
-0.05
-0.1
0.4
0.2
0.5
z
0
-0.5
0.5
-0.2
0.25
z
0
-0.4
-0.25
-0.5
-0.1
-0.05 0
0.05
0.1
x

orias quando (a) 1 = 0.8, 2 = 0, 6,
e 3 = 0, 5, e (b) 1 = 0.8, 2 = 0, 6, e 3 = 0, 5
198
cosseno. Ja a exponencial do elemento solteiro e semelhante ao caso anterior,

de forma, a exponencial da matriz (4.86) fica
t
e cos(t) et sin(t)
0
0 ,
(4.87)
eJt = et sin(t) et cos(t)
3 t
0
0
e
e que e, por sua vez, similar `

a matriz eAt .
Definindo o vetor z(t) como em (4.79), e substituindo (4.87), teremos para
as suas componentes
t
e cos(t) et sin(t)
0
z1 (0)
z1 (t)
z2 (t) = et sin(t) et cos(t)
0 z2 (0) ,
(4.88)
3 t
z3 (0)
z3 (t)
0
0
e
ou seja,
z1 (t)
z2 (t)
z3 (t)
=
=
=
et [cos(t)z1 (0) + sin(t)z2 (0)]

et [ sin(t)z1 (0) + cos(t)z2 (0)]
e3 t z3 (0)
(4.89)
(4.90)
(4.91)
As equacoes acima mostram que a din

amica na direcao do autovetor u3
e completamente independente da din
amica no sub-espaco gerado pelos autovetores u1 e u2 . No captulo 2 consideramos situacoes onde ha autovalores
complexos, mostrando que a matriz

cos
sin
R() =
(4.92)
sin cos
representa geometricamente uma rotacao do vetor z de um angulo em torno da
origem, no caso bidimensional. Para o caso tridimensional, podemos interpretar
como o
angulo de rotacao (dado por t) no sub-espaco est
avel, que e o plano
determinado pelos autovetores u1 e u2 .
Para descobrirmos o efeito da combinacao de uma rotacao R(t) com o fator
et , vamos calcular diretamente o modulo do vetor z(t) como funcao do tempo:
||z(t)||
z12 (t) + z22 (t) + z32 (t)
e2t [cos(t)z1 (0) + sin(t)z2 (0)] +
e2t [ sin(t)z1 (0) + cos(t)z2 (0)] + e23 t z32 (0)

e2t cos2 (t)z12 (0) + 2 sin(t) cos(t)z1 (0)z2 (0) + sin2 (t)z22 (0)+

sin2 (t)z12 (0) 2 sin(t) cos(t)z1 (0)z2 (0) + cos2 (t)z22 (0) +
=
=
e23 t z32 (0)

e2t sin2 (t) + cos2 (t) (z12 (t) + z22 (t)) e23 t z32 (0)
e2t (z12 (t) + z22 (t)) + e23 t z32 (0),
(4.93)
que representa a combinacao de uma dilatacao (ou encolhimento) do vetor z(t)

com uma rotacao em torno da origem, dependendo do fator , que e a parte
real dos autovalores complexos. Temos, pois, novas possibilidades:
199

orias quando (a) = 0.5, = 3, e
3 = 0, 3, e (b) = 0.5, = 3, e 3 = 0, 3
I. Re(1 ) = Re(2 ) = < 0, e 3 > 0
O sub-espaco est
avel E s e gerado por u1 e u2 , ao passo que, como 3 < 0,
o sub-espaco instavel E u e a autodirecao indicada por u3 . Como o terceiro
autovalor e real e positivo (3 ), o seu autovetor u3 define uma direcao instavel
transversal ao subespaco est
avel, ao longo da qual as trajet
orias escapam. Como
o termo e2t tende a zero quando t , o que representa um encolhimento
com o tempo dos termos que contem essa exponencial. Por outro lado, o fator
e23 t aumenta indefinidamente, o que representa uma dilatacao com o tempo.
A rotacao de um
angulo = t em torno da origem, v
alida para o sub-espaco
est
avel, combinada com uma dilatacao do modulo de z, resulta em trajet
orias
que espiralam em relacao ao sub-espaco instavel, mas que v
ao para infinito ao
longo do mesmo, como ilustra o exemplo da Figura 4.3(a). Isso significa, na
pr
atica, que o ponto de equilbrio ainda e instavel, mas as trajet
orias mesclam
o comportamento de um foco est
avel com o de um ponto de sela, ja que ha um
escape ao longo de uma direcao.
II. Re(1 ) = Re(2 ) = < 0, e 3 < 0
O sub-espaco est
avel E s e todo o R3 , posto que e gerado por u1 , u2 , e u3 .
Usando o raciocnio exposto anteriormente, as trajet
orias de fase serao as combinacoes de espirais convergentes à direcao u3 , e as trajet
orias aproximam-se da
origem ao longo da mesma. A origem e um ponto de equilbrio est
avel, e e uma
mistura de foco e no est
aveis, um exemplo sendo exibido pela Figura 4.4(a).
III. Re(1 ) = Re(2 ) = > 0, e 3 < 0
O sub-espaco instavel E s e gerado por u1 e u2 , enquanto o est
avel por u3 . As
trajet
orias aproximam-se da origem ao longo da auto-direcao u3 , mas afastam-se
200
concomitantemente dela por meio espirais divergentes à direcao u3 . A origem e

um equilbrio instavel, sendo um tipo generalizado de foco instavel [Fig. 4.4(b)].
IV. Re(1 ) = Re(2 ) = > 0, e 3 > 0
O sub-espaco instavel E s e todo o R3 , e as trajet
orias divergem para infinito
tanto ao longo de u3 como por meio de espirais fugitivas, fazendo que a origem
seja um tipo peculiar de foco instavel, como exemplificado pelo caso mostrado
na Figura 4.3(b).
4.4.3
Dois autovalores reais repetidos e outro distinto
Consideramos, agora, o caso onde ha dois autovalores reais repetidos (1 = 2 )

e um terceiro real porem distinto dos outros dois 3 6= 1,2 . Enquanto, para
modelos bidimensionais, a matriz A dos coeficientes e similar à seguinte forma
de Jordan

1
,
(4.94)
0
para o modelo tridimensional em analise, a matriz A e similar a uma matriz
diagonal em blocos de Jordan, com um elemento solteiro que refere-se ao terceiro
autovalor real e diferente dos outros dois:
1 0
0 0 .
(4.95)
0 0 3
A exponencial de uma matriz-bloco de Jordan 2 2 da forma (4.95), e
eJt
et
0
=
0
tet
et
0
0
0
e 3
(4.96)
Da mesma forma que nos casos anteriormente abordados, as matrizes eAt e

e s
ao similares [vide Eq. (4.77)]. As componentes do vetor z(t) s
ao obtidas
substituindo (4.96) em (4.88):
Jt
t
e
z1 (t)
z2 (t) = 0
z3 (t)
0
tet
tet
0
0
z1 (0)
0 z2 (0) ,
z3 (0)
e 3
(4.97)
ou seja,
z1 (t)
z2 (t)
z3 (t)
= et z1 (0) + tet z2 (0)

t
= e z2 (0)
= e3 t z3 (0)
(4.98)
(4.99)
(4.100)
Pela similaridade em muitos aspectos com a situacao de autovalores reais e

distintos, apresentaremos apenas dois casos dos v
arios possveis:
201
x
1
0.5
0
-1
0
1
-0.5
-1
5
2.5
x
y
-1
1
0
1
0
-1
z
0
-2.5
z
0
-5
-2

orias quando (a) = 0.5, = 3, e
3 = 0, 3, e (b) = 0.5, = 3, e 3 = 0, 3
202
I. 1 = 2 = < 0, e 3 > 0
Os autovetores correspondentes aos dois primeiros, a saber, u1,2 , geram o subespaco (bidimensional) est
avel, pois a funcao tet tende a zero se < 0. Vimos,
no captulo 2, que mesmo quando somente um autovetor e obtido diretamente a
partir da equacao de autovalores, e possvel encontrar um segundo vetor linearmente independente. Ja o terceiro autovetor u3 define uma direcao correspondente ao sub-espaco instavel, pois a funcao tet tende a infinito se 0. As
trajet
orias pr
oximas ao ponto de equilbrio instavel na origem s
ao exemplificadas
pelo sistema mostrado na Figura 4.5(a).
II. 1 = 2 = < 0, e 3 < 0
Aqui o sub-espaco est
avel e todo o R3 , e as trajet
orias convergem para o ponto
de equilbrio, que e um tipo de no est
avel degenerado, como ilustrado pela Fig.
4.5(b).
4.5
Estabilidade do equilbrio
Modelos contnuos multidimensionais nao-lineares da forma geral

dv
= F(v)
dt
(4.101)
tem solucoes de equilbrio, definidas como vetores de N componentes constantes

no decorrer do tempo, ou seja, que anulam o campo vetorial F
F(v ) = 0.
(4.102)
A estabilidade do ponto de equilbrio e investigada pela linearizacao do

campo vetorial na vizinhanca de v , cujas coordenadas s
ao (x1 , , xN ), tal
que a vizinhanca seja uma hiper-esfera de raio , onde xi . Para linearizar
o modelo, e verificar se o ponto fixo e est
avel dentro dessa vizinhanca limitada
por , nos expandimos em serie as N funcoes Fi (v). Escrevemos o vetor nas
vizinhancas do ponto fixo como
v(t) = v + w(t),
onde
w(t) =
tal que (4.101) fique
w 1 + x1
w 2 + x2
..
.
w N +
xN
=
=
=
=
w1 (t)
w2 (t)
..
.
wN (t)
x1 (t) x1
x2 (t) x2
..
.
xN (t) xN
(4.103)
(4.104)
F1 (w1 + x1 , w2 + x2 , . . . wN + xN ),
F2 (w1 + x1 , w2 + x2 , . . . wN + xN ),
..
.
FN (w1 +
x1 , w2
203
x2 , . . . wN
xN ).
(4.105)
-0.1
-0.05
0.05
0.1
0.5
z
0
-0.5
0.1
0.05
0
-0.05
-0.1
0.1
0.1
0.05
0
-0.05
-0.1
0.05
z
-0.05
-0.1
-0.1
-0.05
0
x
204
0.05
0.1

orias quando (a) = 0.8, 3 = 0, 5, e
(b) = 0.8, 3 = 0, 5
Vamos tambem supor que os incrementos wi (t) = xi (t) xi sejam suficientemente pequenos (||xi (t) xi || < 1), tal que possamos expandir cada uma
das N componentes Fi do campo vetorial em serie de potencias nos N incrementos wi , com i indo de 1 ate N . Sendo suficientemente pequeno, podemos
reter apenas os termos lineares, desprezando todos os outros. Resulta de (7.182)
o seguinte conjunto de equacoes acopladas:

F1
F1
F1
+ w2
+ . . . + wN
,
w 1 = w1
x1 v
x2 v
xN v

F2
F2
F2
w 2 = w1
+ w2
+ . . . + wN
,
x1 v
x2 v
xN v
.
..
(4.106)
. = ..

FN
FN
FN
w N = w1
+ w2
+ . . . + wN
,
x1 v
x2 v
xN v
onde usamos tambem (4.102) para eliminar os pontos de equil brio de ambos
os membros das expressoes.
Temos um total de N 2 derivadas parciais das funcoes Fi em relacao a todas
as variaveis din
amicas xj , calculadas no ponto fixo v . Definimos a matriz
Jacobiana como

F1
F1
F1
.
.
.
xN v
x1 v x2 v
F2
F2
F2
...
x1
x2
xN
v
v
v
(4.107)
J(v ) =
,
..
..
.
.
..
..
.
.

FN
x1
FN
x2
...
FN
xN
tal que (7.182) pode ser escrita na forma compacta
dw
= J(v ).w,
(4.108)
dt
e que e um modelo linear da forma (4.32), cujo ponto de equilbrio e a origem
no espaco N -dimensional. Alem disso, de (4.33), a solucao geral para os desvios
do equilbrio pode ser escrita na forma
w(t) = w(0)etJ(v ) .
(4.109)
O teorema de Hartman-Grobman, que introduzimos no Captulo 2, e naturalmente v

alido no caso multidimensional: se a matriz Jacobiana calculada no
ponto de equilbrio, J(v ) nao tiver autovalores nulos ou puramente imagin
arios,
ent
ao existe um homeomorfismo, definido em alguma vizinhanca do ponto de
equilbrio v RN , que leva trajet
orias do fluxo nao-linear t do sistema (4.101)
em trajet
orias do fluxo linear Dt (v )w do sistema (7.184).
Como consequencia, para estudar a estabilidade do ponto fixo v do modelo
nao-linear (4.32) nos investigamos a estabilidade da origem para o modelo linearizado (7.184), ou seja, estudar os autovalores da matriz Jacobiana. Caso um
mais autovalores tenham parte real nula, ou seja, se houver um sub-espaco central gerado pelos autovetores a eles correspondentes, o criterio de linearizacao
falha (e, neste caso, o ponto de equilbrio e nao-hiperb
olico). Nesse tipo de
situacao, faz-se necessario a analise dos termos nao-lineares desprezados na linearizacao do campo vetorial.
205
Figura 4.6: Variedades e sub-espacos est

avel e instavel.
4.5.1
Variedades invariantes
No captulo 2 definimos curvas invariantes relacionadas a um ponto de equilbrio

de um modelo bidimensional. Podemos generalizar essa ideia definindo o conceito de variedade W , a qual, para nossos propositos, pode ser vista como um
sub-conjunto do espaco RN . Uma variedade W e invariante pelo campo vetorial v = F(v) se, para qualquer condicao inicial v(0) pertencente a W , nos
tenhamos v(t) W para todos os tempos, ou seja, que a trajet
oria permaneca
sempre restrita `
a variedade W [2].
s
Analogamente, podemos definir variedades invariantes locais est
avel (Wloc
)
u
e instavel (Wloc ) associadas ao ponto de equilbrio v , da seguinte forma: seja

U RN uma vizinhanca de v . Ent
ao
s
Wloc
t 0},
(4.110)
u
Wloc
t 0}.
(4.111)
As variedades est
avel e instavel s
ao, pois, obtidas pela uni
ao das imagens das
variedades locais pelo fluxo t , ou
[
s
W s (v )) =
t (Vloc
(v )),
(4.112)
t0
W u (v ))
u
t (Vloc
(v )),
(4.113)
t0
Se o ponto de equilbrio e hiperbolico, ou seja, caso nao haja sub-espaco

central a ele associado (E c = ), pode-se demonstrar o teorema das variedades
s
s
invariantes: existem variedades locais invariantes est
avel Wloc
e instavel Wloc
s
u
com as mesmas dimensoes dos sub-espacos invariantes E e E do sistema linearizado (7.184) e tangentes a eles no ponto v [Fig. 4.6] [1, 2]. Em particular,
as variedades s
ao t
ao suaves como o campo vetorial nao-linear F. Isto quer
dizer que, se F e uma funcao vetorial de classe C r , ou seja, r vezes diferenciavel
no ponto de equilibrio, ent
ao tambem as variedades podem ser descritas por
equacoes de classe C r .
206
E
E
c
u
Figura 4.7: Variedades e sub-espacos est

avel, instavel e central.
Quanto `
a variedade central W c , se houver autovalores com parte real nula, a
natureza das trajet
orias nela restritas nao pode ser inferida a partir do respectivo
sub-espaco central E c . H
a tecnicas matematicas sofisticadas, como a teoria das
formas normais, que permitem-nos trabalhar com tais situacoes e investigar
possvel, ainda, generalizar o teorema
a estabilidade do equilbrio [2, 1]. E
u
anterior para inclu-lo neste estudo: a variedade local central Wloc
tambem e
c
tangente ao sub-espaco central E no ponto de equilbrio v mas, enquanto as

variedades est
avel e instavel s
ao u
nicas e de classe C r , a variedade central nao
e necessariamente u
nica, e e de classe C r1 [Fig. 4.7].
4.6
Exemplo em Economia: Modelo WKP de

Tobin
O modelo WKP (Walras + Keynes + Phillips) foi introduzido por J. Tobin em

1975 em seu estudo dos modelos Keynesianos de recess
ao e depressao [50]. As
macrovariaveis a serem utilizadas s
ao (a notacao utilizada nao e a sempre a
mesma de Tobin, seguindo `
as vezes a da Ref. [51]): Y : produto real agregado;
E: demanda real efetiva agregada; M : estoque nominal de moeda; p: nvel de
precos; : taxa de inflacao; e : taxa de inflacao esperada; T : impostos lquidos;
r: taxa nominal de juros; e L: demanda por moeda.
Temos a relacao
E = C + I + G,
(4.114)
onde C, I e G denotam o consumo, investimento e gastos governamentais, respectivamente. Supomos que G, assim como os impostos T e o estoque de moeda
M , sejam constantes.
207
4.6.1
Hip
oteses do modelo
A hip
otese fundamental do modelo WKP e a relacao IS-LM de equilbrio macroecon
omico, representada pelas equacoes ([51]):
YE
M
p
E(YE T, rE e ),
(4.115)
L(YE , rE ),
(4.116)
onde YE e rE representam a demanda e a taxa nominal de juros de equilbrio,

respectivamente. De forma equivalente, o ponto (YE , rE ) e a intersecao das
curvas IS e LM. Como usualmente a curva IS e monotonicamente decrescente,
e a curva LM monotonicamente crescente, este ponto de equilbrio e u
nico.
A funcao demanda E(Y T, r e ) depende da taxa de juros reais, ou seja,
a taxa nominal menos a inflacao esperada. As concavidades das curvas IS e LM
implicam nas seguintes relacoes para as derivadas parciais da funcao demanda
EY
Er
E
> 0,
(Y T )
E
< 0,
(r e )
(4.117)
(4.118)
onde usamos a notacao compacta yx para a derivada parcial de y em relacao a x,

y/x. Sabemos que EY e a propensao marginal de consumo, logo restringimos
seus valores dentro do intervalo 0 < EY < 1.
Fora do equilbrio macroecon
omico E = Y o mercado de bens nao se ajusta
rapidamente; o que est
a de acordo com o ponto de vista Keynesiano de que, a
curto prazo, salarios e precos s
ao estabelecidos e o produto responde às variacoes
da demanda [50]. A equacao que descreve a evolucao do produto sera, portanto
dY
= [E(Y, r, e ) Y ],
dt
(4.119)
onde > 0 e uma constante que mede a velocidade do ajuste do produto em

relacao a alteracoes nos valores de equilbrio.
Por outro lado, supomos que o mercado de moeda ajusta-se muito rapidamente `
as flutuacoes da taxa de juros, tal que a equacao (4.116) vale para todos
os tempos (nao s
o no equilbrio). A funcao demanda por moeda L(Y, r) tem na
taxa de juros nominais uma de suas variaveis. Podemos formalmente resolver
(4.116) para obter r em funcao de Y e p, a qual escrevemos como
),
r = r(Y, p, M
(4.120)
e cujos produtos marginais s

ao supostos positivos:
rY
rp
r
> 0,
Y
r
> 0.
p
(4.121)
(4.122)
Finalmente, supomos a demanda por moeda e os gastos governamentais como

, G = G).
ex
ogenos (M = M
Neste esprito, podemos reescrever a equacao
(4.119) como
dY
= [E(Y, p, e ) Y ].
(4.123)
dt
208
O nvel de precos, por sua vez, est

a relacionado com a taxa de inflacao por
=
d
dp/dt
= (ln p),
p
dt
(4.124)
e supomos que as expectativas da taxa de inflacao s

ao feitas de forma adaptativa,
ou seja,
d e
= ( e ),
(4.125)
dt
onde > 0 e o coeficiente de expectativas.
A terceira suposicao do modelo WKP e uma versao da curva de Phillips a
taxas naturais, ou seja, uma relacao entre a variacao da taxa de inflacao e a
variacao do produto:
e = (Y YE ),
(4.126)
onde > 0 e tal que, no equilbrio macroecon
omico, YE e o valor do produto
no pleno emprego, entendendo-se esse u
ltimo termo no sentido da taxa de desemprego nao ser aceleradora da inflacao (NAIRU) [51]. Substituindo (4.124)
em (4.126) obtemos
dp/dt
dp
e = (Y YE )
= p [(Y YE ) + e ] .
p
dt
Usamos (4.124) e (4.126) para eliminar da equacao (4.125):

dp/dt
d e
e
=
= ( e + (Y YE ) e ) = (Y YE ).
dt
p
4.6.2
(4.127)
Coletando as equacoes (4.123), (4.127), e (4.127), obtemos as equacoes do modelo WKP na forma de um fluxo tridimensional:
dY
dt
dp
dt
d e
dt
[E(Y, p, e ) Y ],
(4.128)
p [(Y YE ) + e ] ,
(4.129)
(Y YE ).
(4.130)
As coordenadas (Y , p , e ) do ponto de equilbrio s

ao, portanto, as solucoes
do sistema de equacoes
0
0
0
= [E(Y , p , e ) Y ],
= p [(Y YE ) + e ] ,
= (Y YE ).
(4.131)
(4.132)
(4.133)
De (4.133) segue imediatamente que Y = YE , ou seja, a solucao de equilbrio

din
amico coincide com o ponto de equilbrio macroecon
omico. Como supusemos
que as curvas IS e LM tem uma u
nica intersecao, s
o haver
a um valor para
o equilibrio din
amico; o que, alias, ja era esperado, visto que o modelo foi
construido tendo esse fato em mente. De (4.132), temos p e = 0. Como no
209
equilbrio o nvel de precos nao pode ser nulo, decorre que e = 0. Finalmente,
de (4.131),
E(YE , p , 0) = YE ,
(4.134)
relacao esta que determina implicitamente o nvel de precos no equilbrio p .
Para estudar a estabilidade desta solucao, precisamos obter inicialmente a
matriz Jacobiana do sistema (4.128)-(4.130), o que implica em calcular nove
derivadas parciais, a saber:
Y
Y
= (EY 1),
J12 =
= Ep ,
(4.135)
J11 =
Y
p
Y
p
J13 =
= Ee ,
J21 =
= p,
(4.136)
e
Y
p
p
= (Y YE ) + e ,
J23 =
= p,
(4.137)
J22 =
p
e
e
e
e
J31 =
= ,
J32 =
= J33 =
= 0. (4.138)
Y
p
e
as quais, computadas no ponto de equilbrio (YE , p , 0), fornecem
A B C
A J(YE , p , 0) = p 0 p ,
0 0
(4.139)
onde introduzimos as seguintes abreviacoes:

A
#

E
1 ,
[EY (YE , p , 0) 1] =
Y (YE ,p ,0)

E
Ep (YE , p , 0) =
,
p (YE ,p ,0)

E
,
Ee (YE , p , 0) = e
"
(4.140)
(4.141)
(4.142)
(YE ,p ,0)
Os autovalores da matriz acima s

ao obtidos a partir da equacao secular,
det[A I] = 0, que se escreve na forma do determinante

A B C

p 0 p = 0.
(4.143)

Utilizando a regra de Sarrus temos
(A ) 2 + p B + C + p B = 0,
3 A 2 (C + p B) p B = 0,
(4.144)
apos multiplicar todos os termos por 1 para trocar os sinais. Sendo uma
equacao do terceiro grau, sabemos que haver
a tres razes reais ou complexas.
Comparando (4.144) com a forma geral da equacao secular de terceiro grau
(7.113) identificamos os seguintes coeficientes:
a0
1,
(4.145)
a1
a2
=
=
(4.146)
(4.147)
a3
A,
(C + p B),
p B.
210
(4.148)
O criterio de Routh-Hurvicz atesta que os autovalores 1,2,3 ter

ao partes reais
positivas se e somente se as desigualdades (??)-(??) forem satisfeitas simultaneamente, ou seja,
a1
a2
a3
=
=
=
a1 a2 a0 a3
A > 0 A < 0,
(C + p B) > 0 (C + p B) < 0,
p B > 0 p B < 0,
A(C + p B) + p B > 0.
(4.149)
(4.150)
(4.151)
(4.152)
Como A = [EY (YE , p , 0) 1] e > 0, temos que EY 1 < 0 para que

(4.149) seja satisfeita, o que e sempre o caso, ja que, por hip
otese, 0 < EY < 1
(propensao marginal de consumo no equilbrio). Analogamente, uma vez que
B = Ep (YE , p , 0), a condicao (4.151) sera cumprida quando Ep < 0, que
pode-se mostrar sempre satisfeita [51]. A condicao (4.152) e a mais importante.
Como > 0 podemos dividir por esse fator
A(C + p B) + p B > 0,
2 [EY 1] (Ee + p Ep ) + p Ep > 0,

onde todas as derivadas parciais s
ao calculadas no ponto de equilbrio. Dividindo
novamente por > 0 temos:
[EY 1] (Ee + p Ep ) + p Ep > 0.
(4.153)
Como EY 1 < 0 e Ep < 0, para que a soma das duas parcelas acima de
positiva, resulta necessario que o termo entre parenteses seja negativo, que e a
condicao encontrada no artigo original de Tobin [50]:
(Ee + p Ep ) < 0.
4.7
(4.154)
Solu
c
oes num
ericas
Para modelos contnuos multidimensionais nao existem, em geral, solucoes analticas,

de forma que nosso conhecimento sobre as trajet
orias no espaco de fase est
a
condicionado `
a obtencao de solucoes numericas. Aqui, da mesma forma que nos
captulos 1 e 3, usamos os metodos de Euler (nao-recomendavel) e Runge-Kutta,
ou adaptacoes dos mesmos. Pode-se usar, igualmente, planilhas eletr
onicas ou
escrever programas em alguma linguagem, como C, para executar estas tarefas.
No entanto, pela praticidade do seu uso, abordaremos neste captulo apenas o
uso de software matematico.
Como exemplo de solucao numerica consideraremos o seguinte modelo tridimensional contnuo, proposto por Roessler em 1976 para estudo dos atratores
caoticos [52].:
dx
dt
dy
dt
dz
dt
(y + z),
(4.155)
x + ay,
(4.156)
b + z(x c),
(4.157)
211
10
passo = 0,1
passo = 0,01
passo = 0,001
-5
500
510
520
530
540
550
Figura 4.8: Solucoes numericas para o sistema de Rossler pelo metodo de RungeKutta com diferentes valores do passo de integracao.
para a = 0, 2, b = 0, 2 e c = 4, 7. Como condicoes iniciais adotaremos:

x(0) = 5, 0
y(0) = z(0) = 5, 0
(4.158)
e integraremos de ti = 0 ate tf = 10, 0.

Como nao ha solucao analtica para estes sistema de equacoes, em princpio
nao poderamos avaliar a priori se estes resultados est
ao corretos. Na pratica,
entretanto, ha uma forma bastante empregada de verificar a consistencia deste
tipo de solucao numerica: nos utilizamos 1000 pontos na integracao, o que
equivale a um passo 0, 01. Se multiplicarmos o n
umero de pontos por 10, por
exemplo, o passo sera dez vezes menor. Isto, em princpio, devera dar um
resultado mais preciso que o anterior. Caso a diferenca entre os resultados seja
pequena o suficiente (menor que uma tolerancia especificada, como um n
umero
da ordem de 107 ), podemos considerar a solucao numerica consistente e v
alida,
para a maioria dos propositos. Esse procedimento e usado quando fazemos a
integracao por meio de programa de computador ou se o software matematico
empregado permite a especificacao do passo de integracao.
Um exemplo de como esse metodo converge e mostrado na figura 4.8, onde
mostramos uma solucao numerica obtida a partir das mesmas condicoes iniciais
dadas por (), mas com diferentes valores do passo de integracao (para melhorar a
visualizacao dos resultados, mostramos apenas uma parte do gr
afico). Podemos
observar que um passo igual a 0, 1 fornece resultados muito piores do que um
passo de 0, 01 ou 0, 001, sendo que os dois u
ltimos ja s
ao bem mais proximos.
Do ponto de vista pratico, no entanto, e preciso lembrar que um passo muito
pequeno (como 0, 001) necessita de um n
umero de pontos muito maior, ja que
este e inversamente proporcional ao passo desejado. Por exemplo, se desejamos
diminuir o passo de um fator de 10, precisamos aumentar o n
umero de pontos
(e o tamanho do arquivo de dados) em 10 vezes.
Os resultados mostrados na figura 4.8 foram obtidos a partir da integracao
das equacoes pelo metodo de Runge-Kutta de quarta ordem, descrito no Captulo
212
1 e aqui adaptado para um modelo contnuo multidimensional. O programa est

a
reproduzido abaixo:
/* runge.c: metodo de Runge-Kutta de quarta ordem para solucao
numerica de um modelo continuo tridimensional. Saida dos
dados no arquivo runge.dat */
#include <stdio.h>
#include <math.h>
FILE *fp;
double f(double x,double y,double z),g(double x,double y,double z),
h(double x,double y,double z);
void main()
{
int k, points;
double xk, yk, zk, x0, y0, z0, tk, ti, tf, delta;
double kx1, kx2, kx3, kx4, ky1, ky2, ky3, ky4, kz1, kz2,
kz3, kz4;
fp = fopen("runge.dat","w");
/* inicializacoes */
points = 1000; /* numero de pontos calculados */
ti = 0.0; /* tempo inicial */
tf = 10.0; /* tempo final */
delta = fabs(tf - ti)/points; /* passo de integracao */
x0 = -5.0; /* condicoes iniciais */
y0 = 5.0;
z0 = 5.0;
/* coloca os valores iniciais nas variaveis */
k = 0;
xk = x0;
yk = y0;
zk = z0;
tk = ti;
fprintf(fp,"%d %f %f %f %f\n",k,tk,xk,yk,zk);
/* varre intervalos de ti a tf */
for(k = 1;k <= points;++k) {
tk = tk + delta; /* inicio do intervalo */
/* vetor auxiliar r1 */
kx1 = f(xk,yk,zk)*delta;
ky1 = g(xk,yk,zk)*delta;
kz1 = h(xk,yk,zk)*delta;
kx2 = f(xk+(kx1/2),yk+(ky1/2),zk+(kz1/2))*delta;
ky2 = g(xk+(kx1/2),yk+(ky1/2),zk+(kz1/2))*delta;
kz2 = h(xk+(kx1/2),yk+(ky1/2),zk+(kz1/2))*delta;
213
kx4 = f(xk+kx3,yk+ky3,zk+kz3)*delta;
ky4 = g(xk+kx3,yk+ky3,zk+kz3)*delta;
kz4 = h(xk+kx3,yk+ky3,zk+kz3)*delta;
/* variaveis no final do intervalo */
xk = xk + (kx1+(2*kx2)+(2*kx3)+kx4)/6;
yk = yk + (ky1+(2*ky2)+(2*ky3)+ky4)/6;
zk = zk + (kz1+(2*kz2)+(2*kz3)+kz4)/6;
/* imprime k, t, x, y, z no arquivo de dados */
fprintf(fp,"%d %f %f %f %f\n",k,tk,xk,yk,zk);
}
fclose(fp);
}
/* Equacoes do campo vetorial
Exemplo: sistema de Roessler
x = -(y+z), y= x + 0.2y, z= 0.2 + z(x-4.7) */
double f(double x,double y,double z)
{
return(-y-z);
}
double g(double x,double y,double z)
{
return(x+(0.2*y));
}
double h(double x,double y,double z)
{
return(0.2+z*(x-4.7));
}
4.7.1

atico
Maple
Escrevemos inicialmente as equacoes diferenciais (4.155)-(4.157) como
a :=
b :=
c :=
deq1
deq2
deq3
0.2;
0.2;
4.7;
:= diff(x(t),t) = -y(t) - z(t):
:= diff(y(t),t) = x(t) + a*y(t):
:= diff(y(t),t) = b + z(t)*(x(t) - c):
Vamos considerar a trajet

oria obtida a partir da condicao inicial x0 = 5 e
y0 = 5 e z0 = 5, no intervalo de tempo 0 t 100, com passo de integracao
0, 01. Para tracar essa trajet
oria, usamos os comandos:
with(DEtools):
214
10
20
5
z
15
0
-10
-5
10
10
x
-5
5
-10
0
-10
-5
10
20
15
10
0
-10
-5
10
Figura 4.9: Projecoes sobre os planos (a) xy, (b) yz e (c) xz da trajet
oria obtida
por solucao numerica do sistema (4.155)-(4.156) usando o Maple.
DEplot([deq1,deq2,deq3], [x,y,z], t=0..100, x=-10..10, y=-10..10,

z=0..20, {[x(0)=-5, y(0)=5, z(0)=5]}, stepsize=0.01, scene=[x,y],
linecolor=black, arrows=none);
cujo resultado leva `
a trajet
oria cuja projecao sobre o plano xy pode ser vista na
Figura 4.9(a). Naturalmente a trajet
oria nao pode se autointerceptar no espaco
de fase tri-dimensional, mas sua projecao sobre qualquer um dos planos pode,
como neste caso. Embora nao divirja nem convirja com o tempo, tampouco
parece ser uma trajet
oria fechada. Como veremos mais à frente trata-se, de
fato, de uma trajet
oria caotica. Nestes casos, a precis
ao com que realizamos
a integracao numerica e um fator crucial na confiabilidade dos resultados. As
projecoes dessa trajet
oria ao longo dos planos yz e xz s
ao obtidas usando o
mesmo comando anterior e trocando a opcao scene= [x,y] por scene= [y,z]
[Fig. 4.9(b)] e scene= [x,z] [Fig. 4.9(c)], respectivamente.
O Maple permite, ainda, a visualizacao tridimensional da trajet
oria, pelo
comando DEplot3d:
DEplot3d([deq1,deq2,deq3], [x,y,z], t=0..100,
215
20
15
z
10
10
10
5
5
0
-5
0
-10
5
0
x
-5
-10
Figura 4.10: Trajet

oria no espaco de fase obtida por solucao numerica do sistema
(4.155)-(4.156) usando o Maple.
x=-10..10, y=-10..10, z=0..20,{[x(0)=-5,y(0)=5,z(0)=5]},

stepsize=0.01,linecolor=black, arrows=none);
cujo resultado pode ser visto na Fig. 4.10. Na verdade, a perspectiva mostrada
na figura pode ser alterada com o mouse, quando ainda a figura e tracada na
tela do computador (worksheet), de forma a exibir o maior n
umero possvel de
detalhes.
Para tracar as series temporais das variaveis din
amicas, empregamos o comando
DEplot([deq1,deq2,deq3], [x,y,z], t=0..100, x=-10..10, y=-10..10,
z=0..20, {[x(0)=-5,y(0)=5,z(0)=5]}, stepsize=0.01, scene= [t,x],
linecolor=black, arrows=none);
como mostra a Fig. 4.11(a). As Figuras 4.11(b) e (c) s
ao obtidas aplicando no
comando anterior as opcoes scene= [t,y] e scene= [t,z], respectivamente.
Mathematica
Para usar o Mathematica especificamos o campo vetorial como:
a = 0.2;
b = 0.2;
c = 4.7;
deq1 = x[t] == -y[t] -z[t];
deq2 = y[t] == x[t] + a*y[t];
deq3 = z[t] == b + z[t]*(x[t] - c);
216
10
10
0
0
20
40
60
80
100
20
40
60
80
100
-5
-5
-10
-10
20
15
10
0
0
20
40
60
80
100
Figura 4.11: Series temporais obtidas por solucao numerica do sistema (3.24)(3.25) usando o Maple.
A trajet
oria originada pela condicao inicial x0 = 5 e y0 = 5 e z0 = 5, ao
longo do intervalo de tempo 0 t 500 pode ser visualizada a partir das suas
projecoes sobre os planos com os comandos [Fig. 4.12]:
soln = NDSolve[{deq1,deq2,deq3,x[0]=-5.0,y[0]=5.0,z[0]=5.0},
{x[t],y[t],z[t]}, {t,0,500}];
ParametricPlot[
Evaluate[{x[t],y[t]} /. soln], {t,0,100},
AxesLabel ->{x,y}];
ParametricPlot[
Evaluate[{y[t],z[t]} /. soln], {t,0,100},
AxesLabel ->{y,z}];
ParametricPlot[
Evaluate[{x[t],z[t]} /. soln], {t,0,100},
AxesLabel ->{x,z}];
sendo que o Mathematica tambem conta com um comando especfico para visualizacao tridimensional da trajet
oria [Fig. 4.13]:
ParametricPlot3D[
Evaluate[{x[t],y[t],z[t]} /. soln], {t,0,200},
PlotRange -> All, PlotPoints -> 10000,
AxesLabel ->{x,y,z}];
Para representar as series temporais, usamos [Fig. 4.14]:
217
z
2
5
1.5
2.5
-7.5 -5 -2.5
-2.5
2.5
7.5
10
1
0.5
-5
-7.5
-7.5
-5
-2.5
2.5
z
2.5
2
1.5
1
0.5
-7.5 -5 -2.5
2.5
7.5
10
Figura 4.12: Projecao sobre os planos yz e xz da trajet

oria obtida por solucao
numerica do sistema (4.155)-(4.156) usando o Mathematica.
y
0
-5
15
z 10
5
0
-5
0
x
5
10
Figura 4.13: Trajet

oria no espaco de fase obtida por solucao numerica do sistema
(4.155)-(4.156) usando o Mathematica.
218
x
10
7.5
2.5
2.5
20
20
40
60
80
40
60
80
100
t -2.5
100
-2.5
-5
-5
-7.5
-7.5
z
2
1.5
1
0.5
20
40
60
80
100
Figura 4.14: Serie temporal obtida por solucao numerica do sistema (3.24)-(3.25)
Plot[Evaluate[ x[t] /. soln], {t,0,100},

AxesLabel ->{t,x}];
Plot[Evaluate[ y[t] /. soln], {t,0,100},
AxesLabel ->{t,y}];
Plot[Evaluate[ z[t] /. soln], {t,0,100},
AxesLabel ->{t,z}];
Matlab
Para resolver as equacoes (3.24)-(3.25) no Matlab, elas tem de ser especificadas
no arquivo rossler.m:
function rp = rossler(t,v)
% rossler.m
a = 0.2;
b = 0.2;
c = 4.7;
rp = v;
x = v(1);
y = v(2);
z = v(3);
vp(1) = -y - z;
vp(2) = x + a*y;
vp(3) = b + z*(x-c);
Da mesma forma que nos casos anteriores, podemos visualizar as projecoes
da trajet
oria ao longo do intervalo 0 t 100 [Fig. 4.15], partindo da condicao
inicial (x0 , y0 , z0 ) = (5, 5, 5), e com passo de integracao 0, 05, bem como as
219
16
14
12
10
z
18
10
8
0
10
10
18
16
14
12
10
8
6
4
2
0
8
10
Figura 4.15: Projecao sobre os planos xy, yz, e xz da trajet

oria obtida por
solucao numerica do sistema (4.155)-(4.156) usando o Matlab.
series temporais resultantes [Fig. 4.16], por meio da seguinte sequencia de comandos:
[t,v] = ode45(rossler, [0:0.05:100], [-5,5,5]);
plot(v(:,1),v(:,2))
plot(t,v(:,1), t,v(:,2))
O Matlab conta, ainda, com um comando para visualizacao tri-dimensional
dos resultados [Fig. 4.17].
plot3(v(:,1),v(:,2),v(:,3))
4.8
Exemplo em Economia: Modelo de Inovac

ao
Tecnol
ogica
Vamos estudar um modelo proposto por Goodwin em 1990 que incorpora a

inovacao tecnologica na din
amica do produto e salarios, baseado em ideias anteriores de Schumpeter [81]. Os avancos tecnologicos ocorrem de modo r
apido
(swarms), deslocando o equilbrio macroecon
omico para um novo ponto, tal que
a trajet
oria do sistema para este u
ltimo seja cclica, ao inves de monotonica.
4.8.1
Macrovari
aveis e hip
oteses do modelo
As macrovariaveis definidas s
ao q: produto corrente; qd : demanda corrente total;
w: fluxo de salarios reais; e k: capacidade inovadora. As hip
oteses do modelo,
220
20
x(t)
y(t)
z(t)
15
10
10
20
40
60
80
100
Figura 4.16: Series temporais obtidas por solucao numerica do sistema (4.155)(4.156) usando o Matlab.
20
15
10
0
10
5
10
5
5
y
5
10
10
Figura 4.17: Trajet

oria no espaco de fase tridimensional obtida por solucao
numerica do sistema (4.155)-(4.156) usando o Matlab.
221
e as equacoes din
amicas resultantes, s
ao as seguintes:
1. O produto e dinamicamente ajustado à demanda total:
dq
= e(qd q),
dt
(4.159)
onde e > 0 e um coeficiente de ajuste. A demanda corrente total e dada por

qd = aq + wd + Ik + d,
(4.160)
onde aq representa a demanda industrial, (sendo a > 0 um coeficiente que

representa a influencia do produto na demanda), wd a demanda ligada aos
salarios, Ik o investimento em inovacoes, e d representa outros componentes da
demanda. Estes u
ltimos serao supostos ex
ogenos e constantes no tempo, para
que se possa isolar, no modelo, o impacto da inovacao na variacao do produto
e dos salarios.
2. Supomos um crescimento do tipo logstico para a capacidade inovadora

k
dk
,
(4.161)
= bk 1
dt
c
onde b > 0 e uma taxa de crescimento da capacidade inovativa, e c > 0 representa uma capacidade-limite, acima da qual o crescimento passa a ser negativo,
ao inves de positivo. Estudamos essa equacao no Captulo 1, a qual tem uma
solucao na forma de um S elongado, que modelaria os swarms representados por
inovacoes tecnologicas.
3. Supomos uma relacao linear entre investimento em inovacoes e o crescimento
da capacidade produtiva

dk
k
Ik = m
,
(4.162)
= mbk 1
dt
c
onde m e a raz
ao capacidade inovadora/produto.
4. A demanda ligada aos salarios depende da taxa real de sal
arios w e do
produto q na forma
wd = a wq,
(4.163)
onde a e um coeficiente renda/trabalho, nao-constante. Seu inverso representa
a produtividade do trabalho, a qual e afetada pelo crescimento logstico da
capacidade de inovacao, na seguinte forma:
a (t) = h(1 sk(t)),
(4.164)
onde s e um coeficiente que mede o efeito das inovacoes tecnologicas sobre a

produtividade, e h = a (0) e a produtividade inicial.
Substituindo (4.164) em (4.163) temos, pois
wd = wqh(1 sk(t)),
(4.165)
tal que a taxa de variacao do produto e obtida colocando (4.165), (4.162) e

(6.150) em (4.159):

dq
k
+dq ,
= e aq + wqh(1 sk) + mbk 1
dt
c

k
= e d + [a + (1 sk)hw]q + mbk 1
q .
(4.166)
c
222
5. H
a um nvel de equilbrio de emprego n, tal que a taxa real de salario
permanece estacion
aria, sem pressoes de alta ou baixa devido à carencia ou
excesso de mao-de-obra disponvel. A taxa real de salarios varia com o tempo,
portanto, conforme a diferenca entre o nvel de emprego corrente a q e seu valor
de equilbrio numa forma linear:
dw
= f (a q n) = f ((1 sk)hq n),
dt
(4.167)
onde f e um par
ametro de ajuste din
amico do salario às flutuacoes do nvel de
emprego.
O modelo contnuo tridimensional que iremos estudar compoe-se, pois, das
Eqs. (4.166), (4.167), e (4.161):

dq
k
q ,
(4.168)
= e d + [a + (1 sk)hw]q + mbk 1
dt
c
dw
= f [(1 sk)hq n],
(4.169)
dt

k
dk
.
(4.170)
= bk 1
dt
c
4.8.2
Pontos de equilbrio e sua estabilidade
O produto de equilibrio, q , o nvel salarial de equilbrio w , e a capacidade

inovativa de equilbrio k serao solucoes do seguinte sistema de equacoes:

k
e d + [a + (1 sk )hw ]q + mbk 1
= 0,
(4.171)
q
c
f [(1 sk )hq n] = 0,
(4.172)

k
bk 1
= 0.
(4.173)
c
A equacao (4.173) tem duas solucoes, a saber,
k1 = 0,
k2 = c.
(4.174)
A primeira delas corresponde `

a ausencia de crescimento, o que nao teria interesse econ
omico, mas ainda sera considerada do ponto de vista matematico.
A segunda solucao e o nvel assint
otico de inovacao tecnologica, que decorre
tambem do fato da solucao k(t) (que tem uma forma analtica, vide Eq. (1.58))
tender a c quando o tempo vai a infinito.
Isolando q de (4.172) temos
q =
n
,
h(1 sk )
(4.175)
que corresponde, conforme (4.174) a duas solucoes de equilbrio para o produto

q1 =
n
,
h
q2 =
n
.
h(1 sc)
(4.176)
Dividindo a Eq, (4.171) por e e levando em conta (4.173), temos

q = d + [a + (1 sk )hw ]q ,
223
(4.177)
e, isolando w , temos o nvel salarial de equilbrio:

w =
(1 a)q d
,
q
(4.178)
que, em vista das duas solucoes em (4.176), tambem tem duas solucoes possveis,
que s
ao
hd
1a
hd
,
w2 =
.
(4.179)
w1 = 1 a
n
1 sc
n
Resumindo, temos os dois vetores de equilbrio:
n
n
h
v1 = 1 a
0
hd
n
h(1sc)
hd
hd
n n
v2 = 1 a
(4.180)
A estabilidade destes equilbrios, na aproximacao linear, depende dos autovalores da matriz Jacobiana do sistema de equacoes (4.168)-(3.104), cujos
elementos s
ao as derivadas parciais seguintes:
q
= e[(a 1) + hw(1 sk)],
q
q
=
= ehq(1 sk),
w

2k
q
,
= e shqw + mb 1
=
k
c
w
=
= f h(1 sk),
q
J11 =
(4.181)
J12
(4.182)
J13
J21
w
= f shq,
k
k
=
= 0,
w
(4.183)
w
= 0,
(4.184)
w
k
=
= 0,
(4.185)
q

k
2k
.
=
=b 1
k
c
(4.186)
J22 =
J23 =
J31
J32
J33
Analisamos separadamente cada uma das solucoes de equilbrio (4.180). A

matriz Jacobiana correspondente à solucao v1 e
2
e[(a 1)(1 h) hnd ] en e[sn(1 a) + shd + mb]
, (4.187)
J(v1 ) =
fh
0
f sn
0
0
b
no enquanto para a solucao bf v 1 a matriz e
2
] en
e[(a 1)(1 h) h d(1sc)
n
J(v2 ) =
f h(1 sc)
0
0
0
esn(1a)
(1sc)2
eshd
1sc
f sn
1sc
emb
(4.188)
Para facilitar os calculos, observamos que ambas as matrizes Jacobianas podem
ser colocadas numa forma comum, que e
i en
i
,
i
(4.189)
J(vi ) = i 0
i
0
0 (1) b
224
onde i = 1, 2, e definimos os seguintes smbolos

h2 d
,
1 = e (a 1)(1 h)
n
1 = e[sn(1 a) + shd + mb],

h2 d(1 sc)
2 = e (a 1)(1 h)
,
n
esn(1 a)
eshd
2 =
2 + 1 sc emb,
(1 sc)
1 = f h,
(4.190)
1 = f sn,
(4.191)
2 = f h(1 sc),
(4.192)
2 =
f sn
.
1 sc
(4.193)
Os autovalores da matriz Jacobiana s

ao as solucoes da respectiva equacao
secular,

i en

i

= 0,
i
det[J(vi I] = i
(4.194)

i

0
0 (1) b
a qual, desenvolvida pela regra de Sarrus, fornece uma equacao c

ubica para os
autovalores:
i
[(i ) + eni ][(1) b + ] = 0,

i
(4.195)
+ [i (1) b] + [eni + i (1) b] + [(1) eni b] = 0.

Comparando com a forma geral da equacao c
ubica (7.113) achamos os coeficientes
i
a0 = 1,
a1 = i (1) b,
(4.196)
a3 = (1) eni b,
(4.197)
a2 = eni + i (1) b,
Pelo criterio de Routh-Hurwitz, os pontos de equilbrio vi serao assintoticamente est

aveis se e somente se, os coeficientes da equacao secular satisfizerem
simultaneamente as inequacoes (??)-(??), que assumem as seguintes formas
i
i (1) b
>
0,
(4.198)
>
0,
(4.199)
>
0.
(4.200)
[i (1) b][eni + i (1) b] + (1) eni b

(1) eni b
Observe que os termos i e i nao participam da analise da estabilidade, ao

menos nessa etapa.
Para a solucao de equilbrio v1 a condicao de estabilidade (4.200) implica
em que 1 = f h < 0. Mas, como tanto f como h s
ao supostos positivos, essa
desigualdade nunca e verificada. Ent
ao sabemos que essa solucao de equilbrio e
sempre instavel. Isso nao e surpreendente de todo, pois vimos que esse equilbrio
corresponde a uma ausencia de capacidade inovativa (k1 = 0), e sem interesse
maior. Ja para a outra solucao, v2 , o mesmo raciocnio leva à condicao 2 =
f h(1 sc) > 0, ou seja, que sc < 1. Alem disso, as desigualdades (4.198) e
(4.199) necessarias a que o equilbrio seja est
avel s
ao
h2 d
]
n
(2 b)(en2 + 2 b) + en2 b
2 = e[(a 1)(1 h)
225
>
b,
(4.201)
>
0.
(4.202)
8
7
6
q(t)
w(t)
k(t)
5
4
3
2
1
0
10
20
30
40
50
60
70
80
90
100
Figura 4.18: Solucoes numericas para o sistema de Goodwin pelo metodo de

Runge-Kutta com f = 0, 0.
4.8.3
Exemplo num
erico
Consideremos os seguintes valores numericos estudados por Goodwin para os

coeficientes do modelo: a = 0, 2, b = 0, 12, c = 4, 0, d = 4, 0, e = 0, 161,
h = 0, 3, s = 0, 05, m = 3, 0, e n = 2, 4. N
os conservaremos como par
ametro
variavel apenas f . Neste caso particular as solucoes de equilbrio (4.180) s
ao,
respectivamente,
8, 0
10, 0
v1 = 0, 3 , v2 = 0, 5 ,
(4.203)
0
4, 0
independentemente do valor escolhido para f , e cuja estabilidade depende do

calculo dos seguintes coeficientes
1 = 0, 06601
1 = 0, 3f
2 = 0, 70035
2 = 0, 15f.
1 = 0, 052164
2 = 0, 10948
1 = 0, 12f
2 = 0, 24f
Podemos, agora, verificar as condicoes (4.201)-(4.202) para que o ponto v2

seja est
avel (ja que, como vimos, v1 e sempre instavel para par
ametros positivos
do modelo), uma vez que sc = 0, 04 4 = 0, 8 < 1. Como 2 0, 29694617 o que, naturalmente, nao altera nossa conclus
ao.
Para ter uma ideia mais concreta da evolucao das variaveis do modelo,
fazemos a integracao numerica do sistema tridimensional de equacoes com as
seguintes condicoes iniciais:
q(0) = 8, 0
w(0) = 1, 0
k(0) = 0, 1.
e o mesmo conjunto de par

ametros adotado na analise da estabilidade, alem
de tomar f = 0. Na figura 4.18 mostramos a evolucao temporal das tres
226
8
q(t)
w(t)
k(t)
6
4
2
0
-2
-4
-6
0
10
20
30
40
50
60
70
80
90
100
Figura 4.19: Solucoes numericas para o sistema de Goodwin pelo metodo de

Runge-Kutta com f = 0, 07.
macrovariaveis, de t = 0 ate t = 108, 0. Observamos que os salarios permanecem

constantes, o que e uma consequencia de fazer f = 0 em (4.169), donde tiramos
que
dw
= 0,
w(t) = w(0).
(4.204)
dt
Alem disso, o comportamento da capacidade inovativa e uma curva sigmoide,
o que decorre imediatamente do fato da equacao (3.104) possuir tal solucao,
inclusive na forma analtica [vide Eq. (1.58)]. Ja o produto inicialmente cresce
ate atingir um valor maximo por volta de 8, 25, para depois diminuir alcancando
um patamar por volta de 7, 16 para t = 108, 0, e inclusive permanecendo nesse
valor para todos os tempos posteriores.
Alterando o valor do par
ametro f para 0, 07 observamos na Figura 4.19 modificacoes significativas no comportamento do produto e dos salarios (uma vez que
a capacidade inovativa evolui de forma independente das outras macrovariaveis,
como vimos). O produto praticamente nao cresce em relacao ao seu valor inicial, e logo inicia uma trajet
oria descendente dentro do intervalo considerado
(ate t = 108, 0). Ja os salarios (reais) tem uma evolucao tambem descendente,
chegando mesmo a assumir valores negativos esp
urios.
4.9
Problemas
1. Determine os autovalores da matriz
1
A= 6
1
2
1
2
1
0 ,
1
2. (a) Mostre que duas matrizes semelhantes tem os mesmos determinantes. (b)
Mostre que duas matrizes semelhantes tem os mesmos autovalores.
227
3. Se V(t) e a matriz fundamental de soluca

o, mostre que
etA = V(t)V( 0)1 .
4. Considere a matriz [[1], pg. 9]
2
A= 0
1
1
2
0
3
0 ,
0
(a) Ache etA

(b) Resolva o sistema v = A.v para as seguintes condico
es iniciais:
5
2
1
3 .
0 ,
v0 = 1 ,
2
2
1
5. Seja a matriz
1 1 0
1 0 ,
M= 1
0
0
2
Determine os sub-espacos est
avel, inst
avel e central associados a
` origem.
6. Um modelo tridimensional importante na hist

oria da teoria do caos foi proposto
por Lorenz em 1963:
dx
= (y x)
dt
dy
= rx y xz
dt
dz
= xy bz
dt
onde , r e b s
ao par
ametros positivos.
(a) Mostre que, para toda trajet
oria no espaco de fase (x(t), y(t), z(t)) haver
a
uma trajet
oria simetrica (x(t), y(t), z(t));
(b) Mostre que as soluco

es de equilbrio s
ao
0
C+
(0, 0, 0)
p
p
( b(r 1), b(r 1), r 1)
p
p
( b(r 1), b(r 1), r 1)
(c) Construa a matriz Jacobiana, e estude a estabilidade da soluca

o 0.
(d) Usando os valores numericos = 10, e b = 8/3 estude a estabilidade das
soluco
es C+ e C quando r = 10 e r = 28.
(e) Considere o caso = 10, b = 8/3, e r = 28. Ache soluco
es numericas para
as trajet
orias de fase nesse caso, e comente seus resultados. Qual o aspecto das
trajet
orias no espaco de fase?
7. Considere o modelo Marshalliano introduzido por Tobin como contraponto do
modelo WKP (as notaco
es e interpretaca
o s
ao as mesmas):
dY
= (Y YE )
dt
= [E(Y, p, e ) Y ] + e
d e
= ( e )
dt
Determine as soluco
es de equilbrio e estude sua estabilidade.
228
(4.205)
(4.206)
(4.207)
Captulo 5
Modelos discretos
unidimensionais
V
arios modelos econ
omicos de interesse tem o tempo como variavel discreta (ou
seja, o tempo assume apenas valores inteiros t = 0, 1, 2, . . .). Se considerarmos,
por exemplo, os rendimentos de uma aplicacao financeira, sera conveniente medir
o tempo em meses. Caso estejamos tratando da producao agrcola de um determinado bem, o tempo pode ser medido em safras. Num modelo macroecon
omico
que envolva taxas de desemprego, inflacao, etc. a unidade conveniente de tempo
sera um ano, e assim por diante. Tais modelos discretos s
ao tambem denominados equacoes a diferencas, mapeamentos, ou simplesmente mapas (este u
ltimo
termo e mais empregado na literatura de Dinamica N
ao-Linear [3, 34, 54]).
5.1
Modelos discretos unidimensionais lineares
Nossa analise seguira a sequencia dos captulos anteriores para modelos contnuos,
e comecar
a pelos modelos discretos unidimensionais lineares, cuja forma mais
geral e a do chamado modelo discreto afim.
5.1.1
Modelo discreto afim
Vamos imaginar uma aplicacao financeira a uma taxa de juros 100% ao mes,
onde 0 < < 1. Vamos denominar xt o montante (em reais) da aplicacao no
mes t = 0, 1, 2, . . ., de modo que x0 e o montante inicial da mesma, no mes t = 0.
O montante no mes t, em funcao do montante no mes anterior t 1, sera dado
por
xt = xt1 + xt1 = (1 + )xt1 .
(5.1)
Agora suponhamos que, a cada mes, o investidor faca um dep
osito fixo de A
reais. O modelo discreto resultante sera
xt = (1 + )xt1 + A.
(5.2)
Este e um exemplo de modelo discreto unidimensional (onde ha uma u

nica
variavel, no caso, o montante da aplicacao) denominado modelo discreto afim,
229
e que e escrito de forma geral como

xt = f (xt1 ) = xt1 + ,
(5.3)
onde e s
ao n
umeros reais. O modelo discreto (5.2) corresponde à escolha
= (1 + ) e = A.
O modelo discreto (5.3) e uma relacao de recorrencia para a qual, dado o
valor da variavel num dado instante, obtemos o valor da variavel no instante
seguinte. Por exemplo, supondo conhecida a condicao inicial x0 , no proximo
instante teremos
x1 = f (x0 ) = x0 + ,
e no instante seguinte
x2 = f (x1 ) = x1 + = (x0 + ) + = 2 x0 + (1 + ).
Usaremos a seguinte notacao: x2 = f (x1 ) = f (f (x0 )) f [2] (x0 ), onde f [2] (x)
f (f (x)) denota a segunda iterada da funcao f (x), ou seja, a funcao composta com ela mesma, e que nao deve ser confundida com a funcao elevada
2
ao quadrado, ou [f (x)] . Da mesma forma, f [t] (x) e a t-esima iterada de f , ou
seja, a funcao f (x) composta com ela mesma t vezes.
Analogamente, as iteradas subsequentes do modelo discreto resultam da
composicao da funcao f repetidas vezes:
x3
=
=
=
f (x2 ) = f (f (x1 )) = f (f (f (x0 ))) f [3] (x0 )

x2 + = (2 x0 + (1 + )) +
3 x0 + (1 + + 2 )
(5.4)
A sequencia de iteradas sucessivas do modelo discreto, {x0 , x1 , x2 , . . . xn , . . .},

e chamada de
orbita gerada pelo modelo discreto f (x), a partir da condicao
inicial x0 . Podemos usar o princpio de inducao finita para determinar o valor
da t-esima iterada xt , em funcao da condicao inicial x0 .
xt
..
.
=
=
=
=
f (xt1 ) = xt1 +
(xt2 + ) + = 2 xt2 + (1 + )
..
.
t x0 + (1 + + 2 + . . . + t1 ).
(5.5)
A expressao entre parenteses na u

ltima das equacoes anteriores e igual à soma
dos t primeiros termos de uma progress
ao geometrica de raz
ao e termo inicial
1. Usando a formula para a soma dos termos de uma progress
ao geometrica,
temos
t1
X
1(t 1)
n = 1 + + 2 + . . . t1 =
,
(5.6)
1
n=0
de modo que
(t 1)
=
xt = x0 +
1
t
x0 +
1
,
1
(5.7)
que e a solucao geral do modelo discreto afim (5.3), pois fornece o valor de xt
para qualquer valor do tempo t > 0, sem a necessidade de se calcular as iteradas
intermediarias. So nos foi possvel obter esta solucao geral devido ao fato da
funcao f (x) ser linear.
230
x
t+1
t+1
=x
x
t+1
t+1
=x
x*
x
3
x
(a)
= tg
(b)
f(x ) = x +
t
t
x x x*
2 3
Figura 5.1: (a) Modelo Discreto afim. (b) Diagrama de escada de um modelo
discreto afim.
5.1.2
Diagramas de escada
Uma maneira conveniente de visualizar as sucessivas iteradas de um modelo

discreto unidimensional
xt = f (xt1 ),
(5.8)
seja ele linear ou nao, e construir o diagrama de escada correspondente. Como

veremos posteriormente, eles s
ao bastante parecidos com os diagramas do tipo
teia de aranha, que aparecem em diversos modelos econ
omicos de oferta e
demanda.
Usamos dois eixos cartesianos representando as variaveis xt (eixo das ordenadas) e xt1 (eixo das abscissas), e neste sistema tracamos o gr
afico da funcao
f (x). No caso da funcao afim x + o gr
afico e uma reta com coeficientes
angular e linear iguais, respectivamente, a e [Fig. 5.1(a)]. Da geometria
analtica, sabemos que = tan , onde e o angulo entre a reta e o eixo horizontal, medido no sentido anti-hor
ario (declividade da reta); e e a ordenada do
ponto de intersecao da reta com o eixo vertical. Tracamos tambem a primeira
bissetriz, que e o gr
afico da funcao identidade xt = xt1 , e que e uma reta que
passa pela origem e faz 45o com o eixo horizontal.
Localizamos no eixo horizontal o valor correspondente à condicao inicial
x0 , e subimos uma perpendicular ate encontrar o gr
afico da funcao f (x), no
caso a reta x + [Fig. 5.1(b)]. O valor correspondente no eixo vertical sera
x1 = f (x0 ). N
os tracamos uma paralela ao eixo horizontal a partir deste ponto
ate interceptar a primeira bissetriz. A abscissa do ponto de intersecao e obviamente igual a x1 . A partir deste ponto repetimos o processo: construimos
uma perpendicular ao eixo horizontal passando por x1 ate encontrar o gr
afico
da funcao obtendo x2 = f (x1 ), rebatemos no eixo horizontal e assim por diante.
O diagrama resultante assemelha-se a uma escada, onde o incio de cada degrau
indica o valor da iterada do modelo discreto.
231
x =x
t+1 t
x
x
(a)
t+1
(b)
t+1
x
=x
t+1 t
1
*
x
x
x*x x
0
x
t
x*
x1
Figura 5.2: (a) Modelo Discreto afim com inclinacao maior que 45o . (b) Modelo
Discreto afim com inclinacao negativa.
5.1.3
Pontos fixos e sua estabilidade
Na figura 5.1(b) observamos que a sequencia de iteracoes aproxima-se do ponto

de intersecao entre o gr
afico da funcao afim e a primeira bissetriz. A coordenada
x deste ponto e a solucao da equacao
x = x + ,
ou seja
,
(5.9)
1
desde que 6= 1. Caso = 1 e 6= 0, nao ha ponto de intersecao entre a reta
da funcao e a primeira bissetriz, elas s
ao retas paralelas. Se = 1 e = 0 as
duas retas coincidem, de modo que todos os seus pontos satisfazem (5.9).
O ponto x e mais comumente chamado ponto fixo do modelo discreto f (x),
pois ele e um ponto que mapeia a si proprio. Esta definicao se aplica a
qualquer tipo de modelo discreto, seja ele linear ou nao-linear. De modo geral,
para o modelo discreto unidimensional
x =
xt = f (xt1 ),
(5.10)
o ponto fixo e a solucao da equacao

x = f (x ).
(5.11)
Voltando ao modelo discreto afim (5.3), podemos usar o ponto fixo (5.9)
para reescrever a sua solucao geral (5.7) como
xt = (x0 x )t + x .
(5.12)
Os pontos fixos desempenham para os modelos discretos um papel analogo

`s solucoes de equilbrio em modelos contnuos. Ambos representam solucoes
a
estacion
arias do modelo em analise. Consequentemente, e necessario tambem
232
x2
(a)
t+1
(b)
t+1
x = xt
t+1
x = xt
t+1
x1
x0
x1
x2
Figura 5.3: Diagrama de escada de um modelo discreto afim para (a) = 1 e

6= 0, (b) = 1 e = 0.
estudar sua estabilidade em relacao a pequenos desvios. Vamos, pois, analisar

com mais detalhes as situacoes ilustradas pelas Figuras 5.1(b) e 5.2(a). No
primeiro caso, as iteracoes do modelo discreto aproximam-se do ponto fixo x
quando t , o que ocorrera tanto se x0 estiver à esquerda como à direita do
ponto fixo. Neste caso, o ponto fixo x e assintoticamente est
avel, pois pequenas
perturbacoes fazem o sistema retornar a ele quando o tempo t tende a infinito.
Por outro lado, na Figura 5.2(a), tomando-se uma condicao inicial proxima ao
ponto fixo, observamos que as iteradas subsequentes do modelo discreto afastamse de x . Se fizermos o tempo tendendo ao infinito, tambem o valor das iteradas
tender
a ao infinito. Neste caso o ponto fixo e instavel, pois qualquer condicao
inicial em sua vizinhanca produz uma orbita que afasta-se do ponto fixo.
Para obter um criterio que determine se um ponto fixo e est
avel ou instavel,
vamos tomar a solucao geral do modelo discreto afim (5.12), lembrando que xt
depende do tempo basicamente segundo as potencias t . Se || < 1 as sucessivas
potencias de v
ao fornecendo n
umeros cada vez menores, e t 0 quando t
tende ao infinito. Usando (5.12) temos, portanto, que xt x quando t 0,
ou seja, o ponto fixo x e assintoticamente est
avel. Por outro lado, se || > 1,
as potencias de v
ao crescendo com o passar do tempo, e t quando t
tende ao infinito, de forma que tambem xt diverge, e o ponto fixo x e instavel.
Como = tan , onde e o
angulo que o gr
afico faz com o eixo das abscissas,
se > 0 o ponto fixo e est
avel desde que o angulo seja agudo e menor
que 450 (ja que tan 450 = 1). Podemos ter, ainda, um gr
afico com inclinacao
negativa, como exemplificado pela Figura 5.2(b). Agora, para negativo o
ponto fixo e est
avel se 1 < < 0, desde que o angulo seja obtuso e maior
que 900 + 450 = 1350 .
Na situacao onde || = 1, ha duas possibilidades: caso = 1 e 6= 0, como
tan 450 = 1, a reta do gr
afico e paralela à primeira bissetriz e nao havera ponto
fixo x . O diagrama de escada mostra que, partindo de uma condicao inicial
qualquer x0 as iteracoes subsequentes v
ao para infinito [Fig. 5.3(a)]. Se = 0,
a reta do gr
afico passar
a pela origem e, na verdade, coincidira com a primeira
bissetriz [Fig. 5.3(b)]. Podemos dizer, ent
ao, que ha infinitos pontos fixos, que
233
(a)
x
t+1
(b)
t
x = xt
t+1
x*
x
x0
x*
x1
0 1 2 3 4 5
Figura 5.4: (a) Diagrama de escada de um modelo discreto afim para = 1 e

6= 0; (b) Serie temporal correspondente.
nao podem ser classificados nem como est

aveis nem como instaveis.
Se = 1, ent
ao t e igual a 1 se t for par, e 1, se t for mpar. Como
x = /1 (1) = /2, as iteracoes subsequentes serao
x1
x2
(1) (x0 x ) + x = x0 ,
2
(1) (x0 x ) + x = x0 ,
e assim sucessivamente, formando um ciclo de perodo 2

{x0 , x0 , x0 , x1 , . . .},
ja que a cada duas iteracoes o valor inicial se repete. O diagrama de escada correspondente e uma figura fechada, diferente para cada condicao inicial [Fig.
5.4(a)]. Esse tipo de ciclo e muito semelhante, em que pese as diferencas
matematicas, `
as trajet
orias no plano de fase em torno de um centro (vistas
no Captulo 2): as iteracoes oscilam indefinidamente em torno do ponto fixo x
sem jamais alcanca-lo, seja qual for a condicao inicial [Fig. 5.4(b)]. Novamente,
podemos associar esse tipo de comportamento a um equilbrio indiferente. Finalmente, se = 0 a mesma situacao repetir-se-
a, mas com o ponto fixo na
origem x = 0.
Podemos resumir nossa analise no seguinte criterio de estabilidade para modelo discretos lineares afins:
|| < 1: x e assintoticamente est
avel,
|| > 1: x e instavel,
=1
6= 0: nao existe ponto fixo,
= 0: existem infinitos ponto fixos (nem est
aveis nem instaveis),
= 1: ciclo de perodo 2 em torno do ponto fixo.
234
5.2
Exemplo em Economia: Modelo linear da

teia de aranha
O modelo de teia de aranha descreve o preco de equilbrio de um certo produto,

num mercado simples com um hiato de oferta. Ele e particularmente u
til na descricao de precos de produtos agrcolas. Um fazendeiro tem de decidir o quanto
vai produzir de um certo bem em um certo perodo, antes que o preco deste
bem seja determinado pelo mercado, e antes que o produto da sua venda seja
recebido. Logo, a quantidade deste bem a ser ofertada num perodo depende do
preco esperado do bem neste perodo, que por sua vez pode ser uma funcao mais
ou menos complicada do preco deste bem no perodo anterior (ou anteriores).
Matematicamente, o modelo de teia de aranha pode ser representado por um
modelo discreto unidimensional.
O equilbrio entre oferta e procura, numa situacao idealizada de mercado
onde nao haja excedentes de producao nem insatisfacao da demanda, implica
na existencia de um preco de equilbrio para o bem, determinado pelo proprio
mercado. As origens desse modelo remontam aos trabalhos de Ezekiel e Leontiev, na decada de 30 [55, 56]. No entanto, estudos econometricos apontaram
que tal preco de equilbrio seria frequentemente instavel [57]. Nerlove, em 1958,
mostrou que a introducao de expectativas melhoraria a estabilidade do preco de
equilbrio [58]. Estas expectativas representariam a incorporacao da experiencia
anterior na fixacao de precos esperados sobre os precos futuros. Contribuicoes
mais recentes ao modelo de teia de aranha foram dadas por Carlson [59] e Manning [60, 61].
5.2.1
Vers
ao tradicional
Seja t = 0, 1, 2, . . . o perodo correspondente, por exemplo, a uma safra de um

produto agrcola. Vamos denominar pt o preco do produto no perodo t. A
demanda pelo produto, ou seja, a quantidade deste produto, Dt , procurada
pelos seus consumidores no perodo t, decresce com o seu preco neste perodo
(quanto menor o preco, maior a demanda, e vice-versa). Usa-se comumente uma
funcao-demanda linear [21]
Dt = a bpt ,
(5.13)
onde a > 0 e b > 0 s
ao coeficientes conhecidos a priori. O par
ametro b e a
elasticidade da demanda, e indica o quanto a demanda dimuinui para um dado
aumento de preco. Considerando dois instantes de tempo, onde D1 = a bp1 e
D2 = a bp2 , a variacao da demanda e D = D1 D2 = b(p1 p2 ) = bp.
Por exemplo, se b = 0, 3, um aumento de 20% no preco do produto provocar
a
uma diminuicao na sua demanda de 0, 2 0, 3 = 0, 06 100% = 6%.
A quantidade do produto oferecida pelos produtores sera denotada Ot . No
modelo tradicional de teia de aranha, a oferta num dado perodo t e determinada
pelo preco no perodo anterior t 1. Quanto maior o preco num dado perodo,
tambem maior sera a oferta do produto para o perodo seguinte. Adotamos uma
relacao linear entre estas duas variaveis
Ot = c + dpt1 ,
onde c > 0, e d > 0 e a elasticidade da oferta.
235
(5.14)
(a)
p
t+1
p = p
t
t+1
p1
p
3
p*
p
p p
0
p*
(b)
111
000
000
111
000
111
000
111
000
111
000
111
p
t
p
1
p
3
p*
p
4
p
2
p
0
p
t
(b)
Figura 5.5: Modelo tradicional de teia de aranha. Preco de equilbrio assintoticamente est
avel. (a) Diagrama de escada; (b) Serie temporal
Supomos que o mercado define o preco final do produto tal que a demanda
por ele absorva completamente a sua oferta, ou seja, nem os consumidores ficam
privados do produto, nem os produtores retem estoques do mesmo
Dt = Ot .
(5.15)
Substituindo (5.14) e (5.13) em (5.15) obtemos ent

ao para o preco do produto
num certo perodo, em funcao do seu valor no perodo precedente, a seguinte
relacao

d
ac
pt1 ,
(5.16)
pt =
b
b
que tem a forma de um modelo discreto afim xt = xt1 + , fazendo-se as

seguintes substituicoes:
x t pt ,
ac
,
b
d
.
b
(5.17)
Na abordagem est
atica do modelo de teia de aranha, o preco final que o
mercado estabelece para o produto, dito seu preco de equilbrio, pE , e encontrado
pela intersecao das retas que identificam as funcoes oferta e demanda.
pE =
ac
.
b+d
(5.18)
Dado um preco inicial maior ou menor que pE , a sua evolucao pode ser acompanhada tracando retas paralelas aos eixos vertical e horizontal (da o apelido
de teia de aranha para o gr
afico resultante), e que tendem para o preco final
de equilbrio. O preco de equilbrio e o ponto fixo do modelo discreto (5.16),
dado por
ac
p =
=
= pE .
(5.19)
1
b+d
O ponto fixo sera assintoticalmente est
avel, como vimos na secao anterior,
se || < 1, ou seja, se

d d
= < 1,
(5.20)
b b
236
(a)
p
p
3
p =p
t+1 t
t+1
(b)
1111
0000
0000
1111
0000
1111
0000
1111
0000
1111
0000
1111
p
t
(b)
p
3
p
1
p*
p
0
p
2
p
4
p
1
p*
p
p p p* p
2 0
1
p
t
Figura 5.6: Modelo tradicional de teia de aranha com preco de equilbrio

instavel. (a) Diagrama de escada; (b) Serie temporal
ja que tanto d quanto b s

ao supostos positivos. Logo, o preco de equilbrio
sera est
avel se d < b, ou seja, caso a elasticidade da oferta seja menor que
a da demanda. Neste caso o gr
afico do modelo discreto e uma reta com inclinacao negtiva e menor do que 45o (Figura 10.19a). Um preco inicial proximo
ao preco de equilbrio ira se aproximando deste em cada perodo (oscilacoes
amortecidas)(Figura 10.19b). Em cada iteracao, o preco do produto sera alternadamente um pouco maior ou um pouco menor que o valor de equilbrio. Se
fizermos o diagrama de escada para as iteracoes sucessivas do modelo discreto,
obteremos uma figura bastante semelhante à teia de aranha que da nome ao
modelo.
Caso || > 1 (ou seja, se d > b) o preco de equilbrio sera instavel: se
tomarmos um preco inicial proximo a ele, as iteracoes sucessivas irao divergir
deste, na forma de oscilacoes explosivas, cujas amplitudes ficam cada vez
maiores e tendem para o infinito (Figura 10.20b). Para este caso, o gr
afico
do modelo discreto e uma reta com inclinacao negativa e superior a 45o , e o
diagrama de escada ainda e uma teia de aranha, s
o que divergente (Figura
10.20a). O caso || = 1 leva ao ciclo peri
odico visto na secao anterior, uma vez
que = d/b < 0, e a hip
otese d = b resulta em = 1. O preco de equilbrio,
neste caso, nao pode ser classificado como est
avel ou instavel, e qualquer preco
inicial gerara um ciclo de perodo 2: {p0 , p1 , p0 , p1 , . . .} (Figura 5.7), registrado
pela primeira vez por Leontiev [56].
5.2.2
Expectativas adaptativas
O modelo tradicional de teia de aranha pode ser interpretado em termos de

expectativas. Denominando pet o preco do produto esperado pelos produtores,
podemos reescrever a funcao-oferta na seguinte forma
Ot = c + dpet ,
(5.21)
onde o preco esperado num dado perodo e o preco corrente no perodo anterior
pet = pt1 ,
237
(5.22)
(a)
p
t+1
p =p
t+1 t
111
000
000
111
000
111
000
111
000
111
(b)
p
1
p*
p*
p
(b)
p
t
p
0
0
p
p*
p1
p
t
Figura 5.7: Modelo tradicional de teia de aranha. Preco de equilbrio indiferente

(a) Diagrama de escada; (b) Serie temporal
o que comumente e denominado expectativa ingenua. A raz

ao dessa terminologia
depreciativa e facil de entender: todos aprendemos pela experiencia, e com ela
sabemos (ou pensamos saber) como adequar nossas previsoes, tendo em vista
o sucesso ou insucesso das mesmas. Desta forma, os precos esperados devem
mudar conforme sejam mais ou menos bem-sucedidas.
Uma maneira de formular as expectativas, ja descrita por Nerlove em 1958
[58], consiste em revisar, ou adaptar as expectativas em cada perodo com base
na diferenca entre o preco efetivamente observado e aquele previamente esperado. Se o preco alcancado num perodo for maior do que o valor esperado
(pt1 > pet1 ), ent
ao o preco esperado para o perodo seguinte e revisado para
cima (pet > pet1 ); caso contrario, e revisado para baixo. Emprega-se, tambem,
uma relacao linear na forma
pet = pet1 + w(pt1 pet1 ),
(5.23)
onde 0 < w < 1 e um coeficiente de incorporacao da experiencia pregressa a

novas expectativas de precos. O caso w = 1 reduz-se ao modelo tradicional (expectativas ingenuas), ao passo que w = 0 representa uma expectativa mope,
no sentido que o preco esperado nao e alterado ao longo do tempo
u
E
til reescrever a relacao anterior como
pet = (1 w)pet1 + wpt1 ,
(5.24)
de forma que o preco esperado para um perodo e uma media ponderada entre o preco esperado anterior e o preco real anterior. Alem disso, de (5.21),
considerada no perodo t 1, temos que
Ot1 = c + dpet1 .
Isolando pet de (5.21), e pet1 da expressao anterior, e substituindo os resultados

em (5.24), obtemos
Ot = (1 w)Ot1 + wc + wdpt1 .
(5.25)
Aplicando, agora, a hip

otese de que a oferta iguale a demanda para quaisquer
perodos, temos que
Ot1 = Dt1 = a bpt1 ,
238
donde podemos eliminar Ot e Ot1 em favor de pt e pt1 , respectivamente. O

resultado final e um novo modelo discreto para o preco

w
wd
pt1 + (a c),
(5.26)
pt = 1 w
b
b
que tem a forma de um modelo discreto afim, desde que

d
,
1w 1
b
w(a c)

.
b
O ponto fixo do modelo discreto com expectativas adaptativas continua
sendo o preco de equilbrio do modelo tradicional de teia de aranha
ac
=
= pE ,
1
b+d
e que e assintoticamente est
avel se || < 1, ou seja, se

d
1 < 1 w 1 +
< +1.
b
p =
(5.27)
(5.28)
Subtraindo 1, multiplicando por w, e novamente subtraindo 1 a ambos os lados

da desigualdade acima, chegamos ao seguinte resultado
2
d
< 1.
(5.29)
b
w
Como tanto b como d s
ao positivos, essa condicao e simplesmente 0 < d/b <
2/w1. Mas 0 < w < 1, de modo que (2/w)1 > 1. Lembremos que a condicao
de estabilidade do ponto fixo no modelo tradicional e d/b < 1. Concluimos que
a adocao de expectativas aumenta o tamanho do intervalo de estabilidade do
preco de equilbrio por um fator 2/w; ou seja, a introducao das expectativas
melhora as propriedades de estabilidade do preco de equilbrio, tendo em vista
que a nova condicao e menos restritiva do que a do modelo tradicional.
1 <
5.3
Modelos
lineares
discretos
unidimensionais
n
ao-
Aprendemos que o modelo discreto afim possui uma solucao geral, ou seja, dado
qualquer perodo de tempo t, podemos saber qual o valor de xt . H
a poucos comportamentos din
amicos possveis nesse caso: os valores de xt podem convergir
assintoticamente para um ponto fixo, divergir para infinito, ou ainda estacionar
num equilbrio nem est
avel nem instavel (e que pode ser um u
nico ponto ou
um ciclo com dois pontos). Modelo Discretos nao-lineares, por outro lado, apresentam uma din
amica bem mais rica e complicada, que nao se restringe aos
comportamentos listados acima, incluindo outras possibilidades, como orbitas
peri
odicas, bifurcacoes, caos, crise, intermitencia, etc.
Como um modelo discreto nao-linear nao tem uma solucao geral, somos
quase sempre obrigados a determinar numericamente as iteradas sucessivas, a
partir de uma dada condicao inicial. Embora existam infinitos modelo discretos
que possam ser classificados como nao-lineares, nos tradicionalmente introduzimos o seu estudo a partir de um paradigma, que e o modelo logstico discreto.
239
5.3.1
Modelo logstico discreto
O modelo logstico discreto tem a forma

xt = f (xt1 ) = rxt1 (1 xt1 ),
(5.30)
onde 0 xt 1 e 0 < r 4. O gr
afico do modelo discreto e uma par
abola
cujo vertice (ponto de maximo) tem coordenadas (xt1 = 1/2, xt = r/4) [Fig.
??(a)]. Quando r = 4 o vertice da par
abola logstica est
a em x = 1; logo se
r > 4 a condicao que x esteja no intervalo [0, 1] deixa de ser satisfeita. Da
mesma forma, se r = 0 a par
abola reduz-se ao eixo horizontal, e para valores
negativos de r a concavidade da par
abola e invertida, o que tambem leva x a
valores fora do domnio [0, 1].
O nome logstico para o modelo discreto (5.30) vem do fato deste ser
uma versao discreta do modelo logstico de Verhulst para o crescimento populacional que estudamos no Captulo 1. Consideremos xt como a populacao de
um determinado grupo. A suposicao, feita inicialmente por Malthus, de que o
crescimento dessa populacao deva ser exponencial, leva a um modelo discreto
linear: xt = xt1 , onde t = 0, 1, 2 . . . indica as sucessivas geracoes populacionais, e > 1 representa a sua taxa lquida de crescimento (ou seja, a taxa
de natalidade menos a taxa de mortalidade). Em cada instante de tempo a
populacao e xt = t x0 , o que rapidamente leva a populacoes muito grandes.
comum, em aplicacoes econ
E
omicas, descrever o crescimento exponencial de
t
uma certa variavel discreta vt como v0 (1 + g) , onde 0 < g < 1 e uma taxa de
crescimento, e v0 e um valor inicial. Supondo, agora, que a taxa de crescimento
seja limitada pelo aumento da populacao, a taxa lquida de crescimento nao sera
mais constante, porem diminuir
a com o aumento da populacao:
r(1 xt1 ),
o que resulta no modelo logstico discreto (5.30).
Um outro exemplo de problema que resulta neste modelo discreto e uma
aplicacao financeira com taxas de juros auto-limitadas [62]. Como vimos no
incio deste captulo, o montante zt de uma aplicacao, no mes t = 0, 1, 2, . . ., e
dado por (5.1)
zt+1 = (1 + )zt ,
(5.31)
onde 0 < < 1 e a taxa de juros. Suponhamos que, para coibir um enriquecimento ilimitado por meio desta aplicacao, algum poltico ou tecnocrata imponha
que a taxa de juros seja auto-limitada, ou seja, que ela seja reduzida proporcionalmente `
a diferenca entre o montante e um certo valor maximo zmax :

zt
,
(5.32)
0 1
zmax
onde 0 e a taxa de juros inicial.
Substituindo (5.32) em (5.31), e definindo um montante normalizado como

zt
0
,
(5.33)
xt
1 + 0 zmax
podemos escrever
xt = (1 + 0 )xt1 (1 xt1 ),
240
(5.34)
(a)
(b)
0,8
0,8
0,6
0,6
xt+1
xt+1
0,4
0,4
0,2
0,2
0,2
0,4
0,6
0,8
0,2
xt
0,4
0,6
0,8
xt
Figura 5.8: Primeira iterada do modelo logstico discreto com (a) r = 0, 7; (b)
r = 1, 5.
que, definindo-se r = 1 + 0 , reduz-se ao modelo logstico discreto (5.30).

Os pontos fixos do modelo logstico discreto s
ao dados por
xa = 0,
1
xb = 1 .
r
(5.35)
No entanto, se r < 1 segue que xb e necessariamente negativo, ou seja, fora do

intervalo de definicao do modelo discreto [0, 1]. Neste caso, portanto, apenas o
ponto fixo na origem, xa = 0, existe. Podemos conferir este fato no exemplo da
figura 5.8(a), que mostra haver apenas uma intersecao do gr
afico da funcao (no
caso para r = 0, 7) e a primeira bissetriz.
5.4
Itera
c
oes sucessivas
N
ao possuimos uma solucao geral para o modelo logstico discreto, nem para
modelos nao-lineares, no caso de tempo t arbitrario e r qualquer. Temos, pois,
de calcular as iteracoes sucessivas a partir de uma condicao inicial x0 , para obter
xt :
x1
f (x0 ) = rx0 (1 x0 )
x2
x3
..
.
=
=
f (x1 ) = f (f (x0 )) = f [2] (x0 ) = rx1 (1 x1 )

f (x2 ) = f (f (f (x0 ))) = f [3] (x0 ) = rx2 (1 x2 )
..
.
xt
f (xt1 ) = f (f ( f (x0 ) )) = f [t] (x0 ).
(5.36)
As iteradas sucessivas podem se tornar funcoes extremamente complicadas.

241
t+1
(a)
0
1
0
21
0
1
t+11
0
(b)
0
1
11111111111
00000000000
00000000000
11111111111
[2]
00000000000
11111111111
00000000000
11111111111
00000000000
11111111111
f(f(x))=f (x)
00000000000
11111111111
00000000000
11111111111
T(x)
T(T(x))
__
1 x*
2
__
1
4
3 x*
x* __
4 2
1
x * __
1 2
Figura 5.9: (a) Primeira e (b) segunda iteradas do modelo da tenda
Por exemplo, a segunda iterada do modelo logstico discreto e a funcao

f [2] (x)
=
=
=
f (f (x)) = rf (x)(1 f (x))

r[rx(1 x)][1 rx(1 x)]
2
r2 x(1 x) r3 x2 (1 x) ,
(5.37)
cujo gr
afico e mostrado na [Fig. ??(b)]. Esse procedimento leva rapidamente a
funcoes polinomiais de grau bastante alto.
Um modelo discreto cujas iteradas sucessivas s
ao relativamente mais faceis
de ser obtidas, e que nos permitira chegar a resultados analticos em secoes
futuras, e o chamado modelo da tenda [34]
xt = T (xt1 ) =
2xt1
2(1 xt1 )
se 0 xt1 12 ,
se 21 < xt1 1,
(5.38)
cujo gr
afico tem a forma de uma tenda [Fig. 5.9(a)], sendo linear por partes
nos intervalos [0, 1/2] e (1/2, 1]. No ponto x = 1/2 a funcao T (x) e contnua,
mas nao diferenciavel, o que significa que a derivada do modelo discreto T (x)
em relacao a x neste ponto nao e u
nica, ou seja, depende se estamos olhando à
esquerda ou `
a direita de x = 1/2 1 . Um modelo discreto linear por partes, como
o modelo da tenda, comporta-se de forma mais proxima de um modelo discreto
nao-linear, como o logstico.
O modelo da tenda tem dois pontos fixos, que s
ao as solucoes da equacao
x = T (x ). Como T (x) e definida de forma diferente nos intervalos [0, 1/2] e
(1/2, 1], temos de impor ambas as formas do modelo discreto na equacao que
fornece o ponto fixo. No intervalo [0, 1/2] a condicao x = 2x e satisfeita por
x = 0; ao passo que no intervalo (1/2, 1] temos que x = 2(1 x ) resulta em
x = 2/3.
Na Figura 5.9(b) mostramos a segunda iterada do modelo da tenda, que e
1 As
T (x+
c )
derivadas s
ao diferentes numa vizinhanca do ponto crtico xc = 1/2: T (x
c ) = 2 e
= 2. Dizemos tamb
em que T (x) n
ao
e suave neste ponto.
242
dada em quatro intervalos:
4x,
2(1 2x),
[2]
T (x) =
2(1 + 2x),
4(1 x),
se
se
se
se
0 x 1/4,
1/4 < x 1/2,
1/2 < x 3/4,
3/4 < x 1.
(5.39)
Neste caso, a funcao tem tres pontos crticos, a saber: x = 1/4, 1/2 e 3/4.
Observe que a segunda iterada e uma especie de copia reduzida e duplicada
da primeira iterada do modelo da tenda. De forma semelhante, a terceira iterada
duplica novamente o gr
afico, o que pode ser visto na figura 5.10(b).
A primeira iterada do modelo da tenda T (x) = T [1] (x) tem um (= 20 )
vertice no ponto crtico x = 1/2, e a declividade (coeficiente angular) das retas
e (1)/(1/2) = 2 = 21 . A segunda iterada, T [2] (x), tem dois (= 21 ) vertices,
sendo a declividade (1)/(1/4) = 4 = 22 ; ao passo que a terceira iterada T [3] (x)
tem quatro (= 22 ) vertices e declividade (1)/(1/8) = 8 = 23 . Por inducao
finita, o gr
afico da t-esima iterada do modelo da tenda deve ter 2t1 vertices, e
a declividade de cada segmento de reta e 2t .
5.4.1
Pontos finalmente fixos
Pontos que, se usados como condicoes iniciais num modelo discreto f (x), levam
depois de um certo n
umero finito de iteracoes ao ponto fixo x s
ao chamados de
pontos finalmente fixos. Dito de maneira mais formal, x e um ponto finalmente
fixo de f (x) se existe um inteiro positivo n tal que f [n] (x) e um ponto fixo de f .
Como um exemplo, no modelo da tenda x = 1/8 e um ponto eventualmente
fixo, pois as imagens de x por meio do modelo discreto T (x) convergem a o
ponto fixo x = 0 em n = 4 iteracoes:
T (1/8) = 1/4,
T (1/4) = 1/2,
T (1/2) = 1,
T (1) = 0,
T (0) = 0.
De forma geral pode-se mostrar (veja o Problema 1) que, se x = k/2n , onde k

e n s
ao inteiros positivos, e 0 < k/2n 1, ent
ao x e um ponto finalmente fixo
do modelo da tenda.
Se o modelo discreto f (x) for inversvel, ele possui uma u
nica funcao inversa
f [1] . Nesse caso, os pontos finalmente fixos s
ao dados pelas suas imagens
inversas (ou pre-imagens) f [t] , ou seja, as suas imagens pela t-esima iterada da
funcao inversa. No entanto, mesmo que o modelo discreto n
ao seja inversvel,
como no exemplo do modelo da tenda (onde a funcao inversa nao e u
nica),
ainda assim podemos falar nas imagens inversas de um ponto fixo e associa-las
aos pontos finalmente fixos.
O conceito de pre-imagens aplica-se mesmo quando x nao e um ponto fixo
do modelo discreto. Como um exemplo, 2/5 e a imagem de dois pontos pelo
modelo da tenda, a saber, x = 1/5 e 4/5. Logo ha duas pre-imagens do ponto
2/5 pela primeira iterada,
1/5 = T [1] (2/5),
4/5 = T [1] (2/5)
quatro pre-imagens pela segunda iterada,

1/10 = T [2] (2/5), 2/5 = T [2] (2/5), 11/20 = T [2] (2/5), 11/10 = T [2] (2/5),
243
e assim por diante. Conclumos que um modelo discreto inversvel tem uma
u
nica
orbita para tempos negativos, ao passo que se ele for nao-inversvel, ha
um n
umero infinito de pre-imagens (e orbitas) possveis.
5.5
Estabilidade dos Pontos Fixos
No caso de modelo discretos lineares, a analise da estabilidade de um ponto

fixo e importante para que saibamos: (i) se ele e assintoticamente est
avel, caso
contrario nao sera alcancado por condicoes iniciais tpicas; (ii) se as iteracoes
do modelo discreto convergem ao ponto fixo (estavel) de forma amortecida ou
oscilat
oria. O criterio que usamos anteriormente para a determinacao da estabilidade do ponto fixo no caso linear depende da existencia de uma solucao geral
e, portanto, nao se aplica para modelo discretos nao-lineares, como o logstico,
nem para modelo discretos lineares por partes, como o da tenda. Para eles, um
novo criterio deve ser deduzido, baseado nas propriedades do modelo discreto
nas vizinhancas do ponto fixo.
De forma analoga ao procedimento empregado para modelos contnuos unidimensionais, faremos a linearizacao do modelo discreto nas vizinhancas do ponto
fixo, o que e v
alido apenas se esta vizinhanca for muito pequena em comparacao
com o domnio da variavel do modelo discreto. Por exemplo, no caso do modelo logstico discreto, o ponto fixo x = 2/3 pertencente ao intervalo [0, 1] sera
estudado em um pequeno intervalo aberto nele centrado (2/3 , 2/3 + ), onde
2/3. Consideremos, pois, um modelo discreto nao-linear xt = f (xt1 ) com
ponto fixo x = f (x ), e seja xt uma iteracao do modelo discreto proxima ao
ponto fixo, ou seja, vamos supor que xt pertence a uma pequena vizinhanca de
x . Vamos definir uma distancia entre estes pontos como
t = |xt x |.
(5.40)
Naturalmente, como o valor de xt muda conforme iteramos o modelo discreto,

assim tambem esperamos que a distancia t varie com o tempo. Se ela diminuir
a medida em que passa o tempo t, (t < t1 ) ent
`
ao o ponto fixo x e assintoticamente est
avel; se aumentar, (t > t1 ) o ponto fixo e instavel.
Calculando t1 teremos
t = |xt x | = |f (xt1 ) x | = |f (x + t1 ) x )|,
(5.41)
tal que, sendo t1 um n

umero pequeno por hip
otese, podemos expandir a
funcao do modelo discreto f (x) em uma serie de Taylor em torno de x = x ,
em potencias de t1 :

df (x)
1 2 d2 f (x)
f (x + t1 ) = f (x ) + t1
+
+ . . . , (5.42)
dx x=x 2 t1 dx2 x=x
onde desprezaremos os termos da expansao contendo potencias de t de ordem

igual ou superior a 2. Lembramos que para que esta linearizacao seja v
alida,
2
=
t1 deve ser suficientemente pequeno: por exemplo, se t1 = 0, 1, ent
ao t1
3
0, 01 0, 1, t1
= 0, 001 0, 1, e assim por diante. Desta forma, o erro
cometido neste truncamento e sempre significativamente menor que os termos
que estamos retendo. O termo que multiplica t e a derivada do modelo discreto
244
|| < 1
|| = 0
|| > 1
|| = 1
x e est
avel
x e super-est
avel
x e instavel
o criterio de linearizacao falha
Tabela 5.1: Estabilidade do ponto de equilbrio de um modelo discreto unidimensional

0<<1
1 < < 0
>1
< 1
convergencia monotonica a x ,
convergencia oscilat
oria a x ,
divergencia monotonica de x ,
divergencia oscilat
oria de x ,
Tabela 5.2: Comportamento das

orbitas na vizinhanca de um ponto fixo de um
modelo discreto unidimensional
f (x), calculada no ponto fixo x = x , portanto uma constante, que vamos
escrever como

df (x)
.
(5.43)
dx x=x
tal que a equacao (5.41) fica
t |f (x ) + t1 x | = |t | ,
(5.44)
onde usamos a definicao de ponto fixo x = f (x ). Observe que, segundo (5.44),

as distancias na vizinhanca do ponto fixo obedecem a um modelo discreto afim
da forma (5.3), onde = || e = 0.
Se o ponto fixo x for localmente est
avel (instavel), ent
ao as distancias a
ele diminuem (aumentam) com o passar do tempo, o que leva ao criterio de
estabilidade linear resumido na Tabela (5.5). Por falha do criterio, queremos
dizer que a linearizacao efetuada nao e suficiente para esclarecer se o ponto fixo
e ou nao est
avel. O intervalo de estabilidade e 1 < || < +1, ou seja, quanto
mais afastados estivermos dos seus limites, mais est
avel sera o ponto fixo.
Em particular, o ponto mais est
avel (super-est
avel) e aquele equidistante dos
extremos, tal que = 0.
Finalmente, o sinal de determina o tipo de comportamento dos pontos
da orbita, de forma analoga ao caso linear: se 0 < < 1 a convergencia (ou
divergencia) das iteracoes ao ponto fixo e monotonica, ou seja, as distancias t
tem sempre o mesmo sinal, seja positivo ou negativo. Ja se 1 < < 0, as
iteracoes que convergem assintoticamente a x tem sinais alternados, de forma
que a convergencia (ou divergencia) e oscilat
oria. Os quatro casos possveis
est
ao listados na Tabela (5.5). A ttulo de exemplo, considere o modelo da
tenda (10.27). Como = T (x) = 2 > 1, seja qual for o valor de x, os pontos
fixos x = 0 e 2/3 s
ao instaveis, e a divergencia das iteracoes e monotonica.
5.5.1
Lembramos que o modelo logstico discreto tem dois pontos fixos, a saber, xa =
0, e xb = 1 1/r. A estabilidade da origem e determinada pela derivada do
245
modelo discreto, calculada no ponto fixo

df
= r(1 2xt )|x=x = r.
a
dx x=x
(5.45)
Logo, como impusemos que r > 0, o ponto fixo x = 0 sera est

avel desde que
r < 1, caso contrario sera instavel. Quando r = 1 sabemos que o criterio
linear adotado nao e suficiente para determinar a estabilidade. Alem disso, a
convergencia ao ponto assintoticamente est
avel e monotonica, e nao oscilante.
Ja para o segundo ponto fixo a derivada do modelo discreto e

1
df
= r(1 2xt )|x=x = r 1 2 1
= 2 r,
(5.46)
b
dx x=x
r
b
xb
tal que
sera assintoticamente est
avel se |f (xb )| = |2 r| < 1, ou seja,
para 1 < 2 r < +1. Subtraindo 2 e invertendo o sinal de todos os termos
das desigualdades, obtemos que o intervalo de estabilidade e 1 < r < 3. Se
r < 2, podemos facilmente verificar que o ponto fixo xb e menor que o ponto
crtico 1/2, e maior que ele caso contrario [veja a figura 5.8(b)]. A proposito,
como para r = 2 a derivada do modelo discreto se anula, ent
ao o ponto fixo
avel.
xb = 1 (1/2) = 1/2 e super-est
Vejamos o que ocorreu ate o momento: para 0 < r 1 apenas a origem e
ponto fixo, e e est
avel. Quando r passa pelo valor 1, a origem torna-se instavel,
e surge o segundo ponto fixo, xb = 1 (1/r), que e est
avel ate que r = 3. Este
e um exemplo de bifurcacao, no sentido ja empregado no Captulo anterior, ou
seja, uma alteracao abrupta na estabilidade um ponto fixo ou orbita peri
odica,
a medida em que um par
`
ametro do sistema e variado.
5.6
Orbitas
peri
odicas
Modelos contnuos unidimensionais tem uma din

amica relativamente simples,
no sentido de possuir apenas pontos de equilbrio, como vimos no captulo 1.
Modelos discretos unidimensionais, por outro lado, ja possuem comportamentos
mais complexos, como a presenca de orbitas peri
odicas, bifurcacoes e ate mesmo
caos. Recordemos que um ponto fixo x de um modelo discreto xt = f (xt1 )
e um ponto que mapeia a si proprio, ou seja, tal que x = f (x ). Uma orbita
peri
odica de perodo 2, tambem chamada 2-ciclo, e um conjunto de dois pontos
{x1 , x2 } tais que um mapeia no outro, e vice-versa:
x1 = f (x2 ),
x2 = f (x1 ),
(5.47)
ao x2 , assim como x1 , e um ponto

Como x2 = f (x1 ) = f (f (x2 )) = f [2] (x2 ), ent
fixo da segunda iterada do modelo discreto f (x). Logo, os pontos de uma orbita
de perodo 2 s
ao solucoes de
x = f [2] (x ) = f (f (x )).
(5.48)
Vamos tomar como um exemplo o modelo da tenda T (x), visto na secao

ao solucoes
anterior. Os pontos {x1 , x2 } pertencentes a uma orbita de perodo 2 s
de x = T [2] (x ), onde a segunda iterada do modelo da tenda e dada por
(5.39). Como ha quatro intervalos onde e definida a segunda iterada, precisamos
analisar os quatro casos possveis [Fig. 5.10(a)]:
246
00
11
2
t+1
00
11
00
11
(a)
11
00
00
11
00
11
3
t+1
00
11
(b)
1
1111111111
0000000000
0000000000
1111111111
0000000000
1111111111
[2]
0000000000
1111111111
0000000000
1111111111
f(f(x))=f (x)
0000000000
1111111111
0000000000
1111111111
0000000000
1111111111
1111111111
0000000000
0000000000
1111111111
[3]
0000000000
1111111111
0000000000
1111111111
f(f(x))=f (x)
0000000000
1111111111
T(T(T(x)))
0000000000
1111111111
0000000000
1111111111
T(T(x))
__
1
4
1
x * __
1 2
3 x*
x* __
4 2
1
1 __
0 __
8 4
__
1
2
__
3
4
Figura 5.10: (a) Segunda e (b) terceira iteradas do modelo da tenda
x [0, 1/4]: a equacao x = 4x tem apenas a solucao x = 0, que e um

dos pontos fixos do modelo discreto;
x (1/4, 1/2]: a equacao do primeiro grau x = 2(1 2x ) tem raiz
x1 = 2/5, que e um dos pontos do 2-ciclo;
x (1/2, 3/4]: o segundo ponto fixo x = 2/3 do modelo discreto e a
solucao de x = 2[1 2(1 x )];
x (3/4, 1]: o segundo ponto do 2-ciclo, x2 = 4/5 e raiz da equacao
x = 4(1 x ).
Observe que ha quatro pontos com essa propriedade, dos quais dois ja s
ao os
pontos fixos, restando apenas dois pontos que comp
oem a orbita de perodo 2:
{2/5, 4/5}.
Para generalizar essa discussao, dizemos que x e um ponto de perodo m
(ou m-peri
odico) do modelo discreto f (x) se ele for um ponto fixo da m-esima
iterada do modelo discreto:
x = f [m] (x ).
(5.49)
e se, adicionalmente, os pontos x , f (x ), f [2] (x ), f [m1] (x ) forem distintos. Se x for um ponto de perodo m, as suas imagens formam uma orbita de
perodo m (ou m-ciclo):
{x , f (x ), f [2] (x ), f [m1] (x )}
(5.50)
Em outras palavra, um m-ciclo e um conjunto de m pontos de perodo m

{x1 , x2 , x3 , . . . xm }, tais que um mapeia o outro, de forma cclica, ou seja:
xi+1
x1
=
=
f (xi ),
f (xm ).
(i = 1, 2, . . . m 1),
(5.51)
Aplicando sucessivamente as condicoes acima a qualquer um dos pontos do mciclo, por exemplo xm , vemos que
xm = f (xm1 ) = f (f (xm2 )) = f (f (f (xm3 ))) = . . . = f [m] (xm ),
247
(5.52)
importante salientar que nem todos os pontos de perodo m pertencem

E
a um m-ciclo, como vimos no exemplo do modelo da tenda para m = 2. A
terceira iterada do modelo da tenda, T [3] (x) tem quatro vertices, delimitando
oito regi
oes, de forma que ha um total de oito pontos de perodo 3 [Fig. 5.10(b)].
Desses oito pontos, dois ja s
ao os pontos fixos de T , mas nao est
ao aqui incluidos
os pontos do 2-ciclo, ja que 2 nao divide 3 (isto e, s
ao primos entre si). Ent
ao
restam 8 2 = 6 pontos de perodo 3 para T . Como cada 3-ciclo contem
3 pontos, ha dois 3-ciclos. Um deles e {2/7, 4/7, 6/7}, como pode-se mostrar
facilmente.
De forma geral, ha 2m pontos fixos da m-esima iterada do modelo discreto,
[m]
T (x). Alguns desses pontos s
ao tambem pontos fixos de T [k] (x) com k <
m; os pontos restantes juntando-se para formar orbitas de perodo m. Para
encontrar o n
umero de m-ciclos (
orbitas de perodo m), nos subtraimos o n
umero
total de pontos de perodo k para todos os valores de k < m e tais que k divide m.
Por exemplo, quando m = 4, ha 24 = 16 pontos fixos da quarta iterada T [4] (x).
Dois desses pontos fixos tambem s
ao pontos fixos de T (x), e dois outros s
ao
pontos fixos de T [2] (x). Sobram 16 2 2 = 12 pontos fixos de T [4] (x) que
formam 12/4 = 3
orbitas de perodo quatro.
Pontos finalmente perodicos s
ao aqueles cujas imagens pelo modelo discreto
f (x) levam, apos um n
umero finito de iteracoes, a um ponto peri
odico do modelo
discreto. Por exemplo, x = 7/10 e um ponto finalmente peri
odico para o modelo
da tenda, pois suas imagens levam, apos duas iteradas de T (x), a um 2-ciclo:
T (7/10) = 3/5,
T (3/5) = 4/5,
T (4/5) = 2/5,
T (2/5) = 4/5,
Pode-se mostrar que, para o modelo da tenda, se x e um n

umero racional pertencente ao intervalo (0, 1), ent
ao x e um ponto finalmente peri
odico e vice-versa.
Em particular, se x = k/m, onde k e um inteiro par e m e um inteiro mpar,
ent
ao x e ponto peri
odico, sendo a recproca verdadeira. Um ponto e finalmente
fixo se e s
o se ele tiver a forma x = k/2m ou k/(3.2m ), sendo k e m inteiros
nao-negativos [34].
5.6.1
Estabilidade das
orbitas peri
odicas
Assim como os pontos fixos, tambem as orbitas peri

odicas podem ser est
aveis ou
instaveis. Por exemplo, um 2-ciclo {x1 , x2 } e assintoticamente est
avel se, dada
uma condicao inicial suficientemente proxima a ele, as iteracoes subsequentes
do modelo discreto v
ao aproximando-se, alternadamente, dos pontos peri
odicos.
A analise de estabilidade de uma orbita de perodo m, ou m-ciclo, pode ser feita
a partir da observacao que todos os m pontos dessa orbita s
ao pontos fixos do
modelo discreto m vezes iterado f [m] (x): xi = f [m] (xi ), para i = 1, 2, . . . m.
Caso um destes pontos seja est
avel, todos os outros tambem o serao, e o ciclo
como um todo sera assintoticamente est
avel. A mesma observacao vale para os
outros casos de estabilidade tal que, desta forma, podemos adaptar o criterio
deduzido na secao anterior.
No caso de
orbitas peri
odicas (que formam um sub-conjunto dos pontos de
perodo m), o par
ametro determinante da estabilidade e a derivada do modelo
discreto m vezes iterado em relacao a x, calculada em qualquer um dos pontos
248
do m-ciclo, por exemplo x1 :

m

df [m] (x)
,
dx x=x
(5.53)
Sendo as iteradas sucessivas nada mais que funcoes compostas, podemos utilizar
a chamada regra da cadeia do calculo para computar a derivada de funcoes
compostas. Por exemplo, se f (x) e g(x) s
ao duas funcoes do mesmo argumento,
a derivada da funcao composta h(x) = f (g(x)) e

df (g(x))
df (g) dg(x)
df (x)
dh(x)
dg(x)
=
=
=
.
(5.54)
dx
dx
dg
dx
dx x=g(x) dx
Para calcular a derivada da composicao de m funcoes, usamos a propriedade

evidente f [m] (x) = f (f [m1] (x)) na regra da cadeia (5.54). Logo

df [m1] (x)
df (f [m1] (x)
df (x)
df [m] (x)
=
=
.

dx x=x
dx
dx x=f [m1] (x )
dx
x=x
x=x
1
1
1
1
(5.55)
Como os pontos de um m-ciclo mapeiam uns aos outros pela funcao f (.), ou
seja, xm1 = f [m1] (x1 ), temos que

df [m1] (x)
df (x)
df [m] (x)
=
.
(5.56)

dx x=x
dx x=x
dx
x=x
1
m1
Procedendo de forma analoga para a derivada de f [m1] , teremos

df [m] (x)
df (x)
df [m2] (x)
df (x)
=
,

dx x=x
dx x=x
dx x=x
dx
x=x
1
m1
(5.57)
m2
que podemos generalizar, usando inducao finita, pra o produto de m fatores,

iguais `
as derivadas do modelo discreto em cada ponto da orbita peri
odica:

df [m] (x)
df (x)
df (x)
df (x)
df (x)
=
,
dx x=x
dx x=x
dx x=x
dx x=x dx x=x
1
2
1
m1
m2
(5.58)
ou, na notacao mais convencional de produt
orio,
m

df [m] (x)
=
dx
=
x=x
1
m1
Y
i=0
Assim, os pontos do m-ciclo serao:

df (x)
.
dx x=x
i
Assintoticamente est
aveis se |m | < 1,
Super-est
aveis se m = 0,
Inst
aveis caso |m | > 1.
No caso est
avel, a convergencia `
a orbita peri
odica sera:
Monotonica se 0 < m < 1,
249
(5.59)
Oscilat
oria se 1 < m < 0.
Se a
orbita peri
odica for instavel, a divergencia sera:
Monotonica se m > 1,
Oscilat
oria se m < 1.
Finalmente, se |m | = 1, a linearizacao nao e suficiente para decidir sobre a
estabilidade do m-ciclo.
Considere novamente o modelo da tenda (10.27), como um exemplo simples
de aplicacao desse criterio. Como sabemos, por inducao, que a m-esima iterada
do modelo discreto consiste numa sucess
ao de m tendas de altura 1 e largura
m
[m]
da base 1/2 , a derivada e |T | = m = 2m que e sempre maior que um, em
modulo, para m 6= 0, logo todas as orbitas de perodo m que possamos encontrar
para este modelo discreto serao instaveis.
5.6.2
Retornando, `
a guisa de exemplo, ao modelo logstico discreto f (x) = rx(1 x),
vamos analisar agora a existencia e a estabilidade de orbitas de perodo superior,
a partir do caso mais smples, as orbitas de perodo 2, ou 2-ciclos: {x1 , x2 }, cujos
integrantes s
ao pontos fixos da segunda iterada do modelo: x = f [2] (x ). A
segunda iterada e, por sua vez,
f [2] (x)
=
=
=
rf (x)(1 f (x))
r[rx(1 x)][1 rx(1 x)]

r2 [rx4 + 2rx3 (1 + r)x2 + x],
(5.60)
tal que os pontos do 2-ciclo sejam solucoes da seguinte equacao algebrica de

quarto grau
(5.61)
x = r2 [rx 4 + 2rx 3 (1 + r)x 2 + x ].
Pelo teorema fundamental da algebra [47], esta equacao ter
a quatro razes,
reais ou complexas. No entanto, como ja vimos na secao 2.8, os pontos fixos da
primeira iterada do modelo discreto f (x), tambem s
ao pontos fixos da segunda
f [2] (x), ja que
f [2] (x ) = f (f (x )) = f (x ) = x .
(5.62)
Logo, das quatro solucoes esperadas para (5.61), duas ja s
ao conhecidas, a saber:
xa = 0, e xb = 1 (1/r). A forma can
onica de uma equacao algebrica do quarto
grau e
(x x1 )(x x2 )(x x3 )(x x4 ) = 0,
(5.63)
onde xi , i = 1, 2, 3, 4, s
ao as razes, das quais x3 = xa e x4 = xb . Logo os pontos
do 2-ciclo s
ao os zeros restantes do polin
omio

1
(5.64)
P (x) (x x1 )(x x2 )(x 0) x 1 +
r
=
r2 [rx4 + 2rx3 (1 + r)x2 + x] x.

250
0,8
0,8
0,6
0,6
xt+1
xt+1
0,4
0,4
0,2
0,2
0,2
0,4
0,6
0,8
xt
0,2
0,4
xt
0,6
0,8
Figura 5.11: Segunda iterada do modelo logstico discreto para (a) r = 1, 5; (b)
r = 3, 2.
Como x (1 1/r) e um divisor do polin

omio P (x), usando o dispositivo
de Briot-Ruffini [47], obtemos

1
P (x) = rx x 1 +
[r2 x2 + r(1 + r)x r 1],
(5.65)
r
donde os pontos do 2-ciclo s
ao as razes do trin
omio quadr
atico entre colchetes:
q
2
r(r + 1) r2 (r + 1) 4r2 (r + 1)
,
(5.66)
x1,2 =
2
onde o sinal positivo refere-se a x1 , e o negativo a x2 .
O discriminante desta solucao e
=
=
r2 (r + 1) 4r2 (r + 1)
r2 (r2 2r 3).
(5.67)
O trin
omio quadr
atico entre parenteses tem razes r = 1 e r = 3. Logo,
se 1 < r < 3 este trin
omio sera negativo. Como r2 e sempre positivo, o
discriminante sera negativo para 0 < r < 3, e consequentemente os pontos x1,2
serao complexos, ou seja, nao ha um 2-ciclo neste caso. O diagrama da escada
da figura 5.11(a) ajuda a entender o porque: à excecao dos pontos fixos, nao ha
outras intersecoes da segunda iterada com a reta de 45o .
Ja para r > 3 os pontos do 2-ciclo s
ao as razes (reais) dadas por (5.66) [Fig.
5.11(b)]
1
1
1p
x1,2 = +
(r 3)(r + 1).
(5.68)
2 2r 2r
A estabilidade desta
orbita peri
odica e determinada pelo fator
2
=
=
=
=
f (x1 )f (x2 ) = r(1 2x1 ).r(1 2x2 )

r2 2r2 (x1 + x2 ) + 4r2 x1 x2

1
1
r2 2r2 1 +
+ 4r 1 +
r
r
r2 + 2r + 4.
251
(5.69)

afico das 16 primeiras iteracoes do modelo logstico
discreto para r = 0, 5.
O 2-ciclo sera assintoticamente est

avel se |2 | = |r2 2r4| = |(r 1) 5| <
2
1, que e equivalente ao par de inequacoes do segundo grau: 1 < (r 1) 5 <
1. Resolvendo para r,temos que o intervalo de valores para os quais o ciclo e
est
avel e 3 < r < 1 + 6 3, 4495. O aparecimento do 2-ciclo no ponto r = 3
e a consequente perda de estabilidade do ponto fixo xb e um segundo exemplo
de bifurcacao, ja que houve em r = 3 uma mudanca s
ubita tanto na existencia
como na estabilidade de orbitas peri
odicas.
5.7
5.7.1
Solu
c
oes num
ericas
onicas
O car
ater recursivo do calculo das iteracoes de um modelo discreto faz com
que esta seja uma tarefa bastante smples para planilhas eletr
onicas. Vamos
exemplificar o procedimento para o modelo logstico discreto (5.30) para o valor
do par
ametro r = 0, 5:
xt = f (xt1 ) = 0, 5xt1 (1 xt1 ).
(5.70)
Considerando a condicao inicial x0 = 0, 1, por exemplo, vamos computar a

sequencia das quinze primeiras iteracoes do modelo discreto.
Colocamos o valor de r (0, 5), na celula C1, e o valor de x0 (0, 1), na celula
B1. A formula matematica do modelo discreto, Eq. (5.70), e escrita simbolicamente na celula B2 como
+$C$1 B1 (1 B1)
(5.71)
onde o smbolo $C$1 indica o endereco absoluto da variavel (a planilha sempre

buscara o valor de r na celula C1). Ja B1 e um endereco relativo. O conte
udo
da celula B1 e copiado na area de transferencia. O valor armazenado na area
de transferencia e copiado quatorze (= 16 2) vezes para baixo, o que pode
ser feito com o mouse copiando a celula e colando em bloco. O resultado e o
252

conjunto das quinze primeiras iteracoes do modelo discreto na segunda coluna

(a primeira coluna lista os tempos t = 0, 1, 2, . . .), e que podem ser mostradas
em um gr
afico xt versus t usando-se os recursos gr
aficos especficos da planilha
(Fig. 5.12)
A operacao de colar em bloco faz cada celula referenciar a celula anterior,
que e justamente o princpio de recorrencia envolvido na iteracao de um modelo
discreto. Por exemplo, se deslocarmos o cursor (usando o mouse) para a celula
B3, onde encontra-se o valor da segunda iteracao x2 , vemos a seguinte operacao
simbolica: +$C$1 B2 (1 B2), e assim por diante, ate o u
ltimo valor de t
que colocamos nas celulas da coluna A. Caso quisessemos obter as 50 primeiras
iteracoes, deveramos colocar os respectivos valores em A, e colar a celula B2
no bloco que abrange todos estes valores.
Podemos observar, pela Fig. 5.12, que as iteracoes do modelo logstico convergem para o ponto fixo na origem. Este e, de fato, assintoticamente est
avel,
pois, computando a derivada da funcao logstica
df (x)
d
=
(rx(1 x)) = r(1 2x),
dx
dx
e calculando seu valor no ponto fixo, para r = 0, 5, vemos que

df (x)
1
= 0, 5 < 1.
(0) =
= 0, 5 1 2
dx x=0
2
(5.72)
(5.73)
Uma das vantagens de usar uma planilha eletr

onica e a possibilidade de
refazer os calculos simplesmente atualizando os valores das celulas. Suponha,
por exemplo, que desejassemos refazer a sequencia de iteracoes para outro valor
do par
ametro r, digamos 2, 0. Para tal, basta alterar o valor de r na celula
C1, de modo que os valores na coluna B s
ao atualizados simultaneamente, bem
como o gr
afico [Fig. 5.13].
No caso exemplificado pela Figura 5.13, observamos pela serie temporal que,
apos cinco iteracoes (que chamamos transit
orias) a orbita do modelo discreto
converge para o ponto fixo x = 1 (1/r) = 1 (1/2) = 0, 5. Para saber da
253

estabilidade deste ponto fixo, nos calculamos o fator de estabilidade correspondente

df (x)
1
(x ) =
=
(5.74)
=r 12 1
dx x=x
r

2
= r 1 +
=2r =22=0<1
(5.75)
r
Alem disso, para este valor de r, o ponto fixo em x = 0 e instavel, ja que

df (x)
= 2 (1 2 0) = 2 > 1.
(5.76)
(0) =
dx x=0
Mudando o valor de r para 3, 2, vemos na figura 5.14 que as iteracoes convergem para uma
orbita de perodo 2, ou 2-ciclo, apos cerca de 15 iteracoes
transit
orias:
x1 0, 799 x2 0, 513 x1 x2 .
O fator de estabilidade correspondente a esta orbita e, por (5.53), dado por

df [2] (x)
df (x)
df (x)
2 =
=
dx x=x
dx x=x dx x=x
1
[r(1 2x1 )][r(1 2x2 )]

2
(3, 2) (1 2 0, 80)(1 2 0, 51) 0, 12 < 1,
(5.77)
mostrando que este ciclo e, de fato, assintoticamente estavel, e com uma convergencia monotonica.
Alem disso, o ponto fixo x = 1 1/r tornou-se instavel para esse valor de
r, ja que o fator de estabilidade

df (x)
(x ) =
= 2 3, 2 = 1, 2
(5.78)
dx x=x
tem modulo maior que um.
254

Uma
orbita de perodo 4 pode ser observada quando aumentamos o valor do
par
ametro r para 3, 54, por exemplo. Apos menos de 10 iteracoes transit
orias,
temos o 4-ciclo (Fig. 5.15)
x1 0, 517 x2 0, 884 x3 0, 367 x2 0, 822 x1 x2 ,
o fator de estabilidade correspondente sendo
4 =

4
4
Y
Y
df [4] (x)
df (x)
4
=
=
r
(1 2xi ) 0, 943 < 1,
dx x=x i=1 dx x=x
i=1
1
(5.79)
confirmando ser esta uma

orbita assintoticamente est
avel com convergencia
monotonica. No Captulo 8 aprofundaremos essa analise de estabilidade das
orbitas peri
odicas, mostrando a existencia de bifurcacoes, que s
ao alteracoes da
estabilidade e da natureza de pontos fixos e orbitas peri
odicas.
5.7.2
Programa de computador para iterac

oes do modelo
discreto
Podemos usar um programa simples para calcular um certo n

umero de iteracoes
do modelo logstico discreto, para valores dados do par
ametro r e da condicao
inicial x0 . Os passos necessarios para programacao desta tarefa s
ao os seguintes
1. Escolhemos um valor para o par
ametro r (por exemplo, r = 2, 0);
2. Escolhemos a condicao inicial x0 (por exemplo, x0 = 0, 1);
3. Inicializamos o valor da iteracao com a condicao inicial;
4. Iteramos o modelo logstico discreto f (x) = rx(1 x). N
ao e necessario
o uso de duas variaveis, para xt e xt1 . O uso do comando de atribuicao
(que em linguagem C e o smbolo =) permite que o valor de xt seja
sempre atualizado a cada chamada da funcao f (x);
255
(a)
(b)
1
0,5
0,8
0,4
0,6
xt
xt
0,3
0,4
0,2
0,2
0,1
10
20
30
40
50
10
20
30
40
50
0,8
0,6
xt
0,4
0,2
10
20
30
40
50
Figura 5.16: Iteracoes do modelo logstico discreto para (a) r = 2, 0, (b) r = 3, 2,

(c)r = 3, 54.
256
5. Repetimos o passo anterior ate o n

umero de pontos desejado, por exemplo
100.
Incluimos abaixo um programa de computador em linguagem C que implementa este procedimento. Nas Figuras 5.16(a), (b), e (c) mostramos os resultados da aplicacao do programa acima para valores do par
ametro iguais a r = 2, 0,
3, 2, e 3, 54, respectivamente.
/* iteracoes_logistico.c: produz uma serie temporal
para o modelo logistico discreto. Saida dos dados no arquivo
iteracoes_logistico.dat (tabela com duas colunas) */
#include <stdio.h>
#include <math.h>
FILE *fp;
main( )
{
int n, points;
float x_n, x_0, r;
fp = fopen("iteracoes_logistico.dat","w");/* abre arquivo */
r = 2.0;
/* valor inicial de r */
points = 100;
x_0 = 0.1;
x_n = x_0;
/* inicializa o valor de x_n */
n = 0;
fprintf(fp,"\%d \%f \n", n, x_n);
for (n = 1; n <= points; ++ n) { /* varre os valores de n */
x_n = r * x_n * (1 - x_n);
fprintf(fp,"\%d \%f \n", n, x_n); /* imprime resultados */
no arquivo de saida */
}
fclose(fp);
}
5.7.3

atico
Os softwares matematicos disponveis permitem, alem da determinacao das iteracoes de um modelo discreto nao-linear, tambem a visualizacao dos respectivos
diagramas de escada, o que facilita bastante a interpretacao dos resultados. No
entanto, a especificidade das tarefas anteriores faz com que nao haja comandos
proprios, como no caso de solucoes numericas de equacoes diferenciais. Logo,
haver
a a necessidade de alguma programacao, na respectiva linguagem do software.
Maple
Tarefas como o calculo de
orbitas s
ao executadas pelo Maple por meio de
procedures. Vamos descrever a procedure chamada orbita, cujos argumentos s
ao a funcao do modelo discreto F, a condicao inicial x0, o n
umero de iteracoes transit
orias transit que eventualmente nao queiramos levar em conta,
257
e linhas, que e o n
umero total de linhas do arquivo de dados onde serao armazenados os resultados. Os valores do tempo t e de xt s
ao salvos num arquivo
de seis colunas (para economia de espaco) correspondente a uma tabela chamada
orbita, de forma que o n
umero total de iteracoes mostradas e 3linhas [63]:
orbita := proc(f, x0, transit, pontos)
local x, k, c, orbita;
x := x0;
for k from 1 to transit do x := f(x); od:
orbita := array(1..pontos,1..6);
for c from 1 to 3 do
for k from 1 to pontos do
orbita[k,2*c-1] := transit+(c-1)*pontos+k-1;
orbita[k,2*c] := x;
x := f(x);
od:
od:
op(orbita);
end:
Vamos exemplificar para o modelo logstico discreto quando r = 3, 2, x0 =
0, 1, e queremos um total de 30 iteracoes (isto e, 10 linhas no arquivo), apos
descartar as primeiras 100 transit
orias.
f := (x) -> r*x*(1-x):
r := 3.2:
orbita(f, 0.1, 100, 10);
cujo resultado e o seguinte:
[[100,
[101,
[102,
[103,
[104,
[105,
[106,
[107,
[108,
[109,
.5130445093,
.7994554906,
.5130445093,
.7994554906,
.5130445093,
.7994554906,
.5130445093,
.7994554906,
.5130445093,
.7994554906,
110,
111,
112,
113,
114,
115,
116,
117,
118,
119,
.5130445093,
.7994554906,
.5130445093,
.7994554906,
.5130445093,
.7994554906,
.5130445093,
.7994554906,
.5130445093,
.7994554906,
120,
121,
122,
123,
124,
125,
126,
127,
128,
129,
.5130445093],
.7994554906],
.5130445093],
.7994554906],
.5130445093],
.7994554906],
.5130445093],
.7994554906],
.5130445093],
.7994554906]]
Para visualizar o gr
afico de xt em funcao do tempo usamos a procedure
orbitagraf, onde o primeiro par
ametro e o modelo discreto F, o segundo a
condicao inicial x0, o terceiro(list) e uma lista de pares de n
umeros, e o quarto
(legenda) a legenda do gr
afico. O primeiro n
umero em cada par e o n
umero de
iteracoes transit
orias a serem descartadas e o segundo e o n
umero de iteracoes
a serem colocadas no gr
afico, etc. Por exemplo, para descartar as primeiras
100 iteracoes, tracar as 200 iteracoes seguintes, voltar a descartas 100 iteralcoes
e tracar as proximas 100, usamos a lista [100, 200, 100, 100], o que gera dois
gr
aficos para as series temporais.
orbitagraf := proc(f, x0, lista)
258
local x, xf, i1, i2, s, k, intervalo, pontos,

p1, p2, transit, iter;
x := x0:
i1 := 0;
i2 := 0;
for s from 1 to nops(lista)/2 do
transit := op(2*s-1,lista);
iter := op(2*s,lista);
i1 := i2 + transit;
i2 := i1 + iter;
for k from 1 to transit do x := f(x); od:
pontos := array(1..iter+1);
for k from 1 to iter+1 do
pontos[k] := [i1+k-1, x];
xf := x;
x := f(x);
od:
x := xf;
intervalo := i1..i2, 0..1;
p1 := plot(pontos, intervalo, color=black, style=LINE):
p2 := plot(pontos, intervalo, color=black, symbol=BOX, style=POINT):
print(plots[display]([p1, p2]));
od:
end:
As Figuras 5.17(a) ate (d) exemplificam o comportamento do modelo logstico
discreto para ponto fixo na origem, fora da origem, 2-ciclo e 4-ciclo, respectivamente, que s
ao geradas, por sua vez, pelos seguintes comandos:
f
r
r
r
r
:=
:=
:=
:=
:=
x -> r*x*(1-x):
0.5: orbitagraf(f, 0.8, [0,50]);
2.00: orbitagraf(f, 0.1, [0,50]);
3.20: orbitagraf(f, 0.1, [0,50]);
3.54: orbitagraf(f, 0.1, [0,50]);
Outro recurso disponvel no Maple e a construcao do diagrama de escada.

Para o caso de r = 0, 5 o respectivo diagrama e obtido usando a seguinte
sequencia de comandos
f := (r,x) -> r*x*(1-x):
r := 0.5: n := 20: x[0] := 0.9:
for i from 1 to n do x[i] := f(r,x[i-1]); od:
p := seq( op([[x[i-1],x[i]],[x[i],x[i]]]),i=1..n):
OPTS := x=0.0..0.25, color=black:
diag := plot(x,OPTS):
stair := plot([p],OPTS):
parabola := plot(f(r,x),OPTS):
plots[display]([diag,parabola,stair],scaling=CONSTRAINED);}
cujo resultado pode ser visto na Fig. 5.19(a). Para os outros valores de r ja
considerados anteriormente alteramos a segunda linha para r := 2.0: n :=
20: x[0] := 0.01: [Fig. 5.19(b)], r := 3.2: n := 50: x[0] := 0.01:
[Fig. 5.19(c)], e r := 3.54: n := 100: x[0] := 0.01: [Fig. 5.19(d)].
259
(a)
(b)
0,8
0,8
0,6
0,6
0,4
0,4
0,2
0,2
0
0
10
20
30
40
50
10
20
30
40
(c)
1
0,8
0,8
0,6
0,6
0,4
0,4
0,2
0,2
50
(d)
0
0
10
20
30
40
50
10
20
30
40
50
Figura 5.17: Iteracoes do modelo logstico discreto, obtidas com o uso do Maple,
para (a) r = 0, 5; (b) r = 2, 0; (c) r = 3, 2; (d) r = 3, 54.
260
(a)
(b)
0,25
0,5
0,2
0,4
0,15
0,3
0,1
0,2
0,05
0,1
0
0
0,05
0,1
0,15
0,2
0,25
0,1
0,2
0,3
0,4
0,5
(c)
(d)
0,8
0,8
0,6
0,6
0,4
0,4
0,2
0,2
0
0
0,2
0,4
0,6
0,8
0,2
0,4
0,6
0,8
Figura 5.18: Diagramas de escada do modelo logstico discreto, obtidos com o

uso do Maple, para (a) r = 0, 5; (b) r = 2, 0; (c) r = 3, 2; (d) r = 3, 54.
261
x
0.1
x
0.5
0.08
0.4
0.06
0.3
0.04
(a)
0.02
4
(b)
0.2
n
10
x
0.8
10
x
0.8
0.6
0.6
0.4
0.4
(c)
0.2
10
20
30
40
50
(d)
0.2
n
10
20
30
40
50
Figura 5.19: Series temporais do modelo logstico discreto, obtidas com o uso
do Mathematica, para (a) r = 0, 5; (b) r = 2, 0; (c) r = 3, 2; (d) r = 3, 54.
Mathematica
A iteracao de modelos discretos unidimensionais pode ser feita facilmente no
Mathematica por meio da funcao NestList. Para obter, por exemplo, as 10
primeiras iteracoes do modelo logstico discreto quando r = 0, 5, a partir da
condicao inicial x0 = 0.1, podemos usar os comandos
r = 0.5;
NestList[r # (1 - #) &, 0.1, 10];
para obter a Fig. ??(a). Mudando o valor de r para 2, 0, 3, 2, e 3, 54, resultam
as Figuras ??(b) a (c), respectivamente.
Para tracar os gr
aficos da primeira iteracao do modelo logstico discreto, bem
como os diagramas de escada, podemos usar a seguinte sequencia de comandos
(para r = 0, 5, com condicao inicial x0 = 0, 3, e desenhando 8 degraus da
escada):
T[x_] := 0.5 x (1- x);
o = {{0.3, T[0.3]}};
p = {{0.3,0},{0.3,T[0.3]}};
Do[I = Last[Last[o]];
o = Append[o,{I,I}];
o = Append[o,{I,T[I]}],{8}];
Show[Plot[{T[x],x},{x,0,1}],Graphics[{Line[p],Line[o]}]];
resultando na Fig. 5.20(a). O resultado, quando o valor de r e alterado para
2, 0, 3, 20, e 3, 54, pode ser visto nas Figuras 5.20(b) a (e), respectivamente.
262
0.7
0.6
0.7
(a)
0.6
0.5
0.5
0.4
0.4
0.3
0.3
0.2
0.2
0.1
0.1
0.2
0.4
0.6
0.8
0.2
1
0.8
(b)
0.4
0.6
0.8
0.4
0.6
0.8
(c)
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0.2
0.4
0.6
0.8
(d)
0.2

uso do Mathematica, para (a) r = 0, 5; (b) r = 2, 0; (c) r = 3, 2; (d) r = 3, 54.
Matlab
Para gerar series temporais do modelo logstico discreto usando o Matlab, escrevemos um pequeno programa que usa o comando de repeticao for, e onde os
valores das iteracoes s
ao armazenados num vetor (matriz coluna) de dados x(i).
Por exemplo, para r = 0, 5, e condicao inicial x0 = 0, 9, usamos os seguintes
comandos para tracar as 50 primeiras iteracoes:
r = 0.5; x0 = 0.9; N = 50;
x(1) = x0;
for i=1:N
x(i+1) = r * x(i) * (1 - x(i));
end
figure(1); hold off;
plot(x,k*); hold on; plot(x,k);
axis([1 N 0 1]);
mostradas na Fig. 5.21(a). Alterando o valor de r para 2, 0, 3, 20, e 3, 54,
obtemos as Figuras 5.21(b) a (e), respectivamente.
O diagrama de escada para o modelo logstico discreto e obtido por meio de
um programa dividido em tres partes: a primeira traca os gr
aficos da funcao
logstica e da primeira bissetriz. A segunda calcula os pontos do gr
afico, tal como
na geracao das series temporais. A terceira e u
ltima parte traca os degraus da
escada usando os comandos line e plot. O programa-exemplo para r = 0, 5 e:
fplot(2.0*y*(1-y),[0,1],k);hold on;
axis(square); axis([0 1 0 1]);
263
(a)
0.9
0.8
0.7
0.7
0.6
0.6
0.5
0.5
0.4
0.4
0.3
0.3
0.2
0.2
0.1
0.1
10
15
20
25
30
35
40
45
50
10
15
20
25
30
35
40
45
50
(c)
0.9
0.8
0.7
0.7
0.6
0.6
0.5
0.5
0.4
0.4
0.3
0.3
0.2
0.2
0.1
0.1
10
15
20
25
30
35
40
45
(d)
0.9
0.8
(b)
0.9
0.8
50
10
15
20
25
30
35
40
45
50
Figura 5.21: Series temporais do modelo logstico discreto, obtidas com o uso
do Matlab, para (a) r = 0, 5; (b) r = 2, 0; (c) r = 3, 2; (d) r = 3, 54.
264
(a)
0.9
0.9
0.8
0.8
0.7
0.7
0.6
0.6
0.5
0.5
0.4
0.4
0.3
0.3
0.2
0.2
0.1
0.1
0
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
(b)
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
(d)
(c)
0.9
0.9
0.8
0.8
0.7
0.7
0.6
0.6
0.5
0.5
0.4
0.4
0.3
0.3
0.2
0.2
0.1
0.1
0.9
0
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9

uso do Matlab, para (a) r = 0, 5; (b) r = 2, 0; (c) r = 3, 2; (d) r = 3, 54.
set(gca,XTick,(0:0.1:1),YTick,(0:0.1:1))
grid on;
fplot(1*y,[0 1],k);
r=2.0;x0=0.9;N=50;
x(1) = x0;
for i=1:N
x(i+1)=r*x(i)*(1-x(i));
end
line([x(1) x(1)],[0 x(2)],Color,k)
plot(x(1),x(1),ko);
for j=1:N-1
line([x(j) x(j+1)],[x(j+1) x(j+1)],Color,k)
line([x(j+1) x(j+1)],[x(j+1) x(j+2)],Color,k)
plot(x(j+1),x(j+1),ko);
end
conforme mostrado na Fig. 5.22(a); ao passo que os casos r = 2, 0; 3, 2 e 3, 54
est
ao representados nas Figs. 5.22(b) a (d), respectivamente.
265
5.8
Exemplos em Economia: Modelos n

ao-lineares
de teia de aranha
Anteriormente estudamos o modelo de teia de aranha linear para formacao de

precos num mercado idealizado, onde a procura por um determinado produto
e totalmente satisfeita pela sua oferta pelos produtores. O modelo tradicional,
que pressupoe expectativas ingenuas para o preco, leva a um valor de equilbrio
cuja estabilidade pode ser consideravelmente melhorada pela adicao de expectativas, as quais tambem levam a modelo discretos lineares. Em todos os casos
anteriormente estudados, a din
amica dos precos tem apenas tres possibilidades:
ponto fixo est
avel precos tendem de forma monotonica ou oscilat
oria
para um valor de equilbrio;
ponto fixo instavel precos sofrem oscilacoes explosivas e divergem com
o passar do tempo;
ciclo (indiferente) de perodo 2 dois precos repetem-se indefinidamente,
nem est
avel nem instavelmente.
Devido a esta relativamente pequena gama de comportamentos possveis, os
modelos lineares de teia de aranha eram considerados de aplicabilidade restrita,
e sua validade face aos dados econometricos era questionada, por v
arias raz
oes
[64]
nao existe um mercado explosivo, com precos e quantidades negativas, de
forma que a solucao instavel nao tem significado econ
omico real;
o ciclo de perodo 2 e estruturalmente instavel: qualquer mudanca nos
par
ametros do modelo levaria ao desaparecimento do ciclo;
a flutuacao de precos num mercado pode ser tambem encarada como o
efeito de choques ex
ogenos de natureza aleat
oria.
No incio da decada de 80, com o surgimento dos trabalhos de Feigenbaum
e outros sobre din
amica complexa em modelo discretos unidimensionais, v
arios
autores retomaram o modelo de teia de aranha de um ponto de vista naolinear, a partir da premissa que um mecanismo endogeno (e determinstico)
do mercado poderia gerar tambem series temporais irregulares, ou caoticas. A
nao-linearidade pode entrar no modelo de teia de aranha a partir das curvas de
oferta e demanda. Artstein [65], Jensen e Urban [66], Chiarella [67] e Hommes
[68] mostraram que o uso de curvas nao-lineares de oferta e demanda pode
levar a series caoticas para precos e quantidades de bens. Uma outra fonte de
nao-linearidade vem da aversao ao risco presente nos mercados [64].
O modelo de teia de aranha nao-linear proposto por Chiarella [67] assume
uma curva de oferta nao-linear que leva a um modelo discreto semelhante ao
logstico que, no entanto, nao e satisfat
orio por possuir apenas um ponto crtico.
Um modelo quadr
atico similar foi proposto por Jensen e Urban [66] (veja o
Problema 10). Hommes propos modelos nao-lineares nos quais a curva de oferta
e sigmoide [69], de tal sorte que o modelo discreto da teia de aranha seja nao sobre este modelo, em particular, que vamos fixar nossa atencao.
monotonico. E
Para isso, no entanto, e conveniente antes exprimir o modelo de teia de aranha
numa forma generalizada, o que permitira sua adaptacao a v
arios casos que tem
sido estudados na literatura recente.
266
(a)
(b)
Figura 5.23: (a) Funcao demanda generica. (b) Funcao demanda linear.
5.8.1
Modelo generalizado de teia de aranha
Vamos supor que a procura pelo produto dependa do seu preco corrente pt de
acordo com uma funcao demanda generica
Dt = D(pt ).
(5.80)
que e monotonicamente decrescente [Fig. 5.23(a)], ou seja, quanto maior o preco

do produto, menor a demanda por ele pelos consumidores. Logo D (p) < 0 para
todo p no domnio de interesse.
No modelo tradicional de teia de aranha, a funcao demanda e afim [Fig.
5.23(b)]
D(p) = a bp.
(5.81)
onde a > 0 e b > 0. Onozaki e colaboradores [70] propuseram uma funcao
demanda nao-linear do tipo lei de potencia, na forma
1/
c
,
(5.82)
D(p) =
p
onde 1/ > 0 e a elasticidade do preco, e c > 0 e um par

ametro representando
a extens
ao do mercado.
Analogamente, introduzimos uma funcao oferta, caracterizando o n
umero de
unidades do produto ofertadas num certo perodo. Os produtores determinam
esta quantidade em funcao do preco esperado para o dado perodo, pet :
Ot = S(pet ).
(5.83)
No modelo tradicional de teia de aranha a funcao oferta, (5.14), e afim e monotonicamente crescente, S (pe ) > 0, representando o aumento da oferta em funcao
do tambem aumento do preco esperado pelos produtores [Fig. 5.24(a)]:
S(pe ) = c + dpe .
(5.84)
O preco esperado segue algum dos seguintes tipos de expectativa dos produtores
267
(a)
(b)
D(p)
S(p)
p
Figura 5.24:
monotonicas.
p
t
(a) Funcao oferta linear.
(b) Funcoes oferta e demanda
Ingenuas: pet = pt1 ;

Adaptativas: pet = (1 w)pet1 + wpt1 ;
Normais: pet = pt1 + k(pE pt1 ) (vide o Problema 9)
onde pE = (a c)/(b + d) e o preco de equilbrio do produto, e tanto 0 k 1
como 0 w 1 s
ao coeficientes representando o grau com que as experiencias
precedentes influenciam na formacao de novas expectativas. Hommes [71] define uma funcao expectativa H = H(pt1 , pt2 , . . . ptL ), que incorpora a experiencia de um n
umero maior de perodos precedentes, e que pode depender
de pesos estatsticos, que decrescem com o aumento do retardo L. Tais modelos
nao serao considerados neste trabalho.
5.8.2
Modelo generalizado com expectativas adaptativas
Supondo que a demanda absorva completamente a oferta, temos que Dt = Ot .

Aplicando as equacoes (5.83) e (5.80), o preco em cada perodo e dado por uma
composicao de funcoes:
pt = D1 (S(pet )),
(5.85)
onde D1 e a funcao demanda inversa. Repetindo este procedimento para o

tempo t 1, e substituindo pt1 na relacao para expectativas adaptativas, o
preco esperado sera
pet = (1 w)pet1 + wD1 (S(pet1 )).
(5.86)
Vamos definir uma funcao fw pela relacao (z e um argumento real qualquer):

fw (z) (1 w)z + wD1 (S(z)),
(5.87)
de modo que (5.86) pode ser escrita numa forma simples:

pet = fw (pet1 ).
268
(5.88)
Vamos supor que tanto D como S sejam funcoes monotonicamente decrescente e crescente, respectivamente, de seus argumentos [Fig. 5.24(b)]. Dessa
maneira, podemos trabalhar com o modelo discreto (5.88) para os precos esperados, ja que as outras variaveis - os precos reais, a oferta e a demanda - tem
qualitativamente a mesma din
amica de pe . O preco de equilbrio preconizado
por este modelo, p , e o ponto fixo do modelo discreto (5.88), ou seja, a solucao
da equacao
p = fw (p ) = (1 w)p + wD1 (S(p )),
que reduz-se a
p = D1 (S(p )),
(5.89)
tal que o preco de equilbrio nao depende do grau das expectativas adaptativas,
resultado este que ja havamos deduzido no modelo linear (cf. Eq. (5.27)).
A estabilidade deste ponto fixo e determinado pelo modulo da derivada do
modelo discreto (5.88) neste ponto:

d
1
(5.90)
D (S(p))
= fw (p ) = (1 w) + w
dp
p=p
"
#

dD1 (p)
dS(p)
= (1 w) + w
dp
dp
p=S(p )=p
p=p

S (p )
= (1 w) + w
.
D (p )
Como p e assintoticamente est
avel se || < 1, devemos satisfazer as seguintes
desigualdades:

S (p )
< +1
1 < (1 w) + w
D (p )
2
S (p )
1
<
< 1.
(5.91)
w
D (p )
Lembrando que o caso de expectativas ingenuas, pet = pt1 corresponde
a w = 1, a correspondente condicao de estabilidade, 1 < S /D < +1 e
mais restritiva do que (5.91), ja que 1 (2/w) > 1. Logo, a introducao das
expectativas adaptativas aumenta o intervalo de par
ametros para os quais o
preco de equilbrio e est
avel, como ja havamos mostrado no caso do modelo
linear.
5.8.3
Modelo sigm
oide de Hommes
Hommes investigou a classe mais geral de modelo discretos para a evolucao

din
amica do preco esperado num modelo de teia de aranha com expectativas
adaptativas: nela, tanto as funcoes oferta como demanda s
ao monotonicas e
contnuas, tais que S (p) 0 e D < 0, de forma que o modelo discreto fw (z),
dado por (5.87), seja uma funcao contnua, e sua derivada satifaca a seguinte
desigualdade
< fw (p) d < 1,
(5.92)
para algum d > 0. Nesse caso, o modelo discreto fw pode ser nao-monotonico,
com um ou mais pontos crticos.
269
(a)
(b)
S(p)
_
O
x
_
pe
pe
Figura 5.25: (a) Curva de oferta sigmoide. (b) Curva de oferta do tipo arcotangente
Um modelo discreto nao-linear que satisfaz ao criterio de Hommes apresenta

uma funcao demanda linear, como em (5.81), e uma funcao oferta sigmoide [Fig.
5.25(a)], tendo em vista as seguintes consideracoes econ
omicas:
1. se os precos de um certo produto s
ao baixos, ent
ao sua oferta cresce lentamente, devido a custos iniciais e custos fixos de producao;
2. se os precos forem altos, ent
ao a oferta tambem crescera lentamente, devido a limitacoes de oferta e capacidade de producao;
Isso implica em que a curva tenha uma baixa inclinacao tanto para precos baixos
como altos, e que sua inclinacao seja maxima para um preco intermediario, que
chamaremos pe . A oferta do produto correspondente a este preco sera denotada
O ponto (
e um ponto de inflexao para a curva de oferta S(p).
O.
pe , O),
conveniente redefinir as variaveis
E
St Ot O,
xt pet pe ,
(5.93)
tal que o ponto de inflexao fique na origem do novo sistema de coordenadas

x S. Neste caso, tanto a oferta como o preco podem ser tanto positivos
como negativos. Introduziremos, tambem, um par
ametro que caracteriza a
inclinacao maxima da curva de oferta. Hommes propos a seguinte funcao de
oferta sigmoide:
S(x) = arctan(x),
(5.94)
de modo que, quanto maior for o par
ametro , mais ngreme e a inclinacao da
curva sigmoide na origem [vide Figs. 5.26(a) e (b)]. Outra funcao que apresenta
resultados similares ao arco-tangente para a curva sigmoide e a funcao tangente
hiperbolica [71]:
ex ex
.
(5.95)
S(x) = tanh(x) = x
e + ex
270
(a)
(b)
1
S(x)
S(x)
-1
-1
-2
-2
-1
-2
-2
-1
Figura 5.26: Funcao de oferta do topo arco-tangente para (a) = 1 e (b) = 5.
Substituindo (5.81) em (5.87), temos que

fw (x)
=
=
(1 w)x + wD1 (S(x))

a w
a S(x)
= (1 w)x + w S(x). (5.96)
(1 w)x + w
b
b
b
b
Usando, agora a funcao arco-tangente (5.94) para a curva de oferta, o modelo

discreto nao-linear que descreve a evolucao dos precos esperados (normalizados)
e
aw
w
.
(5.97)
xt = fw (xt1 ) = arctan(xt1 ) + (1 w)xt1 +
b
b
Podemos verificar explicitamente que o modelo discreto arco-tangente (5.97)
satisfaz o criterio de admissibilidade de Hommes (5.92). Tanto a funcao oferta
como demanda s
ao monotonicas, respectivamente crescente e decrescente em
seus argumentos. Alem disso, a derivada do modelo discreto (5.97) e
fw (x) = (1 w)
1 w,
b 1 + 2 x2
(5.98)
ja que w, b e s
ao nao-negativos. Fazendo d 1 w, tal que 0 < d < 1 temos,
portanto, satisfeito o criterio dado por (5.92), e o modelo discreto sigmoide e
aceitavel como descricao do modelo de teia de aranha. Isso ja nao acontece,
no entanto, para o modelo logstico discreto fr = rx(1 x), introduzido por
Chiarella [67] e Jensen e Urban [66], como possveis modelos de teia de aranha
quadr
aticos. O motivo e que a derivada do modelo logstico discreto, dada por
fr = r 2rx = r(1 2x), pode ter valores maiores que 1 ou menores que 1, de
modo que nao existe um limite superior 0 < d < 1 para a derivada, e o criterio
de Hommes (5.92) nao e satisfeito.
5.8.4
Para um modelo sigmoide geral como (5.96) o ponto fixo x , satisfazendo

x = (1 w)x + w
a w
S(x ),
b
b
e a solucao da equacao
S (x ) = a bx ,
271
(5.99)
arctg(4,8 x)
0,3 - 0,25 x
-1
x* = 0,07
-2
-5
-4
-3
-2
-1
Figura 5.27: Solucao gr

afica da Eq. (5.100) para a = 0, 3, b = 0, 25, e = 4, 8.
que, no caso da funcao arco-tangente (5.94), torna-se a equacao trigonometrica

arctan(x ) = a bx ,
(5.100)
que nao tem solucao analtica exata. No entanto, podemos encontrar a solucao
determinando graficamente o(s) ponto(s) de intersecao dos gr
aficos dos lados
esquerdo e direito de (5.100).
Tomemos, como exemplo, o caso em que a = 0, 3, b = 0, 25, e = 4, 8. Na
Figura 5.27 mostramos a solucao gr
afica da Equacao (5.100), a qual e x 0, 07.
Como a funcao arco-tangente tem sempre o mesmo comportamento sigmoide
(variando a inclinacao da parte proxima à origem), a reta da funcao demanda
s
o pode interceptar a funcao oferta em um u
nico ponto; logo ha sempre um
u
nico ponto fixo para o modelo sigmoide.
Alem disso, podemos constatar que o ponto fixo est
a proximo à origem, o que
nos provoca `
a obter uma solucao analtica aproximada para Eq. (5.100) supondo
que, se x e suficientemente pequeno podemos aproximar arctan(x ) x
(onde x e subentendido um arco a ser medido em radianos). Neste caso, a
Eq. (5.100) ficaria, simplesmente,
x a bx ,
a
.
+b
(5.101)
a qual, no exemplo da Fig. 5.27 , corresponderia a x 0, 3/(4, 8+0, 25) = 0, 06,

portanto em boa concord
ancia com o resultado da solucao gr
afica.
5.8.5
Determinac
ao num
erica do ponto fixo
Mesmo assim, solucoes numericas confiaveis para Eq. (5.100) devem ser procuradas a partir do uso do metodo de Newton-Raphson. O ponto fixo sera a
(
unica) raiz da funcao erro:
(x) = arctan(x) + a bx,
272
(5.102)
ou seja, que (x ) = 0. O metodo de Newton requer, ainda, a derivada da

funcao erro, a saber

d
(x) = b
.
(5.103)
(arctan(x)) = b
dx
1 + 2 x2
Como sabemos que a raiz e proxima de x = 0, podemos adotar este valor
como nosso chute inicial x0 . As aproximacoes sucessivas no metodo de Newton
(o qual e, tambem, um modelo discreto unidimensional!) serao dadas por [9]:
xi+1 = xi
(xi )
,
(xi )
(i = 0, 1, 2, ),
(5.104)
e esperamos que xi x apos um n

umero suficientemente grande de iteracoes
de (5.104), desde que obviamente (xi ) nunca seja um n
umero muito proximo
de zero (caso em que o metodo falharia). Abaixo mostramos um programa
em linguagem C que implementa o metodo de Newton-Raphson para o modelo
sigmoide:
/* root.c: determina os pontos fixos
para o modelo sigmoide de Hommes pelo m
etodo de Newton */
#include <stdio.h>
#include <math.h>
double psi(double arg), dpsi(double arg);
main( )
{
int n,points;
double xnew,xold,x0,tol,dif,der;
points = 100;
x0 = 0.0;
xold = x0;
n = 0;
tol = 1e-6;
for (n=1; n<=points;++n) { /* varre os valores de n */
xnew = xold - (psi(xold)/dpsi(xold));
dif = fabs(xnew - xold);
xold = xnew;
}
der = 0.7 - (5.76/(1+(23.04*xnew*xnew)));
printf("%f %f\n",xnew,der);
}
double psi(double arg)
{
double a, b,sigma;
a = 0.0;
b = 0.25;
273
0,5
soluo analtica aproximada
soluo numrica
x*
0,25
-0,25
-0,5
-1,25
-1
-0,75
-0,5
-0,25
0,25
0,5
0,75
1,25
Figura 5.28: Solucao numerica da Eq. (5.100) para b = 0, 25, = 4, 8, e a

variavel.
sigma = 4.8;
return(a - b*arg - atan(sigma*arg));
}
/* especifica a derivada */
double dpsi(double arg)
{
double b,sigma,aux;
b = 0.25;
sigma = 4.8;
aux = sigma/(1+(sigma*sigma*arg*arg));
return(-b-aux);
}
Na Figura 5.28 mostramos o resultado da aplicacao do metodo de Newton
quando b = 0, 25, = 4, 8, e fazemos o par
ametro a variar de 1, 25 a +1, 25.
Podemos constatar que x = 0 para a = 0, e que x (a) e uma funcao mpar
do seu argumento, ou seja, x (a) = x (a). Alem disso, a solucao analtica
aproximada (10.35) s
o e aceitavel para valores 0, 25 . a . 0, 25. Para valores
maiores de a a solucao analtica aproximada subestima a solucao real de forma
crescente.
O ponto fixo sera assintoticamente est
avel se |fw (x )| < 1 ou, em vista de
(5.96) e (5.103), caso sejam verificadas as inequacoes
1
<
<
w
S (x ) < 1,
b

2
S (x )
< 1.
b
w
(1 w)
(5.105)
No caso da funcao oferta dada por (5.94), a condicao de estabilidade do ponto

274
estvel
estvel
-1
instvel
instvel
fw(x*)
-2
-3
-4
a* = -1,053
-5
-6
-1,25
-1
-0,75
-0,5
a* = 1,053
-0,25
0,25
0,5
0,75
1,25
Figura 5.29: Estabilidade do ponto fixo da Eq. (5.100) para w = 0, 3, b = 0, 25,

= 4, 8, e a variavel.
fixo se exprime como

2
i < 1.
1 < h
2
w
2
b 1 + (x )
(5.106)
Vamos analisar a estabilidade dos pontos fixos determinados numericamente

para o modelo discreto sigmoide. No caso particular a = 0, quando x = 0,
temos que
fw (0) = 1 w
.
(5.107)
b [1 + 2 ]
Tomando o caso em que w = 0, 3, b = 0, 25 e = 4, 8, temos que |fw (0)| =
5, 06 > 1, logo o ponto fixo e instavel. Recordamos que x = 0 corresponde
economicamente a um preco de equilbrio igual ao ponto de inflexao da curva
de oferta. Quando a = 0, portanto, esse preco de equilbrio e instavel. Alem
disso, como fw (0) = 5, 06 < 0 os precos afastam-se do equilbrio atraves de
oscilacoes explosivas, com violentas quedas e subidas de preco a cada perodo.
Na figura 5.29 tracamos o gr
afico de fw (x ) versus o par
ametro a para
w = 0, 3, b = 0, 25, e = 4, 8, usando (5.106) e os pontos fixos determinados numericamente. Observamos que o ponto fixo e instavel sempre que
1, 053 . a . a = 1, 053. Para a > a a derivada do modelo discreto e maior
que um, em modulo, e o ponto fixo tornar-se-
a est
avel. Essa mudanca de estabilidade abrupta num ponto fixo quando um par
ametro passa por um valor
crtico e denominada bifurcacao, e sera estudada com mais detalhes no Captulo
??.
Dependendo da inclinacao do gr
afico da curva sigmoide na origem, , o
modelo discreto (5.97) pode ter um, mais de um, ou mesmo nenhum ponto
crtico. Pontos crticos do modelo discreto, ci , s
ao tais que fw (ci ) = 0. De
(5.96) temos
b(1 w)
,
(5.108)
S (ci ) =
w
275
que, para o modelo discreto arco-tangente (5.94), implica em
b 1 + 2 (ci )
i = ,
donde os pontos crticos do modelo discreto s

ao
r
1 w
1.
c1,2 =
w
(5.109)
Como = S (0) e a inclinacao da curva sigmoide na origem, concluimos que, se

> , o modelo discreto tem dois pontos crticos, c2 = c1 , ao passo que, se
, o modelo discreto e monotonicamente crescente (nao tem ponto crtico).
No captulo ?? retornaremos à analise desse modelo, agora sob o ponto de vista
da teoria de bifurcacoes e comportamento caotico, o qual e possvel para essa
classe de modelo discretos sigmoides.
5.9
Problemas
1. Encontre os pontos fixo do modelo discreto xt = x2t1 e discuta sua estabilidade.

Faca o diagrama de escada e verifique graficamente suas respostas.
2. Mostre que a estabilidade do ponto fixo do modelo discreto xt = sin(xt1 ), com
xt [0, ), n
ao pode ser determinada pelo criterio de linearizaca
o. Faca um diagrama de escada, no entanto, para mostrar que o ponto fixo e assintoticamente
est
avel.
3. (a) Mostre que (2/7, 4/7, 6/7) e uma
orbita de perodo 3 para o modelo da tenda
T (x). Este ciclo e est
avel ou inst
avel? (b) Determine todos os pontos fixos da
terceira iterada do modelo da tenda, T [3] (x). (c) Ache o n
umero de pontos fixos
de T [m] (x), o n
umero de pontos de perodo m para T (x), e o n
umero de
orbitas
de perodo m para T (x), quando m = 1, 2, 3, 4, 5.
4. Considere a seguinte generalizaca
o do modelo da tenda [34]:

2axt1 se 0 xt1 12 ,
xt = Ta (xt1 ) =
2a(1 xt1 ) se 12 < xt1 1,
(a) Determine os pontos fixos do modelo discreto e estude sua estabilidade, de
acordo com os valores do par
ametro a.
(b) Ache uma
orbita de perodo 2 e estude sua estabilidade.
5. Obtenha numericamente e trace o gr
afico correspondente das iteraco
es do modelo discreto xt = x2t1 +, onde xt [0, 1] e 0. Escolha valores diversos para
o par
ametro , bem como para as condico
es iniciais x0 , usando uma planilha
eletr
onica, adaptando o programa iteracoeslogistico.c, ou algum dos softwares
matem
aticos.
6. Considere um modelo macroecon
omico Keynesiano onde Ct e o consumo num
dado perodo, Yt a renda nacional, e It e o investimento, satisfazendo a relaca
o
Yt = Ct + It . Suponha: (i) que o consumo num perodo dependa da renda no
perodo anterior:
Ct = a + bYt1
276
onde a 0 e 0 < b < 1 (propens

ao marginal de consumo); (ii) que o investimento
seja totalmente aut
onomo. Ele parte de um valor inicial I0 e e aumentado de
uma parcela I, sendo mantido nesse nvel pelos perodos subsequentes:
It = I0 + I
(a) Mostre que a renda nacional evolui de acordo com um modelo discreto afim;
(b) Determine o ponto fixo e sua estabilidade;
(c) Interprete seus resultados em termos econ
omicos.
7. Uma adaptaca
o do modelo de multiplicadores do exerccio anterior sup
oe ser o
investimento parcialmente aut
onomo e pacialmente dependente da renda anterior, tal que
It = I0 + I + hYt1
onde 0 < h < 1 e a propens
ao marginal de investimento. Repita os passos (a),
(b) e (c) do exerccio anterior.
8. Um modelo smples de expectativas futuras leva em conta o chamado preco
normal, denotado pN , ou aquele que se acredita ser o preco que o mercado, cedo
ou tarde, estabelecer
a para o produto. Caso os produtores tiverem conhecimento
perfeito da din
amica do mercado, poderiam estabelecer como preco normal o
preco de equilbrio pN = pE = (ac)/(b+d). Desta forma o preco esperado num
certo perodo poderia ser alterado em funca
o deste, num perodo precedente,
estar mais ou menos pr
oximo do preco normal.Uma relaca
o linear para tais
expectativas pode ser escrita como [21]:
pet = pt1 + k(pE pt1 )
onde 0 < k < 1 e um coeficiente que representa o grau com que as diferencas dos
precos correntes com o valor normal s
ao incorporadas `
a formaca
o de expectativas
para os precos futuros. Por exemplo, se o preco efetivamente observado for
inferior ao valor normal (pt1 < pN ), ajustamos o preco esperado no pr
oximo
perodo para cima (pet > pt1 ); caso contr
ario, para baixo. Caso j
a tenha
chegado ao valor normal, n
ao haver
a o que ajustar.
(a) Estude os casos particulares deste modelo, k = 0 e k = 1. Mostre que 1/k
pode ser interpretado como o tempo necess
ario para que os precos atinjam seu
valor normal.
(b) Mostre que o preco obedece ao seguinte modelo discreto afim:

d(1 k)
a c kdpE
pt =
pt1
b
b
(c) Determine o ponto fixo deste modelo e estude sua estabilidade, comparando
com a do modelo de teia de aranha tradicional.
9. Em 1984, Jensen e Urban [66] propuseram um modelo de teia de aranha supondo
uma curva de demanda linear D(p) = c dp, expectativas ingenuas, e a seguinte
curva de oferta n
ao-linear:
S(pet ) = a + bpet e(pet )2 .
(a) Mostre que o preco evolui de acordo com um modelo discreto quadr
atico da
forma
pt = pt1 + p2t1 ,
277
onde = (c a)/d, = b/d, e = e/d. Trace o gr

afico e alguns diagramas de
escada para este modelo discreto.
(b) Determine os pontos fixos e estude sua estabilidade;
(c) Ache as condico
es necess
arias para que os precos n
ao divirjam a infinito;
10. O chamado modelo de Ricker
xt = xt1 erxt1 (1xt1 )
e um modelo usado no estudo de populaco
es animais, sendo x a populaca
o e r
a taxa de crescimento.
(a) Determine analiticamente os pontos fixos e estude sua estabilidade.
(b) Use algum dos softwares matem
aticos para tracar series temporais e diagramas de escada para valores do par
ametro r que levem a pontos fixos,
orbitas de
perodo 2 e 4.
(c) Use o Mathematica (ou outro software) para determine numericamente uma
orbita de perodo 2, estudando sua estabilidade. Como um exemplo, para achar
o ponto fixo do modelo logstico discreto, usamos o comando

Solve[x = rx(1-x), x]
11. Use o Mathematica (ou outro software) para determinar analiticamente os pontos da
orbita de perodo 2 do modelo logstico discreto (veja o tem (c) do
problema anterior).
278
Captulo 6
Modelos discretos
bidimensionais
A extens
ao imediata do tratamento visto no Captulo precedente contempla
modelos a tempo discreto com duas variaveis din
amicas. A base matematica
para tratar tais modelos, a
algebra matricial, foi vista em detalhes nos Captulos
2 e 4, de forma que poderemos empregar com fluencia essa linguagem.
6.1
Modelos discretos bidimensionais lineares
Consideremos duas variaveis din

amicas discretas, xt e yt . A forma mais geral
de um modelo bidimensional envolvendo tais variaveis e
xt
f (xt1 , yt1 ),
(6.1)
yt
g(xt1 , yt1 ),
(6.2)
onde f e g s
ao funcoes de seus respectivos argumentos. N
os inicialmente estudaremos o caso onde elas s
ao funcoes lineares afins, ou seja, quando f (x, y) =
ax + by + j, e g(x, y) = cx + dy + k, onde a, b, c, d, k e j s
ao n
umeros reais.
Neste caso, um modelo discreto bidimensional linear e dado por
xt
yt
=
=
axt1 + byt1 + j,
cxt1 + dyt1 + k.
(6.3)
(6.4)
Modelos discretos bidimensionais podem aparecer, principalmente em aplicacoes

em economia, a partir de equacoes a diferencas de segunda ordem. Nestas, a
variavel num perodo t depende do seu valor nos dois perodos precedentes (t 1
e t 2). Por exemplo, considere a equacao
xt = 2xt1 3xt2 + 4.
(6.5)
Definindo yt = xt1 temos que yt1 = xt2 , de modo que xt = 2xt1 3yt1 +4.
Obtemos, assim, um modelo bidimensional linear na forma (6.3)-(6.4), onde
a = 2, b = 3, j = 4, c = 1, d = 0, e k = 0.
Definindo a matriz coluna 2 1 das variaveis din
amicas num certo tempo t
como

xt
vt =
,
(6.6)
yt
279
podemos escrever as equacoes (6.3)-(6.4) na forma compacta

vt = A vt1 + B,
(6.7)
onde introduzimos as matrizes dos coeficientes

a b
j
A=
,
B=
,
c d
k
(6.8)
Modelos discretos bidimensionais est

ao associados a um vetor de pontos fixos

x
,
(6.9)
v =
y
o qual mapeia a si proprio, resultando na equacao matricial
v
(I A) v
Supondo que a matriz I A seja

1a
b
det(I A) =
c
1d
A v + B,
B.
(6.10)
nao-singular, ou seja, que

= (1 a)(1 d) bc 6= 0,

(6.11)
(6.12)
ent
ao existe a matriz inversa, dada por
(I A)
1
(1 a)(1 d) bc
1d
c
b
1a
Multiplicando essa matriz por ambos os membros de (6.10) obtemos o ponto

fixo
v
=
=
=
6.1.1
(I A)
B

1
j
1d
b
k
c
1a
(1 a)(1 d) bc

1
(1 d)j + bk
.
cj
+ (1 a)k
(1 a)(1 d) bc
(6.13)
(6.14)
Soluc
ao geral do modelo linear
possvel estudar detalhadamente o comportamento das iteradas sucessivas do

E
modelo linear (6.3)-(6.4) pois ele exibe uma solucao geral. Tomando a forma
matricial (6.7),
vt = M(vt1 ) = A vt1 + B,
(6.15)
onde as matrizes A e B foram definidas em (6.8), partimos de uma condicao
inicial

x0
v0 =
,
(6.16)
y0
e iteramos uma vez para obter

x1
v1 =
= M(v0 ) = A v0 + B.
y1
280
(6.17)
As iteradas seguintes s
ao conhecidas a partir do princpio de inducao finita:
v2
v3
..
.
vt
=
=
=
M[2] (v0 ) = A v1 + B = A (A v0 + B) + B = A2 v0 + A B + B,
M[3] (vt ) = A3 v0 + (I + A + A2 ) B,
..
.
M[t] (vt ) = At v0 + (I + A + A2 + At1 ) B,
(6.18)
onde a somatoria de matrizes pode ser obtida, numa forma fechada, a partir
da generalizacao da formula da soma dos t primeiros termos de uma progress
ao
geometrica
I + A + A2 + . . . + At1 = (I At ) (I A)
(6.19)
desde que, naturalmente, a matriz I A seja inversvel.

Substituindo (6.19) em (6.18), a solucao geral do modelo discreto bidimensional linear e dada por
vt
=
=
=
At v0 + [(I At ) (I A)
t
A v0 + (I A)
t
A [v0 (I A)
1
t
] B,
B A [(I A)
B] + (I A)
B,
B],
(6.20)
onde aplicamos sucessivamente as propriedades associativa e distributiva da

1
multiplicacao de matrizes. A matrix constante (I A) B e o proprio ponto
fixo v , de modo que podemos reescrever a solucao geral (6.20) como
vt = M[t] (v0 ) = At [v0 v ] + v .
(6.21)
Infelizmente, para modelo discretos bidimensionais nao contamos com o recurso dos diagramas de escada para visualizar as iteracoes sucessivas. A determinacao da estabilidade dos pontos fixos, portanto, necessita do uso de criterios
analticos, como sera visto na proxima secao.
6.2
Estabilidade para modelos lineares
O conceito de estabilidade para o ponto fixo de um modelo discreto bidimensional linear e uma generalizacao do caso unidimensional. N
os acompanhamos
o comportamento das iteracoes do modelo discreto nas proximidades do ponto
fixo, de tal modo que, se elas convergem ao ponto fixo com o passar do tempo
t, este e assintoticamente est
avel. Caso contrario, se as iteracoes afastam-se do
ponto fixo, este sera instavel.
Dada uma condicao inicial v0 nas proximidades de um ponto fixo v , as
diferencas entre as iteradas sucessivas e o ponto fixo s
ao dadas pelo vetordiferenca
wt v t v .
(6.22)
Vamos investigar como evolui o vetor-diferenca com o passar do tempo. Substituindo (6.22) em (6.7)
wt + v
wt
=
=
=
A (wt1 + v ) + B,
A wt1 + A v v + B = A wt1 (I A) v + B,
A wt1 (I A) (I A)
A wt1 ,
281
B + B = A wt1 I B + B,
(6.23)
w
y
w
y
w0
w2
w3
w1
w1
w3
w2
w0
Figura 6.1: Ponto fixo (a) est

avel, (b) instavel.
Finalmente, a solucao geral do modelo discreto e obtida fazendo-se B = 0 em

(6.20), o que resulta em
w t = At w 0 ,
(6.24)
Nas novas variaveis do vetor-diferenca, o ponto fixo e a origem w = 0. Isso

significa que a substituicao de variaveis (6.22) equivale a transladar o sistema
de coordenadas, de modo que a origem recaia sobre o ponto fixo original v .
Escrevemos o vetor (6.22) em componentes

wxt
xt x
wt =
,
(6.25)
=
wy t
yt y
tal que a distancia entre o ponto de coordenadas (wx , wy ) e a origem e o modulo

do vetor w
q
(6.26)
|wt | = wx 2t + wy 2t .
O ponto fixo na origem w = 0 e assintoticamente est

avel se, dada uma
condicao inicial w0 , as iteracoes subsequentes, At w0 , s
ao tais que as distancias
a origem aproximam-se de zero quando o tempo t tende a infinito
`
|wt | 0
se
t .
(6.27)
Essa situacao est

a representada na Fig. 6.1(a). Para auxiliar na visualizacao
da evolucao temporal, nos ligamos as pontas dos vetores-diferenca, de modo
que o resultado lembra uma trajet
oria no plano de fase, tal como vimos no
Captulo 3. No entanto, devemos enfatizar que nao ha tais trajet
orias, de fato,
ja que a evolucao ocorre a intervalos de tempo discretos, ao inves de contnuos.
Da mesma forma, nao ha um teorema de existencia e unicidade para orbitas
de modelos discretos, de forma que as linhas que ligam as pontas dos vetores
podem interceptar-se, ao contrario de trajet
orias no plano de fase de sistemas
contnuos. Analogamente, a origem sera instavel se a distancia à origem tende
para infinito com o passar do tempo [Fig. 6.1(b)]
|wt |
se
t .
(6.28)
Logo, para determinar a estabilidade do ponto fixo e necessario conhecer as

potncias sucessivas da matriz dos coeficientes At . Assim como a exponencial
de uma matriz, no caso de modelos contnuos, tambem a potenciacao de uma
282
matriz e uma tarefa difcil em geral, a nao ser que nos escrevamos a matriz em
termos dos seus autovalores 1 e 2 . Eles s
ao dados, como vimos no Captulo 2,
por
D
1,2 =
,
(6.29)
2
onde
T rA,
(6.30)
det A,
2 4.
(6.31)
(6.32)
e que podem ser reais ou complexos, iguais ou diferentes, dependendo do discriminante D, de modo que ha v
arias situacoes possveis, a saber:
1. D > 0: razes reais (1 6= 2 );
2. D = 0: razes reais e iguais (1 = 2 );
3. D < 0: razes complexas (2 = 1 ).
Podemos escrever a solucao geral dada por (6.24):
w t = At w 0 ,
(6.33)
em termos dos autovalores e autovetores da matriz A, que satisfazem

A u = u.
(6.34)
Multiplicando a matriz A pela equacao acima temos, por inducao finita,

A (A u)
A2 u
..
.
t
A u
=
=
A (u),
A u = 2 u,
..
.
t u.
(6.35)
Comparando (6.35) com (6.33) vemos que wt deve ser proporcional a t u. De

fato, como temos dois autovalores, 1 e 2 , temos a combinacao linear de ambos:
wt = c1 1t u1 + c2 2t u2 ,
(6.36)
onde c1 e c2 s
ao dois coeficientes ainda a determinar, a partir das condicoes
iniciais do problema, que s
ao as componentes do vetor w0 .
A natureza do ponto fixo, bem como das orbitas do modelo discreto na sua
vizinhanca, dependem dos autovalores da matriz dos coeficientes, tal como em
modelos contnuos. Vamos, assim, discutir separadamente as diversas situacoes
possveis por meio de exemplos, para os quais exibiremos as solucoes analticas
na forma (6.36). Um tratamento mais geral, usando as propriedades das formas
de Jordan, sera deixado para o proximo captulo. Alem disso, nos exemplos a
serem tratados a seguir o ponto fixo estara na origem do plano de fase, de tal
sorte que w(t) = v(t).
283
6.2.1
N
o est
avel (|1 | < 1 e |2 | < 1)
Como um exemplo, vamos considerar o modelo discreto bidimensional
xt
yt
1
xt1 + 2yt1 ,
2
1
yt1 ,
4
com os coeficientes formando a matriz

1/2
A=
0
2
1/4
(6.37)
(6.38)
(6.39)
cujos autovalores s
ao 1 = 1/2 e 2 = 1/4. Como B = 0 o ponto fixo tem
coordenadas (x = 0, y = 0). O traco, determinante e discriminante da matriz
dos coeficientes s
ao, respectivamente,
= 1/4,
= 1/8,
D = 2 4 = 9/16.
(6.40)
Os autovetores da matriz dos coeficientes s

ao as solucoes da equacao (A
I) u = 0, ou seja

ux
0
1/2
2
.
(6.41)
=
0
uy
0
1/4
As componentes do autovetor correspondendo ao autovalor 1 = 1/2 s
ao as
solucoes do sistema 2uy = 0, (3/4)uy = 0, cuja u
nica solucao e uy = 0, ficando
a outra componente indeterminada. Arbitrando, por simplicidade, ux = 1 o
autovetor (nao-normalizados) e

1
u1 =
.
(6.42)
0
Analogamente, o autovetor correspondente ao autovalor 2 = 1/4 e

8
u2 =
.
3
(6.43)
Aplicando a combinacao linear destes dois autovetores, em vista da equacao

(6.36), temos

1
8
xt
t
t
= c1 2
+ c2 (4)
,
(6.44)
yt
0
3
ou ent
ao
xt
yt
=
=
c1 2t + 8c2 (4) ,
t
3c2 (4) .
(6.45)
(6.46)
Quando o tempo t tende ao infinito, as potencias acima tendem a zero,

de modo que xt e yt tendem a zero, de modo que o ponto fixo na origem e
avel, tambem chamado de no est
avel (em analogia com a
284
terminologia introduzida no Captulo 2 para modelos contnuos). Para termos

uma ideia de como os pontos da orbita aproximam-se do ponto fixo, vamos
considerar a seguinte condicao inicial

x0
v0 =
,
(6.47)
y0
de modo que, colocando t = 0 em (6.45)-(6.46), resulta no sistema
x0
y0
=
=
c1 + 8c2 ,
3c2 ,
(6.48)
(6.49)
cuja solucao fornece os coeficientes

8
= x 0 + y0 ,
3
1
= y0 ,
3
c1
c2
(6.50)
(6.51)
A solucao final do modelo sera, portanto,

xt
yt
8
t
x0 .2t + y0 (2t (4) ),
3
t
y0 (4) .
(6.52)
(6.53)
N
os representamos graficamente algumas das solucoes, para diferentes valores das condicoes iniciais (x0 , y0 ) na Fig. 6.2. Como os pontos de cada orbita
correspondem a instantes de tempo discretos as linhas pontilhadas foram incluidas apenas como auxlio `
a visualizacao da evolucao dos valores de x(t) e y(t).
Observamos que, ao longo da direcao u2 (correspondente ao autovalor negativo)
o comportamento das iteracoes e oscilat
orio na sua convergencia à origem, ao
passo que ao longo do eixo x, que e a auto-direcao relativa ao autovalor positivo,
as iteracoes pr
oximas ao no tendem a zero de forma nao-oscilat
oria. Em geral,
as iteracoes correspondentes `
a autodirecao com autovalor negativo (positivo) apresentam um comportamento predominantemente oscilat
orio (nao-oscilat
orio).
N
o inst
avel (|1 | > 1 e |2 | > 1)
Exemplificaremos com o modelo
xt
xt1 + yt1 ,
(6.54)
yt
4xt1 2yt1 ,
(6.55)

1
A=
4
1
2
(6.56)
com traco = 1, determinante = 6, discriminante D = 25, e autovalores

1 = 2, 2 = 3, correspondendo aos seguintes autovetores (nao-normalizados)

1
1
.
(6.57)
,
u2 =
u1 =
4
1
285
yt
u2
-1
-2
-4
-2
xt
Figura 6.2: Orbitas

do modelo (6.37)-(6.38) na vizinhanca de um no est
avel na
origem. As linhas pontilhadas servem apenas para indicar a ordem em que os
pontos sucedem-se, nao correspondendo a trajet
orias do modelo.
Aplicando a combinacao linear destes dois autovetores, em vista da equacao

(6.36), temos

1
1
xt
t
,
(6.58)
= c1 2t
+ c2 (3)
yt
4
1
tal que
xt
yt
=
=
c1 2t + c2 (3) ,
(6.59)
(6.60)
c1 2 4c2 (3) .
Para o tempo t tendendo ao infinito, as potencias acima tambem tendem ao

infinito tal qual xt e yt , de modo que o ponto fixo na origem e instavel (no
instavel). Considerando a condicao inicial (x0 , y0 ) e fazendo t = 0 em (6.59)(6.60), obtemos o sistema
x0
y0
=
=
c1 + c2 ,
c1 4c2 ,
(6.61)
(6.62)
cuja solucao e
c1
c2
4x0 + y0
,
5
x 0 y0
,
5
(6.63)
(6.64)
Substituindo (6.63)-(6.64) em (6.59)-(6.60) chegamos à solucao geral do modelo

4x0 + y0
x 0 y0
t
t
xt =
2 +
(3) ,
(6.65)
5
5

4x0 + y0
x 0 y0
t
yt =
2t 4
(3) .
(6.66)
5
5
286
yt
u2
-1
-2
-2
-1
xt
Figura 6.3: Orbitas

do modelo (6.54)-(6.55) na vizinhanca de um no instavel na
origem.
Na Fig. 6.3 representamos

orbitas originadas de alguns valores de (x0 , y0 ).
Quando a condicao inicial e colocada exatamente sobre a direcao do autovetor u1 (correspondente ao autovalor positivo) as iteracoes sucessivas do modelo permanecem sobre essa auto-direcao, como esperado, e divergem de forma
monotonica. Ja ao longo da direcao definida por u2 , cujo autovalor e negativo,
essa divergencia ocorre de forma oscilat
oria.
Ponto de sela (|1 | < 1 e |2 | > 1 ou vice-versa)
Um exemplo representativo e
xt
yt
1
= xt1 ,
2
= 3xt1 + 2yt1 ,

1/2
A=
3
0
2
(6.67)
(6.68)
(6.69)
com autovalores 1 = 1/2 e 2 = 2, correspondendo respectivamente aos autovetores (nao-normalizados)

0
5
.
(6.70)
, u2 =
u1 =
1
6
A solucao geral e a combinacao linear

xt
5
0
t
= c1 (2)
+ c2 2t
,
yt
6
1
(6.71)
fornecendo
xt
yt
=
=
5c1 (2) ,
6c1 (2)
287
(6.72)
t
+ c2 2 .
(6.73)
auto-direo instvel
4
yt
-2
auto-direo estvel
-4
-6
-4
-2
xt
Figura 6.4: Orbitas

do modelo (6.67)-(6.68) na vizinhanca de um ponto de sela
na origem.
que, para t = 0, resulta em

x0
5c1 ,
(6.74)
y0
6c1 + c2 ,
(6.75)
c1
c2
cuja solucao fornece

1
x0 ,
5
6
x 0 + y0 ,
5
(6.76)
(6.77)
de forma que
xt
yt
x0 (2) ,

6
6
t
x0 (2) +
x0 + y0 2t .
5
5
(6.78)
(6.79)
O ponto fixo na origem e um ponto de sela. Se colocarmos a condicao inicial sobre a auto-direcao u1 , que corresponde ao autovalor com modulo menor
que um, os pontos subsequentes da orbita aproximam-se da origem assintoticamente, nunca deixando a direcao onde est
ao (auto-direcao invariante est
avel).
Alem disso, a convergencia e oscilat
oria, ja que o autovalor e negativo. Se
(x0 , y0 ) forem escolhidos ao longo da direcao u2 , eles afastar-se-ao da origem
sem abandonar essa direcao (auto-direcao invariante instavel). Como o autovalor e tambem positivo, essa divergencia e monotonica. Para condicoes iniciais
em geral as
orbitas afastam-se da origem, divergindo ao longo da auto-direcao
instavel de forma monotonica e oscilando ao longo da auto-direcao est
avel [Fig.
6.4].
288
(b)
(a)
y
y0 11
00
11
00 11
11
00 11
11
00
11
00
00
11
00
00
00
11
00 11
11
00 11
00
x0
Figura 6.5: Feixe de retas paralelas para o caso de um autovalor nulo, sendo o
outro de modulo (a) menor que 1, e (b) maior que 1.
6.2.2
Feixe de retas paralelas
Suponha que 1 6= 0 e 2 = 0, correspondendo à matriz dos coeficientes, ja na

forma diagonal

1 0
A=
,
(6.80)
0 0
com o ponto de equilbrio na origem. Os autovetores s
ao dados por
(1 )ux
uy
=
=
0,
0.
(6.81)
(6.82)
Considerando o autovalor nao-nulo 1 , decorre que ux = 0 para qualquer uy ,

situacao que se inverte quando levamos em conta o autovalor igual a zero, de
sorte que os autovetores correspondentes a eles podem ser escolhidos, respectivamente, como

0
1
.
(6.83)
,
u2 =
u1 =
1
0
Podemos, pois, escrever a solucao geral do modelo como

0
1
v(t) = c1 1t u1 + c2 u2 = c1 1t
,
+ c2
1
0
(6.84)
ou ainda
x(t)
y(t)
=
=
c1 1t ,
c2 .
(6.85)
(6.86)
Em termos das condicoes iniciais x(0) = x0 , y(0) = y0 o sistema (6.85)-(6.86)

fornece, para t = 0, c1 = x0 e c2 = y0 ; donde
x(t)
y(t)
=
=
x0 1t ,
y0 .
(6.87)
(6.88)
Logo, apenas a variavel x muda com o tempo: se |1 | < 1 os seus valores

convergem assintoticamente para zero [Fig. 6.5(a)], e divergem caso |1 | > 1
289
[Fig. 6.5(b)]. Se o autovalor for positivo essa convergencia ou divergencia e

monotonica, e sera oscilat
oria se o autovalor for negativo. Ja os valores de
y nao se alteram: seja qual for a condicao inicial y0 , seu valor permanecera
constante, o que define um feixe de retas paralelas à direcao especificada pelo
autovetor u2 . No caso de 1 < 0 o movimento converge para esta direcao,
divergindo dela caso contrario [Figuras 6.5(a) e (b), respectivamente]. Observe
que as iteracoes nao convergem, a rigor, para o ponto fixo na origem, mas
tambem nao divergem. Podemos dizer que a origem e marginalmente est
avel, o
que fisicamente equivaleria a um equilbrio do tipo indiferente.
6.2.3
Vamos inicialmente considerar um modelo discreto bidimensional mais generico,

que servira de paradigma aos exemplos que virao mais a frente:
xt
yt
axt1 byt1 ,
(6.89)
bxt1 + ayt1
(6.90)
onde a e b s
ao coeficientes formando a seguinte matriz

a b
A=
,
b a
(6.91)
cujo autovalores s
ao as razes da equacao secular

a
b
2

det(A I) =
= (a ) + b2 = 0,
b
a
(a )
ib2 = 0,
a bi,
(6.92)
(6.93)
ou seja, 1 = a bi e 2 = a + bi.
Os autovetores correspondentes a esses autovalores s
matricial

a
b
b
a
(A I)u

ux
uy
=
=
0,

(6.94)
0
0
(6.95)
que desdobra-se no sistema

(a )ux buy
bux + (a )uy
0,
(6.96)
0,
(6.97)
ambas fornecendo a mesma informacao: uy = (a )ux /b com ux arbitrario.

Para o autovalor 1 = a bi temos que uy = iux . Tomando, por simplicidade,
ux = 1, ent
ao uy = i, de modo que o autovetor (complexo) correspondente e

1
u1 =
.
(6.98)
i
Analogamente, o autovetor correspondente ao autovalor 2 = a + bi e

1
.
u2 =
i
290
(6.99)
Como os autovalores s
ao n
umeros complexos, e conveniente trabalhar com
os mesmos na forma trigonometrica, o que equivale a empregar coordenadas
polares no plano complexo, a partir das relacoes
a
b
=
=
r cos ,
r sin ,
(6.100)
(6.101)
Elevando ao quadrado as equacoes acima e somando membro a membro, tendo

em conta a identidade trigonometrica sin2 + cos2 = 1,
p
a 2 + b2 = r 2
=
r = a 2 + b2 ,
(6.102)
ja que o raio r e positivo por definicao. Dividindo (6.101) por (6.100) temos,
lembrando que tan = sin / cos ,

b
b
=
= arctan
.
(6.103)
tan =
a
a
Podemos, agora, escrever a solucao geral do modelo em termos de uma

combinacao linear dos autovetores complexos, usando a equacao (6.36):

xt
1
1
t
t
= c1 (a bi)
+ c2 (a + bi)
,
(6.104)
yt
i
i
As potencias dos autovalores complexos podem ser efetuadas usando a forma
exponencial dos mesmos:
t
(a bi) = (r cos ir sin ) = (rei ) = rt eit ,
(6.105)
de forma que (6.104) fica

xt
yt
c1 rt eit + c2 rt eit ,
t it
ic1 r e
t it
ic2 r e
(6.106)
.
(6.107)
Supondo a condicao inicial (x0 , y0 ) e colocando t = 0 em (6.106)-(6.107),

x0
c1 + c2 ,
(6.108)
y0
ic1 ic2 ,
(6.109)
de modo que as constantes na combinacao linear dos autovetores s

ao tambem
n
umeros complexos
c1
c2
x0 iy0
,
2
x0 + iy0
= c1 ,
2
(6.110)
(6.111)
ou seja,
xt
yt

x0 + iy0
x0 iy0
t it
re
+
rt eit ,
2
2

x0 iy0
x0 + iy0
t it
i
re
i
rt eit .
2
2
291
(6.112)
(6.113)
As expressoes acima tornam-se mais praticas se empregarmos as seguintes relacoes

entre funcoes trigonometricas e exponenciais complexas
cos
sin
eit + eit
,
2
eit eit
,
2i
(6.114)
(6.115)
com as quais temos, para (6.112)-(6.113), a solucao geral do modelo bidimensional

xt
yt
=
=
rt [x0 cos(t) y0 sin(t)] ,

rt [x0 sin(t) + y0 cos(t)] .
(6.116)
(6.117)
Sabemos que os autovalores da matriz dos coeficientes, quando complexos,

ao
s
ao mutuamente conjugados: 1 = 2 . Por exemplo, se 1 = a + bi, ent
2 = a bi, de modo que seus modulos s
ao iguais: |1 | = a2 + b2 = |2 |. Logo,
basta analisar um dos autovalores para saber se o ponto fixo e est
avel ou instavel.
H
a, pois, tres casos possveis:
Centro (|1 | = |2 | = 1)
Esse tipo de ponto fixo pode ser exemplificado pelo modelo discreto bidimensional
xt
yt1 ,
(6.118)
yt
xt1 ,
(6.119)
cuja matriz dos coeficientes,

A=
0 1
1 0
(6.120)
e um caso particular do sistema geral, para o qual a = 0 e b = 1. Temos, pois,

que de (6.102) e (6.103),
r
02 + 11 = 1

1
arctan
= arctan() = rad.
0
2
(6.121)
(6.122)
Como os autovalores nesse caso, 1 = i e 2 = i, tem modulo igual a

um, pelo criterio de estabilidade linear nao e possvel saber se o ponto fixo na
origem e est
avel ou instavel. No entanto, podemos investigar o comportamento
das iteracoes do modelo nas vizinhancas do ponto fixo, usando a solucao geral
dada por (6.116)-(6.117).
xt
yt

t + y0 sin
t ,
2
2
x0 sin
t + y0 cos
t
2
2
x0 cos
292
(6.123)
(6.124)
yt
-1
-2
-2
-1
xt
Figura 6.6: Orbitas

do modelo (6.118)-(6.119) na vizinhanca de um centro na
origem.
onde usamos que cos() = cos e que sin() = sin . Elevando ambas ao
quadrado chegamos `
as equacoes

t + 2x0 y0 sin
t cos
t + y02 sin2
t , (6.125)
x2t = x20 cos2
2
2

2
2
yt2 = x20 sin2
t 2x0 y0 sin
t cos
t + y02 cos2
t , (6.126)
2
2
2
2
que, somadas membro a membro, tendo em conta a identidade trigonometrica

sin2 + cos2 = 1, fornecem
x2t + yt2 = x20 + y02 R2 ,
(6.127)
que e a equacao de um crculo no plano de fase (x, y) com centro na origem

e raio R. Interpretamos esse resultado dizendo que as iteracoes sucessivas do
modelo jazem sobre um crculo de raio R e centro no ponto fixo. Este e, por sua
vez, chamado centro, e nao pode ser classificado a rigor nem como est
avel nem
como instavel, pois as
orbitas permanecem nesse crculo nem aproximando-se
nem afastando-se indefinidamente da origem [Fig. 6.6].
Foco est
avel (|1 | = |2 | < 1)
Consideremos o seguinte exemplo
xt
yt
1
1
xt1 + yt1 ,
2
2
1
1
xt1 + yt1 ,
2
2
(6.128)
(6.129)
com a matriz de coeficientes

A=
1/2
1/2
293
1/2
1/2
(6.130)
yt
-1
-2
-3
-4
-2
xt
Figura 6.7: Orbitas

do modelo (6.128)-(6.129) na vizinhanca de um foco est
avel
na origem.
que e um caso particular do sistema geral, onde a = 1/2 e b = 1/2. Usando

(6.102) e (6.103), temos
q
p
2
2
(1/2) + (1/2) = 1/2 0, 707 < 1,
(6.131)
r =

1/2
= arctan
= arctan(1) = rad.
(6.132)
1/2
4
Os autovalores da matriz dos coenficientes tem modulo r menor que um, tal
que o ponto fixo na origem e assintoticamente est
avel. Como os autovalores
s
ao complexos, esperamos que a convergencia ao ponto fixo seja oscilat
oria para
ambas as direcoes do plano de fase. Esse fato pode ser observado diretamente
por meio da solucao geral (6.116)-(6.117):
t
(6.133)
(6.134)
xt
(0, 5) [x0 cos (t/4) + y0 sin (t/4)] ,
yt
(0, 5) [x0 sin (t/4) + y0 cos (t/4)] .
A distancia dos pontos (xt , yt ) à origem diminui a cada iteracao, ao mesmo

tempo que os seus valores oscilam em torno de zero, de modo que a aproximacao
a origem e feita segundo uma espiral convergente de pontos [Fig. 6.7].O ponto
`
fixo e dito um foco est
avel, nesse caso. Como < 0 o sentido da rotacao dos
pontos das
orbitas e hor
ario (negativo).
Foco inst
avel (|1 | = |2 | > 1)
Um exemplo ilustrativo para este caso e
xt
yt
3
xt1 2yt1 ,
2
3
2xt1 + yt1 ,
2
294
(6.135)
(6.136)
yt
-2
-4
-4
-2
xt
Figura 6.8: Orbitas

do modelo (6.135)-(6.136) na vizinhanca de um foco instavel
na origem.
com coeficientes
A=
3/2
2
2
3/2
(6.137)
que recaem no sistema geral, para a = 3/2 e b = 2, donde

r
q
5
2
(3/2) + 22 = = 2, 5 > 1,
2

2
= arctan(4/3) 0, 927rad.
arctan
3/2
(6.138)
(6.139)
Tendo os autovalores modulos maiores que um, o ponto fixo sera instavel.
Os pontos da
orbita afastam-se do ponto fixo com o tempo de forma oscilat
oria
em ambas as direcoes, de forma que a origem seja um foco instavel [Fig. 6.8].
A solucao geral (6.116)-(6.117) para esse exemplo sera
xt
yt
= (2, 5) [x0 cos (0, 927t) y0 sin (0, 927t)] ,

t
= (2, 5) [x0 sin (0, 927t) + y0 cos (0, 927t)] .
(6.140)
(6.141)
Uma vez que > 0 o sentido da rotacao dos pontos ao longo da espiral divergente
e anti-hor
ario (positivo).
6.2.4
Crit
erio geral de estabilidade
Independentemente de qual o caso considerado, dentre os anteriormente estudados, podemos estabelecer um criterio geral para que o ponto fixo w = 0 seja
avel: os autovalores da matriz A devem ter modulo menor
do que um (isto e, devem estar dentro do crculo unitario, no plano complexo):
w = 0 e est
avel se
295
|1 | < 1, |2 | < 1,
(6.142)
(a)
(b)
II
1
1
III
(c)
(d)
Figura 6.9: Retas correspondentes às condicoes gerais de estabilidade do ponto

fixo no plano determinante versus traco da matriz A.
onde, se os autovalores forem reais (casos I e II), o modulo e o proprio valor

absoluto; caso sejam complexos (caso III), o modulo e calculado como
2
|1,2 | = a2 + b2 .
(6.143)
Para modelos bidimensionais os autovalores s

ao do que as razes da equacao
quadr
atica (2.34)
2 + a1 + a2 = 2 + = 0.
(6.144)
Se o ponto fixo e assintoticamente est
avel as razes de (6.144) ter
ao modulos
menores do que um. Pode-se demonstrar que isso acontece se, e somente se, as
tres inequacoes abaixo forem satisfeitas simultaneamente:
1 + a1 + a2
1 a2
1 a1 + a2
=
=
=
1 + > 0,
1 > 0,
1 + + > 0.
(6.145)
(6.146)
(6.147)
que sera visto, no proximo captulo, como o caso particular de um criterio mais
geral (Schur) para estabilidade de pontos fixos.
Podemos representar graficamente as tres condicoes de estabilidade acima
por meio de um diagrama, em cujos eixos horizontal e vertical representamos,
respectivamente, o traco e o determinante da matriz dos coeficientes. A condicao
(6.145), 1 + > 0 define uma reta crtica I : = 1 no diagrama [Fig.
6.9(a)], de modo que os valores de e para os quais o ponto fixo e est
avel
situam-se `
a esquerda da reta I. Ja a segunda condicao (6.146): 1 > 0 define
uma outra reta crtica II : = 1, paralela ao eixo horizontal do diagrama
296
3
FOCO INSTAVEL
FOCO INSTAVEL
2
NO INSTAVEL
NO INSTAVEL
1
FOCO ESTAVEL
SELA
0
SELA
NO ESTAVEL
SELA
SELA
-1
NO INSTAVEL
NO INSTAVEL
NO INSTAVEL
-2
4
Figura 6.10: Triangulo de estabilidade para o ponto fixo de modelos bidimensionais.
[Fig. 6.9(b)], de modo o ponto fixo e est

avel para valores abaixo da reta II.
Finalmente, o requisito (6.147), 1 + + > 0 define uma reta crtica III : =
1 no diagrama [Fig. 6.9(c)], tal que os pontos que fornecem a estabilidade
encontram-se `
a direita da reta III.
6.3
Classificac
ao dos pontos fixos
A uni
ao das tres condicoes fornece, como domnio de estabilidade do ponto fixo,
um triangulo limitado pelas retas I, II e III [Fig. 6.9(d)]. Da equacao (6.32), os
autovalores serao reais se o discriminante da equacao secular for nao-negativo,
ou seja, se D = 2 4 0 que, por sua vez, determina uma curva crtica
IV : = 2 /4. Esta e uma par
abola com vertice na origem e concavidade para
cima, a qual e tangente, tanto ao eixo horizontal do diagrama, como tambem aos
lados do triangulo de estabilidade nos seus vertices superiores, de coordenadas
(2, 1) [Fig. 6.10].
Podemos usar o triangulo de estabilidade para localizar tambem os tipos
de ponto fixo quanto `
a estabilidade vistos nesse captulo. Os valores de e
para os quais os autovalores s
ao reais situam-se abaixo da curva IV (par
abola).
Como os pontos dentro do triangulo limitado pelas retas I, II e III s
ao est
aveis,
aqueles abaixo da par
abola e dentro do triangulo referem-se a nos est
aveis;
enquanto os que est
ao acima da par
abola e dentro do triangulo tem autovalores
complexos e, portanto, referem-se a focos est
aveis. Os demais pontos acima da
par
abola est
ao fora do triangulo e, portanto, referem-se a focos instaveis.
Sobram, portanto, dois casos genericos: nos instaveis e selas. Como ambos
referem-se a autovalores reais e distintos, a matriz dos coeficientes pode ser
297
escrita numa forma diagonal, tendo como elementos os proprios autovalores:

1 0
A=
,
(6.148)
0 2
onde o traco e o determinante s
= 1 + 2 ,
= 1 2
(6.149)
Ja || = |1 2 | > 1 para nos instaveis (pois |1 | > 1 e |2 | > 1). Logo os

pontos de sela est
ao relacionados aos pontos fora do triangulo de estabilidade
mas dentro da faixa 1 1. Os nos instaveis encontram-se em duas
regi
oes do diagrama: (i) ou est
ao fora da par
abola e acima de = 1, ou (ii)
est
ao abaixo de = 1. A localizacao destes pontos fixos no diagrama do traco
versus determinante de A pode ser vista na Fig. 6.10.
6.4
Exemplo em Economia: Modelo de multiplicadoracelerador de Samuelson
O modelo de interacao multiplicador-acelerador, introduzido por P. Samuelson

em 1939, descreve a din
amica da renda nacional a partir da combinacao do multiplicador Keynesiano com um princpio de aceleracao. Nossa descricao seguira
o tratamento classico encontrado, por exemplo, em [21] e [19].
6.4.1
Hip
oteses e equa
c
oes do modelo
Sejam Ct o consumo num perodo t, Yt a renda correspondente, Zt a demanda

por bens, Gt o gasto governamental, e It o investimento. Numa economia
fechada (sem considerar importacoes ou exportacoes) a demanda e igual à soma
do consumo, do investimento induzido, e dos gastos governamentais:
Zt = Ct + It + Gt ,
(6.150)
onde suporemos que os gastos governamentais representam uma variavel exogena:
Gt = G.
Desconsiderando o papel de impostos e transferencias governamentais, podemos supor que o consumo num certo perodo e uma funcao linear da renda no
perodo anterior:
Ct = Yt1 ,
(6.151)
onde 0 < < 1 e a propensao marginal de consumo.
O investimento num dado perodo, por sua vez, dependera da variacao do
consumo entre o perodo atual e o precedente:
It = (Ct Ct1 ),
(6.152)
onde > 0 e dito o coeficiente de aceleracao. Substituindo (6.151) em (6.152)

teremos
It = (Yt1 Yt2 ),
(6.153)
que e uma forma alternativa. O coeficiente e o volume de capital necessario

para produzir uma unidade de bens durante um perodo de tempo. Se o investimento induzido fosse suprimido do modelo, este redundaria num modelo
298
justamente o
unidimensional descrevendo o multiplicador Keynesiano usual. E
investimento induzido que gera a interacao multiplicador-acelerador e a consequente obtencao de um modelo bidimensional.
A hip
otese de equilbrio macroecon
omico e a de que, em cada perodo, a
renda seja igual `
a demanda, de modo que
Yt = Zt .
(6.154)
Substituindo (6.150), (6.151) e (6.153) em (6.154), temos

Yt
=
=
=
Ct + It + Gt = Ct + It + G,
Yt1 + (Yt1 Yt2 ) + G,
(1 + )Yt1 Yt2 + G,
(6.155)
que pode ser transformada num modelo discreto bidimensional linear definindo
as seguintes variaveis:
yt
xt1
Yt ,
(6.156)
Yt2 xt = Yt1 .
(6.157)
Usando-as em (6.155) resulta

xt
yt
yt1 ,
(6.158)
xt1 + (1 + )yt1 + G,
(6.159)
que tem a forma geral (6.7) onde as matrizes dos coeficientes s

ao dadas por
A=
6.4.2
1
(1 + )
B=
(6.160)
Ponto fixo e sua estabilidade
Sabemos que o ponto fixo de um modelo discreto linear e dado por

x
1
= (I A) B,
v =
y
(6.161)
onde, em nosso modelo,

IA=
1
1 (1 + )
(6.162)
cujo determinante e
det(I A) = 1 (1 + ) + = 1 ,
de modo que a matriz (I A)
(I A)
(6.163)
existe desde que 6= 1, sendo dada por
1
=
1
1 (1 + )
299
1
1
(6.164)
Logo, o ponto fixo e o vetor

1
x
1 (1 + )
=
y
1

G
1
.
=
1
1
1
1

(6.165)
Podemos interpretar economicamente este resultado dizendo que a renda de

equilbrio e dada por
1
Y = x = y =
G,
(6.166)
1
onde o fator 1/(1 ) e o multiplicador Keynesiano. Como 0 < < 1, ent

ao
tambem 0 < 1 < 1, ou seja, 1/(1 ) > 1, de modo que espera-se que este
fator multiplique o gasto governamental, traduzindo-o num aumento da renda,
ou seja, criando um crculo virtuoso. Quanto maior for a propensao marginal
ao consumo, ou seja, quanto mais aproximar-se de 1, maior sera o valor do
multiplicador correspondente.
A estabilidade deste ponto fixo depende dos autovalores da matriz A, os
quais dependem do seu traco, determinante e discriminante, a saber:
=
D
trA = (1 + ),
(6.167)
det A = .

2
(1 + )
.
2
(6.168)
(6.169)
Os autovalores 1,2 serao reais se D 0, ou seja, caso

2
2 (1 + ) 4
0,
4,
(1 + )
4
(1 + )
2,
(6.170)
e complexos caso contrario. Se = o discriminante e nulo e os autovalores

s
ao iguais. O ponto fixo w = 0 sera assintoticamente est
avel se os autovalores
tiverem modulos menores que 1, o que, pelas condicoes (6.145), (6.146) e (6.147),
ocorrera se e somente se as seguintes desigualdades forem satisfeitas:
1 + =
1 =
1+ + =
1 (1 + ) + = 1 > 0,
1 > 0,
1 + (1 + ) + = 1 + (1 + 2) > 0.
(6.171)
(6.172)
(6.173)
A condicao (6.171) e sempre satisfeita, uma vez que 0 < < 1. A terceira,
(6.173), tambem e trivialmente satisfeita para e positivos. Ja a condicao
(6.172) implica em que o ponto fixo sera assintoticamente est
avel se
<
1
,
(6.174)
tanto no caso de autovalores reais como complexos. As v

arias situacoes possveis
podem ser esquematizadas na Tabela 6.4.2.
300
Autovalores
reais
reais
reais
complexos
complexos
Condicao

<
<
Modulos
<1
>1
> 1, < 1
<1
<1
Condicao
< (1/)
> (1/)
= (1/)
< (1/)
> (1/)
Ponto fixo
no est
avel
no instavel
ponto de sela
foco est
avel
foco instavel
Tabela 6.1: Estabilidade do ponto fixo no modelo de multiplicador-acelerador

de Samuelson
1,5
B
ponto de sela
1
n estvel
n instvel
A
foco instvel
0,5
foco estvel

ametros no modelo de multiplicadores
Uma maneira conveniente de visualizar estas condicoes de estabilidade consiste em construir um gr

afico da propensao de consumo versus o coeficiente
do multiplicador (Fig. 6.11), lembrando que, enquanto pode ter qualquer
valor real, est
a limitado ao intervalo [0, 1]. Pela Tabela 6.4.2, as diferentes
propriedades de estabilidade do ponto fixo est
ao delimitadas graficamente pelas
seguintes curvas
A : = =
4
(1 + )
2,
B:=
1
.
Os pontos acima (abaixo) da curva A s

ao nos (focos); enquanto os pontos à
esquerda (direita) da curva B s
ao est
aveis (instaveis). Pode-se ver claramente
que ha um u
nico par de valores no plano de par
ametros que corresponde a
um ponto de sela, justamente a intersecao das duas curvas, em = = 1.
Como e desejavel que a renda de equilbrio seja assintoticamente est
avel, e
que a convergencia a ela seja monotonica, ou seja, um no est
avel, uma escolha
conveniente de par
ametros e uma alta propensao de consumo, combinada com
um baixo coeficiente do multiplicador (menor do que 1).
301
6.5
Modelos discretos bidimensionais n

ao-lineares
Seja o modelo discreto bidimensional nao-linear geral

xt
yt
=
=
f (xt1 , yt1 ),
g(xt1 , yt1 ),
(6.175)
(6.176)
onde f (x, y) e g(x, y) sejam funcoes reais suficientemente suaves de seus argumentos, ou seja, contnuas e deriv
aveis nos seus respectivos domnios. Podemos
escrever este modelo discreto na forma matricial
vt = F(vt1 ),
definindo os vetores-coluna
vt =
xt
yt
(6.177)
(6.178)
e a funcao vetorial de argumento tambem vetorial

f (xt1 , yt1 )
F(vt1 ) =
.
g(xt1 , yt1 )
6.5.1
(6.179)
Pontos fixos
Um ponto fixo de um modelo discreto bidimensional como (7.173) e o vetor

x
,
(6.180)
v =
y
que mapeia a si proprio pela acao do modelo discreto, ou seja
v = F(v ).
(6.181)
Como um exemplo, vamos considerar o modelo discreto bidimensional naolinear proposto por Henon em 1976 [?]
xt
yt
=
=
f (xt1 , yt1 ) = a x2t1 + byt1 ,

g(xt1 , yt1 ) = xt1 ,
(6.182)
(6.183)
onde a e b s
ao ambos par
ametros positivos. O ponto fixo sera dado pela solucao
do sistema de equacoes (6.179)
x
y
=
=
a (x ) + by ,
x .
(6.184)
(6.185)
Substituindo a segunda equacao na primeira obtemos uma equacao do segundo

grau para x :
2
(x ) + (1 b)x a = 0,
(6.186)
cuja solucao e
x+, = y+,
=
b1
302
q
2
(b 1) + 4a
2
(6.187)
ou seja, ha dois pontos fixos em geral (um para o sinal positivo, outro para o
sinal negativo). Na notacao matricial:

1
x
1
x+
.
(6.188)
,
v =
= x
v+ =
= x+
1
y
1
y+
Para que ambos sejam reais, e necessario que o radicando em (11.5) seja naonegativo, o que implica em
2
4a (1 b) .
(6.189)
6.5.2
Orbitas
peri
odicas
Uma orbita peri

odica de perodo 2, tambem chamada 2-ciclo, e um conjunto
de dois vetores {v1 , v2 } tais que um mapeia no outro, e vice-versa, da mesma
forma que em modelos discretos unidimensionais
v1 = F(v2 ),
v2 = F(v1 ),
(6.190)
tal que v2 = F(F(v2 )) = F[2] (v2 ). Consequentemente tanto v2 como v1 s

ao
um ponto fixo da segunda iterada do modelo discreto F(v). Logo, os pontos de
uma orbita de perodo 2 s
ao solucoes de
v = F[2] (v ) = F(F(v )).
(6.191)
De modo geral, diz-se que v e um ponto de perodo m (ou m-peri

odico) do
modelo discreto F(v) se ele for um ponto fixo da sua m-esima iterada
v = F[m] (v ),
(6.192)
A orbita de perodo m (ou m-ciclo) e formada pelo seguinte conjunto de pontos:

{v , F(v ), F[2] (v ), F[m1] (v )}.
(6.193)
} que
Dessa forma, um m-ciclo e um conjunto de m pontos {v1 , v2 , v3 , . . . vm
satisfazem
vi+1
v1
=
=
F(vi ),
F(vm
).
(i = 1, 2, . . . m 1),
(6.194)
Aplicando tais condicoes acima a um ponto generico do m-ciclo, xk , obtemos
vk = F(vk1
) = F(F(vk2
)) = F(F(F(vk3
))) = = F[m] (vk ),
(6.195)
onde k = 1, 2, m. Nem todos os pontos de perodo m pertencem a um mciclo, ja que alguns dos pontos de perodo m s
ao tambem pontos de perodo
m 1 e assim por diante. Essa discussao foi aprofundada no Captulo 5.
Orbitas
peri
odicas do modelo de H
enon
Novamente, nosso exemplo sera o modelo de Henon (11.20)-(11.21) , para o qual
os pontos de uma
orbita de perodo 2 serao denotados como

x2
x1
,
(6.196)
,
v2 =
v1 =
y2
y1
303
e que satisfazem vk = F[2] (vk ), ou seja, como

xt
yt
f (xt1 , yt1 ) = a x2t1 + byt1 ,
(6.197)
g(xt1 , yt1 ) = xt1 ,
(6.198)
procuramos a solucao (x, y) do seguinte sistema de equacoes algebricas acopladas:

x
f (f (x, y), g(x, y)) = a f (x, y) + bg(x, y),

2
a (a x2 + by) + bx,
g(f (x, y), g(x, y)) = f (x, y) = a x2 + by.
=
=
(6.199)
(6.200)
Podemos abrir (6.199) na forma

2
a [(a x2 ) + by] + bx,
x =
x + bx + a [(a x2 ) + 2(a x2 )by + b2 y 2 ],
0 =
(b 1)x + a (x2 a) 2b(a x2 )y b2 y 2 ,
0 =
(6.201)
Isolando y em (6.200) temos

y=
a x2
,
1b
(6.202)
(b 1)x + a (x2 a) 2b(a x2 )
0 =
(1 b)
a x2
1b
b2
h
2
3
2
2
(1 b) x a(1 b) + (x2 a) (1 b)
2
+2b(1 b)(a x2 ) + b2 (a x2 )
2
(x2 a) + (1 b) x (1 b) a.
a x2
1b
2
,
(6.203)
Em princpio, o desenvolvimento desta expressao daria uma equacao do

quarto grau, cujas razes forneceriam pontos da orbita de perodo 2. No entanto,
podemos usar o fato de que duas destas razes s
ao os pontos fixos anteriormente
determinados, (6.187), ja que eles tambem s
ao solucoes da equacao obtida:
F[2] (v ) = F(F(v )) = (F(v )) = v .
(6.204)
Portanto, podemos fatorar o segundo membro de (6.203) de modo a obtermos o

produto do trin
omio quadr
atico que fornece os pontos fixos: x2 +(1b)xa e de
um trin
omio quadr
atico que podemos escrever como x2 +x+. Os coeficientes
deste u
ltimo podem ser encontrados aplicando o princpio da identidade de
polin
omios:
2
(x2 a) + (1 b) x (1 b) a = [x2 + (1 b)x a][x2 + x + ]. (6.205)

Expandindo ambos os membros desta expressao, e igualando potencias semelhantes de x obtemos
=
=
1,
(1 b) = 1 + b,
(6.206)
(6.207)
2
2a + a (1 b) = a + (1 b) ,
304
(6.208)
de forma que podemos reescrever

2
(x2 a) + (1 b) x (1 b) a = [x2 + (1 b)x a][x2 (1 b)x a + (1 b) ].

(6.209)
Os pontos da
orbita de perodo 2 serao as razes deste segundo trin
omio quadratico
2
x2 (1 b)x a + (1 b) = 0,
ou seja
x1,2 =
1b
4a 3(1 b)
2
(6.210)
(6.211)
e, usando (6.202),
y1,2
=
que serao n
umeros reais desde que
a
6.6
a x1,2 2
,
1b
3
2
(1 b) .
4
(6.212)
(6.213)
Solu
c
oes num
ericas
Uma vez que nao existem solucoes gerais para modelos discretos bidimensionais nao-lineares, somos obrigados a empregar metodos numericos para obter
solucoes para eles. Nessa secao exemplificaremos tais metodos usando, como
exemplo padrao, o modelo de Henon visto anteriormente nesse captulo:
xt
yt
=
=
a x2t1 + byt1 ,
xt1 ,
(6.214)
(6.215)
onde escolheremos valores de a = 1, 4 e b = 0, 3.
6.6.1

onicas
O procedimento para a obtencao das iteradas de um modelo bidimensional,

usando-se planilhas eletr
onicas, e uma extensao simples do que realizamos no
captulo 5 para modelos unidimensionais. Primeiramente colocamos os valores
dos par
ametros a e b nas celulas D1 e D2, respectivamente (serao considerados
como enderecos absolutos, ja que seus valores nao s
ao alterados durante as
iteracoes do modelo).
Na coluna A serao representados os valores (inteiros e positivos) do tempo,
enquanto nas colunas B e C est
ao os valores de xt e yt , respectivamente. As
condicoes iniciais t = 0, x0 = 0, 1 e y0 = 0, 3 s
ao colocados respectivamente nas
celulas A1, B1 e C1. As equacoes do modelo (6.197) s
ao escritas nas celulas A2,
B2 e C2 da seguinte forma:
=
=
=
1 + A1
+$D$1 B1 B1 + $D$2 C1
B1
305

onica com iteracoes do modelo de Henon, bem como
o retrato de fase.

onica com iteracoes do modelo de Henon, bem como
uma das series temporais.
Para obter as 16 primeiras iteracoes do modelo nos copiamos com o mouse

o conte
udo das celulas A2, B2 e C2 para a area de transferencia e colamos em
bloco nas 14 linhas abaixo, ou seja, da celula A3 à celula C17 [Fig. 6.12]. Como
temos, agora, tres variaveis, devemos escolher duas delas para fazer os gr
aficos
possiveis: (i) series temporais xt versus t ou yt versus t; (ii) retrato de fase:
yt versus xt . Esta u
ltima opcao est
a ilustrada na Fig. 6.12, ao passo que a
primeira serie temporal na Fig. 6.13.
6.6.2
Programa de computador para iterac

oes do modelo
discreto
Um programa para tracar as iteracoes do modelo de Henon e uma extensao

bastante smples do correspondente para o modelo logstico discreto, e est
a
exemplificado abaixo:
/* henon.c: produz o gr
afico no plano de fase das trajet
orias
do modelo de H
enon. Saida dos dados no arquivo
henon.dat (tabela com duas colunas) */
306
#include <stdlib.h>
#include <stdio.h>
#include <math.h>
FILE *fp;
void main()
{
double a,b,xold,xnew,yold,ynew,x0,y0;
int t,tf;
fp = fopen("henon.dat","w");
a = 1.4;
b = 0.3;
t = 0;
tf = 20;
/* tempo final */
x0 = 0.1;
/* condi
co
~es iniciais */
y0 = 0.3;
xold = x0;
/* inicializando vari
aveis */
yold = y0;
fprintf(fp,"%d %f %f\n", t, xold, yold);
for(t=1;t<=tf;++t)
/* malha de c
alculo das fun
co
~es x(t) e y(t) */
{
xnew = a -xold*xold + b*yold;
ynew = xold;
fprintf(fp,"%d %f %f\n", t, xold, yold);
xold = xnew;
yold = ynew;
}
fclose(fp);
}
Em princpio, poderamos aproveitar a facilidade do comando de atribuicao
(=) para usar a mesma variavel para xt e xt1 . No entanto, em modelos com
duas ou mais dimensoes e conveniente evitar esse recurso. Se usarmos tal comando para calcular xt a partir de xt1 em (6.214), quando precisarmos novamente de xt1 para calcular yt1 em (6.215) ja nao teremos o valor antigo, e
sim o valor atualizado.
Para evitar esse problema nos criamos duas variaveis: xold para xt1 e xnew
para xt . Somente depois de calcularms os valores para as variaveis x e y e que
atualizamos as variaveis fazendo xold = xnew e yold = ynew, de forma que os
valores de xt1 na pr
oxima iteracao s
ao os atuais valores de xt . Os resultados
da aplicacao do programa henon.c podem ser apreciados na Fig. 6.14.
6.6.3

atico
Os softwares matematicos descritos no captulo anterior tambem s

ao u
teis para o
tratamento de modelos discretos bidimensionais e, essencialmente, s
ao extensoes
smples das rotinas ja descritas.
307
(b)
(a)
1
xt
yt
-1
-2
-2
-1
-1
xt
-2
10
15
20
Figura 6.14: (a) Retrato de fase e (b) serie temporal para o modelo de Henon,
obtidas a partir de um programa em linguagem C.
Maple
No programa descrito na secao anterior, os valores de xt e yt s
ao calculados
e depois esquecidos, uma vez que s
ao armazenados num arquivo de dados.
Outra forma de proceder, algo mais custosa em termos de espaco de mem
oria
do computador, e criar matrizes coluna (ou arrays) onde s
ao armazenados todos
os valores calculados de xt1 e yt1 , nos elementos x[i] e y[i], respectivamente.
Os valores novos, xt e yt , s
ao armazenados nos elementos x[i + 1] e y[i + 1],
respectivamente. De certa forma, o Maple tambem pode ser considerado uma
linguagem de programacao, que executa tarefas repetitivas como o calculo de
orbitas do modelo de Henon, por meio do comando for. A sintaxe desse co
mando e semelhante ao seu similar em linguagem C.
Apresentamos, abaixo, um programa em Maple para representar graficamente as imax = 5000 primeiras iteracoes do modelo de Henon, descartadas
as primeiras 300 iteracoes transientes (que podem ser omitidas para mostrar
apenas o estado assint
otico do sistema).
x := array(0..10000):
y := array(0..10000):
a := 1.4:
b := 0.3:
x[0] := 0.1:
y[0] := 0.3:
imax := 5000:
for i from 0 to imax do
x[i+1] := a - (x[i])^2 + b*y[i]:
y[i+1] := x[i]:
end do:
with(plots)
points := [[x[n],y[n]] \$ n=300..imax]:
308
Figura 6.15: Iteracoes do modelo de Henon , obtidas com o uso do Maple, para
a = 1, 4 e b = 0, 3.
pointplot(points,style=point,symbol=circle,
symbolsize=1,color=black,axes=BOXED);
O programa acima ja traca o gr
afico de yt em funcao de xt , ou seja, o retrato
de fase do sistema, que pode ser visto na figura 6.15.
Mathematica
A iteracao de modelos discretos bidimensionais tambem e implementada no
Mathematica pela funcao NestList, onde os argumentos s
ao as equacoes do
modelo de Henon. Para obter, por exemplo, as 2000 primeiras iteracoes de
Henon para os valores dos par
ametros a = 1, 4 e b = 0, 3, a partir das condicoes
iniciais (x0 , y0 ) = (0, 1; 0, 3), bem como colocar os resultados num gr
afico (retrato de fase) de xt versus yt , podemos empregar os comandos:
a := 1.4;
b := 0.3;
H[x_,y_] := {a - x^2 + b y, x};
pontos := NestList[H,{0.1,0.3},2000];
ListPlot[pontos, AxesLabel -> {x,y}]
para obter a Fig. 6.16.
Matlab
Podemos gerar o retrato de fase das iteracoes do modelo de Henon usando o
Matlab, criando duas funcoes, ou arquivos-m: (i) henon: que calcula os valores
309
y
1.5
1
0.5
-1.5 -1 -0.5
-0.5
0.5
1.5
-1
-1.5
Figura 6.16: Iteracoes do modelo de Henon , obtidas com o uso do Mathematica,
para a = 1, 4 e b = 0, 3.
de xt e yt dados os valores no tempo anterior; e (ii) iterate: que calcula e traca

as N primeiras iteracoes do modelo, dadas as condicoes iniciais x0 e y0:
function [x,y] = henon(x0,y0)

\% henon.m
a = 1.4;
b = 0.3;
x = a - x0 * x0 + b * y0;
y = x0;
end
function iterate (x0,y0,N)
\% iterate.m
x(1) = x0;
y(1) = y0;
for t=1:N,
[x(t+1),y(t+1)] = henon(x(t),y(t));
end
plot(x,y,.);
end
Para gerar, por exemplo, as 1000 primeiras iteracoes do modelo, usando

como condicoes iniciais (x0 , y0 ) = (0, 1, 0, 3), digitamos
iterate(0.1,0.3,1000)
o resultado podendo ser visto na Fig. 6.17.
310
Figura 6.17: Iteracoes do modelo de Henon , obtidas com o uso do Matlab, para
a = 1, 4 e b = 0, 3.
6.7
6.7.1
Estabilidade para modelos bidimensionais

n
ao-lineares
Estabilidade dos pontos fixos
Podemos obter a estabilidade do ponto fixo, como fizemos no caso unidimensional, pela linearizacao do modelo discreto nao-linear F(x, y) nas vizinhancas
do ponto v ; o que gera um modelo discreto linear, cujas propriedades foram
estudadas na secao precedente. Analogamente a modelos contnuos bidimensionais, trabalhamos num sistema de coordenadas cartesianas, onde a cada direcao
associamos uma das variaveis. Centrada no ponto fixo de coordenadas (x , y )
nos consideramos uma pequena vizinhanca representada por um crculo de
raio , onde x e y [vide a Fig. 3.15 do Cap. 3].
Para verificar se o ponto fixo e ou nao est
avel localmente, nos expandimos em
serie de Taylor as duas funcoes de duas variaveis f (x, y) e g(x, y) que aparecem
no modelo discreto nao-linear na vizinhanca do ponto (x , y ), escrevendo
xt1
yt1
=
=
x + xt1 ,
y + yt1 ,
(6.216)
(6.217)
e supomos que os incrementos xt1 e yt1 sejam pequenos o suficiente para

estarem contidos na vizinhanca de raio em volta do ponto fixo (x , y ), ou
311
seja, tal que |x, y| . Assim, teremos

f (xt1 , yt1 )
=
=
g(xt1 , yt1 )
=
=
f (x + xt1 , y + yt1 ),
(6.218)

f
f
+ yt1
+ ,
f (x , y ) + xt1
xt1 (x ,y )
yt1 (x ,y )
g(x + xt1 , y + yt1 ),

(6.219)

g
g
+ yt1
+ .
g(x , y ) + xt1
xt1 (x ,y )
yt1 (x ,y )
Sendo os incrementos xt1 e yt1 suficientemente pequenos, podemos

truncar as series (6.218) e (6.219) de forma a reter apenas termos em primeira
ordem nos incrementos. Usando a definicao de ponto fixo,
x
y
=
=
f (x , y ),
g(x , y ),
(6.220)
(6.221)
podemos escrever o seguinte conjunto de equacoes acopladas para o modelo

linearizado

f
f
xt = xt1
+ yt1
,
(6.222)
xt1 (x ,y )
yt1 (x ,y )

g
g
+ yt1
.
(6.223)
yt = xt1
xt1 (x ,y )
yt1 (x ,y )
Definimos o vetor-diferenca nas direcoes x e y no instante t:

xt1
vt =
,
yt1
(6.224)
podemos reescrever as equacoes linearizadas (6.222)-(6.223) na forma

vt = J(v ) vt1 ,
onde
J(v ) =
f
xt1
g
xt1
(x ,y )
(x ,y )

f
yt1
g
yt1
(6.225)
(x ,y )
(6.226)
(x ,y )
e a matriz Jacobiana, cujos elementos s

ao as derivadas calculadas no ponto fixo
(x , y ), tendo, portanto, valores constantes.
O ponto fixo do modelo discreto linearizado (6.225) e a propria origem
v = 0, e que corresponde ao ponto fixo v do modelo discreto nao linear
(6.175). Logo, para estudar a estabilidade do ponto fixo v devemos investigar
a estabilidade da origem para o modelo discreto linearizado, a qual e determinada pelos autovalores da matriz J(v ), que escrevemos 1 e 2 . O ponto fixo
sera assintoticamente est
avel se |1 | < 1 e |2 | < 1. Caso os autovalores sejam
reais, os | | indicam valores absolutos; caso sejam complexos, eles indicam o
seu modulo. Se algum dos autovalores tiver modulo maior do que 1, alguma das
direcoes sera instavel para o ponto fixo. Finalmente, se algum dos modulos for
unitario, o criterio de estabilidade falha.
312
Usando o criterio geral de estabilidade, as condicoes necessarias e suficientes

para que a matriz J(v ) tenha autovalores com modulos menores do que 1 s
ao:
1 + > 0,
1 > 0,
(6.227)
(6.228)
1 + + > 0.
(6.229)
onde
6.7.2
trJ(v ),
(6.230)
(6.231)
det J(v ),
Estabilidade dos pontos fixos do modelo de H

enon
Vamos exemplificar novamente com o modelo discreto de Henon (11.20)-(11.21),

cuja matriz Jacobiana e
!

f
f
2x b
x
y
J=
=
.
(6.232)
g
g
1
0
x
y
Para os valores a = 0 e b = 0, 4 o modelo de Henon possui pontos fixos reais,
uma vez que, de acordo com (6.189), temos
2
4a = 0 (1 b) ,
(6.233)
q
q
2
2
para qualquer valor de b. Como (1 b) + 4a = (1 0, 4) = 0.6, de (6.187)
resulta que
0, 6 + 0, 36
x+ = y+
=
= 0,
(6.234)
2
0, 6 0, 36
= 0, 6.
(6.235)
x = y
=
2
A matriz Jacobiana, calculada no ponto fixo v+

= (0, 0)

0 0, 4
J(v+
)=
,
1 0
T 1
e
(6.236)
cujos traco e determinante s

ao, respectivamente, a = 0 e = 0, 4. Neste
caso, podemos usar (6.237) para encontrar os seus autovalores
p
D
4
=
= 0, 4 0, 632.
(6.237)
1,2 =
2
2
ao ambos reais e tem modulos menores do que um, ent
ao
T
o ponto fixo v+
= (0, 0) e um no est
avel.
=
Analogamente, avaliando a matriz Jacobiana no segundo ponto fixo v
T
(0, 6, 0, 6) :

1, 2 0, 4
J(v
)=
,
(6.238)
1
0
1 O s
mbolo T denota, aqui, a matriz transposta de uma matriz linha, que
e uma matriz
coluna.
313
com traco e determinante iguais a = 1, 2 e = 0, 4, respectivamente, donde

os seus autovalores s
ao
s
2

p
1, 2
1, 2
(6.239)
+ 0, 4 = 0, 60 0, 76,
1,2 =
2
2
ou seja, 1 = 0, 60 + 0, 872 = 1, 472, e 2 = 0, 60 0, 872 = 0, 272; ambos reais e
tem modulos maior e menor do que um, respectivamente. Logo, v

e um ponto
de sela (instavel).
Podemos, agora, tornar a discussao um pouco mais geral supondo a e b quais
quer, e investigando as condicoes sob as quais os pontos fixos v
s
ao est
aveis.
Para isso temos que escrever a matriz Jacobiana nos pontos fixos

2x b
,
(6.240)
J(v ) =
1
0
tal que o seu traco e determinante sejam
(v
)
(v
)
2x = 1 b
b
(1 b) + 4a
(6.241)
(6.242)
Utilizamos, agora, o criterio geral (6.227)-(6.229), para determinar as condicoes
pelas quais os pontos fixos (x1,2 , y1,2

) serao est
aveis. A primeira condicao,
(6.227), fornece
q
1 +=
v+
,
(1 b) + 4a > 0,
(6.243)
v
.
que sempre e verificada para

mas nunca para
Imediatamente concluimos
nao podera ser est

avel para quaisquer valores de a ou de b. Ja a segunda
que v
condicao, (6.228) leva a
1 = 1 + b > 0,
(6.244)
ou b > 1. Alem disso, tambem e necessario que, de (6.229),
q
2
1 + + = 2 2b (1 b) + 4a > 0,
(6.245)
seja est
avel. Essa desigualdade implica, elevando ao quadrado os
para que v+
termos, que
2
(2 2b)
4 8b + 4b2
4a
a
> (1 b) + 4a,
> 1 2b + b2 + 4a,
< 3b2 6b + 3,
3
<
[1 + b(b 2)].
4
(6.246)
Alem disso, para que o ponto fixo seja real e necessario tambem que (6.189)
seja satisfeita, de modo que a condicao de estabilidade de v+

implica que o
par
ametro a deva estar contido dentro do seguinte intervalo
3
1
2
(1 b) a < [1 + b(b 2)].
4
4
(6.247)
Se fixamos b = 0, 4 (que e maior que 1 e portanto satisfaz (6.244)) temos que

o intervalo de estabilidade e 0, 09 a < 0, 27. O valor a = 0 tomado no
314
exemplo visto ha pouco pertence a este intervalo, de fato. Finalmente, como

todos os pontos fixos vistos aqui s
ao hiperbolicos (nenhum tem modulo igual
a um), as conclus
oes sobre a estabilidade advindas da linearizacao continuam
v
alidas quando consideramos o modelo nao-linear como um todo.
Caso o ponto fixo seja nao-hiperbolico, no entanto, o criterio de linearizacao
nao e capaz de nos informar se o ponto fixo e est
avel ou instavel, outros metodos
sendo necessarios para investigar sua estabilidade. Como um exemplo de ponto
fixo nao-hiperbolico, seja o seguinte exemplo de modelo discreto bidimensional
xt
yt
=
=
f (xt1 , yt1 ) = xt1 + xt1 yt1 ,

g(xt1 , yt1 ) = yt1 + x2t1 ,
(6.248)
(6.249)
cujo ponto fixo (x , y ) e determinado pela solucao de

x
y
=
=
f (x , y ) = x + x y ,
g(x , y ) = y + x 2 ,
(6.250)
(6.251)
e que e a origem (x = 0, y = 0).

A matriz Jacobiana desse modelo discreto, com seus elementos calculados
no ponto fixo, e dada por

f
f

1 0
x (0,0) y (0,0)
J(v ) = g
,
(6.252)
=
g
0 1
x
(0,0)
(0,0)
e que tem dois autovalores reais iguais a um. Pelo criterio de linearizacao, nao
se pode concluir se o ponto fixo e ou nao est
avel.
A extens
ao do teorema de Hartman-Grobman para difeomorfismos (modelos
discretos), a qual sera vista em detalhes no proximo captulo, garante que se
v for um ponto fixo tal que nao haja autovalores com modulo igual a um, a
estrutura das
orbitas nas vizinhanca do ponto fixo e topologicamente a mesma,
tanto se estudada pelo sistema original (nao-linear em geral) como pelo modelo
discreto linearizado equivalente.
6.7.3
Estabilidade de
orbitas peri
odicas
A analise da estabilidade de uma orbita de perodo m, cujos pontos s

ao
{v1 , v2 , v3 , . . . , vm
}, segue do fato destes serem pontos fixos da m-esima iterada do modelo, ou seja, vi = F[m] (vi ), com i = 1, 2, . . . , m. Caso um dos
vetores pertencentes a essa
orbita seja est
avel, por exemplo v1 , todos os demais
tambem o serao, donde e suficiente analisar os autovalores da matriz Jacobiana
do modelo m vezes iterado, com os elementos calculados neste ponto da orbita.
!
[m]
Fi
Jij (v1 ) =
.
(6.253)
xj
(v1 )
No captulo 5, usamos a regra da cadeia do calculo diferencial para determinar a derivada da funcao composta com ela propria m vezes (cf. Eq. 10.31).

m
Y
df [m] (x)
df (x)
df (x)
df (x)
df (x)
=
=
.
dx x=x
dx x=x dx x=x
dx x=x
dx x=x
i=1
m
1
1
2
i
(6.254)
315
[m]
No caso da funcao Fi
temos que fazer o mesmo para os componentes da
correspondente matriz Jacobiana, que sera denotada Jm . A demonstracao e
bastante trabalhosa, e nao sera feita aqui, mas o resultado e semelhante ao
obtido para modelos unidimensionais:
Jm (v1 ) = J(v1 ).J(v2 ) . . . .J(vm

)=
m
Y
J(vk ),
(6.255)
k=1
ou seja, a Jacobiana da matriz da funcao m vezes iterada e o produto de m

Jacobianas, uma para cada elemento da orbita de perodo m. Uma vez encontrada este produto de matrizes Jacobianas, podemos investigar a natureza e o
modulo dos seus autovalores para descobrir se a orbita e est
avel ou instavel, e
se a convergencia a ela e monotonica ou oscilat
oria.
Estabilidade de
orbitas peri
odicas do modelo de H
enon
Vamos considerar a seguinte escolha de valores para os coeficientes do modelo
de Henon (11.20)-(11.21): a = 0, 43 e b = 0, 4. Usando (6.211)-(11.7), como
2
2
4a 3(1 b) = 4 0, 43 3(1 0, 4) = 0, 64, os pontos de perodo 2 s
ao
0, 43 0, 72
1 0, 4 + 0, 64
= 0, 7;
y1 =
= 0, 1; (6.256)
x1 =
2
1 0, 4
2
0, 43 (0, 1)
1 0, 4 0, 64
= 0, 1;
y2 =
= 0, 7. (6.257)
x2 =
2
1 0, 4
A matriz Jacobiana calculada nestes pontos e:

1, 4 0, 4
2x1 b
,
=
J(v1 ) =
1
0
1
0

2x2 b
0, 2 0, 4
J(v2 ) =
=
,
1
0
1
0
(6.258)
(6.259)
tal que a matriz Jacobiana da segunda iterada do modelo de Henon e dada pelo
produto
J[2] (v1 )
=
=
J(v ).J(v2 )
1

1, 4 0, 4
0, 2
1
0
1
0, 4
0
0, 12
0, 2
(6.260)

0, 56
.
0, 4
O traco e o determinante desta matriz s

ao
trJ[2] (v1 ) = 0, 52,
det J[2] (v1 ) = 0, 16
de modo que os seus autovalores s

ao dados por
s
2

T rJ
T rJ
det J
1,2 =
2
2
s

2
0, 52
0, 52
=
0, 16
2
2
=
0, 26 0, 30i,
316
(6.261)
(6.262)
cujos modulos s
ao menores que um, ja que
p
p
|1,2 | = 0, 262 + 0, 302 = 0, 1576 0, 4 < 1.
(6.263)
ao complexos, segue que a orbita de perodo 2 (v1 , v2 ) e
um foco est
avel.
Podemos fazer uma analise mais geral da estabilidade da orbitas de perodo
2, em funcao dos par
ametros a e b do modelo de Henon. Vamos escrever a
matriz Jacobiana do modelo discreto duas vezes iterado na forma literal:

2x1 b
2x2 b
4x1 x2 + b 2x1 b
J[2] (v1 ) =
, (6.264)
=
1
0
2x2
b
1
0
Calculando seu traco e determinante obtemos
(2)
=
=
=
=
=
(2)
trJ[2] = 4x1 x2 + 2b,

q
q
2
2
1 b 4a 3(1 b) + 2b,
1 b + 4a 3(1 b)
2
(1 b) 4a + 3(1 b) + 2b,
1 2b + b2 4a + 3(1 2b + b2 ) + 2b,
4 4a + 4b2 6b,
det J
[2]
(4x1 x2
+ b)b
4x1 x2 b
=b .
(6.265)
(6.266)
As condicoes (6.145)-(6.147) s
ao necessarias e suficientes para que a orbita
de perodo 2 (v1 , v2 ) seja est
avel:
1 (2) + (2)
1 (2)
1 + (2) + (2)
>
0,
(6.267)
>
>
0,
0.
(6.268)
(6.269)
A condicao (13.92) implica em que 1 b2 > 0, ou seja, que b2 < 1. Ja (13.91)

fornece
3 3b2 + 6b + 4a >
4a 3 >
a
>
0,
3b(b 2),
3
[1 + b(b 2)] a1 ,
4
(6.270)
ao passo que (13.93) leva-nos a

5 + 5b2 6b 4a >
4a + 5 >
4a 5 <
a
<
0,
b(5b + 6),
b(5b 6),
5 + b(5b 6)
a2 .
4
(6.271)
Resumindo: a
orbita sera est
avel se e somente se os par
ametros do modelo
discreto estiverem dentro dos seguintes intervalos: a1 < a < a2 e 1 < b < 1.
Por exemplo, se b = 0, 4, teremos o intervalo 0, 27 < a < 0, 85. O valor adotado
no exemplo acima, a = 0, 43, pertence naturalmente a este intervalo.
317
6.8
Pontos hiperb
olicos
A linearizacao do campo vetorial permite-nos classificar a estabilidade da solucao

de equilbrio. No entanto, como podemos saber se o resultado obtido via linearizacao pode ser estendido ao sistema nao-linear. Por exemplo: a analise linear
revela que um ponto de equilbrio e do tipo foco est
avel. Sera que ele manter
a
essa caracterstica se forem considerados os termos ignorados durante a linearizacao. A resposta a essa pergunta e dada, na teoria dos sistemas din
amicos,
por dois teoremas importantes, cujo conte
udo iremos apresentar ao longo desse
captulo.
Um ponto fixo v e dito hiperb
olico (ou nao-degenerado) se todos os autovalores da matriz Jacobiana do sistema, calculada nesse ponto, J(v ) tiverem
modulos diferentes de um. Caso um ou mais autovalores tenham modulos diferentes de um, v e dito nao-hiperbolico. Se v for um ponto hiperbolico, o
comportamento das solucoes na sua vizinhanca (e, portanto, sua estabilidade)
e determinado pela aproximacao linear. Supondo, por exemplo, que na aproximacao linear determinamos que um ponto fixo e um no est
avel (autovalores s
ao
reais e com modulos menores que um). Como este e um ponto hiperbolico, ele
permanecer
a um no est
avel mesmo quando consideramos o sistema nao-linear
como um todo.
Caso contrario, ou seja, se um ou mais autovalores tiverem parte real nula,
ent
ao o criterio de linearizacao falha, ou seja, pela aproximacao linear em torno
do ponto de equilbrio nao e possvel dizer se o ponto de equilbrio e est
avel
ou instavel. Como um exemplo de ponto fixo nao-hiperbolico, seja o mapa
bidimensional
xt
yt
f (xt1 , yt1 ) = xt1 + xt1 yt1 ,
g(xt1 , yt1 ) = yt1 +
x2t1 ,
(6.272)
(6.273)
cujo ponto fixo (x , y ) e determinado pela solucao de

x
y
f (x , y ) = x + x y ,
g(x , y ) = y + x ,
(6.274)
(6.275)
e que e a origem (x = 0, y = 0).

A matriz Jacobiana desse mapa, com seus elementos calculados no ponto
fixo, e dada por

f
f

1 0
x (0,0) y (0,0)
,
(6.276)
J(v ) = g
=
g
0 1
x
(0,0)
(0,0)
e que tem dois autovalores reais iguais a um. Pelo criterio de linearizacao, nao
se pode concluir se o ponto fixo e ou nao est
avel.
Enquanto pontos fixos hiperbolicos s
ao robustos, no sentido que sua estabilidade nao se altera alem da aproximacao linear, os pontos nao-hiperbolicos s
ao
fr
ageis, pois sua estabilidade pode ser alterada por qualquer perturbacao devida aos termos nao-lineares. N
os e focos, bem como pontos de sela s
ao robustos;
ao passo que centros e demais pontos nao-hiperbolicos s
ao marginais.
A formalizacao destas ideias e o objeto do teorema de Hartman-Grobman
[1, 2]: se a matriz Jacobiana calculada no ponto fixo, J(v ) nao tiver autovalores com modulos iguais a um, ent
ao existe um homeomorfismo h, definido em
318
alguma vizinhanca U do ponto de equilbrio v R2 , que correlaciona solucoes

do mapa nao-linear
vt+1 = F(vt ),
com as solucoes do mapa linearizado nas vizinhancas do ponto fixo
wt+1 = J(v ) wt .
Um homeomorfismo e uma aplicacao contnua, com uma inversa tambem contnua.
N
ao e realmente necessario conhecer a forma analtica desse homeomorfismo,
mas basta-nos saber que ele existe.
Uma maneira alternativa de exprimir o teorema de Hartman-Grobman e
dizer que as trajet
orias do mapa nao-linear na vizinhanca do equilbrio s
ao
topologicamente equivalentes `
as do sistema linearizado. Consequentemente
a estabilidade do ponto fixo e fielmente captada pela linearizacao. Uma forma
intuitiva de entender essa equivalencia topol
ogica e pensar que as trajet
orias dos
dois sistemas (nao-linear e linearizado) podem ser continuamente deformadas
uma em outra (e vice-versa): dobrar e esticar trajet
orias s
ao, pois, operacoes
permitidas, mas nao cort
a-las, por exemplo. Logo trajet
orias fechadas permanecem fechadas pela acao do homeomorfismo h, trajet
orias conectando pontos de sela nao podem ser quebradas, etc. [3].
Podemos tambem dizer que o retrato de fase nas vizinhancas de um ponto
de equilbrio hiperbolico, isto e, o conjunto das trajet
orias nessa regi
ao, e estruturalmente est
avel, pois sua topologia nao pode ser alterada por pequenas
perturbacoes do campo vetorial. O conceito de estabilidade estrutural formaliza
o de robustez introduzido anteriormente [1].
6.9
Mapa inverso e iterac

oes para tr
as
No Captulo 1 introduzimos o conceito de mapa unidimensional como uma

funcao f (x) que atribui valores bem-definidos, ou imagens, para cada valor
de x no domnio. A rigor, nos s
o chamamos f de mapa se o domnio e a imagem forem o mesmo conjunto [?]. Os pontos obtidos pela aplicacao sucessiva
do mapa, xt = f [t] (x0 ), a partir de uma dada condicao inicial x0 , s
ao chamadas
iteracoes para frente de f .
Um mapa f representa uma correspondencia biunvoca (um-para-um) se
f (x1 ) = f (x2 ) implicar em x1 = x2 . Caso isso ocorra, podemos definir um
mapa inverso f 1 u
nico. Dizemos que x1 = f 1 (x0 ) e uma imagem inversa,
ou pre-imagem de x0 mediante f . O domnio de f 1 e a imagem de f .
Se um mapa for inversvel, nos podemos obter pontos pela aplicacao sucessiva
do mapa inverso, xt = f t (x0 ), que chamamos de iteracoes para tras de f .
Um mapa linear f (x) = ax + b sempre tem inversa f 1 (x) = (x b)/a, caso
2
a 6= 0. Ja um mapa quadr
atico, por exemplo, f (x) = x
e inversvel pois
nao
cada ponto x > 0 tem duas pre-imagens reais, a saber, + x e x. No entanto,
f (x) = x3 e inversvel, ja que x1/3 e a u
nica pre-imagem de x, sendo f 1 = x1/3
o respectivo mapa inverso.
Para mapas bidimensionais as ideias s
ao essencialmente as mesmas. Um
mapa e inversvel se F(v1 ) = F(v2 ) implica em v1 = v2 . Em outras palavras,
w = F(v) se, e somente se, v = F1 (w). Para obter o mapa inverso nos
procedemos como em funcoes unidimensionais, trocando v por w e resolvendo
a equacao resultante para w.
319
Considere o mapa bidimensional linear F(v) = A v + B. O mapa inverso

sera
F1 (v) = A1 (v B),
(6.277)
logo, mapas lineares serao sempre inversveis desde que a matriz A seja nao
singular, ou seja, se det A 6= 0.
Seja, agora, o mapa nao-linear F(x, y) = (x + 2y, x3 ) [?]. Definindo
y1 = x 3 ,
(6.278)
1
1/3
(x1 y1 ),
2
(6.279)

1
1/3
, (x y ) .
2
(6.280)
x1 x + 2y,
e isolando x e y temos
1/3
x = y1 ,
y=
donde o mapa inverso e

F
(x, y) =
1/3
Podemos, ainda, checar esse fato mostrando que

F1 (F(x, y)) = (x, y),
(6.281)
ou seja, a funcao identidade.
6.10
Direc
Considere um ponto fixo hiperbolico, tal que a matriz dos coeficientes tenha
autovalores especificados. Cada autovetor define uma direcao invariante no
plano, que sera dita est
avel ou instavel, caso o autovalor correspondente ao
autovetor tenha modulo menor ou maior que um, respectivamente. Logo, as
retas definidas pelos autovetores s
ao tais que, colocando uma condicao inicial
exatamente sobre elas, todos os demais pontos da orbita pertencem à respectiva
direcao. Nesse sentido, a auto-direcao e invariante.
Recordemos que, de (6.36), a solucao geral de um modelo discreto linear vt =
A.vt1 e a combinacao linear dos autovetores associados aos dois autovalores
de A, escritos como 1 e 2 (l
a supostos reais e distintos, mas a ideia tambem
se aplica aos demais casos):
vt = c1 1t u1 + c2 2t u2 ,
(6.282)
onde c1 e c2 s
ao dois coeficientes ainda a determinar, a partir das condicao
inicial v0 . Colocando essa u
ltima exatamente sobre a direcao determinada pelo
autovetor u1 , a condicao inicial pode ser escrita como
v 0 = c1 u1 .
(6.283)
Fazendo t = 0 em (6.282) temos que

v 0 = c1 u1 + c2 u2 ,
(6.284)
de sorte que c2 = 0. A solucao geral para todos os tempos posteriores sera, pois
vt = c1 1t u1 ,
320
(6.285)
ou seja, vt pertence `
a direcao determinada por u1 para todos os tempos, como
queramos demonstrar.
O autovetor u1 define uma reta r no plano que e invariante sob a din
amica
do mapa, ou seja, colocando-se uma condicao inicial v0 sobre r, tanto as iteradas
para frente vt e para tras vt do mapa permanecem sobre r. Dizemos, ent
ao,
que u1 e uma auto-direcao invariante.
Um exemplo desse tipo de situacao e o mapa bidimensional linear F(x, y) =
(2x, y/2) [?]. A matriz dos coeficientes e

2
0
,
(6.286)
A=
0 1/2
com autovalores 1 = 2 e 2 = 1/2, correspondendo respectivamente aos autovetores

1
0
u1 =
, u2 =
.
(6.287)
0
1
Se a condicao inicial for colocada ao longo da reta (ou auto-direcao) determinada pelo autovetor u1 , ent
ao as iteradas sucessivas do mapa levar
ao a
pontos que continuam sobre essa mesma reta (a auto-direcao e, portanto, invariante). Alem disso, como o autovalor correspondente 1 tem modulo maior
do que 1, as iteracoes sucessivas para frente afastar-se-ao da origem monotonicamente (ja que o autovalor e positivo). Nesse caso dizemos que u1 determina
uma auto-direcao invariante instavel, que designaremos por E u .
Mas se a condicao inicial for colocada ao longo da auto-direcao determinada pelo autovetor u2 , ent
ao as iteradas do mapa para frente vt , alem de
continuar sobre essa mesma auto-direcao, aproximar-se-ao assintoticamente da
origem quando t tende a infinito, ja que o autovalor correspondente 2 tem
modulo menor do que 1. Dizemos, ent
ao, que u2 determina uma auto-direcao
invariante est
avel, que designaremos por E s .
Como o mapa tem uma inversa, podemos tambem dizer que, se v0 for colocado na auto-direcao invariante est
avel E s = u2 , as iteradas sucessivas para tras
do mapa vt afastam-se monotonicamente (pois 1 > 0) da origem e tendem a
infinito quando t tende a infinito.
De modo geral, para um ponto de sela v no qual |1 | > 1 e |2 | < 1,
temos que os autovetores u1 e u2 definem auto-direcoes invariantes instavel
E u e est
avel E s , respectivamente [Fig. 6.18]. Se v0 for colocada exatamente
s
sobre E as iteracoes subsequentes aproximar-se-iam do ponto fixo, ou seja,
vt = At v0 v quando t tende a infinito. Analogamente, caso v0 E u as
iteracoes subsequentes afastar-se-iam do ponto fixo para tempos positivos, ou
ainda aproximar-se-iam para pre-iteradas (tempos negativos): vt = At v0
v quando t .
6.10.1
Curvas invariantes
No caso de mapas bidimensionais nao-lineares ate agora tudo o que podemos

afirmar e que, apos serem linearizados, se o ponto fixo v for uma sela havera
auto-direcoes invariantes est
avel E s (v ) e instavel E u (v ) que se interceptam
no ponto fixo em um
angulo diferente de zero (o angulo sera igual /2, no
entanto, se exigirmos que os autovetores sejam ortogonais). Mas a existencia
de uma correspondencia entre os mapas linear e nao-linear quando o ponto fixo
321
W (v*)
E (v*)
1
0
1
0
1
0
0
1
1
0
0
1
11
00
11
00
1
0
0
1
1
0
0
1
1
0
0
1
u1
11
00
00
11
00
11
1
0
0
1
v*
1
0
1
0
u2
s
1
0
0
1
E (v*)
W
1
0
0
1
(v*)
Figura 6.18: Curvas e auto-direcoes invariantes para um ponto fixo do tipo sela.
e hiperbolico (caso do ponto de sela, pois os autovalores nao tem modulo igual
a um) sugere que, para o mapa nao-linear, tambem haja algum tipo de curva
invariante.
De fato, para mapas nao-lineares e possvel definir as chamadas curvas invariantes est
avel e instavel, denotadas por W s (v ) e W u (v ), respectivamente
[1]. Assim como nas auto-direcoes invariantes, uma condicao inicial colocada exatamente sobre W s (v ) ou W u (v ) gera uma orbita cujos pontos aproximam-se
ou afastam-se do ponto fixo, respectivamente.
No caso de mapas bidimensionais lineares, as curvas invariantes est
avel e
instavel coincidem com as auto-direcoes invariantes est
avel e instavel, respectivamente. Para mapas nao-lineares, no entanto, a determinacao das curvas
invariantes deve ser feita numericamente, na maioria das vezes. Apenas em alguns casos particulares e possvel obter analiticamente tais curvas. O chamado
teorema de variedades invariantes garante que (i) as curvas invariantes est
avel
e instavel interceptam-se transversalmente num ponto de sela, e (ii) as curvas
invariantes s
ao tangentes às auto-direcoes invariantes respectivas no ponto de
sela [Fig. 6.18] [2].
Como um exemplo, seja o mapa nao-linear (e nao-inversvel) F(x, y) =
(x/2, 2y 7x2 ) [?]. Ele tem um ponto fixo na origem, o que pode ser facilmente verificado. Para analisar a estabilidade deste ponto fixo na aproximacao
linear nos construimos a matriz Jacobiana respectiva:

fx
fx

x
y
1/2 0
,
(6.288)
DF(0, 0) = fy (0,0) fy (0,0) =
0
2
x
(0,0)
(0,0)
que e um exemplo muito parecido com o que vimos ha pouco: a origem e um

ponto de sela com autovalores 1 = 2 e 2 = 1/2, com autovetores u1 = (1, 0)
e u2 = (0, 1), respectivamente. Ent
ao as auto-direcoes est
avel e instavel serao
dadas, respectivamente, por E s (0, 0) = u2 (eixo das ordenadas) e E u (0, 0) = u1
(eixo das abscissas) [Fig. 6.19].
322
s
s
E (0,0) = W (0,0)
u
W (0,0)
u1
u
E (0,0)
0
u2
Figura 6.19: Curvas e auto-direcoes invariantes para um ponto de sela do mapa

F(x, y) = (x/2, 2y 7x2 ).
Pelo teorema das variedades invariantes ja citado, a curva invariante est

avel
(instavel) e tangente `
a auto-direcao est
avel (inst
avel) na origem. Como F(0, y) =
(0, 2y), uma condicao inicial colocada no eixo das ordenadas ficara l
a para
sempre, logo a auto-direcao est
avel coincide com a a propria curva invariante
est
avel W s (0, 0) = {(0, y), |y R}. Ja a curva invariante instavel e descrita
pela par
abola y = 4x2 , ou seja, W u (0, 0) = {(x, 4x2 )|x R}. Podemos ver
esse fato se colocarmos uma condicao inicial exatamente sobre essa par
abola:
v0 = (x0 , y0 = 4x20 ). As iteracoes para frente subsequentes s
ao dadas por
v1 = f (x0 , y0 ) = (x0 /2, 2y0 7x20 ) = (x0 /2, 8x20 7x20 ) = (x0 /2, x20 ),
2
que continua sobre a par

abola, uma vez que y1 = x20 = 4(x0 /2) = 4x21 . A
curva invariante instavel e tangente à auto-direcao instavel (eixo das abscissas)
na origem, pois
x0
xt = t 0, (t 0),
2
yt = 2yt1 7x2t1 = 8x2t1 7x2t1 = x2t1 =
x20
2(t1)
2
0,
(t 0).
Apenas em alguns casos muito especiais, como o deste exemplo, e possvel

obter de forma analtica as curvas invariantes de um ponto fixo. Em geral,
tais curvas s
o podem ser obtidas mediante o uso de metodos numericos, alguns bastante sofisticados. N
os remetemos o leitor interessado à bibliografia
especializada para maiores detalhes [?].
6.11
Determinac
ao num
erica de pontos fixos e
sua estabilidade
Assim como em mapas unidimensionais, a determinacao dos pontos fixos de

mapas bidimensionais nem sempre pode ser feita analiticamente, dependendo
da natureza das funcoes que aparecem. O mesmo se pode dizer da investigacao
323
da estabilidade destes pontos fixos, que depende da determinacao dos autovalores das matrizes Jacobianas respectivas. Ja os sub-espacos invariantes s
ao
encontrados a partir dos autovetores.
Nesses casos e necessario o uso de procedimentos numericos para determinacao tanto dos pontos fixos como dos autovalores e autovetores das matrizes
Jacobianas respectivas. H
a v
arios pacotes (subrotinas) na literatura de metodos
numericos para todas estas tarefas, que podem ser acopladas a programas escritos em C ou Fortran. No entanto, e frequentemente mais simples o uso de
software numerico, como o Maple.
Vamos exemplificar o procedimento usando o seguinte mapa nao-linear [?]
xt
yt
1
(xt1 + yt1 ) ,
2
4 cos(xt1 ).
(6.289)
(6.290)
Os pontos fixos (x , y ) serao solucoes do sistema

x
1
(x + y ) ,
2
4 cos(x ),
(6.291)
(6.292)
de modo que x = y , onde y = 4 cos y e uma equacao transcendente que pode

ser resolvida numericamente, tracando o gr
afico da funcao 4 cos x x e localizando suas intersecoes com o eixo das abscissas. Outra maneira e encontrando
a intersecao entre os gr
aficos das funcoes y = x e y = 4 cos x. No Maple usamos
o comando plot, como segue:
g := x -> 4*cos(x) - x;
plot(g(x), x=-6..2);
plot( [x, 4*cos(x)], x);
Este procedimento nos informa que ha tres raizes e tambem da uma estimativa grosseira dos seus valores. Essas estimativas s
ao importantes para o uso
de metodos numericos (como Newton-Raphson) que s
o funcionam bem se usamos um chute inicial proximo à raiz procurada. Dessa forma, para um valor
numerico mais preciso das tres raizes, usamos o comando fsolve indicando os
intervalos onde as raizes se encontram, da seguinte forma:
x3 := fsolve(g(x)=0, x=-4..-3);
x2 := fsolve(g(x)=0, x=-2.4..-2);
x1 := fsolve(g(x)=0, x=1..2);
que fornece as seguintes respostas:
x3 := -3.595304867
x2 := -2.133332252
x1 := 1.252353234
Uma das vantagens do Maple e a possibilidade de realizar tambem calculos
algebricos. No caso da matriz jacobiana, ha um comando proprio (jacobian),
que calcula as derivadas parciais das funcoes do mapa (x, y) (f (x, y), g(x, y))
em relacao a x e y:
324
f := (x + y) / 2;
g := 4*cos(x);
dfx := jacobian(vector([f,g]), [x,y])
fornecendo a matriz jacobiana
df x =
1/2
4 sin x
1/2
0
(6.293)
Para obter a matriz Jacobiana calculada no primeiro ponto fixo

1, 252353234
x1
=
1, 252353234
y1
(6.294)
e calcular os seus autovalores (bem como seus modulos) nos usamos os comandos
evalf e eigenvals:
dfx1 := evalf(subs({x=x1}, op(dfx)));
eig := [eigenvals(dfx1)];
eig1 := eig[1];
abs1 := abs(eig[1]);
eig2 := eig[2];
o que fornece a matriz Jacobiana

0.500000000
df x1 :=
3.798896074
cujos autovalores s
ao (lembrando que I =
0.5000000000
0.
(6.295)
1)
eig := [0.2500000000 + 1.355340561 I, 0.2500000000 - 1.355340561 I]

eig1 := 0.2500000000 + 1.355340561 I
abs1 := 1.378204642
eig2 := 0.2500000000 - 1.355340561 I
abs2 := 1.378204642
donde concluimos que o ponto fixo e um foco instavel (autovalores complexos e
de modulo maior que 1).
Para os outros dois pontos fixos o trabalho e analogo:

2, 133332252
x2
=
(6.296)
y2
2, 133332252
e calcular os seus autovalores (bem como seus modulos) nos usamos os comandos
evalf e eigenvals:
eig1 := eig[1];
eig2 := eig[2];
325
df x2 :=
0.500000000
3.383621359
0.5000000000
0.
eig := [1.574503937, -1.074503937]

eig1 := 1.57450393
abs1 := 1.57450393
eig2 := -1.074503937
abs2 := 1.074503937
ent
ao o ponto fixo e um no instavel (autovalores reais e de modulo maior que
1).

3.595304867
x3
(6.297)
=
3.595304867
y3
eig1 := eig[1];
eig2 := eig[2];

0.500000000 0.5000000000
df x3 :=
1.753220725
0.
(6.298)
eig := [0.2500000000 + 0.902280645 I, 0.2500000000 - 0.902280645 I]

eig1 := 0.2500000000 + 0.902280645 I
abs1 := 0.9362747260
eig2 := 0.2500000000 - 0.902280645 I
abs2 := 0.9362747260
e o ponto fixo e um foco est
avel (autovalores complexos e de modulo menor que
1).
6.12
Exemplo em Economia: Modelo discreto

com curva de Phillips n
ao-linear
Neste exemplo vamos revisitar o modelo de inflacao e desemprego, cuja versao

a tempo contnuo foi estudada no Captulo 2, desta vez supondo uma curva
de Phillips nao-linear. As macrovariaveis din
amicas sao as taxas de inflacao
observada, esperada, e a taxa desemprego no tempo t, denotadas como t , te ,
e ut , respectivamente.
A curva de Phillips modificada por expectativas sera representada por
t ate = f (ut )
(6.299)
onde 0 < a < 1 e um coeficiente que mede o grau em que as expectativas

inflacion
arias s
ao incorporadas na inflacao observada; e adotaremos, de acordo
com [?], a seguinte forma exponencial (Fig. 6.20):
f (u) = 1 + 2 eu ,
326
(6.300)
20
1+2
f(u)
15
10
Figura 6.20: Curva de Phillips nao-linear.
onde 1 < 0 e 2 > 0 s

ao coeficientes de ajuste nao-linear. Observe que a curva
nao-linear obedece `
a condicao J/du < 0, indicando que o aumento da inflacao
leva a uma diminuicao da taxa de desemprego e vice-versa. A curva de Phillips
aumentada por expectativas (6.299) torna-se, pois,
t ate = 1 + 2 eut ,
(6.301)
Em nosso modelo, as expectativas inflacion

arias s
ao formadas adaptativamente, ou seja,
e
e
te = t1
+ c(t1 t1
),
(6.302)
onde 0 c 1 e um coeficiente de expectativas. Substituindo (6.301) em
(6.302) temos
te
=
=
e
e
),
t1
+ c(1 + 2 eut1 + (a 1)t1
e
ut1
),
[1 + c(a 1)]t1 + c(1 + 2 e
(6.303)
Seja Mt a base monet

aria no ano t. A sua taxa nominal de variacao (normalizada), ou
Mt Mt1
,
(6.304)
mt =
Mt1
representa o fluxo de capital injetado ou retirado da economia naquele perodo
pela autoridade monet
aria. A taxa real de expansao da base monet
aria e obtida
descontando-se da taxa nominal determinada por (6.304) a taxa de inflacao
naquele mesmo perodo:
m
t = m t t .
(6.305)
O efeito da poltica monet
aria sobre as macrovariaveis sera modelado por
uma relacao linear entre a variacao na taxa de desemprego e a taxa de expansao
monet
aria real
ut = ut1 bm
t1 = ut1 b(m t1 ),
327
(6.306)
onde tambem supusemos que a taxa de expansao monet

aria nominal e uma
variavel ex
ogena: mt m. O par
ametro b e a elasticidade da taxa de desemprego em relacao a variacoes da poltica monet
aria. Substituindo (6.301) em
(6.304) resulta
e
).
ut = ut1 b(m 1 2 eut1 at1
(6.307)
Reunindo (6.303) e (6.307) temos um modelo discreto bidimensional naolinear

te
ut
e
[1 + c(a 1)]t1
+ c(1 + 2 eut1 ),
e
),
ut1 b(m 1 2 eut1 at1
=
=
(6.308)
(6.309)
para as variaveis te e ut .
6.12.1
Pontos fixos e estabilidade
O ponto fixo do modelo (11.15)-(11.16), denotado ( e , u ) e dado pela solucao

do seguinte sistema de equacoes
e
u
=
=
(6.310)
a ),
(6.311)
bm ba e
= m a e ,
b
(6.312)
[1 + c(a 1)] e + c(1 + 2 eu ),
u b(m 1 2 e
De (6.311) temos
1 + 2 eu =

0 =
e
(ca + c + ca) =
e = m.
c(a 1) e + c(m a e ),
cm,
(6.313)
Colocando (6.313) em (6.312) temos
1 + 2 eu
eu
m am = m(1 a),
m(1 a) 1
.
2
(6.314)
Aplicando logaritmos neperianos a ambos os membros obtemos finalmente

m(1 a) 1
u = ln
. .
(6.315)
2
O ponto fixo do modelo representa, pois, a taxa de inflacao esperada de
equilbrio, a qual e igual à taxa de expansao da base monet
aria: e = m.
Esse resultado curiosamente nao depende da forma da curva de Phillips f (u).
Considerando a = 1 a taxa de inflacao esperada e igual à taxa de inflacao do
perodo anterior. Nesse caso a taxa de desemprego de equilbrio,

1
2
,
(6.316)
u = ln
= ln
2
|1 |
328
(ja que 1 < 0) pode ser identificada como uma taxa de desemprego naoaceleradora da inflacao, ou NAIRU. Vamos, na sequencia, considerar apenas
essa importante situacao particular, deixando o caso de a arbitrario para a lista
de problemas.
te
ut
e
e
f (t1
, ut1 ) = t1
+ c(1 + 2 eut1 ),
e
g(t1
, ut1 )
= ut1 b(m 1 2 e
ut1
(6.317)
e
t1
).
(6.318)
Estudaremos, agora, a estabilidade deste ponto fixo. Inicialmente calculamos

os elementos da matriz Jacobiana, que s
ao as derivadas parciais de (11.15) e
(11.16) para a = 1, a saber:
f
e
t1
f
ut1
g
e
t1
g
ut1
1,
(6.319)
c2 eut1 ,
(6.320)
b,
(6.321)
1 b2 eut1 ,
(6.322)
tal que a matriz Jacobiana, calculada no ponto fixo, sera:

1 c2 eu
1 c|1 |
J=
=
,
b 1 b|1 |
b 1 b2 eu
(6.323)
uma vez que, por (6.314), eu = |1 |/2 .

Na sequencia, analisamos o traco e o determinante dessa matriz,
trJ = 2 b|1 |,
det A = 1 + b(c 1)|1 |,
(6.324)
(6.325)
e empregamos as condicoes (6.227)-(6.229) para que o ponto fixo seja est

avel.
Verificando a condicao (6.227) temos que
1 + = bc|1 | > 0,
(6.326)
que e sempre satisfeita, uma vez que b > 0 e 0 c 1. O mesmo ocorre para
a condicao (6.228) ja que sempre teremos
1 = b|1 |(1 c) > 0.
(6.327)
Ja para a u
ltima condicao (6.229) resulta
1 + + = 4 + b|1 |(c 2) > 0,
(6.328)
b(c 2) > 4,
(6.329)
ou seja
para que o ponto fixo seja est
avel. Como 0 c 1 segue que 2 c 2 1,
ou seja, seguramente c 2 e negativo. Multiplicando a desigualdade (6.329) por
1/(|1 |(c 2)) ela inverter
a o sentido, portanto
b < b1
4
|1 |(2 c)
329
(6.330)
e a condicao de estabilidade.
A convergencia oscilat
oria est
a ligada à existencia de autovalores complexos
da matriz jacobiana; o que, por sua vez, ocorre se o discriminante for negativo.
Em contrapartida, para convergencia monotonica temos
D = 2 4 0,
(6.331)
a qual, em substituindo-se (6.324) e (6.325), pode ser reescrita como
(2 + b|1 |)
b |1 | 4b|1 |
2
b |1 |
4[1 + b|1 |(c 1)],
4b(2 c)|1 |c,
4b|1 | 4bc|1 |,
que, dividindo-se por b|1 | > 0, fornece

b b2 =
4(2 c)
.
|1 |
(6.332)
Logo, se b b2 os autovalores serao reais e a convergencia ou divergencia sera

monotonica (nos); enquanto se b < b2 os autovalores serao complexos, e a convergencia ou divergencia sera oscilat
oria (focos).
Usando (6.330) e (6.332) temos que
|1 |
4
1
b1
=
=
2.
b2
|1 |(2 c) 4(2 c)
(2 c)
(6.333)
Como 0 c 1 segue que 1c 0, 2c 1, ou ainda 1/(2c) 1. Elevando-se

2
ao, que
ao quadrado e 1/(2 c) 1. Multiplicando-se por b2 0 decorre, ent
b1 =
b2
(2 c)
b2 .
(6.334)
Ent
ao, se b < b1 ent
ao necessariamente b < b2 , tal que, se o ponto fixo for
est
avel dever
a ser um foco est
avel. Caso contrario, ou seja, se b > b1 podemos
ter um foco instavel se b1 b2 . Observe, ainda,
que nao existe a possibilidade de um no est
avel nesse modelo.
Essas tres possibilidades podem ser representadas num grafico de b versus c,
onde tracamos as curvas b = b1 = 4/(|1 |(2c)) e b = b2 = |1 |/4(2c) [cf. Fig.
6.21].Concluimos, ent
ao, que as taxas de inflacao e desemprego de equilbrio
s
ao est
aveis se a elasticidade do desemprego em relacao a variacoes na base
monet
aria for mantida abaixo de um limiar b1 . Se b > b1 , como o ponto fixo seria
instavel, as taxas de inflacao e desemprego nunca aproximar-se-iam das taxas
de equilbrio, e tenderiam a infinito com o tempo. Uma aceleracao inflacion
aria
(te ) combinada com uma taxa de desemprego tambem crescente (ut )
e um cen
ario conhecido como estagflaca
o.
Consideremos um exemplo numerico, tomando os coeficientes da curva de
Phillips usados por Soliman: 1 = 2, 5, 2 = 20 (as taxas de inflacao e desemprego est
ao expressas em percentuais) [?]. Neste caso a taxa de desemprego de
equilbrio e, de (6.315), dada por
u = ln
20
2, 08%.
2, 5
330
(6.335)
4
3,5
b = b2
n instvel
2,5
foco instvel
2
1,5
b = b1
0,5
0
foco estvel
0
0,5

ametros para o modelo da curva de Phillips nao-linear
Usando um coeficiente de expectativas inflacion

arias c = 0, 75, o limiar da elasticidade do desemprego vale
b1 =
4
4
=
1, 28,
|1 |(c 2)
2, 5 (2 0, 75)
(6.336)
de modo que um limiar de elasticidade igual, por exemplo, a b = 1, implicaria

que a cada 1% de aumento da base monet
aria haveria 1% de diminuicao da
taxa de desemprego. Se essa elasticidade for alta demais, no entanto, ao inves
de diminuir a taxa de desemprego, a mesma aumenta de forma incontrolavel.
Quanto `
a convergencia ao ponto fixo, esta sera sempre oscilat
oria.
6.13
Problemas
1. Determine a estabilidade do ponto fixo, e esboce as trajet

orias no plano de fase,
para os seguintes modelo discretos lineares, onde B e o vetor nulo:
(a)
A=
1/2
0
0
1/4
(b)
1
4
2
0
0
1/2
0
1
1
0
A=
1
2
A=
A=
(c)
(d)
331
2. Ache os pontos fixos do modelo discreto bidimensional n

ao-linear
2
xt = x2t1 yt1
+ c1 xt1 + c2 yt1 , yt = 2xt1 yt1 + c3 xt1 + c4 yt1 ,
e estude sua estabilidade linear.

3. Considere o seguinte modelo discreto bidimensional
xt = 2xt1
2
(mod2), yt = yt1 + yt1
+ cos(xt1 ),
onde > 0, > 0, e a prescrica

o z(mod2) significa tomar o resto da divis
ao
de z por 2. Por exemplo, 3(mod2) = .
(a) Ache os pontos fixos do modelo discreto;
(b) Estude a estabilidade dos pontos fixos;
(c) Trace, no plano de fase, uma centena de iteraco
es do modelo utilizando algum
dos metodos numericos abordados neste Captulo.
4. Considere o seguinte modelo de ajustes de mercado e expectativas racionais [21]:
as vari
aveis s
ao o consumo Ct , a produca
o Pt , o preco pt , o preco esperado pet ,
o efeito de fatores ex
ogenos (como o clima) sobre a oferta xt , e o estoque It . As
hip
oteses do modelo s
ao:
o consumo depende do preco atual: Ct = pt , com > 0;
a produca
o tem um hiato temporal e depende do preco esperado para
aquele perodo, bem como dos fatores ex
ogenos: Pt = pet + xi , onde
> 0;
o estoque (com fins especulativos) e proporcional `
a diferenca entre o preco
real e o esperado para o pr
oximo perodo: It = (pet+1 pt )
condica
o de equilbrio do mercado: a oferta total (Pt + It1 ) e igual `
a
demanda total (Ct + It )
expectativas racionais: pet = pt
(a) Formule uma equaca

o a diferencas para o preco pt como funca
o de pt1 e
pt2 ;
(b) Transforme a equaca
o a diferencas num modelo discreto bidimensional;
(c) Determine os pontos fixos e estude sua estabilidade ;
(d) Trace, no plano de fase, uma centena de iteraco
es do modelo utilizando
algum dos metodos numericos abordados neste Captulo.
5. Goodwin prop
os uma generalizaca
o do modelo de teia de aranha com expectativas extrapolativas e regressivas. As hip
oteses do modelo, usando a mesma
notaca
o do Captulo I, s
ao:
funca
o oferta linear: Ot = c + dpet , com c > 0, d > 0;
funca
o demanda linear: Dt = a bpt , com a > 0, b > 0;
equilbrio do mercado: Dt = Ot ;
expectativas: pet = pt1 + (pt1 pt2 ), onde > 0 implica extrapolaca

o,
< 0 implica regress
ao (o caso = 0 corresponde a expectativas ingenuas).
(a) Formule uma equaca

o a diferencas para o preco pt como funca
o de pt1 e
pt2 ;
(b) Transforme a equaca
o num modelo discreto bidimensional;
(c) Determine os pontos fixos e estude sua estabilidade. Interprete seus resultados.
332
6. Hicks modificou o modelo de multiplicador/aceleraca

o de Samuelson, incluindo
neste modelo um investimento aut
onomo que aumenta exponencialmente com o
tempo a uma taxa g > 0. Neste caso, a funca
o investimento, ao inves de (6.152)
e
It = It + It = (Ct Ct1 ) + A0 (1 + g)t
onde A0 e uma constante positiva. Usando a mudanca de vari
avel
Zt =
Yt
,
(1 + g)t
formule o modelo de Samuelson-Hicks na forma de um modelo discreto bidimensional linear. Determine o ponto de equilbrio e estude sua estabilidade.
Faca uma an
alise no plano de par
ametros. Interprete economicamente seus resultados. Detalhes em [?], onde tambem funco
es lineares por partes para o
investimento aut
onomo s
ao consideradas.
7. Estude novamente o modelo discreto para inflaca
o-desemprego abordado nesse
captulo, mas usando agora uma curva de Phillips linear do tipo f (u) = u.
Ache o ponto fixo e estude sua estabilidade no plano de par
ametros b versus c.
Use valores numericos para e (os mesmos do captulo 2).
333
334
Captulo 7
Modelos discretos
multidimensionais
Toda a discussao feita no captulo precedente sobre modelos discretos bidimensionais pode ser generalizada para o caso de v
arias dimensoes. A linguagem
matricial desenvolvida para o caso bidimensional e a ferramenta essencial nesse
processo de generalizacao, e relativamente poucos conceitos novos precisam ser
introduzidos.
7.1
Modelos multidimensionais lineares
Temos, em geral, N variaveis din

amicas discretas, às quais denotaremos por xi ,
com i = 1, 2, . . . N . Se N = 2, por exemplo, batizamos x1 = x e x2 = y. No
tempo t = 0, 1, 2, . . . escrevemos (x1 )t , (x2 )t , , (xN )t . A forma geral de um
modelo discreto multidimensional e
(x1 )t
(x2 )t
..
.
(xN )t
=
=
=
=
F1 ((x1 )t1 , (x2 )t1 , . . . (xN )t1 )

F2 ((x1 )t1 , (x2 )t1 , . . . (xN )t1 )
..
.
FN ((x1 )t1 , (x2 )t1 , . . . (xN )t1 )
(7.1)
onde fi , i = 1, 2, . . . N s
ao funcoes, em princpio, de todas as variaveis. Na
notacao matricial, podemos definir uma matriz coluna N 1 das variaveis
din
amicas no instante t:
(x1 )t
(x2 )
t
vt =
(7.2)
,
..
.
(xN )t
e uma matriz coluna contendo as respectivas funcoes
F1 (vt )
F2 (vt )
F(vt ) =
,
..
.
FN (vt )
335
(7.3)
de modo que o modelo discreto multidimensional geral pode ser escrito numa
forma extremamente compacta como
vt = F(vt1 ).
(7.4)
Interessa-nos, em particular, o modelo N -dimensional linear, para o qual a

funcao vetorial e afim:
F(vt ) = A.vt + B.
(7.5)
onde definimos matrizes com elementos constantes:
A11 A12 A1N

A21 A22 A2N
B=
A= .
..
.. ,
..
..
.
.
.
AN 1 AN 2 AN N
B11
B12
,
..
.B1N
(7.6)
de modo que o mapa e escrito numa forma inteiramente analoga ao caso bidimensional
vt = A.vt1 + B.
(7.7)
7.2
Pontos fixos e estabilidade
A similaridade com o caso bidimensional permite a de muitos resultados do

Captulo 6. Por exemplo, podemos definir um vetor (matriz coluna) de pontos
fixos

(x1 )
(x2 )
v =
(7.8)
,
..
.
(xN )
que e dado pela mesma formula deduzida no captulo anterior, ja que a forma
geral do modelo e a mesma, na notacao matricial:
v = (I A)
.B,
(7.9)
desde que a matriz (I A) nao seja singular (possua inversa).

Analogamente, tambem, a solucao geral do modelo N -dimensional e dada
por
vt = At .[v0 v ] + v ,
(7.10)
onde v0 e o vetor de variaveis din
amicas no instante t = 0.
Com relacao `
a estabilidade do ponto fixo, argumentos semelhantes aos do
captulo precedente serao aplicados, ainda que haja determinadas complexidades
conveniente, como
matematicas que nao abordaremos no escopo deste livro. E
vimos, transladar o ponto fixo para a origem do espaco N -dimensional, ou seja,
para o ponto de coordenadas xi = 0, com i = 1, 2, . . . N ; fazendo:
wt v t v ,
(7.11)
o que leva ao modelo mais smples (sem o termo constante):

wt = A.wt1 .
336
(7.12)
A estabilidade do ponto fixo na origem depende, pois, da distancia Euclidiana no espaco N -dimensional das variaveis din
amicas que, por sua vez, e a
norma Euclidiana do vetor wt :
q
2
2
2
(7.13)
||wt || = (w1 )t + (w2 )t + . . . + (wN )t
onde (wi )t = xi xi , para i = 1, 2, . . . N . O ponto fixo na origem w = 0 e assintoticamente est

avel se, dada uma condicao inicial w0 , as iteracoes subsequentes,
At .w0 , s
ao tais que as distancias `
a origem aproximam-se de zero quando t tende
a infinito. De forma analoga, a origem sera instavel se a distancia diverge para
infinito quando t . Dessa forma, a determinacao da estabilidade do ponto
fixo demanda a analise dos autovalores da matriz A.
A matriz quadrada N N A tem autovalores dados pelas razes da equacao
secular, que e dada por
det(A I) = 0,
(7.14)
onde I e a matriz identidade de ordem N :
1 0
0 1
I= . . .
..
.. ..
0
A equacao secular e obtida igualando

seja

A11
A12

A21
A
22

..
..

.
.

AN 1
AN 2
0
0
..
.
1
(7.15)
a zero um determinante de ordem N , ou
..
.

= 0,

A1N
A2N
..
.
AN N
(7.16)
que fornece uma equacao algebrica de grau N da forma
ao N + a1 N 1 + . . . + aN 1 + aN = 0,
(7.17)
onde ai , i = 0, 1, 2, . . . N 1 s
ao coeficientes dependentes dos elementos da
matriz A. Naturalmente podemos dividir toda a equacao por a0 6= 0 tal que
o coeficiente do primeiro termo pode ser tomado igual a um, sem perda de
generalidade.
Pelo teorema fundamental da Algebra,

uma equacao algebrica de grau N
tem N razes, reais ou complexas. Logo, a matriz A ter
a sempre N autovalores,
denotados i , com i = 1, 2, . . . N ; assim como N autovetores associados ui , tais
que
A.ui = i ui .
(7.18)
Em princpio, conhecer os autovalores da matriz requer a solucao da euqacao
(7.16). Sabemos que solucoes analticas (usando radicais) existem apenas para
N 4 porem, tirando o caso N = 2, tais solucoes s
ao extremamamente complicadas e mesmo difceis de interpretar (o caso N = 3, por exemplo, pode ser
resolvido usando a famosa formula de Cardano). Quando, na pratica, se requer
o calculo explcito dos autovalores, recorre-se a solucoes numericas da equacao
secular, o que pode tambem ser muito complicado quando todas ou parte das
337

razes s
ao complexas. Em todo caso, um teorema da Algebra
garante que, se
houver uma raiz complexa = +i, tambem existira uma outra raiz complexa
conjugada desta: = i. De modo geral, podemos ter parte das razes
reais e parte delas complexas, e pode haver algumas razes reais iguais (multiplicidade ou degenerescencia), o que torna o problema em geral bastante
complicado. Mais difcil ainda e obter os autovetores no caso geral. Quando
ha razes reais repetidas, ou razes complexas da equacao secular, devem ser
definidos autovetores generalizados.
O tratamento geral deste problema pode ser encontrado em textos de Algebra

Linear, mas, para nossos propositos, nao sera necessario encontrar (analitica ou
numericamente) todos os autovalores i da matriz A. Sabemos, pela analise feita
no caso bidimensional, que o ponto fixo na origem e assintoticamente est
avel se
e somente se todos os autovalores tiverem modulos menores que um. Caso os
autovalores sejam reais, ent
ao seus valores absolutos s
ao tais que |i | < 1. Caso
sejam complexos (i =p + i), ent
ao o modulo deve ser calculado no plano
complexo |i | = |i | = 2 + 2 < 1, tal que os autovalores devem estar dentro
do crculo unitario |i | = 1.
Caso algum dos autovalores tenha modulo maior do que um, isso ja basta
para que o ponto fixo seja considerado instavel. Na verdade, ha v
arias maneiras
de um ponto fixo ser instavel, dependendo do n
umero de autovalores com modulo
maior que um, e que est
ao relacionados com o n
umero de autovetores correspondentes a direcoes instaveis. No entanto, do ponto de vista das aplicacoes
econ
omicas, na maioria dos casos basta-nos saber se o ponto fixo e instavel ou
nao, sendo de menor relev
ancia a determinacao das direcoes em que os pontos
divergem para infinito quando t .
Alem de determinar a estabilidade do ponto fixo na origem, podemos tambem
indagar sobre como a solucao converge para ela (ou, caso seja instavel, como
diverge para infinito), se monotonicamente ou oscilatoriamente. Como vimos
no captulo II, a convergencia e monotonica se os autovalores tiverem parte real
positiva, e oscilat
oria se tiverem parte real negativa. Em N dimensoes este e
um problema bastante complicado, pois alguns autovalores podem ter partes
reais positivas e outros partes reais negativas, ent
ao podemos ter convergencia
monotonica para algumas variaveis, e oscilat
oria para outras.
7.2.1
Crit
erio de Jury
Felizmente nao e preciso encontrar todos os autovalores da matriz A para saber

possvel determinar, a partir
se o ponto fixo na origem e ou nao est
avel. E
do chamado criterio de Jury, condicoes necessarias e suficientes para que os
modulos das razes da equacao secular sejam menores que um; ou seja, que
todos os autovalores estejam dentro do crculo unitario. Tais condicoes envolvem
relacoes entre os coeficientes da equacao secular, o que nos alivia da tarefa
propriamente dita de resolve-la.
Seja a equacao algebrica de grau N :
P () = N + a1 N 1 + . . . + aN 1 + aN = 0
(7.19)
As razes desta equacao, reais ou complexas, ter

ao modulos menores que 1 se e
somente se as seguintes condicoes forem satisfeitas [?, ?]:
338
|an |
P (1)
<
1,
(7.20)
>
0,
(
(7.21)
P (1)
|bn1 |
|cn2 |
..
.
|q2 |
>
>
>
>0
<0
se n e par,
,
se n e mpar;
|b0 |,
(7.22)
(7.23)
|c0 |,
..
.,
|q0 |,
(7.24)
(7.25)
onde definimos os seguintes determinantes

an an1j
,

(j = 0, 1, 2, , n 1)
bj =
1
aj+1

b
an2j
,
(j = 0, 1, 2, , n 2)
cj = n1
b0
bj+1
.. .. ..
. . .

p p2j
,
qj = 3
(j = 0, 1, 2).
p0 pj+1
(7.26)
(7.27)
(7.28)
Na aplicacao da condicao (7.23) do criterio de Jury, devemos observar que os

determinantes bj s
ao calculados diretamente a partir dos coeficientes da equacao
secular aj . Os determinantes cj s
ao obtidos a partir dos determinantes bj , e
assim por diante. Continuamos o processo ate chegar aos determinantes qj ,
que s
ao apenas tres, e s
ao escritos em funcao dos determinantes anteriores, que
chamamos pj .
Vamos considerar inicialmente o caso particular em que n = 2, ou seja, o de
uma equacao quadr
atica
P () = 2 + a1 + a2 = 0,
(7.29)
As condicoes prescritas pelo criterio de Jury s

ao
|a2 |
P (1) = 1 + a1 + a2
<
>
1,
0,
(7.30)
(7.31)
P (1) = 1 a1 + a2
>
0,
(7.32)
que s
ao as condicoes de estabilidade (6.145)-(6.147)) utilizadas no Captulo 6.
Na verdade, a condicao |a2 | < 1 e mais restritiva do que (6.146), a saber, a2 < 1,
mas isso nao representa problema. Quando levamos as outras condicoes de
estabilidade, gerando o triangulo de estabilidade da Figura ??, a condicao a2 < 1
implica em |a2 | < 1, pois o triangulo de estabilidade tem um vertice em a2 = 1.
Note, ainda, que, no caso n = 2, a condicao (7.23) nao se aplica pois, embora
possamos escrever b0 e b1 , ao tentar escrever o determinante b2 encontraramos
um ndice negativo do coeficiente aj . Por outro lado, na condicao (7.23) e
obrigatorio termos pelo menos tres determinantes bj .
339
Para uso posterior neste captulo, mostraremos explicitamente os calculos

para o caso n = 3, onde temos uma equacao c
ubica
P () = 3 + a1 2 + a2 + a3 = 0,
(7.33)
cujas razes ter

ao modulos menores que um desde que:
|a3 |
P (1) = 1 + a1 + a2 + a3
<
>
1,
0,
(7.34)
(7.35)
P (1) = 1 + a1 a2 + a3
|b2 |
<
>
0,
|b0 |
(7.36)
(7.37)
onde
b0
b1
b2
|a23 1|
>

a2
,
a1

a1
,
a2

a0
,
a3
a3
1
a3
1
a3
1
(j = 0)
(7.38)
(j = 1)
(7.39)
(j = 2)
(7.40)
|a3 a1 a2 |,
(7.41)
pois a0 = 1.
No caso n = 4, a equacao secular tem a forma
P () = 4 + a1 3 + a2 2 + a3 xi + a4 = 0,
(7.42)
e as condicoes para que o criterio de Jury seja satisfeito s

ao
|a4 |
P (1) = 1 + a1 + a2 + a3 + a4
P (1) = 1 a1 + a2 a3 + a4
|b3 |
|c2 |
<
>
>
1,
0,
0,
(7.43)
(7.44)
(7.45)
>
>
|b0 |,
|c0 |,
(7.46)
(7.47)
onde
b0
b1
b2
c0
c1
c2
a4
1
a4
1
a4
1
b3
b0

a3
= a1 a4 a3 ,
a1

a2
= (a4 1)a2 ,
a2

a1
= a4 a3 a1 ,
a3

a2
= b1 b3 b0 b2
b1
(7.48)
(7.49)
(7.50)
(7.51)
= a2 (a4 + 1)(a4 1) (a1 a4 a3 )(a4 a3 a1 ),

b3 b2

= b3 (b2 b0 ),
=
b0 b1

b3 b0

= b23 b20
=
b0 b3
2
= (a24 1) (a1 a4 a3 ) ,
340
(7.52)
(7.53)
o que implica nas duas condicoes a seguir
|(a24
|a24 1|
>
1) (a1 a4 a3 ) |
>
7.2.2
>
|a1 a4 a3 |,
(7.54)
(7.55)
2
|a2 (a4 + 1)(a4 1) (a1 a4 a3 )(a4 a3 a1 )|.
Crit
erio de Schur
Alem do criterio de Jury, temos tambem o criterio de Schur, enunciado a seguir:

seja a equacao algebrica de grau n:
ao n + a1 n1 + . . . + an1 + an = 0.
(7.56)
As razes desta equacao, reais ou complexas, ter

ao modulos menores que 1 se e
somente se os n determinantes a seguir forem todos positivos [19]:
..
.
..
.
a0
an
a0
a1
an
an1
a0
a1
a2
an
an1
an2
..
.
a0

a1

..
.

an1

an

an1

.
..

a1

an
> 0,
a0
0
a0
0
an
(7.57)
an
0
a0
0
an1
an
a1
a0

> 0,

an1
an
0
a1
a0
0
(7.58)
an2
an1
an
a2
a1
a0

> 0,

0
a0
a1
0
an
an1
0
0
a0
0
0
an
an
0
0
a0
0
0
0
a0
..
.
..
.
0
0
..
.
an
0
..
.
an1
an
..
.
..
.
a1
a2
..
.
an2
0
an
..
.
..
.
a0
0
0
..
.
0
a0
0
..
.
0
a1
a0
..
.
..
.
an
an1
an2
..
.
a2
an
a0
(7.59)

> 0. (7.60)

Observe que cada determinante k , com k = 1, 2, n tem ordem 2k e pode

ser dividido em quatro quadrantes, cada qual com ordem k. No quadrante superior esquerdo todos os elementos da diagonal principal s
ao iguais a a0 , e todos os
elementos acima dela s
ao iguais a zero, os elementos abaixo sendo preenchidos
progressivamente pelos coeficientes da equacao secular. O quadrante inferior direito e obtido pela transposicao dos elementos do quadrantes superior esquerdo
(isto e, trocando linha por coluna e vice-versa). O quadrante superior direito
tem como elementos da diagonal principal os coeficientes an , sendo nulos todos
341
os elementos abaixo destes. Os elementos acima s

ao obtidos a partir dos coeficientes seguintes a an , ate estes se esgotarem. O quadrante inferior esquerdo e
a transposicao do quadrante superior direito.
Para ilustrar esse criterio, vamos considerar o caso em que n = 2:
ao 2 + a1 + a2 = 0.
O criterio de Schur impoe a positividade

a a2
1 = 0
a2 a0

a0 0

a a0
2 = 1
a2 0
a1 a2
dos seguintes determinantes:

> 0,

a2 a1
0 a2
> 0.
a0 a1
0 a0
(7.61)
(7.62)
(7.63)
Do primeiro determinante decorre imediatamente a condicao

1 = a20 a22 > 0.
(7.64)
Ja o segundo determinante, 7.63, pode ser desenvolvido pelo Teorema de Laplace

na soma de, no maximo, quatro determinantes de terceira ordem. Esse n
umero
pode ser ainda menor, pois v
arios elementos s
ao zero. Escolhendo a segunda
coluna para referencia, teremos

a0 a2 a1
a0 a2 a1

4+2
2+2
2 = (1) a0 a2 a0 a1 + (1) a2 a1 0 a2 =
a2 a0 a1
a1 0 a0
=
=
a0 (a30 + a21 a2 a21 a0 a0 a22 ) + a2 (a21 a0 + a32 a2 a20 a21 a2 )

(7.65)
a40 + 2a0 a21 a2 a21 a20 2a20 a22 a21 a22 a21 a22 + a42 ,
e que pode ser reescrita em termos de produtos notaveis, tal que o resultado
final torna-se
2
2
2 = (a20 a22 ) a21 (a0 a2 ) > 0.
(7.66)
Supondo que a0 = 1 (o que sempre pode ser feito, como vimos), a equacao
(7.64) implica em
1 a2 > 0,
(7.67)
que nao conflita com a sua similar |a2 | < 1 dada pelo criterio de Jury pois as
duas s
ao de fato equivalentes, tendo em vista o triangulo de estabilidade visto
no Captulo 6.
Ja a segunda condicao, (7.66), recai numa inequacao do segundo grau, cuja
solucao pode ser escrita como o seguinte par de desigualdades:
(1 a22 ) < a1 (1 a2 ) < 1 a22 ,
(7.68)
cada qual fornecendo uma condicao adicional, a saber:

1 + a1 + a2
>
0,
(7.69)
1 a1 + a2
>
0,
(7.70)
e que s
ao as condicoes de estabilidade (6.145)-(6.147).
342
Para o caso n = 3, o criterio de Schur preconiza as seguintes condicoes sobre

os coeficientes da equacao secular:

a0 a3

> 0,
1 =
(7.71)
a3 a0

a0 0 a3 a2

a1 a0 0 a3
> 0,

(7.72)
2 =

a3 0 a0 a1
a2 a3 0 a0

a0 0 0 a3 a2 a1

a1 a0 0 0 a3 a2

a a1 a0 0 0 a3
> 0.
3 = 2
(7.73)

a3 0 0 a0 a1 a2
a2 a3 0 0 a0 a1

a1 a2 a3 0 0 a0
No entanto, na pr
atica o criterio de Schur nao e muito conveniente pois, ja
no caso de n = 3 implica no calculo de determinantes de ordem 6. Por isso
normalmente referir-nos-emos ao criterio de Jury para uso futuro.
7.3
Exemplo em Economia: Multiplicadores numa

economia aberta
Com a atual enfase na globalizacao da economia, estudos sobre a interacao

econ
omica entre v
arios pases tem se tornado cada vez mais comuns. No captulo
6 estudamos o modelo de multiplicador-acelerador de Samuelson para um u
nico
possvel incluir neste modelo os efeitos de trocas comerciais, porem de
pas. E
forma ex
ogena. Para tornar as quest
oes de importacao-exportacao endogenas e
preciso considerar o comportamento din
amico da economia de mais de um pas.
7.3.1
Modelo com tr
es pases
Vamos considerar um modelo onde tres pases interagem numa economia aberta
[21], como exemplo de um modelo discreto multidimensional, e que pode ser generalizado para um n
umero arbitrario de pases (veja o problema XXX). Vamos
dar o ndice i = 1, 2, 3 a cada pas, cuja economia sera descrita pelas seguintes
macrovariaveis:
Ct (i): consumo do pas i no tempo t;
Yt (i): renda do pas i no tempo t;
It (i): investimento do pas i no tempo t;
Mt (i): exportacoes do pas i no tempo t;
Xt (i): importacoes do pas i no tempo t.
Para cada pas, adotaremos uma funcao de consumo linear com um hiato de
tempo de uma unidade, tal como no modelo de Samuelson [vide Eq. (6.151)]:
Ct (i) = b(i)Yt1 (i),
343
(7.74)
1
M 12
X 13
X
12
13
21
X 31
M 21
M
33
2
X
M 31
32
32
33
Figura 7.1: Exportacoes e importacoes entre tres pases.
onde 0 < b(i) < 1 e a propensao marginal de consumo do pas i. Da mesma

forma, iremos adotar uma funcao de investimento linear com hiato:
It (i) = I0 (i) + h(i)Yt1 (i),
(7.75)
onde I0 (i) e o investimento autonomo do pas i, e 0 < h(i) < 1 e a correspondente

propensao marginal a investir.
A importacao de cada pas e suposta ser linearmente proporcional à renda
no tempo anterior:
Mt (i) = M0 (i) + m(i)Yt1 (i),
(7.76)
onde M0 (i) representa as importacoes autonomas, ou seja, aquelas obrigatorias

como generos alimentcios, insumos ou energia que o pas i nao produz e nao
pode deixar de importar. A parte dependente da renda e representada pela
propensao marginal a importar mi .
Considerando um modelo com dois pases, i = 1 e 2, e economias mutuamente abertas, a importacao de um corresponde à exportacao do outro, e
vice-versa
Xt (1) = Mt (2),
Xt (2) = Mt (1).
(7.77)
Para tres ou mais pases, porem, a situacao e mais complexa, ja que o pas i = 1
pode exportar e importar dos pases 2 e 3 com diferentes propensoes, devido
a acordos comerciais ou barreiras tarif
arias e/ou protecionistas, por exemplo
(Figura 7.1).
344
Para tal, vamos considerar inicialmente o total de importacoes autonomas

feitas pelo pas dos dois outros pases:
M0 (1)
M0 (21) + M0 (31),
M0 (2)
M0 (3)
=
=
M0 (12) + M0 (32),
M0 (13) + M0 (23).
(7.78)
Da mesma forma, determinamos a propensao total do pas i a importar dos

outros dois pases,
m(1)
m(2)
=
=
m(21) + m(31),
m(12) + m(32),
(7.79)
(7.80)
m(3)
m(13) + m(23),
(7.81)
onde somamos as propensoes parciais, m(ij), do pas i importar do pas j.

Mt (1)
(M0 (21) + M0 (31)) + (m(21) + m(31))Yt1 (1),
(7.82)
Mt (2)
Mt (3)
=
=
(M0 (12) + M0 (32)) + (m(12) + m(32))Yt1 (2),

(M0 (13) + M0 (23)) + (m(13) + m(23))Yt1 (3).
(7.83)
(7.84)
A exportacao total do pas i = 1, por exemplo, corresponde às importacoes

dos pases i = 2 e i = 3, tanto na parte autonoma quanto naquela que depende
das rendas dos dois pases. Portanto
Xt (1)
Xt (2)
=
=
(M0 (12) + M0 (13)) + (m(12)Yt1 (2) + m(13)Yt1 (3)),

(M0 (21) + M0 (23)) + (m(21)Yt1 (1) + m(23)Yt1 (3)), (7.85)
Xt (3)
(M0 (31) + M0 (32)) + (m(31)Yt1 (1) + m(32)Yt1 (2)).
Para cada pas, supomos a existencia de equilbrio macroecon

omico onde
a oferta agregada, dada pela renda nacional mais o total das importacoes, e
igual à demanda agregada que, por sua vez, e igual à soma do consumo, do
investimento, e das exportacoes:
Yt (i) + Mt (i) = Ct (i) + It (i) + Xt (i),
(i = 1, 2, 3)
(7.86)
onde desconsideramos gastos governamentais. Substituindo (7.74), (7.75), (7.83)

e (7.85) em (7.86), temos, para a renda de cada pas as seguintes equacoes
din
amicas:
Yt (1)
a(11)Yt1 (1) + m(12)Yt1 (2) + m(13)Yt1 (3) + H(1), (7.87)
Yt (2)
Yt (3)
=
=
m(21)Yt1 (1) + a(22)Yt1 (2) + m(23)Yt1 (3) + H(2), (7.88)

m(31)Yt1 (1) + m(32)Yt1 (2) + a(33)Yt1 (3) + H(3), (7.89)
onde definimos
m(ii)
H(1)
H(2)
H(3)
b(i) + h(i) + m(i),
(i = 1, 2, 3)
I0 (1) + (M0 (12) M0 (21)) + (M0 (13) M0 (31)),

I0 (2) + (M0 (21) M0 (12)) + (M0 (23) M0 (32)),
I0 (3) + (M0 (31) M0 (13)) + (M0 (32) M0 (23)).

345
(7.90)
(7.91)
(7.92)
(7.93)
Desse modo, podemos escrever as equacoes (7.87)-(7.89) na forma de um

modelo discreto multidimensional linear
vt = A.vt1 + B
onde
(7.94)
Yt (1)
vt = Yt (2) ,
Yt (3)
e as matrizes com elementos constante
m(11) m(12) m(13)

A = m(21) m(22) m(23) ,
m(31) m(32) m(33)
(7.95)
H(1)
B = H(2) .
H(3)
(7.96)
Para encontrar o ponto fixo deste modelo, ou seja, a renda de equilbrio de

cada pas, utilizaremos (7.9), ou seja
Y (1)
1
(7.97)
v = (I A) .B = Y (2) ,
Y (3)
de modo que

1 m(11)
Y (1)
Y (2) = m(21)
Y (3)
m(31)
m(13)
H(1)
m(23) , H(2) .
1 m(33)
H(3)
(7.98)
Precisamos inverter a matriz I A, o que faremos utilizando as formulas
(4.21) e (4.22) do Captulo 4. Teremos ent
ao que
a(11) a(12) a(13)

1
1
a(21) a(22) a(23) ,
(7.99)
(I A) =
a(31) a(32) a(33)

m(12)
1 m(22)
m(32)
onde
=
=
a(11)
a(12)
=
=
a(13)
a(21)
=
=
a(11)
a(23)
=
=
a(31)
a(32)
=
=
a(33)
det(I A)
(7.100)
m(23)m(32)(1 m(11)) m(12)m(21)(1 m(33)),

(1 m(22))(1 m(33)) m(23)m(32),
m(12)(1 m(33)) m(13)m(32),
(7.101)
(7.102)
(1 m(11))(1 m(22))(1 m(33)) + m(21)m(32)m(13) +

m(31)m(12)m(23) m(13)m(31)(1 m(22))
m(13)(1 m(22)) + m(23)m(12),

m(21)(1 m(33)) m(23)m(31),
(1 m(11))(1 m(33)) m(13)m(31),

m(23)(1 m(11)) + m(21)m(13),
m(31)(1 m(22)) + m(21)m(32),

m(32)(1 m(11)) + m(31)m(12),
(1 m(22))(1 m(11)) m(12)m(21).

346
(7.103)
(7.104)
(7.105)
(7.106)
(7.107)
(7.108)
(7.109)
e, finalmente, as rendas de equilbrio para cada pas s

ao dadas por
7.3.2
Y (1)
Y (2)
Y (3)
1
(a(11)H(1) + a(12)H(2) + a(13)H(3)) ,
1
(a(21)H(1) + a(22)H(2) + a(23)H(3)) ,
1
(a(31)H(1) + a(32)H(2) + a(33)H(3)) ,
(7.110)
(7.111)
(7.112)
Estabilidade do ponto fixo
Uma vez encontrado o ponto fixo, sua estabilidade e determinada pelos autovalores da matriz A. Sendo a matriz de terceira ordem, a equacao secular
det(A I) = 0 leva a uma equacao algebrica do terceiro grau da forma
3 + a1 2 + a2 + a3 = 0
(7.113)
e cujas razes 1,2,3 s

ao os autovalores procurados. No captulo refmcm [vide Eq.
(7.114)] mostramos que a equacao secular para uma matriz de terceira ordem e
dada por
3 Tr A 2 + c2 det A = 0,
(7.114)
apos multiplic
a-la por 1 a fim de tornar igual a um o coeficiente do termo
c
ubico, e onde c2 e a soma dos menores principais da matriz A. Comparando
(grau3) com (refsecA3) temos os coeficientes
a1
a2
a3
=
=
Tr A,
c2 ,
det A,
(7.115)
(7.116)
(7.117)
O ponto de equilbrio (7.110)-(7.112) sera assintoticamente est

avel se, pelo
criterio de Jury (autovalores da matriz A com modulos menores que um) tivermos satisfeitas as seguintes desigualdades [vide (7.20) e condicoes associadas]:
|a3 |
1 + a1 + a2 + a3
=
=
1 + a1 a2 + a3
|a23 1|
=
>
|(det A) 1|
>
| det A| < 1,
1 Tr A + c2 det A > 0,
1 Tr A c2 det A < 0,
|a3 a1 a2 |,
| det A Tr A c2 |,
(7.118)
(7.119)
(7.120)
(7.121)
(7.122)
As condicoes de estabilidade acima foram escritas numa forma geral para

poderem ser usadas, quando necessario, em outros modelos. No modelo que
estamos analisando em particular nessa secao temos que
Tr A
c2
det A
=
=
=
m(11) + m(22) + m(33),

m(11)m(22) m(21)m(12) + m(11)m(33)
m(13)m(31) + m(22)m(33) m(23)m(32),

(7.123)
m(11)m(22)m(33) + m(21)m(32)m(13) + m(31)m(12)m(23)
m(13)m(22)m(31) m(23)m(32)m(11) m(33)m(12)m(21),
347
que, naturalmente, dao origem a expressoes algebricas t

ao grandes que seriam
praticamente inviaveis para manipulacao puramente simbolica. Temos, pois,
duas alternativas: ou colocamos valores numericos nas constantes do modelo,
ou procuramos analisar alguns casos particulares mais simples que permitam
uma abordagem analtica. A seguir vamos levar a cabo essa segunda alternativa,
ficando a primeira para os exerccios deste captulo.
7.3.3
Um caso particular: acoplamento unidirecional
Um caso particular, embora algo artificial, da situacao apresentada consiste

no chamado acoplamento unidirecional, ou seja, as relacoes de exportacaoimportacao s
o ocorrem num sentido. Por exemplo, o pas 1 s
o exporta para
o pas 2, mas nao importa dele; senao apenas do pas 3, que s
o importa do pas
2. Isso implica em que as seguintes propensoes parciais s
ao nulas:
m(21) = m(32) = m(31) = 0,
(7.124)
o que significa que a matriz A e triangular superior, ou seja, os elementos abaixo

da diagonal principal s
ao nulos:
m(11) m(12) m(13)

0
m(22) m(23) .
A=
(7.125)
0
0
m(33)
Neste caso, I A tambem e triangular superior, o que simplifica a determinacao de sua inversa por meio de (2.17):
1
IA=
(1 m(22))(1 m(33))
0
0
m(12)(1 m(33))
(1 m(11))(1 m(33))
0
onde
m(13)m(12)m(13)(1 m(22))
,
(1 m(11))m(23)
(1 m(11))(1 m(22))
= det(I A) = (1 m(11))(1 m(22))(1 m(33)),
(7.126)
tal que o ponto fixo v seja dado por

Y (1)
Y (2)
Y (3)
1
[(1 m(22))(1 m(33))H(1) m(12)(1 m(33))H(2)+
m(13)m(12)m(13)(1 m(22))H(3)] ,
1
[(1 m(11))(1 m(33))H(2) (1 m(11))m(23)H(3)] ,
1
[(1 m(11))(1 m(22))(1 m(33))H(3)] .
(7.127)
A estabilidade deste ponto fixo e determinada pela natureza (real ou complexa) e pelo modulo (menor ou maior que um) dos autovalores da matriz A. No
caso de matrizes triangulares superiores ou inferiores, pode-se mostrar que os
autovalores s
ao iguais aos elementos da diagonal principal. No caso de (7.125)
temos, portanto, que os autovalores s
ao:
1 = m(11),
2 = m(22),
348
3 = m(33).
(7.128)
Neste caso, tambem, e certamente mais facil analisar a estabilidade do ponto

fixo diretamente a partir dos autovalores do que usando o criterio de Schur.
Para que o ponto fixo v seja est
avel e necessario e suficiente queos modulos
dos coeficientes mii sejam menores que um, ou seja,
|b(1) + h(1) m(1)| < 1,
|b(3) + h(3) m(3)| < 1.

(7.129)
Em modelos de um u
nico pas onde as exportacoes s
ao ex
ogenas, o fator
1/(1 b h + m) e o multiplicador Keynesiano usual. Neste caso, se tomarmos
uma unidade de aumento da renda, isso causa um incremento tanto no consumo
como no investimento, quantificado por b+h (a condicao de estabilidade de uma
economia fechada e 0 0,
ou b + h > m [21]. Estendendo essa ideia para nosso contexto de interacoes
unidirecionais entre os pases, teremos rendas de equilbrio est
aveis para o iesimo pas se 0 < b(i) + h(i) m(i) < 1, que leva à mesma situacao de quando
as exportacoes eram ex
ogenas.
7.4
|b(2) + h(2) m(2)| < 1,
Sub-espacos invariantes
Os conceitos de sub-espacos e variedades invariantes generalizam os de autodirecoes e curvas invariantes de modelos discretos bidimensionais vistos no
Captulo 6. Seja o modelo discreto multidimensional linear
vt = A vt1 + B,
(7.130)
com um ponto fixo v . No caso bidimensional, uma auto-direcao invariante e

determinadas pelos autovetores da matriz A, sendo que a auto-direcao instavel
(estavel) est
a associada ao autovalor da matriz cujo modulo seja maior (menor)
do que um.
Para o caso N -dimensional, supomos que a matriz dos coeficientes A tenha
N autovalores (reais ou complexos), dos quais
s autovalores tem modulos menores do que um;
u autovalores tem modulos maiores do que um;
c autovalores tem modulos iguais a um;
onde N = s + u + c. A estes autovalores correspondem N autovetores ui ,
i = 1, 2, . . . N , que podem ser classificados da seguinte forma:
s autovetores: u1 , us ;
u autovetores: us+1 , us+u ;
c autovetores: us+u+1 , uN ;
Estes autovetores, por serem linearmente independentes, servem de base
para sub-espacos do RN , denominados:
Es : sub-espaco est
avel, gerado pelos autovetores {u1 , us };
Eu : sub-espaco instavel, gerado pelos autovetores {us+1 , us+u };
349
Ec : sub-espaco central gerado pelos autovetores {us+u+1 , uN }.

Os sub-espacos acima definidos s
ao invariantes, no sentido que quaisquer
rbitas do modelo obtidas a partir de condicoes iniciais pertencentes ao subo
espaco dever
ao continuar pertencendo ao sub-espaco para todos os tempos positivos e negativos.
7.5
An
alise da estabilidade em alguns casos
Vamos considerar um modelo multidimensional linear com B = 0 dado por

vt = A.vt1 ,
(7.131)
T
que tem um u
nico ponto fixo para origem do RN , ou v = {(0, 0, , 0)} ; e
cuja solucao geral e dada por (7.10) como
vt = At .v0
(7.132)
onde v0 e a condicao inicial. Uma vez conhecidos os autovalores de A, suas

potencias podem ser encontradas de forma mais simples a partir da forma de Jordan correspondente. Vamos, portanto, considerar os diferentes casos possveis.
Assim como no Captulo 4, limitaremos nossa analise a modelos discretos tridimensionais, embora os conceitos envolvidos possam ser generalizados sem muita
dificuldade para quatro ou mais dimensoes.
7.5.1
Tr
es autovalores reais e distintos
Aprendemos, no Captulo 4, que, quando os autovalores da matriz A s

ao reais
e distintos (i , i = 1, 2, 3), a matriz A e similar à seguinte forma de Jordan
1 0 0
(7.133)
J = 0 2 0 ,
0 0 3
atraves da matriz de similaridade T que satisfaz

J = T1 A T,
(7.134)
e que e, por sua vez, construida usando como colunas os autovetores de A [vide
Eq. (4.15)].
Como matrizes semelhantes em tem as mesmas potencias [vide Eq. (4.8)],
resulta que:
Jt = T1 At T, At = T Jt T1 .
(7.135)
donde a solucao geral (7.132) pode ser reescrita na forma alternativa
vt = T Jt T1 v0 .
Definindo o novo vetor coluna
z1t
zt = z2t S1 vt ,
z3t
350
(7.136)
(7.137)
podemos colocar a Eq. (7.136) nessa nova variavel

zt = J t z0 ,
(7.138)
a qual representa a generalizacao da expressao

zt = J zt1 .
(7.139)
No Apendice ?? mostramos que a potenciacao de uma matriz na forma de

Jordan fornece
t
1 0 0
(7.140)
Jt = 0 2t 0 ,
0 0 3t
de tal sorte que a eq. (7.138) pode ser

t
1
z1t
z2t = 0
0
z3t
escrita, matricialmente, como
z10
0 0
2t 0 z20 ,
z30
0 3t
(7.141)
implicando no seguinte sistema de equacoes

z1t
z2t
=
=
1t z10 ,
2t z20 ,
(7.142)
(7.143)
z3t
3t z30 ,
(7.144)
De forma geral, se o autovalor correspondente a uma dada direcao i = 1, 2, 3

tiver modulo menor que um (|i | < 1), ent
ao limt |i | = 0 e as iteracoes
da orbita convergem ao ponto fixo na origem (limt zit = 0), o qual sera
considerado est
avel em relacao a esta direcao. Caso |i | > 1 ent
ao limt zit =
e ao longo dessa direcao o ponto fixo e instavel. O caso |i | = 1 nao e
conclusivo, pois as iteracoes nem se afastam nem se aproximam assintoticamente
do ponto fixo.
Assim como vimos no Captulo 4 pode haver diversos tipos de estabilidade
do ponto fixo, uma vez que ha tres direcoes principais e podemos ter estabilidade
ou instabilidade ao longo de cada uma destas direcoes. No caso bidimensional os
tipos de ponto fixo, quanto `
a sua estabilidade, foram apresentado (por meio de
exemplos) no Captulo 6. Para tres ou mais dimensoes, estendemos os cenceitos
de forma semelhante ao que fizemos no caso de modelos contnuos. Por exemplo,
se |1 | < 1, |2 | < 1 e |3 | < 1, ent
ao o sub-espaco invariante est
avel sera o plano
gerado pelas direcoes x1 e x2 , ao passo que o sub-espaco instavel sera a direcao
x3 , e assim por diante.
7.5.2
Dois autovalores reais repetidos e outro distinto
Consideramos, agora, o caso onde ha dois autovalores reais repetidos (1 = 2 )

e um terceiro real porem distinto dos outros dois 3 6= 1,2 . A matriz A dos
coeficientes e similar a uma matriz diagonal em blocos de Jordan, com um bloco
como em () [cf. Cap. 4] e ao terceiro autovalor
1 0
0 1 .
(7.145)
0 0 3
351
As potencias do bloco de Jordan superior podem ser escritas numa forma fechada
[vide Apendice ??], enquanto o elemento isolado e tratado identicamente ao caso
anterior. O resultado e
t
tt1
0
t
tt1 .
Jt = 0
(7.146)
0
0
3t
De (7.138), as iteradas sucessivas de um ponto s
ao
t1
t
0
z10
z1t
t
tt1 z20 ,
zt = z2t = Jt z0 = 0
z30
0
0
3t
z3t
(7.147)
e que pode ser desdobrada em tres equacoes

z1t
z2t
=
=
t z10 + tt1 z20 ,

t z20 + tt1 z30 ,
z3t
3t z30 ,
(7.148)
(7.149)
(7.150)
t1
Suponhamos que || < 1 e |i | > 1. Como limt t

= 0 para || < 1,
o ponto fixo w = 0 sera est
avel nas direcoes x1 e x2 (as quais geram o subespaco invariante est
avel), enquanto x3 gera o sub-espaco invariante instavel.
Se tambem tivessemos || > 1, como limt tt1 = o sub-espaco est
avel
nao mais existiria e o sub-espaco instavel seria tridimensional.
7.5.3
Dois autovalores complexos e um real
Supomos, agora, que dois dos autovalores de A sejam complexos conjugados1 =

+ i, 2 = 1 , enquanto um terceiro autovalor 3 e real. De (4.12), a matriz
A e similar a uma matriz diagonal em blocos de Jordan:
0
0 ,
(7.151)
J=
0 0 3
onde o bloco 2 2 corresponde aos autovalores complexos e o elemento solteiro

ao autovalor real.
Ao inves de trabalhar, como antes, calculando diretamente potencias da matriz dos coeficientes, vamos proceder como no Captulo 6 e escrever a solucao
geral deste modelo em termos dos autovalores e autovetores. Um calculo semelhante ao do captulo anterior fornecera para esses u
ltimos (veja o problema
XXX)
u1
u2
u3
1
i ,
0
1
i ,
0
0
0 ,
1
352
(1 = + i),
(7.152)
(2 = i),
(7.153)
(3 ),
(7.154)
Usando a forma trigonometrica para o par de autovalores complexos
r cos ,
(7.155)
r sin ,
(7.156)
tal que
r=
2 ,

b
.
= arctan
a
(7.157)
A solucao geral do modelo discreto tridimensional e uma combinacao linear

dos autovetores, por meio da generalizacao da expressao (6.36):

1
1
0
z1t
z2t = c1 ( + i)t i + c2 ( i)t i + c3 3t 0 , (7.158)
0
0
1
z3t
de modo que, usando a forma polar dos autovalores complexos para a sua potenciacao, chegamos a
z1t
c1 rt eit + c2 rt eit ,
(7.159)
z2t
z3t
=
=
ic1 rt eit + ic2 rt eit ,

c3 3t ,
(7.160)
(7.161)
Substituindo t = 0 de modo a explicitar as condicoes iniciais,

z10
c1 + c2 ,
(7.162)
z20
z30
=
=
i(c1 + c2 ),
c3 ,
(7.163)
(7.164)
c1
c2
c3
cuja solucao e
z10 + iz20
,
2
z10 iz20
,
2
z30 ,
(7.165)
(7.166)
(7.167)
que, substituidas novamente em (7.161)-(7.161), apos alguma algebra fornecem

z1t
z2t
z3t
=
=
=
rt [z10 cos(t) z20 sin(t)] ,

t
r [z10 sin(t) + z20 cos(t)] .

3t z30 .
(7.168)
(7.169)
(7.170)
A interpretacao geometrica dessas solucoes foi apresentada no Captulo anterior para o caso bidimensional. O modulo dos autovalores complexos e igual a
r. Suponha, por exemplo, que r = 1. O par de autovetores (tambem complexos)
u1 e u2 gera um sub-espaco invariante, que pode ser representado pelo plano
z3t = 0. Nesse caso particular as coisas ficam um pouco mais simples pois
z1t
zt = z2t ,
(7.171)
0
353
e as equacoes (7.168) e (??) representam uma rotacao de um angulo do vetor

zt1 , transformando-o num novo vetor zt , com o mesmo modulo de zt1 (nesse
caso o ponto fixo seria um centro em relacao a esse subespaco).
Podemos, agora, relaxar a suposicao inicial e considerar r diferente de um.
O termo rt provoca uma mudanca no mop
dulo do vetor zt , correspondendo a
2 + z 2 tende a infinito quando
uma dilatacao se r > 1, ou seja, |zt | = z10
20
t e um encolhimento se r < 1, tal que limt |zt | = 0. Logo, r <
1 e r > 1 correspondem a focos est
avel e instavel, respectivamente. Esses
comportamentos no plano z3t = 0 devem ser associados ao comportamento em
relacao `
a direcao 3. Se 3 > 1, por exemplo, o plano z3t = 0 e um sub-espaco
invariante est
avel e a direcao x3 e o sub-espaco invariante instavel.
7.6
7.6.1
Modelos multidimensionais n
ao-lineares
Pontos fixos e
orbitas peri
odicas
A analise dos modelos lineares permite tambem, em muitos casos, determinar a

estabilidade dos pontos fixos de modelos nao-lineares da forma
vt = F(vt1 ),
(7.172)
Um ponto fixo de um modelo multidimensional e um vetor (7.8) de N componentes que mapeia a si proprio:
v = F(v ).
(7.173)
Outro conceito aplicavel em mais de uma dimensao e o de orbitas peri

odicas,
que vimos no captulo 5. Comecemos pelo caso de uma orbita de perodo 2, que
e composta pelos dois vetores {v1 , v2 } tais que um mapeia em outro pela acao
do modelo F:
v1 = F(v2 )
v2 = F(v1 ).
(7.174)
Como v2 = F(v1 ) = F(F(v2 )) = F[2] (v2 ), ent
ao v2 e v1 s
ao pontos fixos da
segunda iterada de F(v). Logo, tais vetores s
ao solucoes da equacao
v = F[2] (v ) = F(F(v )).
(7.175)
De forma analoga, uma orbita peri

odica de perodo m, ou m-ciclo, e um con
junto de m vetores {v1 , v2 , v3 , . . . vm
}, tais que um mapeia o outro ciclicamente
vi+1
v1
=
=
F(vi )
F(vm
).
(i = 1, 2, . . . m 1),
(7.176)
Aplicando sucessivamente essas a qualquer um dos vetores do m-ciclo, como
vm
, temos
vm
= F(vm1
) = F(F(vm2
)) = F(F(F(vm3
))) = . . . F[m] (vm
),
(7.177)
de modo que os elementos de um m-ciclo s

ao pontos fixos da m-esima iterada
do modelo F(x).
354
7.6.2
Estabilidade para modelos n

ao-lineares
A estabilidade do ponto fixo do modelo multidimensional nao-linear vt+1 =

F(vt ) e investigada pela sua linearizacao nas vizinhancas do ponto v . Da
mesma forma que no caso bidimensional, trabalhamos no espaco N -dimensional
das variaveis din
amicas e, em torno do ponto fixo, cujas coordenadas s
ao (x1 , xN ),
nos analisamos uma hiper-esfera de raio , onde xi e um n

umero pequeno
(em comparacao com a unidade).
Para linearizar o modelo, e verificar se o ponto fixo e est
avel dentro dessa
vizinhanca limitada por , nos expandimos em serie as N funcoes Fi (v). Escrevemos o vetor nas vizinhancas do ponto fixo como
v t = v + wt ,
onde
tal que (7.1) fique
wt =
(w1 )t
(w2 )t
..
.
(wN )t
(7.178)
(x1 )t x1
(x2 )t x2
..
.
(xN )t xN
(7.179)
(w1 )t + x1
F1 ((w1 )t1 + x1 , (w2 )t1 + x2 , . . . (wN )t1 + xN ),
x2
F2 ((w1 )t1 + x1 , (w2 )t1 + x2 , . . . (wN )t1 + xN ),

..
.
(7.180)
FN ((w1 )t1 + x1 , (w2 )t1 + x2 , . . . (wN )t1 + xN ).
(w2 )t +
..
.
(wN )t +
xN
=
=
Vamos tambem supor que os incrementos (wi )t = (xi )t xi estejam dentro

da hper-esfera de raio :
||(xi )t xi || < 1.
(7.181)
Dessa forma, podemos expandir cada uma das N componentes Fi da funcao

vetorial, em serie de potencias nos N incrementos wi , com i indo de 1 ate
N . Sendo suficientemente pequeno, podemos reter apenas os termos lineares,
desprezando todos os outros. Resulta de (7.182) o seguinte conjunto de equacoes
acopladas:

F1
F1
F1
(w1 )t+1 = (w1 )t
+ (w2 )t
+ . . . (wN )t
+ ...,
x1 (v )
x2 (v )
xN (v )

F2
F2
F2
(w2 )t+1 = (w1 )t
+ (w2 )t
+ . . . (wN )t
+ ...,
x1 (v )
x2 (v )
xN (v )
..
.
(wN )t+1
=
=
..
.
(w1 )t
(7.182)

FN
x1
+ (w2 )t
(v )
FN
x2
+ . . . (wN )t
(v )
FN
xN
+ ...,
(v )
onde usamos tambem (7.173) para eliminar os pontos fixos de ambos os lados
das expressoes.
355
Temos um total de N 2 derivadas parciais das

as variaveis din
amicas xj , calculadas no ponto
Jacobiana como

F1
F1
...
x1 (v ) x2 (v )
F2
F2
x
...
x2
1
(v )
(v )
J(v ) =
..
..
..

.
.
.

FN
FN
...
x1
x2
funcoes Fi em relacao a todas

fixo v . Definimos a matriz
wt+1 = J(v ).wt ,
(7.184)
(v )
(v )

tal que (7.182) pode ser escrita na forma compacta
F1
xN
(v )
(v ) ,
..
.
F2
xN
FN
xN
(7.183)
(v )
e que e um modelo linear da forma (7.7), cujo ponto fixo e a origem no espaco
N -dimensional.
Logo, para estudar a estabilidade do ponto fixo v do modelo nao-linear,
basta investigar a estabilidade da origem para o modelo linearizado (7.184), ou
seja, estudar os autovalores da matriz Jacobiana, cujos elementos s
ao constantes:

Fi
Jij (v ) =
(7.185)
xj (v )
O ponto fixo v sera est
avel se todos os autovalores da matriz Jacobiana tiverem
modulos menores do que um. A partir dos coeficientes da equacao secular
satisfeita pela matriz Jacobiana, e do criterio de Schur, e possvel determinar as
condicoes de estabilidade para o ponto fixo, na aproximacao linear.
7.6.3
Pontos Hiperb
olicos
Nesse ponto de nosso estudo dos modelos bidimensionais nao-lineares, deparamonos com a mesma quest
ao levantada no Captulo 3 acerca da validade da analise
da estabilidade quando passamos do modelo linear para o nao-linear. Aqui,
como l
a, comecamos definindo
Defini
c
ao 15 Um ponto fixo v e dito hiperb
olico (ou n
ao-degenerado) se todos
os autovalores da matriz Jacobiana do sistema, calculada nesse ponto, J(v )
tiverem m
odulos diferentes de um.
O ponto fixo v sera nao-hiperbolico caso um ou mais autovalores tenham
modulos iguais a um, ou seja, estejam exatamente sobre o crculo unitario no
plano complexo. O Teorema de Hartman-Grobman tem uma versao para modelos discretos, e nos assegura que, caso v seja um ponto fixo hiperbolico, o
comportamento das solucoes na sua vizinhanca (e, portanto, sua estabilidade) e
determinado pela linearizacao, como vimos na secao precedente. Caso o ponto
fixo seja nao-hiperbolico o criterio de linearizacao nao e capaz de nos informar
e o ponto fixo e est
avel, outros metodos sendo necessarios.
Para formalizar as ideias apresentadas nessa secao, e necessario que o modelo
discreto seja o que, em termos matematicos, denominamos um difeomorfismo.
Sejam M e N dois sub-conjuntos do R2 . Um difeomorfismo de classe C k F :
356
M N e uma aplicacao (tambem chamado mapeamento, ou mapa) bijetora

, ou seja, injetora e sobrejetora, com a propriedade de que tanto F como sua
inversa F1 s
ao k vezes diferenciaveis.
Teorema 12 (Hartman-Grobman) [1] Seja F : RN RN um difeomorfismo de classe C 1 com um ponto fixo hiperb
olico v . Ent
ao existe um homeomorfismo h, definido em alguma vizinhanca U do ponto fixo v tal que, para
todo v U
h(F(v )) = J(v ).h(v ).
ou seja, h leva
orbitas geradas pelo modelo discreto n
ao-linear
vt = F(vt1 ),
em
orbitas do modelo discreto linear
vt = J(v ) vt1 .
Uma importante consequencia do teorema de Hartman-Grobman e dizer que
as orbitas do modelo nao-linear na vizinhanca do ponto fixo s
ao topologicamente
equivalentes `
as
orbitas do modelo linearizado [vide a Fig. 3.17 do Cap. 3], de
modo que a estabilidade do ponto fixo e determinada pela linearizacao. O
conjunto das possveis
orbitas nas vizinhancas de um ponto fixo hiperbolico
(chamado retrato de fase) e portanto estruturalmente estavel, uma vez que sua
topologia nao pode ser alterada por perturbacoes do modelo F F + F. Sob
esse ponto de vista, nos e focos, bem como pontos de sela s
ao estruturalmente
est
aveis, por subsistirem mesmo mediante pequenas perturbacoes F. Ja um
centro ou um no degenerado (como o do exemplo visto nessa secao) s
ao frageis,
pois qualquer perturbacao mudara em geral o tipo de estabilidade do ponto fixo.
7.6.4
Variedades invariantes
O conceito de sub-espaco invariante e t

ao importante em modelos discretos
quanto o era em modelos contnuos, e merece portanto um tratamento igualmente rigoroso. O pr
oprio conceito de invariancia deve ser alterado:
Defini
c
ao 16 Um conjunto S e dito invariante sob a din
amica gerada pelo
modelo n
ao-linear vt = F(vt1 ) se, para qualquer v0 S tenhamos vt S para
todos os tempos t R.
Por isso adaptamos as definicoes pertinentes dadas no Cap. 3:
Defini
c
ao 17 Seja U R2 uma vizinhanca do ponto fixo v do modelo n
aolinearvt = F(vt1 ). Definimos as curvas invariantes est
avel e inst
avel locais de
s
u
v , denotadas Vloc
(v ) e Vloc
(v ), respectivamente, como os seguintes conjuntos:
s
Vloc
(v )
u
Vloc
(v )
{v U |F[t] (v) v se t , e F[t] (v) U, t 0},
{v U |F[t] (v) v se t , e F[t] (v) U, t 0},
onde a notacao F[ n](v) indica a n-esima iterada do mapa, ou seja, F(F( F(v))).
357
Existem, tambem, curvas invariantes (globais) definidas alem da vizinhanca

U do ponto fixo, considerando a uni
ao das imagens dos pontos das curvas invariantes locais.
[
s
V s (v )) =
F[t] (Vloc
(v )),
t0
V (v ))
u
F[t] (Vloc
(v )),
t0
Como enfatizado por Guckenheimer e Holmes, deve-se ter sempre em mente

a diferenca entre modelos discretos e contnuos: enquanto uma trajet
oria de
um modelo contnuo e uma curva no R2 , a orbita de um modelo discreto e
uma sequencia de pontos. Logo, enquanto as curvas invariantes de modelos
contnuos s
ao uni
oes de curvas no R2 , para modelos discretos as curvas invariantes acima definidas s
ao uni
oes de pontos discretos de orbitas [veja novamente
a Fig. 6.18]. A tangencia das curvas e das auto-direcoes invariantes no ponto
de sela e garantida pelo
Teorema 13 (Teorema das curvas invariantes para o ponto fixo) Seja F :
RN RN um difeomorfismo de classe C 1 com um ponto fixo hiperb
olico v .
s
Ent
ao existem curvas invariantes locais Vloc (v ) e Vloc (v ) tangentes `
as autodireco
es invariantes E u e E s do mapa linear J(v ) no ponto fixo v e com as
mesmas dimens
oes. As curvas invariantes do mapa n
ao-linear V(s v ) e V(u v )
s
ao t
ao suaves como o pr
oprio difeomorfismo F.
7.7
Exemplo em Economia: Triop

olio de Cournot
O oligopolio e uma situacao intermediaria entre o monop

olio e a concorrencia
perfeita, e e mais complexa que estes dois casos extremos pois o oligopolista
deve levar em conta tanto o comportamento dos consumidores como de seus
concorrentes. Na teoria classica de oligopolio de Cournot, proposta em 1838,
cada oligopolista adota os valores mais recentes da producao de seus concorrentes, sem levar em conta suas reacoes futuras. O ajuste dos oligopolistas leva
a um preco de equilbrio, dito equilbrio de Cournot.
Embora seja generalmente presumido que esse equilbrio exista e seja est
avel,
existem diversas situacoes onde isso nao e verdade, sobretudo se houver naolinearidades no modelo. Rand, em 1978, por exemplo, mostrou que o comportamento de precos pode nao somente ser instavel como tambem ter uma din
amica
complexa (incluindo bifurcacoes e caos) [?]. Puu e colaboradores tem estudado
sistematicamente duo e triopolios de Cournot com din
amica complexa, sendo
que escolheremos um dos modelos propostos por ele como exemplo de modelo
discreto tridimensional nao-linear [?, ?, ?].
7.7.1
Vari
aveis e hip
oteses do modelo
Um triopolio e um oligopolio de Cournot com tres participantes, onde q(i) e a

oferta do concorrente i = 1, 2, 3, sendo
q = q(1) + q(2) + q(3)
358
(7.186)
a oferta agregada, suposta igual `

a demanda agregada d. Essa u
ltima, por sua
vez, depende do preco de mercado p do bem comercializado por meio de uma
funcao demanda d = d(p) ou, como e mais comum, p = p(d) = p(q). Pode-se
usar curvas de demanda lineares p(q) = a q, expressando o fato basico que o
preco cai com o aumento da oferta [6, ?].
Nesta secao vamos usar uma funcao demanda nao-linear, dita iso-el
astica
1
1
p(q) = = ,
(7.187)
d
q
que, embora traduza a mesma ideia da funcao linear, tem o inconveniente de
levar a um preco infinito quando a oferta e nula. No entanto, no contexto de
um modelo de oligopolio de Cournot, a existencia presumida de um preco de
equilbrio nao-infinito afasta-nos dessa situacao incomoda.
O custo total do participante i e proporcional à sua oferta, na forma
T C(i) = c(i)q(i),
(7.188)
onde c(i) e o custo marginal do competidor i, supostos todos distintos em virtude das diferencas naturais existentes entre as firmas, refletindo as vantagens
e desvantagens que determinam o custo de cada uma delas.
A receita total do participante i e igual ao produto da oferta pelo preco
T R(i) = p(q)q(i),
(7.189)
tal que o faturamento do participante i e dado por

V (i) = T R(i) T C(i) = (p(q) c(i))q(i),

1
V (i) =
c(i) q(i).
q(1) + q(2) + q(3)
7.7.2
(7.190)
(7.191)
Obtenc
ao do modelo din
amico
Cada participante maximiza seu faturamento a partir da suposicao que os outros

participantes manter
ao seu resultado constante (variacao conjectural). Essa
maximizacao leva a uma funcao de reacao r(i)(q(1), q(2), q(3)) que expressa o
modo pelo qual o participante i alterar
a sua oferta no perodo subsequente em
funcao da sua pr
opria oferta e das ofertas dos concorrentes no perodo anterior.
Derivando o faturamento do participante i em relacao a sua oferta, supondo as
ofertas dos competidores como constantes, temos
1 q(i)
1
q(i)
V (i)
=
c(i) = 2 c(i),
q(i)
q(1) + q(2) + q(3) (q(1) + q(2) + q(3))2
q
q
de modo que a funcao de reacao e obtida igualando a derivada a zero
V (i)
q(i)
1
q
q q(i)
0=
=
=
=
=
1 q(i)
2 c(i),
q
q
q(i)
q(i) + q 2 c(i)
+ c(i) =
,
2
q
q2
q 2 c(i),
s
q q(i)
.
c(i)
359
(7.192)
Somando q(i) a ambos os lados da u

ltima igualdade anterior chegamos à funcao
reacao do participante i:
s
q q(i)
q + q(i).
(7.193)
q(i) = r(i)(q(1), q(2), q(3)) =
c(i)
O modelo din
amico e expresso supondo que, no tempo t, os concorrentes
agem todos simultaneamente no sentido de ajustarem suas ofertas a partir da
funcao de reacao, onde as ofertas s
ao tomadas no tempo anterior t 1:
s
qt1 qt1 (i)
qt (i) = r(i)(qt1 (1), qt1 (2), qt1 (3)) =
qt1 + qt1 (i).
c(i)
(7.194)
onde qt1 = qt1 (1) + qt1 (2) + qt1 (3). Dessa forma teremos tres equacoes
din
amicas do modelo discreto:
s
qt1 (2) + qt1 (3)
qt1 (2) qt1 (3),
(7.195)
qt (1) =
c(1)
s
qt1 (1) + qt1 (3)
qt (2) =
qt1 (1) qt1 (3),
(7.196)
c(2)
s
qt1 (1) + qt1 (2)
qt (3) =
qt1 (1) qt1 (2),
(7.197)
c(3)
7.7.3
Ponto fixo e equilbrio de Cournot
O ponto fixo do modelo (7.195)-(7.197) e o vetor cujas componentes s

ao as
solucoes do seguinte sistema de equacoes
s
q (2) + q (3)
(7.198)
q (2) q (3),
q (1) =
c(1)
s
q (1) + q (3)
q (2) =
q (1) q (3),
(7.199)
c(2)
s
q (1) + q (2)
q (1) q (2),
(7.200)
q (3) =
c(3)
Uma solucao trivial do sistema (7.198)-(7.200) e aquela para a qual todas as
ofertas s
ao nulas,

0
q1 = 0 = 0 ,
(7.201)
0
ao passo que ha um segundo ponto fixo cujas componentes s

ao os valores das
ofertas de cada competidor na situacao de equilbrio de Cournot

q (1)
q1 = E = q (2) ,
(7.202)
q (3)
360
O leitor podera mostrar, por substituicao direta, que (veja o problema XXX)
7.7.4
q (1)
q (2)
q (3)
2(c(1) + c(2) + c(3))

2
(c(1) + c(2) + c(3))

2(c(1) c(2) + c(3))
(7.203)
2,
(7.204)
2,
(7.205)
(c(1) + c(2) + c(3))

2(c(1) + c(2) c(3))
(c(1) + c(2) + c(3))
Estabilidade dos pontos fixos
Inicialmente vamos construir a matriz Jacobiana do modelo discreto (7.195)(7.197), cujos elementos s
ao as derivadas parciais
qt (1)
qt1 (1)
qt (1)
qt1 (2)
=
=
qt (1)
qt1 (3)
qt (2)
qt1 (1)
qt (2)
qt1 (2)
qt (2)
qt1 (3)
=
=
qt (3)
qt1 (1)
qt (3)
qt1 (2)
qt (3)
qt1 (3)
0,
(7.206)
1
p
1,
2 c(1)(qt1 (2) + qt1 (3))
1
qt (1)
p
,
1=
q
2 c(1)(qt1 (2) + qt1 (3))
t1 (2)
1
p
1,
2 c(2)(qt1 (1) + qt1 (3))
c(3)(qt1 (1)+qt1 (2))
(7.208)
(7.209)
0,
(7.210)
1
qt (2)
p
,
1=
qt1 (1)
2 c(2)(qt1 (1) + qt1 (3))
1
p
1,
2 c(3)(qt1 (1) + qt1 (2))
1
qt (3)
p
,
1=
qt1 (1)
2 c(3)(qt1 (1) + qt1 (2))
(7.211)
(7.212)
(7.213)
0.
de modo que a matriz jacobiana e
0
1
2 c(1)(qt1 (2)+qt1 (3))

1
1
0
2 c(2)(qt1 (1)+qt1 (3))

1
1
1
1
2
(7.207)
c(3)(qt1 (1)+qt1 (2))
(7.214)
1
c(1)(qt1 (2)+qt1 (3))
1
2 c(2)(qt1 (1)+qt1 (3))

2
Substituindo as componentes do ponto fixo na origem, chegamos à incomoda

constatacao que os elementos nao-diagonais da matriz Jacobiana s
ao infinitos, o
que naturalmente leva tambem a autovalores infinitos. De qualquer modo, como
e necessario e suficiente que o modulo dos autovalores seja maior que um para
que o ponto fixo seja considerado instavel, vemos que esse seguramente sera o
caso para a origem. Esse resultado matematico vem apenas corroborar o bom
senso econ
omico, o qual descarta por inviavel um equilbrio est
avel desse tipo.
361
1 .
A analise da estabilidade do ponto fixo correspondente ao equilbrio de

Cournot e um pouco mais trabalhosa, pois necessita que substituamos (7.203)(7.205) na matriz Jacobiana
1
1
1
1
0
2 c(1)(q (2)+q (3))
2 c(1)(q (2)+q (3))

1
1
1
0
1 .
2 c(2)(q (1)+q (3))
2 c(2)(q (1)+q (3))

1
1
1
1
0
c(3)(q (1)+q (2))
c(3)(q (1)+q (2))
Para nao nos estendermos em manipulacoes algebricas repetitivas, vamos

calcular um termo representativo dessa matriz
#1/2
"
1
1
2(c(1) c(2) + c(3)) + 2(c(1) + c(2) c(3))
p
p
1,
1 =
2
2 c(1)(q (2) + q (3))
2 c(1)
(c(1) + c(2) + c(3))
1
1
p
p
(c(1) + c(2) + c(3)) 1,
=
2 c(1) 4c(1)
c(1) + c(2) + c(3)
1,
=
4c(1)
3c(1) + c(2) + c(3)
=
,
4c(1)
tal que a matriz Jacobiana (??) possa ser escrita como
3c(1)+c(2)+c(3)
3c(1)+c(2)+c(3)
0
4c(1)
4c(1)
c(1)3c(2)+c(3)
0
J(E) = c(1)3c(2)+c(3)
.
4c(2)
4c(2)
c(1)+c(2)3c(3)
c(1)+c(2)3c(3)
0
4c(3)
4c(3)
(7.215)
Para facilitar nossa analise de estabilidade vamos definir as variaveis auxiliares

c(2)
c(3)
h
,
k
,
(7.216)
c(1)
c(1)
em termos dos quais os elementos da matriz Jacobiana podem ser expressos
como segue
3c(1) + c(2) + c(3)
4c(1)
c(1) 3c(2) + c(3)
4c(2)
c(1) + c(2) 3c(3)
4c(1)
o que leva a
=
=
=
0
J(E) = B
C
A
0
C
h+k3
A,
4
k + 1 3h
B,
4h
1 + h 3k
C,
4k
A
B ,
0
cujos autovalores s
ao as solucoes da equacao secular

A A

det(J(E) I) = B B
C
C
362
(7.217)
(7.218)
(7.219)
(7.220)

= 0.

(7.221)
Abrindo o determinante pela regra de Sarrus chegamos a

3 + (AC + BC + AB) + 2ABC
3 P D
=
=
0
0
(7.222)
onde definimos
P
D
AC + BC + AB,
2ABC.
(7.223)
(7.224)
Comparando a equacao (7.222) com a forma geral da equacao secular c

ubica
(7.113) temos, como coeficientes, a1 = 0, a2 = P, e a3 = D. Pelo criterio de
Jury, o equilbrio de Cournot sera assintoticamente estavel se e somente se as
seguintes condicoes forem satisfeitas (vide Eq. 7.20):
2|D| < 1,
1P D >0
(7.225)
(7.226)
1 + P D < 0
|D2 1| > |P|,
(7.227)
(7.228)
cuja analise literal levaria a expressoes algebricas muito extensas e igualmente

pouco u
teis, sendo mais interessante nesse ponto explorar exemplos numericos.
7.7.5
Exemplo num
erico
Vamos considerar, de acordo com [?], os seguintes valores para os custos marginais
dos participantes do trip
olio (em unidades adequadas):
c(1) = 1,
c(2) = 3, 8,
c(3) = 3,
(7.229)
tal que o equilbrio de Cournot (7.203)-(7.205) seja

q (1) = 0, 158,
q (2) = 0, 006,
q (3) = 0, 059,
(7.230)
de modo que a firma 1 seja a lder de mercado, seguida pelas firmas 3 e 2.

Usando a curva de demanda (7.187) o preco no equilbrio sera
p=
1
= 4, 484.
q (1) + q (2) + q (3)
As constantes auxiliares que definimos na secao precedente ter

ao os seguintes
valores: h = 3, 8, k = 3, e
A = 0, 950,
B = 0, 487,
P = 0, 439 < 0,
C = 0, 35,
D = 0, 324,
Podemos verificar as condicoes de estabilidade a seguir

2|D| = 0, 647 < 1,
1 P D = 1, 116 > 0,
1 + P D = 1, 763 < 0,
|D2 1| = 0, 895 > |P| = 0, 439,

363
e o equilibrio de Cournot e, com efeito, assintoticamente est

avel como desejavel
do ponto de vista da teoria do oligopolio.
No entanto, temos de levar em conta que o uso de funcoes demanda naolineares (ou outros expedientes que possam levar a modelos multidimensionais
nao-lineares) trazem v
arias novas possibilidades para o comportamento din
amico
do oligopolio:
pode haver mais de um equilbrio de Cournot;
pode nao haver equilbrio algum;
pode ser que todos os equilbrios encontrados sejam instaveis
pode ser que haja orbitas peri
odicas, dessa forma o preco oscilaria entre
dois ou mais valores com o passar do tempo
pode haver comportamento caotico, a ser estudado no Captulo ??.
7.8
Exerccios
1. Determine os autovalores da matriz
1
A= 6
1
2
1
2
1
0 ,
1
2. Prove que as matrizes coluna (7.152)-(7.154) s

ao, de fato, autovetores para a
matriz (7.151): (i) diretamente, pela soluca
o da equaca
o de autovetores; (ii)
mostrando que os vetores s
ao linearmente independentes.
3. O modelo de multiplicadores em economias abertas que apresentamos para o
caso de 3 pases pode ser generalizado para N pases interagindo mutuamente.
Nesse caso, a soma das importaco
es aut
onomas do pas i e dada pelo seguinte
somat
orio:
N
X
M0 (ji),
(i = 1, 2, . . . N )
M0 (i) =
j=1,j6=i
onde explicitamente retiramos o termo onde i = j da soma, visto que um pas

n
ao pode importar de si pr
oprio. Da mesma forma, a propens
ao total a importar
do pas i e a soma das propens
oes parciais de importaca
o de todos os outros
pases (exceto, novamente, ele pr
oprio):
m(i) =
N
X
m(ji),
(i = 1, 2, . . . N )
j=1,j6=i
J
a as exportaco
es totais do pas i dependem da soma das importaco
es de todos
os outros pases j = 1, 2, . . . N , com j 6= 1; tanto as aut
onomas quanto aquelas
dependentes das rendas dos outros pases, e que por sua vez dependem das
propens
oes marginais a importar m(ij):
Xt (i) =
N
X
M0 (ij) +
j=1,j6=i
N
X
j=1,j6=i
364
m(ij)Yt1 (j)
(a) Obtenha a equaca

o da renda agregada
Yt (i) = (bi +hi mi )Yt1 (i)+
N
X
m(ij)Yt1 (j)+I0 (i)+M0 (i)+
j=1,j6=i
N
X
M0 (ij)
j=1,j6=i
(b) Escreva a equaca

o na forma de um modelo discreto multidimensional linear,
(c) Ache o ponto fixo e expresse as condico
es para que ele seja est
avel. Maiores
detalhes no [21].
4. Substitua (7.203)-(7.205) em (7.198)-(7.200) e verifique que aquelas s
ao as ofertas de cada competidor no equilbrio de Cournot de um oligop
olio.
365
366
Parte II
Din
amica N
ao-Linear e
Caos
367
Captulo 8
Bifurca
co
es em modelos
contnuos unidimensionais
8.1
Tipos elementares de bifurcac

ao
Uma bifurcacao e, de modo geral, qualquer alteracao qualitativa num ponto

de equilbrio, ciclo,
orbita peri
odica, etc. quando um par
ametro do sistema
atinge um determinado valor crtico. As bifurcacoes dizem respeito, portanto,
ao comportamento a longo prazo (assint
otico) do modelo din
amico, e nao ao
seu comportamento a curto prazo (transit
orio). Como vimos nos captulos ??,
se o modelo for contnuo, as bifurcacoes podem ocorrer em pontos de equilbrio
ou orbitas fechadas. Ja se o modelo for discreto, de acordo com os captulos ??
os estados estacion
arios s
ao pontos fixos ou orbitas peri
odicas.
A alteracao qualitativa de que falamos quando referimo-nos a uma bifurcacao
pode ser tanto a criacao ou destruicao de um ponto fixo (ou de equilbrio) ou
orbita peri
odica (ou fechada) como a mudanca de sua estabilidade. Por exemplo,
num modelo contnuo onde ha um par
ametro variavel p (que denominaremos
doravante par
ametro de bifurcacao) ha um ponto de equilbrio x que suporemos
avel. Se, aumentando esse par
ametro tal que, apos o valor
crtico p = p o ponto de equilbrio torna-se instavel, dizemos que houve uma
bifurcacao nos pontos (x , p ).
Logicamente, se no ponto de bifurcacao houve uma mudanca na estabilidade, o ponto de equilbrio fica nao-hiperbolico, e qualquer alteracao no valor
do par
ametro pode mudar qualitativamente a din
amica do sistema. Nesse sentido, no ponto de bifurcacao o sistema perde estabilidade estrutural, no sentido
definido no Cap. 3. Pode, ainda, ocorrer que, antes do valor crtico p simplesmente nao haja um ponto de equilbrio, e que este seja subitamente criado no
ponto de bifurcacao, e subsista depois do mesmo.
O estudo das bifurcacoes e fundamental para conhecermos o comportamento
din
amico de um modelo contnuo ou discreto. Em particular, as rotas para
o comportamento caotico passam quase todas por algum tipo de bifurcacao,
raz
ao pela qual seu estudo nessa etapa e uma pre-condicao para explorarmos a
din
amica complexa em modelos econ
omicos. Alem disso, mudancas qualitativas s
ubitas no comportamento din
amico podem ser observadas empiricamente
na economia. Ainda que se possa reputar a causa de muitas delas a choques
369
.
.
x
(a)
.
x
(b)
.
x
(c)
Figura 8.1: Diagramas de fase de x = r x2 quando (a) r < 0, (b) r = 0, e (c)

r > 0.
ex
ogenos, e possvel tambem associar tais mudancas bruscas a bifurcacoes ocorridas no seio do proprio modelo.
Neste captulo abordaremos os tipos elementares de bifurcacao que ocorrem
em modelos contnuos unidimensionais (tambem chamadas de bifurcacoes de
codimensao um):
Bifurcacao do tipo sela-no
Bifurcacao do tipo transcrtica
Bifurcacao do tipo forquilha
Para cada tipo de bifurcacao acima, estudaremos um modelo contnuo paradigm
atico,
e posteriormente uma aplicacao econ
omica onde tal bifurcacao ocorre. N
os
seguiremos de perto o tratamento dado por Strogatz [3] e Egwald [?] o qual,
por sua vez, baseia-se fortemente na analise feita por Lorenz [?]. No proximo
captulo retornaremos a esse assunto, do ponto de vista dos modelos discretos
unidimensionais.
8.2
Bifurcac
ao do tipo sela-n
o
A bifurcacao sela-no e um mecanismo pelo qual pontos fixos s

ao criados ou
destruidos. Dois pontos fixos, quando um par
ametro e variado, aproximam-se,
colidem e finalmente aniquilam-se mutuamente [3]. Como paradigma de modelo
contnuo unidimensional para este tipo de bifurcacao consideraremos a seguinte
equacao diferencial
dx
= f (x, r) = r x2 ,
(8.1)
dt
onde x R e r R e o par
ametro de bifurcacao. Conforme a teoria vista no
2
Captulo 1, p
os pontos de equilbrio desta equacao s
ao dados por 0 = r (x ) ,
ou x1,2 = |r|.
ao pontos de equilbrio
Caso r < 0, ent
ao |r| = r, logo x1,2 = r s
distintos. Na medida em que r aproxima-se de zero por valores negativos, esses
370
(a)
(b)
instavel
estavel
instavel
estavel
Figura 8.2: Diagrama de bifurcacao para (a) x = r x2 ; (b) x = r x2 .

pontos de equilbrio aproximam-se mutuamente e colidem em x = 0 quando
r = 0. Para r > 0, no entanto, |r| = r e nao ha ponto de equilbrio real.
Para estudar a estabilidade destes pontos de equilbrio, consideramos a
derivada parcial da funcao em relacao à variavel x, ou seja,
f
= fx (x, r) = 2x,
x
(8.2)
que, calculada nos pontos de equilbrio que existem somente quando r e negativo,
fornece
(8.3)
fx (x1 , r) = 2x1 = 2 r < 0,
fx (x2 , r) = 2x2 = +2 r > 0,

(8.4)
provando que x1 e x2 s
ao pontos de equilbrio assintoticamente est
avel e instavel,
respectivamente, conclus
ao a que tambem se chega pela analise do diagrama de
fase correspondente [Fig. 8.1(a)]. Quando r = 0, a estabilidade do u
nico ponto
de equilbrio, x = 0, nao pode ser determinada pelo criterio da linearizacao,
ja que fx (0, 0) = 0 [Fig. 8.1(b)]. Nesse caso, o ponto x = 0 e dito naohiperbolico, utilizando a terminologia introduzida no Captulo 3 para modelos
bidimensionais nao-lineares.
Dizemos, para esse exemplo, que ocorreu uma bifurcacao n
o-sela no ponto
x = 0 e valor de par
ametro r = 0: para r < r ha dois pontos de equilbrio
(instavel e est
avel) que colidem em r = r e desaparecem para r > r . O nome
no-sela vem da bifurcacao equivalente a esta em duas dimensoes (onde atuam
um no est
avel e um ponto de sela instavel). Costuma-se tracar um diagrama
de bifurcacoes, onde colocamos no eixo das abscissas os valores do par
ametro
r, e no eixo das ordenadas os valores assint
oticos da variavel x [Fig. 8.2].
Para valores negativos
de r representamos as curvas que fornecem os pontos de
ao usadas para
equilbrio x1,2 = r em funcao de r (curvas cheias e tracejadas s
diferenciar os pontos est
aveis dos instaveis, respectivamente). Valores positivos
costume, ainda,
de r nao ter
ao, naturalmente, pontos de equilbrio associados. E
indicar no pr
oprio diagrama de bifurcacoes o sentido do fluxo (para cima ou para
baixo), da mesma forma que no diagrama de fase, s
o que na direcao vertical. ] O
exemplo paradigm
atico que vimos nao esgota, naturalmente, todos os modelos
371
.
.
x
.
x
(a)
.
x
(b)
(c)
Figura 8.3: Diagrama de fase de x = f (x, r) nas vizinhancas de uma bifurcacao

no-sela quando (a) r < r , (b) r = r , e (c) r > r .
contnuos unidimensionais que podem exibir bifurcacoes do tipo no-sela. Para

encontrar a forma mais geral, dita forma normal, de um modelo que tenha esse
mesmo comportamento de bifurcacao, consideramos uma equacao generica do
tipo
dx
= f (x, r),
dt
(8.5)
onde r e o par
ametro de bifurcacao. Supondo que haja uma bifurcacao no-sela
em x = x para o valor crtico r = r , temos o seguinte cenario [Fig. 8.3]: para
r < r ha dois pontos de equilbrio, e nenhum para r > r . Na situacao limite
os dois pontos de equilbrio encontram-se no ponto x , que e o ponto onde a
curva no diagrama de fase tangencia o eixo das abscissas.
Para transpor esse raciocnio heurstico numa linguagem matematica mais
adequada, expandimos a funcao no lado direito em serie de potencias na vizinhanca do ponto de bifurcacao (x = x , r = r ):

f
f
+ (r r )
f (x, r) = f (x , r ) + (x x )
x (x ,r )
r (x ,r )
2

1
f
2 f
+ (x x )
+
+(x x )
x (x ,r ) 2!
x2 (x ,r )
(8.6)
Pela definicao de ponto de equilbrio, e pelo fato de que este e nao-hiperbolico

na bifurcacao,
f (x , r ) = 0
(8.7)
Como, segundo a Fig. 8.3, a funcao f (x) tem uma tangencia com o eixo das
abscissas no ponto de bifurcacao, temos um extremo (m
aximo ou mnimo) nesse
ponto, ou seja,

f
= fx (x , r ) = 0,
(8.8)
x (x ,r )
372
.
.
x
(a)
.
x
(b)
.
x
(c)
Figura 8.4: Diagramas de fase de x = r x2 quando (a) r < 0, (b) r = 0, e (c)

r > 0.
Escrevendo, ainda,

f
= fr (x , r ) a 6= 0,
r (x ,r )

1
1 2f
= fxx (x , r ) b 6= 0,
2
2 x (x ,r )
2
(8.9)
(8.10)
a forma normal (8.6) e escrita como

dx
2
= a(r r ) + b(x x ) +
dt
(8.11)
Interpretamos esse resultado da seguinte forma: todos os modelos continuos

unidimensionais que exibem uma bifurcacao no-sela tem, na vizinhanca dessa bifurcacao, seu comportamento governado pela forma normal (8.11). As equacoes
(8.7)-(8.10) s
ao as condicoes para que ocorra uma bifurcacao no-sela. Alem
disso, conforme os sinais exibidos pelos coeficientes a e b podemos classificar as
bifurcacoes no-sela em quatro categorias:
1. Tipo I: a > 0, b > 0 - O exemplo paradigm
atico visto nesta secao, (8.1),
e classificado nessa categoria, onde x = 0, r = 0, a = 1 e b = 1. O
diagrama de bifurcacoes, nesse caso, e exemplificado pela Figura 8.2(a).
2. Tipo II: a > 0, b < 0 - Um exemplo nessa categoria e x = r x2 , para o
qual x = r = 0, como no caso anterior, mas com a = 1 e b = 1. Tanto
pelo diagrama de fases [Fig. 8.4] quando pelo diagrama de bifurcacoes [Fig.
8.2(b)] vemos que, quando r < 0 nao ha ponto de equilbrio, enquanto,
para r > 0 ha dois deles, um est
avel e outro instavel, ambos colidindo no
ponto de bifurcacao.
373
(a)
(b)
estavel
instavel
estavel
instavel
Figura 8.5: Diagramas de bifurcacao para (a) x = r + x2 ; e (b) x = r x2 .

3. Tipo III: a < 0, b > 0 - Ilustrado pelo modelo x = r + x2 , para o qual
a = 1 e b = 1. Seu diagrama de bifurcacoes, mostrado na Fig. 8.5(a), e
semelhante ao do caso II, mas com os pontos est
avel e instavel trocados.
4. Tipo IV: a < 0, b < 0 - Como em x = r x2 , onde a = 1 e b = 1,
com diagrama de bifurcacoes semelhante ao do caso I, mas com os pontos
est
avel e instavel trocados [Fig. 8.5(b)].
8.2.1
Exemplo em economia: din

amica do mercado de trabalho
Denotaremos Ld a demanda por trabalhadores pelas empresas, e, por Ls , a

oferta de trabalhadores. Ambas s
ao supostas reguladas, no mercado de trabalho,
pelo nvel salarial w. A demanda por trabalhadores decresce com o nvel salarial,
de forma que as empresas necessitam de mais empregos com menores salarios,
e de menos empregos com maiores salarios. Suporemos, por simplicidade, uma
relacao linear da forma
Ld = r w
(8.12)
onde r > 0 e a demanda independente de salarios representada, por exemplo,
por aquelas funcoes essenciais que a empresa necessita serem preenchidas. Este
sera o nosso par
ametro de bifurcacao, ao passo que o coeficiente > 0 sera
mantido fixo. Note que, dependendo dessa escolha de par
ametro para variar, a
din
amica poderia ser bem diferente.
Nos modelos tradicionais de mercado de trabalho a curva de oferta de trabalhadores e monotonica e linearmente crescente, como na Fig. 8.6(a): como
os trabalhadores desejam melhores salarios, a oferta de trabalhadores aumenta
de acordo com o salario oferecido. O salario de equilbrio, w , sera obtido pela
intersecao das curvas de oferta e procura (Ld = Ls ).
No entanto, em nosso exemplo a oferta de trabalhadores sera suposta obedecer a uma curva dobrada para tras (backward bending) com as seguintes propriedades: a oferta cresce com o nvel salarial ate um salario determinado e depois decresce na medida em que os salarios continuam aumentando, ate chegar
a zero. Essa forma dobrada refletiria, num primeiro momento, o maior interesse
374
Ld
2c
w*
Ls
Ls
w*
c
w*
N
(b)
r/
Ld
r/
(a)
0
0
bc2
Figura 8.6: Curvas de oferta e demanda por trabalhadores. (a) Oferta de trabalhadores monotonicamente crescente; (b) dobrada para tras.
dos trabalhadores em receber melhores salarios. Num segundo momento, no

entanto, a alta qualificacao e maior experiencia exigidas de trabalhadores com
altos salarios diminuiria a oferta de trabalhadores para essas faixas salariais.
Um modelo simples para implementar esse comportamento e a curva parabolica
dada por
2
Ls = [c2 (w c) ]
(8.13)
onde > 0 e c > 0 [Fig. 8.6(b)]. Observe que Ls (w) n

ao e uma funcao, no
sentido matematico deste termo, o que nao impede, contudo, a analise que sera
efetuada a seguir. Pela figura 8.6(b), vemos que 0, c e 2c correspondem aos
salarios mnimo, medio, e maximo, devido à simetria da curva parabolica. Alem
disso, o n
umero de trabalhadores ganhando o salario medio e dado por bc2 .
Num modelo est
atico, o salario de equilbrio no mercado de trabalho e determinado pela intersecao das curvas de oferta e demanda por trabalhadores.
No caso de uma curva de demanda dobrada para tras, a novidade consiste
na possibilidade de termos dois, um, ou mesmo nenhum salario de equilbrio,
dependendo dos par
ametros do modelo. Ja num modelo din
amico, estamos interessados em como o nvel salarial evolui em direcao (se for o caso) a estes
valores de equilbrio. A hip
otese fundamental do modelo din
amico e a de que
a taxa de variacao dos salarios obedece à lei da oferta e da procura no mercado de trabalho, de modo que ela e proporcional ao excesso de demanda por
trabalhadores.
dw
= (Ld Ls ),
(8.14)
dt
onde > 0. Se Ld > Ls o nvel salarial cresce para estimular as contratacoes,
ou dw/dt > 0, enquanto, se Ls > Ld o nvel salarial ira decrescer devido ao
excesso de oferta de trabalhadores (dw/dt < 0). O coeficiente representa a
velocidade com que o mercado de trabalho ajusta-se às variacoes do excesso de
demanda.
375

dw
dt
=
=
=
n
o
2
[c2 (w c) ] (r w) ,

c2 w2 + 2wc c2 r + w ,
f (w, r) = w2 + ( + 2c)w r.
(8.15)
Uma inspecao superficial do modelo contnuo unidimensional (8.15) ja sugere

que este pode ser reduzida à forma normal (8.11) para uma bifurcacao sela-no.
O ponto de equilbrio w sera dado por f (w , r) = 0, que implica na solucao da
equacao quadr
atica
2
(w ) + ( + 2c)w r = 0,
ou seja,
w1,2
=
+ 2c
(8.16)
q
2
( + 2c) 4r
2
(8.17)
Podemos ter duas, uma ou nenhuma solucao de equilbrio, dependendo do

radicando acima ser positivo, nulo ou negativo, respectivamente. O valor crtico
do par
ametro na bifurcacao no-sela, r = r , sera, portanto, dado pelo caso
intermediario:
q
2
( + 2c) 4r = 0,
2
4r
( + 2c) ,
( + 2c)
4
(8.18)
ao passo que o valor de w para o qual ocorre a bifurcacao no-sela e obtido

anulando o radicando em (8.17), ou seja
w =
+ 2c
=c+
.
2
2
(8.19)
Para estudarmos a estabilidade dos pontos de equilbrio que ocorrem quando

r < r , calculamos inicialmente a derivada parcial,
fw (w, r) = w2 + ( + 2c) r
(8.20)
e depois aplicamos (8.17)
fw (w1,2
, r)
=
=
2c ( + 2c) 4r + + 2c,
q
2
( + 2c) 4r
(8.21)
de modo que fw (w1 , r) < 0 e fw (w2 , r) > 0, ou seja, os pontos de equilbrio w1

e w2 s
ao est
avel e instavel, respectivamente, como deve de fato ocorrer nesse
tipo de bifurcacao.
instrutivo ver um exemplo numerico, usando como par
E
ametros = 0, 8,
b = 0, 25, c = 3, 5 e = 1 , o correspondente diagrama de bifurcacao estando
na Fig. 8.7. Podemos identificar o aparecimento de uma bifurcacao no-sela do
376
w1*
7
6
w*
w
w2*
3
2
1
0
r*
10
Figura 8.7: Diagrama de bifurcacao do modelo contnuo unidimensional (8.15).
tipo I, o valor do par

ametro r e do salario de equilbrio no ponto de bifurcacao
sendo, respectivamente, iguais a r = 6, 5025 e w = 5, 1. Logo, se a demanda
autonoma r for menor que r , como por exemplo r = 6, haveria dois salarios de
equilbrio, w1 = 5, 8089 e 4, 3911, mas apenas o primeiro seria observado, por
ser est
avel. Note que esse salario e superior ao valor que ele teria na bifurcacao.
Na medida em que r aproxima-se de r , o salario est
avel aproximar-se-ia de
w e, apos o ponto de bifurcacao, nao haveria solucao de equilbrio, o salario
aumentando indefinidamente para compensar a existencia permanente de um
excesso de demanda. Observe que esse comportamento nao seria possvel se a
curva de demanda por trabalhadores fosse monotonicamente crescente, como
nos modelos tradicionais de mercado de trabalho, onde um salario de equilbrio
sempre existe e cresce na mesma proporcao do excesso de demanda.
8.3
Bifurcac
ao do tipo transcrtica
Numa bifurcacao transcrtica um ou mais pontos de equilbrio do modelo trocam sua estabilidade na medida em que o par
ametro de bifurcacao e variado.
Estudaremos um exemplo representativo, que e
dx
= f (x, r) = rx x2
dt
(8.22)
cujos pontos de equilbrio desta equacao s

ao dados por f (x , r = 0, ou seja
2
rx (x ) = 0, fornecendo x1 = 0 e x2 = r, que existem para quaisquer valores
de r.
Consideramos a derivada parcial em relacao a x,
fx (x) = r 2x,
377
(8.23)
.
.
x
(a)
.
x
(b)
.
x
(c)
Figura 8.8: Diagramas de fase de x = rx x2 quando (a) r < 0, (b) r = 0, e

(c) r > 0.
x
(a)
(b)
instavel
estavel
estavel
r
instavel
Figura 8.9: Diagrama de bifurcacao para (a) x = rx x2 ; (b) x = rx + x2 .
calculando nos pontos de equilbrio e

fx (x1 , r)
fx (x2 , r)
=
=
r,
r,
(8.24)
(8.25)
Se r < 0, x1 e x2 s
ao pontos de equilbrio est
avel e instavel, respectivamente
[Fig. 8.8(a)]. Ja para r > 0 essas propriedades de estabilidade se invertem [Fig.
8.8(c)]. Na situacao limite, quando r = 0, o criterio linear de estabilidade falha,
e o (
unico) ponto de equilbrio, x = 0, e nao-hiperbolico [Fig. 8.8(b)].
Nesse exemplo ocorreu uma bifurcacao transcrtica no ponto x = 0 e valor
de par
ametro r = 0: para r < r ha dois pontos de equilbrio (instavel e
est
avel) que aproximam-se e interceptam-se em r = r . Apos esse ponto, a
estabilidade dos pontos de equilbrio e invertida. Esse comportamento pode ser
convenientemente representado no diagrama de bifurcacoes da Figura 8.9(a).
Assim como no caso da bifurcacao no-sela, podemos introduzir uma forma
normal para a bifurcacao transcrtica, que representa o comportamento universal
378
(a)
(b)
estavel
instavel
r
instavel
estavel
Figura 8.10: Diagrama de bifurcacao para (a) x = rx + x2 ; (b) x = rx x2 .
de todos os modelos contnuos unidimensionais nas vizinhancas dessa bifurcacao,

e que e:
dx
2
= f (x, r) = a(r r )(x x ) + b(x x ) +
(8.26)
dt
onde x e um ponto de equilbrio nao-hiperbolico, ou seja, satisfaz as condicoes
necessarias

f
x
f (x , r )
(8.27)
= fx (x , r )
0,
(8.28)
a 6= 0,
(8.29)
b 6= 0,
(8.30)
(x ,r )
e, onde, subsistem ainda as condicoes subsidi

arias
2
f
= fxr (x , r )
xr (x ,r )

1
1 2f
= fxx (x , r )
2 x2 (x ,r )
2
Tambem podemos enumerar quatro tipos de bifurcacao transcrtica, conforme os sinais dos coeficientes acima definidos:
1. Tipo I: a > 0, b > 0 - Como exemplo temos x = rx + x2 , com ponto
de bifurcacao x = r = 0, e coeficientes a = 1 e b = 1. Pelo diagrama
de bifurcacoes [Fig. 8.9(a)] podemos ver que, para r < 0, o ponto de
equilbrio na origem e est
avel, enquanto aquele com x positivo e instavel.
Ja para r > 0 o ponto na origem torna-se instavel, ao passo que o ponto
de equilbrio com x negativo e, agora, est
avel. No ponto de bifurcacao
ambos os pontos coincidem na origem, que e um ponto nao-hiperbolico.
2. Tipo II: a > 0, b < 0 - Que engloba o ja discutido exemplo (8.22), para o
qual x = 0, r = 0, a = 1 e b = 1 [veja a Fig. 8.9(b)].
3. Tipo III: a < 0, b > 0 - Ilustrado por x = rx + x2 , para o qual a = 1
e b = 1. Seu diagrama de bifurcacoes [Fig. 8.10(a)], e semelhante ao do
caso II, mas com os pontos est
379
4. Tipo IV: a < 0, b < 0 - Como em x = rx x2 , onde a = 1 e b = 1,

com o diagrama de bifurcacoes, mostrado na Fig. 8.10(b), semelhante ao
do caso I, mas com os pontos est
avel e instavel trocados
8.4
Exemplo em economia: modelo de crescimento de Solow
O modelo de crescimento neoclassico de Solow foi estudado no Captulo 1 como

exemplo econ
omico de modelos contnuos unidimensionais. Nosso ponto de partida sera o modelo de Solow com a adicao da depreciacao de capital e de progresso tecnologico ex
ogeno, dado pela Equacao (1.125)
k = F (k) s(k) ( + + )k.
(8.31)
onde k > 0 e a raz

ao capital/trabalho, 0 < s < 1 e a propensao ao consumo,
> 0, > 0 e > 0 representam a taxa de crescimento populacional, a taxa
de depreciacao de capital, e a taxa de crescimento de progresso tecnologico,
respectivamente. Por simplicidade, denotaremos n = + + , e adotaremos s
como par
ametro de bifurcacao.
A funcao de producao, (k), deve satisfazer às condicoes de Inada (1.99).
No Captulo 1 usamos a funcao de Cobb-Douglas, (k) = k ; ao passo que, na
presente discussao, adotaremos a funcao
(k) = ln(1 + k),
(8.32)
onde > 0. Podemos verificar que essa forma alternativa tambem satisfaz às
condicoes de Inada
d
dk
d2
dk 2
=
=
> 0,
1+k
2 < 0,
(1 + k)
(8.33)
(8.34)
Porem (0) = , ao passo que (0) = para a funcao de Cobb-Douglas.

Essa distincao e fundamental para podermos fazer uma analise de bifurcacoes
no modelo de Solow.
Colocando (8.32) em (8.31) ter-se-a o modelo
k = F (k, s) = s ln(1 + k) nk.
(8.35)
cujos pontos de equilibrio s

ao dados pela condicao F (k , s) = 0, que nos leva à
equacao transcendente
s ln(1 + k ) = nk .
(8.36)
a qual tem sempre uma solucao trivial k1 = 0 (pois representa ausencia de
crescimento), e pode ter tambem uma solucao nao-trivial k2 6= 0, que nao
pode ser encontrada analiticamente de uma forma exata. No entanto, para
nossos propositos atuais nao e t
ao importante assim achar o valor da ponto de
equilbrio, e sim estudar quando ele existe. Para isso basta considerarmos a
solucao gr
afica da equacao (8.36), tracando as curvas correspondentes aos lados
direito e esquerdo.
380
2
1,8
nk
1,6
1,4
s>s*
1,2
1
0,8
s ln(1+k)
s<s*
0,6
0,4
0,2
0
0,2
0,4
0,6
0,8
k1*
1,2
1,4
k 2*
1,6
1,8
Figura 8.11: Pontos de equilbrio para n = 1, = 0, 2 e dois valores de s: 7 > s

e 4 < s.
Como podemos ver da Fig. 8.11 o ponto de equilbrio nao-trivial pode ou

nao ocorrer, dependendo do valor assumido pelo par
ametro s. Para que exista
essa segunda intersecao entre as curvas A : nk e B : s ln(1 + k ) (a primeira,
naturalmente, e a origem), e necessario e suficiente que a inclinacao da curva B
na origem seja maior que a da curva A. Pelo calculo diferencial, sabemos que
a inclinacao de uma curva num dado ponto e a derivada da funcao calculada
nesse ponto. A derivada da curva A na origem e n, ao passo que, para a curva
B a derivada na origem e s, tal que a intersecao haver
a se s > n. Na Fig.
8.11, obtida para n = 1 e = 0, 2, a curva com s = 7 > 1/0, 2 gera um segundo
o tem
ponto de equilbrio, k2 0, 9, ao passo que a curva com s = 4 < 1/0, 2 s
a intersecao na origem.
Para estudar a estabilidade dos pontos de equilbrio calculamos as derivadas
parciais em relacao a k:
Fk (k, s)
Fk (k1 , s)
Fk (k2 , s)
1
n
1+k
s n
1
s
n
1 + k2
s
(8.37)
(8.38)
(8.39)
O valor do par
ametro s = s no ponto de bifurcacao para k1 = 0 encontra-se
pela condicao Fk (k1 , s ) = 0, o que fornece
s =
n
.
(8.40)
tal que, para s < s , a origem e um ponto de equilbrio est

avel, e que tornase instavel apos a bifurcacao (s > s ) [veja tambem o diagrama de fase na
381
.
.
k
.
k
(a)
.
k
(b)
(c)
Figura 8.12: Diagramas de fase para (a) s < s ; (b) s = s e (c) s > s .
Fig.8.12(a)]. Alem disso, pela analise que fizemos da Fig.8.11, quando s > s
tambem aparece o ponto de equilbrio nao-trivial k2 [Fig.8.12(c)].
Colocando (8.40) em () teremos
Fk (k2 , s) = s
1
s
1 + k2
(8.41)
Como s > s e s/(1 + k2 ) < s, logicamente tambem s/(1 + k2 ) < s , implicando

em que Fk (k2 , s) < 0. Logo, apos a bifurcacao o ponto de equilbrio k2 e assintoticamente est
avel, o que tambem pode ser facilmente observado no diagrama
de fase [Fig.8.12(c)]. Temos, portanto, uma bifurcacao transcrtica no ponto
s = s envolvendo a troca de estabilidade do ponto de equilbrio na origem
[Fig.8.12(b).
8.5
Bifurcac
oes do tipo forquilha
A bifurcacao forquilha e comum em sistemas din

amicos que exibem simetrias.
Uma simetria, no sentido aqui adotado, e uma operacao matematica que nao
altera o modelo din
amico. Por exemplo, seja a seguinte equacao diferencial
dx
= f (x, r) = rx x3 ,
dt
(8.42)
que e invariante (ou seja, simetrica) mediante a troca de sinal da variavel dependente: x x, ja que
d(x)
3
= f (x, r) = r(x) (x)
dt
implica em (8.42).
Numa bifurcacao do tipo forquilha, um dado ponto de equilbrio muda sua es justamente
tabilidade, e emergem ou colidem dois outros pontos de equilbrio. E
a existencia de algum tipo de simetria que leva a esses pontos de equilbrio adi3
cionais. No modelo (8.42), os pontos de equilbrio s
ao dados por 0 = rx (x )
que, a despeito de ser uma equacao c
ubica, tem razes facilmente obtidas, a saber
(8.43)
x1 = 0,
x2,3 = r,
382
.
.
x
.
x
(a)
.
x
(b)
(c)
Figura 8.13: Diagramas de fase de x = rx x3 quando (a) r < 0, (b) r = 0, e

(c) r > 0.
x
(a)
(b)
instavel
estavel
estavel
estavel
instavel
instavel
r
r
estavel
instavel
Figura 8.14: Diagrama de bifurcacao para (a) x = rx x3 ; (b) x = rx + x3 .
sendo que estes dois u

ltimos obviamente nao existem se r < 0.
A estabilidade destes pontos de equilbrio e dada por
fx (x, r)
fx (x1 , r)
=
=
fx (x2,3 , r)
r 3x2 ,
r,
2
r 3( r) = r 3r = 2r,
(8.44)
(8.45)
(8.46)
informando que x1 sera assintoticamente est

avel se r < 0 e instavel se r > 0.
o existem para r positivo, s
ao est
aveis,
Ja os pontos de equilbrio x2,3 , que s
o que podemos tambem intuir a partir dos diagramas de fase correspondentes
avel
[Fig. 8.13]. No ponto (x, r) = (0, 0) o ponto de equilbrio x1 passa de est
para instavel, e emergem dois pontos de equilbrio est
aveis, o que configura uma
bifurcacao forquilha subcrtica. O nome forquilha vem da forma caracterstica
do diagrama de bifurcacao [Fig. 8.14(a)].
A forma normal de um modelo contnuo unidimensional sujeito a uma bi383
furcacao do tipo forquilha e

dx
= f (x, r) = a(r r )x + bx3 + ,
dt
(8.47)
tal que o lado direito deva ser uma funcao mpar de x:

f (x, r) = f (x, r).
(8.48)
Nesse caso a origem x1 sera sempre um ponto de equilbrio. Observe que essa
condicao tambem aparecia na forma normal da bifurcacao transcrtica (8.26),
mas a diferenca agora est
a em que a condicao (8.30) n
ao e satisfeita, uma vez
que
fx (x, r)
fxx (x, r)
fxx (x1 = 0, r)
=
=
a(r r ) + 3bx2 ,
6bx,
0.
(8.49)
(8.50)
(8.51)
Logo nao podera ocorrer bifurcacao transcrtica nesse caso.

As outras condicoes para a existencia de uma bifurcacao forquilha s
ao obtidas
a partir do fato que x1 = 0 e um ponto de equilbrio nao-hiperbolico no valor
da bifurcacao
fx (x1 = 0, r ) = 0,
fx,r (x1
= 0, r ) a 6= 0,
1
fxxx (x1 = 0, r ) b 6= 0.
6
(8.52)
(8.53)
(8.54)
Conforme os sinais desses coeficientes, podemos identificar quatro tipos de

bifurcacao forquilha:
1. Tipo I: a > 0, b > 0 - Colocando a = 1 e b = 1 na forma normal
(8.55)
temos x = rx + x3 , com pontos de equilbrio x1 = 0, e x2,3 = r, esses
dois u
ltimos s
o existindo para r negativo. A analise linear de estabilidade
mostra que x1 e est
avel para r < 0 e instavel se r > 0, ao passo que x2,3
s
ao instaveis. Tais fatos podem ser observados tambem no diagrama de
bifurcacoes da Fig. 8.14(b)].
2. Tipo II: a > 0, b < 0 - correspondendo ao exemplo (8.42).
3. Tipo III: a < 0, b > 0 - Ilustrado por x = rx + x3 , para o qual a = 1
e b = 1. Seu diagrama de bifurcacoes [Fig. 8.15(a)], e semelhante ao do
caso II, mas com os pontos est
4. Tipo IV: a < 0, b < 0 - Como em x = rx x3 (a = b = 1), com o
diagrama de bifurcacoes, mostrado na Fig. 8.15(b), semelhante ao do caso
I, mas com os pontos est
H
a, ainda, outra classificacao para as bifurcacoes forquilha:
1. Supercrtica: b < 0: engloba os tipos II e IV anteriores. O que ambas
tem em comum e o fato do termo c
ubico ter sinal negativo, o que estabiliza a din
amica do sistema, no sentido de que, seja qual for a condicao
inicial x0 adotada, o estado assint
otico do sistema algum dos pontos de
equilbrio[convenca-se disso inspecionando as Figs. 8.14(a) e 8.15(b)] .
384
(a)
(b)
estavel
instavel
instavel
instavel
estavel
r
estavel
r
instavel
estavel
Figura 8.15: Diagrama de bifurcacao para (a) x = rx + x3 ; (b)x = rx x3 .
2. Subcrtica: b > 0: abrange os tipos I e III anteriores. Nestes o termo

c
ubico tem sinal positivo, o que leva a uma instabilizacao din
amica. Antes
(para o tipo III) ou depois (para o tipo I) da bifurcacao todas as condicoes
iniciais levam a trajet
orias que tendem para o infinito com o passar do
tempo [veja as Figs. 8.14(b) e 8.15(a)]. Mesmo depois (tipo III) ou antes
(tipo I) da bifurcacao ha apenas um restrito conjunto de condicoes iniciais
que leva a um ponto de equilbrio que nao seja infinito
Para estabilizar o comportamento altamente instavel de bifurcacoes subcrticas,
do ponto de vista matematico, adiciona-se um termo c
ubico na forma normal
(8.55) (nao e possvel adicionar uma potencia par devido à exigencia da funcao
f ser mpar):
dx
= f (x, r) = a(r r )x + bx3 x5 + ,
dt
(8.55)
Nesse caso podem haver um, tres ou ate cinco pontos de equilbrio para o
sistema, cuja estabilidade e obtida pelo criterio de linearizacao (veja o Problema
XXX), gerando o diagrama de bifurcacoes mostrado na Fig. 8.16. Observe que,
nas vizinhancas da origem, o diagrama assemelha-se ao da Fig. 8.14(b). No
entanto, a existencia de uma dobra para um valor r = rs < 0 leva a pontos
de equilbrio est
aveis adicionais, que atraem as solucoes eventualmente divergentes dos outros pontos de equilbrio. Note, ainda, que para o valor r = rs do
par
ametro ocorrem duas bifurcacoes do tipo sela-no.
A configuracao mostrada na Fig. 8.16 leva a um fenomeno curioso conhecido
como histerese. Para ilustr
a-lo imaginemos que possamos, num dado sistema
din
amico, variar ao nosso bel-prazer o par
ametro de controle (naturalmente,
em modelos econ
omicos, isso nem sempre e possvel). Suponhamos estar exatamente sobre o ponto de equilbrio na origem para um valor r = rs e diminuimos
gradualmente o valor de r ate chegar a r = 0. Como existe nesse ponto uma
bifurcacao forquilha, a trajet
oria do sistema e repelida desse ponto e ira para
um dos dois pontos de equilbrio est
avel existentes. Exatamente para qual deles o sistema ira depende de perturbacoes infinitesimais que podem direcionar
as trajet
orias para um ou outro. De uma ou outra forma teremos um salto
repentino no valor assint
otico de x.
385
rs
Figura 8.16: Diagrama de bifurcacao para x = rx + x3 x5 .
Na sequencia, diminuimos gradualmente o valor de r de modo que o sistema

permanece no ponto de equilbrio ate chegar novamente ao valor r = rs . Nesse
ponto a din
amica novamente tem um salto repentino e o sistema volta ao ponto
de equilbrio na origem. O termo histerese refere-se ao fato do sistema ir e voltar
por caminhos diferentes num ciclo completo.
8.6
Exemplo em Economia: Modelo de Ciclos

de Com
ercio
Vamos considerar um u
nico bem produzido numa economia fechada. Seja Y o
produto e YE o produto de equilbrio num modelo est
atico. Segundo Kaldor, o
investimento aumentara na medida da diferenca entre o produto e o seu valor
de equilbrio, y = Y YE , na forma de uma funcao sigmoide centrada em y = 0.
Logo, se o valor do produto for igual ao seu valor de equilbrio, o investimento
sera nulo; ao passo que um investimento positivo (negativo) acarreta um aumento (diminuicao) do produto em relacao a seu valor de equilbrio.
Uma funcao sigmoide bem conhecida e a tangente hiperbolica, ja comentada
no Captulo 5
ey + ey
tanh(y) = y
,
(8.56)
e + ey
cujo gr
afico est
a exemplificado na Fig. 8.17 para diversos valores do par
ametro
. A funcao tangente hiperbolica anula-se para y = 0 e aumenta de forma
praticamente linear, com inclinacao inicialmente dada por beta, e aumentando
paulatinamente na medida em que y cresce, de forma que a funcao satura, ou
seja, chega a um valor limite (igual a 1) para grandes valores de y. Logo,
o par
ametro mede a taxa de aumento da funcao para pequenos valores do
facil ver que a tangente hiperbolica e uma funcao mpar,
seu argumento. E
386
1,2
1
0,8
0,6
tanh(b y)
0,4
=1
= 0,5
= 0,3
= 0,2
0,2
0
-0,2
-0,4
-0,6
-0,8
-1
-10
-5
10
Figura 8.17: Funcao tangente hiperbolica.
tanh(y) = tanh(y), de modo que, por simetria, esse mesmo comportamento sera observado para valores negativos de y.
Suporemos, ent
ao, que o investimento seja dado, em funcao da diferenca do
produto, na forma
I = r tanh(y),
(8.57)
onde r > 0 e um par
ametro que denota o valor de saturacao do investimento
quando o produto e muito maior do que seu valor de equilbrio; ou seja, tomando
o limite y em (8.57) obtemos r. Como vimos ha pouco, o par
ametro > 0
quantificar
a a taxa de aumento do investimento quando o desvio do produto de
equilbrio e pequeno. A poupanca sera tambem proporcional ao produto, mas
desta vez segundo uma funcao linear, na forma
S = sy,
(8.58)
onde 0 < s < 1 e uma propensao marginal a poupar.

Num modelo din
amico, suporemos tambem que a taxa de variacao do produto sera proporcional `
a diferenca entre o investimento e a poupanca, com um
fator > 0 que mede a velocidade com que a variacao do produto responde à
diferenca.
dy
= (I S),
(8.59)
dt
que, em se substituindo (8.57) e (8.58), levar
a ao modelo contnuo unidimensional
dy
= f (y, r) = [r tanh(y) sy]
(8.60)
dt
onde tomamos r como o par
ametro de bifurcacao.
Inicialmente computamos os pontos de equilbrio, dos quais um e imediatamente reconhecido: y1 = 0 (ja que o lado direito de 8.62 e uma funcao mpar
de y). Os eventuais outros equilbrios serao solucoes da equacao transcendente
r tanh(y ) = sy
387
(8.61)
1,2
sy
1
0,8
0,6
r > r*
0,4
0,2
r < r*
y3*
y2*
y 1*
-0,2
-0,4
-0,6
-0,8
-1
-10 -9 -8 -7 -6 -5 -4 -3 -2 -1
10
Figura 8.18: Solucao gr

afica da equacao transcendente (8.61), para s = 0, 25,
= 0, 8, r = 1, 0 > r , e r = 0, 2 < r , com r = s/ = 0, 3125.
que pode ser procurada graficamente, por nao ter solucao analtica exata. Na
Fig. (8.18) mostramos os gr
aficos das curvas A: r tanh(y ) e B: sy . Alem
da ja citada solucao na origem, haver
a outras (duas) solucoes se a inclinacao
da curva A na origem (dada por r) for maior que a inclinacao da curva B, a
qual e igual a s. Caso contrario apenas a solucao na origem existira. Devido à
simetria esses dois pontos de equilbrio serao tais que y3 = y2 . No exemplo
numerico s = 0, 25, r = 1, e = 0, 8 mostrado na Fig. (8.18) estimamos esses
pontos de equilbrio como y2,3

3, 8.
Como veremos a seguir, essas duas solucoes de equilbrio surgem exatamente no ponto de bifurcacao. Para acha-lo calculamos a derivada no ponto
de equilbrio na origem, usando que (tanh u) = ( sech 2 u)u :
fy (y, r)
fy (y1 = 0, r)
fy (y1 = 0, r )
=
=
=
[r sech 2 (y) s]
[r sech 2 (0) s] = (r s)
(r s) = 0
(8.62)
onde usamos que sech x = 1/ cosh(x), o que fornece o valor do par

ametro no
ponto de bifurcacao: r = s/.
Para caracterizar a bifurcacao em (x1 = 0, r = s/beta) como do tipo
forquilha, uma vez que poderamos confundi-la com o tipo transcrtica, devemos
calcular os coeficientes da forma normal respectiva, dados por (8.53) e (8.54).
388
r < r*
0,5
r > r*
r = r*
-0,5
-1
-4
-2
Figura 8.19: Diagramas de fase do modelo 8.62 para = 1, s = 0, 25, = 0, 8,

e valores de r iguais a 0, 1, 0, 3125, e 1.
Para isso usaremos as relacoes ( sech u) = sech u tanh uu e tanh(0) = 0:

fyr (y, r)
a = fyr (y1 = 0, r )
fyy (y, r)
fyyy (y, r)
fyyy (y1
b=
= 0, r)
1
fyyy (y1 = 0, r )
6
fy
= sech 2 (y),
r
sech 2 (0) = > 0,
fy
= 2r sech (y)[ sech (y) tanh(y)],
y

2r 2 sech (y)[ sech (y) tanh(y)] tanh(y) + sech 4 (y) ,
2r 3 ,
2
1
r 3 = s 2 < 0.
6
3
Como a > 0 e b < 0, teremos aqui uma bifurcacao forquilha do tipo II (supercrtica), como pode ser tambem concluido a partir dos diagramas de fase
mostrados na Figura 8.19.
8.7
Problemas
1. Considere o modelo contnuo unidimensional x = r x ex . Mostre que existe

uma bifurcaca
o sela-n
o nos pontos (x , r ) = (0, 1). Trace os diagramas de fase
e de bifurcaca
o para os casos r < r , r = r , e r > r. Em qual tipo de bifurcaca
o
n
o-sela esse modelo se encaixa.
2. Seja a equaca
o x = rx + x3 x5 . Mostre qualitativamente (isto e, n
ao e preciso
levar os c
alculos ate o final) que h
a uma bifurcaca
o forquilha subcrtica nesse sistema. Voce pode dar valores para r e obter o diagrama de bifurcaca
o resolvendo
numericamente as equaco
es pelo Maple, Mathematica ou Matlab.
389
3. No Captulo refmcu vimos o modelo logstico que pode descrever o crescimento

de uma populaca
o animal P (t). Vamos considerar uma variaca
o desse modelo
onde h
a ainda uma taxa extra de mortalidade m(P ) devido a predadores

dP
P
BP 2
,
= rP 1
2
dt
K
A + P2
onde r e K s
ao a taxa de crescimento e a capacidade de sustentaca
o (vide Eq.
refeqlog) e A e B s
ao par
ametros ajustados por observaco
es empricas.
(a) Introduzindo vari
aveis reduzidas x = P/A, = Bt/A, = rA/B, e k = K/A,
mostre que o modelo pode ser escrito numa forma adimensional

x
x2
dx
= x 1
,
d
k
1 + x2
(b) Obtenha as soluco
es de equilbrio e mostre que pode haver uma, duas ou
tres delas conforme o valor do par
ametro de bifurcaca
o k
(c) Mostre que h
a bifurcaco
es n
o-sela sempre que os valores de e k estiverem
sobre curvas de bifurcaca
o dadas por
r=
2x3
,
(1 + x2 )2
k=
2x3
x2 1
(d) Esboce as curvas de bifurcaca

o no plano versus k. Detalhes no citestrogatz,
pg. 73-79.
4. Para o modelo contnuo unidimensional 8.55 determine os pontos de equilbrio
e sua estabilidade, mostrando a ocorrencia de duas bifurcaco
es do tipo sela-n
o
para r = rs = 1/4.
390
Captulo 9
Bifurca
co
es em modelos
discretos unidimensionais
Ate agora, concentramos nossa analise no comportamento peri
odico dos modelos din
amicos, tanto a tempo discreto como contnuo. Vimos, basicamente, a
existencia de pontos fixos, interpretados como solucoes de equilbrio; e orbitas
peri
odicas, indicando um comportamento repetitivo apos um certo intervalo
de tempo. Em ambos os casos, a din
amica nos fornece indicacoes precisas do
comportamento futuro do sistema, caso este seja adequadamente descrito pelo
modelo matematico adotado. A partir de uma condicao inicial, se esperarmos
ate os transientes decairem, teremos previsto o comportamento do sistema para
quaisquer tempos futuros.
No entanto, o comportamento peri
odico nao e a u
nica possibilidade para os
sistemas din
amicos. Caos determinstico pode evoluir a partir de diversas rotas,
a partir da evolucao das
orbitas peri
odicas, quando um par
ametro do sistema e
variado. Esta evolucao pode ocorrer tanto pela criacao ou destruicao de pontos
fixos e/ou
orbitas peri
odicas, mas tambem pelas chamadas bifurcacoes, que
representam alteracoes na sua estabilidade. Neste captulo, vamos abordar estes
aspectos da din
amica de sistemas nao-lineares, focalizando os modelos discretos
unidimensionais.
Vamos, em particular, revisitar o modelo logstico discreto, introduzido no
Captulo 5, e que sera usado como paradigma para a discussao de bifurcacoes e
caos em modelos discretos unidimensionais
xt = f (xt1 ) = rxt1 (1 xt1 ),
(9.1)
e que e definido para os seguintes intervalos 0 xt 1 e 0 > r 4. Fora deles,

as iteracoes divergem, ou seja, tendem a menos infinito com o passar do tempo.
9.1
Diagrama de bifurcac
oes
O diagrama de bifurcacoes e um gr
afico dos valores assint
oticos da variavel de
estado x versus o par
ametro de controle, suposto variavel dentro do seu intervalo
de definicao. Por valores assint
oticos entendemos o comportamento das orbitas
apos um intervalo de tempo suficientemente grande: podemos ter pontos fixos,
391
rbitas peri
o
odicas, ou caoticas; de modo que as iteracoes transit
orias nao s
ao
consideradas.
No exemplo do modelo logstico discreto, uma parte do diagrama de bifurcacoes pode ser tracada com base nos resultados obtidos no Captulo 5. Conforme a fig. 9.1, no eixo das abscissas representamos os valores do par
ametro r,
e no eixo das ordenadas os valores assint
oticos de xt . Para 0 < r < 1 s
o existe o
ponto fixo est
avel na origem xa = 0, logo neste intervalo os valores assint
oticos
de xt s
ao iguais a zero, formando um segmento de linha cheia reta.
Para o intervalo 1 < r < 2, a origem torna-se instavel; ao passo que aparece
o segundo ponto fixo xb = 1 (1/r), que e est
avel e menor que 1/2, sendo
representado por um ramo de par
abola cheia em funcao de r variando dentro do
intervalo (1, 2). Ja para o intervalo 2 < r < 3 os mesmos fatos s
ao verificados,
exceto o segundo ponto fixo, que e agora maior que 1/2. O ponto fixo superest
avel em r = 2 corresponde à intersecao entre este ramo de par
abola e uma
reta horizontal em x = 1/2. Se tracarmos uma reta vertical neste intervalo
veremos que a tendencia das iteracoes e atrativa em relacao a xb , e repulsiva
em relacao `
a origem.
Finalmente, no intervalo 3 < r < 1 + 6 3, 449 o segundo ponto fixo

perde estabilidade, o passo que surge uma orbita de perodo 2 est
avel. Esta
orbita e representada por dois ramos cheios de par
abola, que correspondem

aos dois sinais da expressao dada por (5.66), ou seja: x1 e x2 . Este e o estado
assint
otico da imensa maioria das orbitas. Na verdade, as u
nicas excecoes seriam
orbitas cujas condicoes iniciais fossem colocadas exatamente sobre os pontos
fixos instaveis - e que neles permaneceriam por toda a eternidade. Entretanto,

nos jamais conseguimos especificar com precis
ao infinita um n
umero qualquer
na pr
atica.
Por exemplo, se usarmos tres casas decimais (apos a vrgula) para uma
condicao inicial, como x0 = 0, 004, a quarta casa decimal ja e completamente
incerta, no sentido que arredondamos o seu conteudo usando a regra conhecida.
Os n
umeros 0, 0039, 0, 0041, 0, 0037, etc... seriam todos arredondados para
0, 004, de modo que ha uma infinidade de valores proximos porem diferentes de
0, 004, que s
ao para ele arredondados. No frigir dos ovos, e impossvel colocar
uma condicao inicial exatamente num ponto fixo ou orbita peri
odica instavel,
pois qualquer pequeno desvio (como aquele provocado pelos erros de arredondamento) ja e suficiente para afastar as iteracoes subsequentes do ponto fixo ou
orbita instavel.
Para obter o 2-ciclo superest

avel nos igualamos a zero o fator de estabilidade
2
=
r
2r
4,
o
que
fornece
como u
nica raiz positiva o valor r2 = 1 +
2
facil ver que x = 1/2 e um dos pontos deste 2-ciclo super5 3, 236. E
est
avel, de modo que a reta horizontal que passa por ele intercepta o diagrama
de bifurcacao nos pontos pertencentes a orbitas peri
odicas super-est
aveis. Este
fato subsiste para qualquer perodo, e sera usado mais tarde na discussao da
rota de Feigenbaum para o caos.
9.1.1
Obtenc
ao num
erica do diagrama de bifurca
c
oes
Programa em linguagem C
Para r > 1 + 6 um estudo puramente analtico, como o que foi mostrado aqui,
e impratic
avel, de forma que o diagrama de bifurcacoes para o modelo logstico
392
3,449
3,57...
1
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
0 0,2 0,4 0,6 0,8 1 1,2 1,4 1,6 1,8 2 2,2 2,4 2,6 2,8 3 3,2 3,4 3,6 3,8 4
Figura 9.1: Diagrama de bifurcacoes do modelo logstico discreto no intervalo

0 < r < 4;
discreto deve ser feito numericamente. Vamos descrever a metodologia usada

para obter este diagrama:
1. Escolhemos um intervalo de valores para o par
ametro r. No caso do modelo logstico discreto, [0, 4];
2. Fixamos o valor inicial do par
ametro r;
3. Escolhemos uma condicao inicial x0 (por exemplo, 0, 2);
4. Iteramos o modelo logstico discreto f (x) = rx(1 x) desconsiderando as
primeiras, digamos, trans = 100 iteracoes transit
orias;
5. Continuamos iterando o modelo discreto por mais, digamos pontos = 100
iteracoes onde nos presumimos observar o estado assintotico do sistema, e
tracamos no diagrama os valores de xt correspondentes (haver
a eventualmente uma grande superposicao de pontos);
6. Incrementamos o valor do par
ametro r por uma pequena quantidade (por
exemplo, 0, 001);
7. Repetimos os passos de (3) a (6) ate o valor final do par
ametro r.
Mostramos abaixo uma implementacao dessa sequencia de calculos em linguagem C de programacao, a qual podera ser compilada pelo estudante para a
obtencao de uma figura semelhante à Figura 9.1.
/* bifurcacao_logistico.c: produz o diagrama de bifurcacoes
para o mapa logistico. Saida dos dados no arquivo
lyapunov_logistico.dat (tabela com duas colunas) */
#include <stdio.h>
393
#include <math.h>
FILE *fp;
main( )
{
int n, trans, points, n_r;
float x_n, x_0, r, r_i, r_f, delta;
fp = fopen("bifurcacao_logistico.dat","w");/* abre arquivo */
r_i = 0.1;
/* valor inicial de r */
r_f = 4.0;
/* valor final de r */
n_r = 100;
/* numero de valores de r */
points = 200;
/* numero de iteracoes calculadas para cada
valor de r */
trans = 100;
/* numero de pre-iteracoes transientes */
delta = (r_f - r_i)/n_r; /* incremento no valor de r */
x_0 = 0.2; /* condicao inicial */
for(r = r_i;r <= r_f;r = r + delta) /* varre os valores de r */
{
x_n = x_0; /* inicializa o valor de x */
for (n = 0;n <= points;++ n) /* varre os valores de n */
{
x_n = r * x_n * (1 - x_n);
if (n > trans) /* descontamos transientes */
{
fprintf(fp,"\% f \% f \n", r, x_n);
/* imprime resultados no arquivo de saida */
}
}
}
fclose(fp);
}
Observe que e necessario desconsiderar as iteracoes transit
orias pois elas,
caso superpostas no diagrama, poderiam mascarar os estados assint
oticos, que
s
ao os resultados nos quais estamos interessados. Como o n
umero de iteracoes
transit
orias (trans), pode variar bastante tanto com a escolha da condicao
inicial como com o valor do par
ametro (em particular, a duracao dos transit
orios
pode ser extremamente grande na vizinhanca de bifurcacoes), a indicacao de um
valor adequado para trans deve ser feita na base da tentativa-e-erro.
Outra caracterstica importante dos diagramas obtidos numericamente e a
ausencia de
orbitas peri
odicas instaveis. O motivo ja foi discutido ha pouco,
e basicamente e a impossibilidade pratica de um n
umero com precis
ao finita
ser colocado exatamente numa orbita instavel. Por outro lado, como veremos,
o diagrama evidencia de forma bastante clara a existencia de orbitas caoticas,
embora ele nao sirva por si s
o como demonstracao deste fato.
Na figura 9.1 mostramos o diagrama de bifurcacao do modelo log
stico discreto no intervalo [0, 4]. A parte referente ao sub-intervalo [0, 1 + 6 3, 449]
ja e conhecida, a menos dos ramos instaveis dos pontos fixos edo 2-ciclo que
nao aparecem no diagrama obtido numericamente. Para r > 1 + 6 observamos
a existencia de uma
orbita de perodo 4 est
avel, ao passo que o 2-ciclo existente
anteriormente desaparece (na verdade, ele torna-se instavel, e portanto deixa
394
de ser graficado). Esta e uma nova bifurcacao, bastante similar àquela anteriormente descrita para r = 3, e que sera vista em mais detalhes na proxima
secao.
Esta
orbita de perodo 4 dura relativamente pouco, sofrendo uma nova bifurcacao em r 3, 544 e instabilizando-se, cedendo seu lugar a uma orbita de
perodo 8. H
a uma r
apida acumulacao destas bifurcacoes e, para valores de r
superiores a um valor r 3, 57 observamos tracos mais ou menos contnuos
de pontos no diagrama. Embora em princpio possam ser orbitas de perodos
extremamente altos, ha evidencias s
olidas que tratam-se na verdade de orbitas
caoticas, para as quais valem as duas caractersticas basicas: (i) irregularidade;
(ii) dependencia sensvel `
as condicoes iniciais. Essas regi
oes caoticas alternam-se
com janelas peri
odicas com uma estrutura bastante peculiar. Finalmente, a
regi
ao caotica desaparece subitamente no final do intervalo de definicao, ou seja,
em r = 4. Todos estes fatos serao discutidos em detalhes ainda neste captulo.
Uso do Maple
Ao inves de compilar e executar um programa numa linguagem como C, Fortran, etc. podemos usar a versatilidade e praticidade dos softwares matematicos
descritos ao longo deste livro. Vamos comecar pelo Maple. N
os usaremos o
comando plot para tracar os pontos correspondentes a uma lista de pontos denominada graf, a qual e construida a partir da matriz xx[ ], cujos elementos
s
ao:
linhas: os valores do par
ametro de bifurcacao, desde r = 0 ate r = 4, com
intervalos de passo = 0, 01;
os valores da variavel xt do modelo logstico discreto, desde t = 40 (ou
seja, descartamos as 40 primeiras iteracoes transientes) ate t = 80.
Um programa em Maple que implementa esse procedimento e mostrado
abaixo, os resultados sendo exibidos na Figura 9.3.
with(plots):
imax:=80:
jmax:=400:
passo:=0.01:
lista:=array(0..10000):
xx:=array(0..10000,0..10000):
for j from 0 to jmax do
xx[j,0]:=0.5:
for i from 0 to imax do
xx[j,i+1]:=(passo*j)*xx[j,i]*(1-xx[j,i]):
end do:
lista[j]:=[[(passo*j),xx[j,n]]\$n=40..imax]:
end do:
graf := [seq(lista[j],j=0..jmax)]:
plot(graf,x=0..4,y=-0.1..1,style=point,symbol=circle,
symbolsize=1,labels=[r,x],color=black);
395
Figura 9.2: Diagrama de bifurcacoes do modelo logstico discreto usando o

Maple.
Uso do Mathematica
Para tracar o diagrama de bifurcacoes do modelo logstico discreto usando o
Mathematica nos usamos o comando ListPlot, o qual traca um gr
afico a partir
de uma lista de dados, que denominamos lista [12]. Esta u
ltima e construida
de forma recursiva, acrescentando dados a cada passo (isto e, a cada valor do
par
ametro r) usando o comando Append, pela iteracao do modelo logstico por
100 iteracoes para cada valor do par
ametro r. Iniciamos pelo valor ri = 2, 8 e
terminamos no valor rf = 4, 0 usando um intervalo r = 0, 01 entre dois valores
sucessivos de r.
A funcao que representa o modelo logstico e introduzida como Logistico[
] e pode ser facilmente adaptada para outros modelos que o leitor esteja interessado, tendo em vista os comandos a seguir [Fig. ??]
Logistico[x_] := r x (1-x);
lista = { };
Do[x = 0.25; Do[x = Logistico[x],{100}];
Do[x = Logistico[x];lista=Append[lista,{r,x}],{100}],{0,2.8,4,0.01}];
ListPlot[lista,AxesLabel->{r,x_t}];
Uso do Matlab
O Matlab tambem oferece a possibilidade de tracarmos o diagrama de bifurcacoes do modelo logstico discreto a partir de uma function, descrita abaixo,
396

Mathematica.
e cuja estrutura lembra a usada no programa em linguagem C anteriormente

introduzido. Os argumentos s
ao os valores inicial e final do par
ametro, respectivamente indicados por r0 e r1 , e o n
umero de iteracoes. Para gerar a Fig. 9.4,
por exemplo, usamos o comando bifurcacao(2.8,4,1000).
function bifurcacao(r0,r1,numero)
close
if nargin<1 (???)
r0=0; r1=4; numero=5000;
end
r=r0:(r1-r0)/numero:al; (???)
x=0.25;
for i=1:20000
x=r.*x.*(1-x);
plot(r,x,.k,MarkerSize,0.5)
end
9.2
Tipos de bifurcac
oes em modelos discretos
unidimensionais
Na discussao precedente sobre a estabilidade dos pontos fixos e orbitas peri

odicas
do modelo logstico discreto nos defrontamos com alguns exemplos de mudancas
397

Matlab.
na existencia ou estabilidade, que denominamos bifurcacoes. Para modelo discretos unidimensionais ha tres tipos basicos de bifurcacoes, com v
arios aspectos
em comum com as bifurcacoes estudadas no captulo ??, e que serao discutidos
com mais detalhes a seguir. A fim de tornar a nossa discussao um pouco mais
geral, vamos considerar um modelo discreto unidimensional
xt = fp (xt1 ),
(9.2)
cuja funcao depende de um par

ametro variavel p. Chamaremos de pB o ponto
onde ocorre uma bifurcacao no respectivo diagrama. N
os suporemos que a
funcao fp (x) seja suave no seu domnio de definicao, ou seja, que seja contnua
e diferenciavel um n
umero suficientemente grande de vezes 1
9.2.1
Bifurcac
ao de duplica
c
ao de perodo
Tambem chamada de bifurcacao flip, ela ocorre quando uma orbita de perodo
n est
avel torna-se instavel no ponto de bifurcacao p = pB , de tal forma que
surge uma nova
orbita est
avel de perodo 2n para valores de p superiores a pB .
Representando esquematicamente na figura 9.5(a) uma bifurcacao de duplicacao
de perodo, vemos que surge no ponto de bifurcacao um ramo est
avel de par
abola
(como uma forquilha), correpondente à nova orbita que surge para p > pB . Para
uma
orbita de perodo n, haver
a tambem n forquilhas, ou seja 2n ramos est
aveis.
1 Isso implica que fun
c
oes lineares por partes (ou seja, n
ao-suaves em um n
umero finito de
pontos), como o modelo discreto da tenda T (x), s
ao excluidas da presente discuss
ao sobre
bifurcac
oes.
398
(b)
(a)
x
periodo 2n
[2]
f p (x)
1
0
periodo n
primeira bissetriz
instavel
11
00
11
00
00
11
estavel
11
00
pp
Figura 9.5: (a) Bifurcacao de duplicacao do perodo. (b) Segunda iterada de

um modelo discreto na vizinhanca de uma bifurcacao de duplicacao do perodo.
Poderamos ter, ainda, esta duplicacao de perodo quando p diminui passando

por pB , o que uma bifurcacao inversa de duplicacao de perodo.
Considere o modelo logstico discreto, para o qual o par
ametro variavel e
p = r. O ponto fixo xb = 1 (1/r) (que e uma orbita de perodo n = 1)
sobre uma bifurcacao de duplicacao de perodo em rB = 3, tornando-se instavel
e dando origem a uma
orbita
de perodo 2: {x1 , x2 }. Outra bifurcacao deste
tipo ocorre para r igual a 1 + 6, onde a orbita anterior de perodo 2 torna-se
instavel e surge um 4-ciclo.
Para entender como ocorre uma destas bifurcacao de duplicacao do perodo,
vamos considerar na figura 9.6 a segunda iterada do modelo logstico discreto,
f [2] (x) = rf (x)[1 f (x)] = r2 x(1 x)[1 rx(1 x)],
(9.3)
um pouco antes e um pouco depois da bifurcacao que ocorre quando r = 3. Para

r < 3, vemos que o gr
afico de f [2] (x) intercepta a primeira bissetriz apenas nos
pontos fixos, nao havendo portanto um 2-ciclo [Fig. 9.6(a)]. O ponto fixo xb e
est
avel, pois a derivada do modelo discreto calculada neste ponto tem modulo
inferior a 1; isto e, a inclinacao da tangente ao gr
afico no ponto fixo e menor
do que 450 (embora, como os eixos coordenados tenham tamanhos distintos,
isso nao fique claro a princpio no diagrama). Quando atingimos do ponto de
bifurcacao o gr
afico da segunda iterada tangencia a primeira bissetriz, de modo
o ponto fixo outrora est
avel torna-se indiferente [Fig. 9.6(b)]. Apos o ponto de
bifurcacao aparecem dois novos pontos peri
odicos, que s
ao membros de um ciclo
de perodo 2, ambos est
aveis pois as derivadas da segunda iterada tem modulos
menores que um nos mesmos [Fig. 9.6(b)].
Generalizamos essa discussao considerando a segunda iterada de um modelo
p
discreto generico, f[2]
(x), sendo pB o valor do par
ametro para o qual ocorre
a bifurcacao (pB = 3 no exemplo anteriormente citado para o modelo logstico
discreto). Iniciando de um valor de p abaixo do seu valor crtico pB , observamos
que, à medida em que o valor de p aumenta, a inclinacao do gr
afico (ou melhor,
da sua tangente no ponto fixo) vai aumentando, mas ainda assim e menor do
que 1 (pois o gr
afico permanece abaixo da primeira bissetriz). A corcova do
399
(b)
(a)
(c) estvel
0,8
0,8
instvel
estvel
0,4
0,4
0,2
0,2
xt
0,6
xt
0,6
0,2 0,4 0,6 0,8
xt-2
0,2 0,4 0,6 0,8
xt-2
estvel
0,2 0,4 0,6 0,8
xt-2
Figura 9.6: Segunda iterada do modelo logstico discreto para (a) r = 2, 5; (b)
r = 3, 0; (c) r = 3, 4.
gr
afico vai aproximando-se da primeira bissetriz ate intercept
a-la no ponto de
bifurcacao p = pB [Fig. 9.5(b)].
Simultaneamente, a derivada do modelo discreto no ponto fixo atinge o valor
1, isto e, o modulo tem o valor 1 indicando perda de estabilidade. Para p > pB ,
a derivada do modelo discreto no ponto fixo e superior a um, em modulo, e o
gr
afico da segunda iterada corta a reta de 45o nos pontos do 2-ciclo. O fator
de estabilidade desta
orbita e superior a um, o que significa que tangentes ao
gr
afico de f [2] (x), tracadas por estes pontos, tem inclinacao menor que 45o .
Este mecanismo basico ocorre em todas as bifurcacoes de duplicacao de perodo
subsequentes.
Quando p = pB , ou seja, exatamente no ponto de bifurcacao, a inclinacao
p
do gr
afico de f[2]
(x), ou sua derivada calculada no ponto fixo x , e igual a 1:

d [2]
f (x)
= (fp[2]
) (x ) = +1.
(9.4)
B
dx p
x=x ,p=pB
No entanto, se considerarmos a primeira iterada do modelo discreto, veremos
que no ponto de bifurcacao sua derivada dever
a ser igual a 1 (mas o modulo
continua sendo igual a 1 de qualquer forma):

d
fp (x)
(9.5)
= (fpB ) (x ) = 1.
dx
x=x ,p=pB
Para p > pB o ponto fixo x torna-se instavel (inclinacao da segunda iterada

maior que 1), e emergir
a um par de pontos fixos est
aveis, que comp
oem uma
orbita est
avel de perodo 2.
400
Resumindo, uma bifurcacao de duplicacao de perodo, onde este varia de n

para 2n, e tal que as seguintes condicoes devam ser obedecidas pela primeira e
segunda iteradas do modelo discreto no ponto fixo:
) (x ) = 1,
(fp[n]
B
(9.6)
= +1.
(9.7)
) (x )
(fp[2n]
B
Bifurca
c
ao no modelo logstico discreto em r = 3
N
os descrevemos no Captulo 5 a bifurcacao de duplicacao de perodo que ocorre
para o modelo logstico discreto em r = 3. O ponto fixo x = 1 1/r, que e
est
avel para r pouco menor que 3, torna-se instavel para r pouco maior que 3.
Ao mesmo tempo, emerge no ponto de bifurcacao uma orbita est
avel de perodo
2. Vamos checar as condicoes formais (7.64)-(7.66) para a existencia de uma
bifurcacao de duplicacao de perodo em r = 3, onde x = 1 1/3 = 2/3.
Como fr (x) = rx(1 x) e fr (x) = r(1 2x). Logo

2

= 1.
(f3 ) (x = 2/3) = 3 1 2
3
Ja a segunda iterada do modelo logstico pode ser escrita como
fr[2] (x) = r2 x(1 x)[1 rx(1 x)] = (r2 x r2 x2 )(1 rx + rx2 ),
cuja derivada e
(fr[2] ) (x) = r2 (1 2x)[1 rx(1 x)] + r3 x(1 x)(1 + 2x),
que, calculada no ponto de bifurcacao, fornece
2
2
2
2
2
2
[2]
(f3 ) (x = 2/3) = 32 (1 2 )[1 3 (1 )] + 33 (1 )(1 + 2 ) = +1
3
3
3
3
3
3
verificando, assim, as condicoes (7.64)-(7.66) para n = 1.
9.2.2
Bifurcac
ao tangente
Tambem chamada de bifurcacao no-sela, ou fold, ela ocorre quando: (i) depois
do ponto de bifurcacao pB nao ha ponto fixo (ou orbita peri
odica); (ii) antes
do ponto de bifurcacao ha um par de pontos fixos (ou orbitas peri
odicas) - um
est
avel e outro instavel [Fig. 9.7(a)]. As palavras antes e depois do ponto
de bifurcacao significam casos onde p < pB e p > pB , respectivamente. Se
trocarmos os papeis, teremos uma bifurcacao tangente inversa.
Embora esta bifurcacao tambem ocorra no modelo logstico discreto, onde
desempenha um importante papel no aparecimento das chamadas janelas peri
odicas,
vamos exemplificar esta situacao num modelo discreto mais smples
xt = fp (xt1 ) = pext1 ,
(9.8)
onde p e o par
ametro variavel, dentro do intervalo [0, ), e e = 2, 71824... e o
n
umero de Euler. O valor crtico, neste caso, e pB = 1/e 0, 367. Os pontos
fixos desse modelo s
ao dados pelas solucoes da equacao transcendente
x = pex ,
401
(9.9)
primeira bissetriz
(a)
(b)
estavel
[n]
f (x)
p
instavel
p=p
p < pB
p>p
Figura 9.7: (a) Bifurcacao tangente. (b) Primeira iterada de um modelo discreto
na vizinhanca de uma bifurcacao tangente.
que pode ou nao ter solucoes, dependendo do valor de p. A estabilidade destes

pontos fixos e determinada pelo fator
|fp (x )| = |pex |.
(9.10)
Na figura 9.8 indicamos o comportamento da primeira iterada do modelo

discreto (9.8) para valores maiores e menores que pB . Se p = 0, 2 < pB o gr
afico
de fp (x) intercepta a primeira bissetriz em dois pontos fixos, a saber, x1 0, 25
e x2 2, 5 [Fig. 9.8(a)]. Como |0, 2ex1 | 0, 26 < 1 e |0, 2ex2 | 2, 44 > 1,

os pontos x1 e x2 s
ao est
avel e instavel, respectivamente. O ponto x1 e, com
efeito, est
avel pois a tangente do gr
afico neste ponto tem inclinacao menor que
45o , ao passo que o outro, x2 , e instavel (a inclinacao e maior que a da primeira
bissetriz).
No ponto de bifurcacao p = pB , o gr
afico tangencia a reta de 45o no ponto
fixo x = 1, ja que, de (9.9),

e
1 = pB e1 = .
e
(9.11)
Observe que, quando p aproxima-se do valor crtico por valores menores que
este (p p
B ), os pontos fixos x1 e x2 aproximam-se e coalescem no ponto de
tangencia x = 1 [Fig. 9.8(b)]. Para valores de p maiores que pB nao ha solucao

da equacao (9.9) e, portanto, nao ha ponto fixo [Fig. 9.8(c)].
Este mecanismo e descrito esquematicamente na figura 9.7(b), onde apenas
[n]
a parte relevante do gr
afico da n-esima iterada de um modelo discreto, fp , e
mostrada, para valores na vizinhanca do ponto de bifurcacao tangente pB . Para
valores abaixo de pB nao existe ponto fixo, ao passo que, em p = pB , o gr
afico
tangencia a primeira bissetriz em x , ou seja,
) (x ) = +1,
(fp[n]
B
(9.12)
que, para o modelo discreto (9.8), implica na equacao (9.11). Quando p e maior
que o valor crtico, duas intersecoes s
ao observadas, correspondentes ao par de
pontos fixos (ou
orbitas peri
odicas, de maneira geral) est
avel e instavel criados
pela bifurcacao.
402
(b)
(a)
3
(c)
xt
xt
instvel
estvel
0
xt-1
xt-1
xt-1
Figura 9.8: Bifurcacao tangente no modelo discreto exponencial para (a) p =

0, 2 < pB ; (b) p = pB = 1/e; (c) p = 0, 45 > pB .
9.2.3
Bifurcac
ao transcrtica
Nesta situacao, antes do ponto de bifurcacao p = pB , temos dois pontos fixos,

um est
avel e outro instavel, que v
ao se aproximando na medida em que chegamos
ao ponto de bifurcacao. Apos a colisao estes pontos continuam existindo, mas a
estabilidade deles e trocado: o ponto fixo est
avel torna-se instavel e vice-versa
[Fig. 9.9)(a)].
Um exemplo de bifurcacao transcrtica pode ser observado no modelo logstico
discreto, quando o par
ametro r e igual ao valor crtico rB = 1. Quando o
par
ametro r e menor que 1, vimos que o u
nico ponto fixo nao-negativo (e
est
avel) e a origem x = 0. O segundo ponto fixo x = 1 1/r e negativo
para 0 < r < 1. No entanto, se levarmos tambem em consideracao os valores
negativos de x, como f (x ) = 1 2x = 1 + 2(1 1/r) = 1 2/r > 1, segue
que este ponto fixo negativo e instavel para 0 < r < 1 [Fig. 9.9(b)]. Quando
r = 1 a origem torna-se instavel, como ja vimos anteriormente, e o ponto fixo
avel. Isto corresponde a uma troca de estabilix+ = 1 1/r emerge e e est
dade entre os dois pontos fixos no ponto de bifurcacao transcrtica rB = 1.
De modo geral, no ponto onde ocorre a bifurcacao, o gr
afico da tangente à
primeira iterada do modelo discreto tem inclinacao de 45o , ja que neste ponto
ocorre uma mudanca de estabilidade; logo a derivada do modelo discreto e igual
a 1 neste ponto:
(fpB ) (x ) = +1.
(9.13)
Por outro lado, ha ainda a seguinte condicao suplementar para a ocorrencia de

403
(a)
(b)
estavel
instavel
estavel
instavel
Figura 9.9: Bifurcacao transcrtica no modelo logstico discreto

0,9
(b)
(a)
0,8
0,7
0,6
0,5
0,4
0,3
3,1
3,15
3,2
3,25
3,3
3,35
3,4
3,45
3,5
3,55
Figura 9.10: (a) Ampliacao de parte do diagrama de bifurcacoes do modelo

logstico discreto. (b) Esquema de uma cascata de bifurcacoes de duplicacao de
perodo no modelo logstico discreto (nao est
a em escala).
uma bifurcacao transcrtica [2]

(fpB )(x ) = 0,
(9.14)
a qual e triviamente satisfeita pelo ponto fixo na origem, para o modelo logstico
discreto.
9.3
Cascata de bifurcac
oes de duplicac
ao de perodo
O diagrama de bifurcacoes da figura 9.1 mostra que ha uma sequencia de bifurcacoes de duplicacao de perodo, comecando em r = 3.0, e continuando ate
r 3, 57, apos o que teremos um comportamento radicalmente diferente do que
ate agora estudamos. Para r > 3, 57... as iteracoes do modelo nao parecem mais
estacionar numa
orbita de perodo bem definido, muito embora a simples observacao da figura nao nos permita de fato discernir entre uma orbita de perodo
404
perodo = 2n
rn
1
2
3
4
5
6
7
2
4
8
16
32
64
128
3, 0000000
3, 4494896
3, 5440903
3, 5644073
3, 5687594
3, 5696916
3, 5698913
rn rn1
0, 4494896
0, 0946007
0, 0203170
0, 0043521
0, 0009322
0, 0001997
rn1 rn2
rn rn1
4, 7514
4, 6562
4, 6683
4, 6686
4, 6692
Tabela 9.1: Pontos de bifurcacao de duplicacao de perodo no modelo logstico

discreto
muito alto, como 5000, e algo qualitativamente diferente. Na verdade, este comportamento e o que chamaremos posteriormente de caos. Por enquanto, vamos
nos ater `
a cascata de bifurcacoes de perodo, que foi estudada por Feigenbaum no
final da decada de 70 [?, ?], muito embora outros pesquisadores como Myrberg
[?] e May [?] ja tivessem conhecimento de algumas de suas propriedades.
Podemos observar na figura 9.10(a), que e uma ampliacao de parte do diagrama de bifurcacoes da figura 9.1, que a sequencia de bifurcacoes de duplicacao de perodo nao ocorre em intervalos de mesma amplitude. Por exemplo, a distancia entre a segunda e a terceira bifurcacoes e cerca de um quinto
da distancia entre a primeira e a segunda. As demais ocorrem em intervalos
ainda menores, e aparentemente ha uma acumulacao de bifurcacoes [a qual nao
e possvel observar na figura 9.10(a)] no ponto r 3, 57.
Feigenbaum determinou os valores do par
ametro r para os quais o modelo
logstico discreto sofre bifurcacao de duplicacao de perodo. N
os denominamos
rn o valor do par
ametro r para o qual ha uma bifurcacao de perodo 2n para o
perodo 2 2n = 2n+1 [Fig. 9.10(b)]. Por exemplo, r1 = 3 marca a bifurcacao
de um ponto fixo (perodo 1) para um 2-ciclo (perodo
2). N
os mostramos
analiticamente que bifurcacao seguinte ocorre para r2 = 1+ 6. Esses resultados
est
ao na Tabela 9.1, que ainda contem as bifurcacoes ate perodo 256.
V
arias conclus
oes interessantes emergem da analise dos resultados da tabela
9.1. Inicialmente, observamos que a raz
ao entre as distancias entre bifurcacoes
sucessivas
rn1 rn2
rn rn1
parece convergir para um valor constante, à medida em que cresce o perodo
da orbita bifurcante. Se este valor fosse constante para todas as bifurcacoes,
poderamos classificar a sequencia de intervalos inter-bifurcacoes, rn rn1 ,
como uma progress
ao aritmetica decrescente e infinita. No entanto, a raz
ao
acima n
ao e propriamente constante, mas sim tende a um valor constante ,
aproximando-se dele `
a medida em que n tende a infinito. Este valor corresponde
formalmente ao seguinte limite, devido a Feigenbaum
lim
rn1 rn2
= 4, 669201609 . . .
rn rn1
(9.15)
Outra observacao importante e que a cascata de bifurcacoes de duplicacao

405
n
1
2
3
4
5
6
7
8
r rn
0,5699456
0,1204560
0,0258553
0,0055383
0,0011862
0,0000254
0,0000543
0,0000116
c
n
0,5648
0,1209
0,0259
0,0055
0,0012
0,00025
0,000054
0,000011
Tabela 9.2: Acumulacao de bifurcacoes de duplicacao de perodo no modelo

logstico discreto
de perodo acumula-se no ponto onde

lim rn r = 3, 5699456 . . .
(9.16)
Mais precisamente, podemos computar, com base nos dados da Tabela 9.2 as
distancias entre os v
arios pontos de bifurcacao e o valor onde elas se acumulam:
r rn n
c
n
(9.17)
onde c = 2, 637 e e a constante de Feigenbaum.
9.3.1
Universalidade
Os resultados obtidos por Feigenbaum s

ao notaveis em v
arios aspectos, mas
nao seriam realmente importantes se fossem v
alidos unicamente para o modelo logstico discreto. Por exemplo, poderamos indagar se o valor de acumulacao das bifurcacoes e a raz
ao entre as suas distancias poderiam ser diferentes se us
assemos outro modelo discreto, como por exemplo o modelo discreto
quadr
atico
xt+1 = a x2t
(9.18)
com a como o par
ametro variavel, no caso desde a = 0 ate 2. Este modelo
discreto apresenta um diagrama de bifurcacoes muito parecido com o do modelo
logstico discreto (Fig. 9.11).
As semelhancas nao param a. Na tabela 9.3 nos mostramos os valores do
par
ametro a, ditos an , para os quais uma bifurcacao de duplicacao do perodo
ocorre, e o respectivo valor da raz
ao entre as distancias.
Novamente, o valor da raz
ao das distancias inter-bifurcacoes parece convergir
para um valor limite, que e a propria constante de Feigenbaum (evidentemente
o valor do par
ametro a para o qual as bifurcacoes se acumulam e diferente).
Uma inspecao cuidadosa da figura 9.11 mostra que ha uma segunda cascata de
bifurcacoes de duplicacao de perodo iniciando-se em a = 1, 75 (dentro de uma
janela do diagrama, como sera visto na proxima secao). Neste caso, partimos
de uma
orbita de perodo 3, tal que as orbitas seguintes tem perodos 6, 12, e
assim por diante. Os valores correspondentes às bifurcacoes s
ao mostrados na
tabela 9.3. A raz
ao converge para 4, 669... mesmo neste caso!
406
-1
-2
0,5
1,5
Figura 9.11: Diagrama de bifurcacoes do modelo discreto quadr

atico
Perodo 2n
an
an1 an2
an an1
2
4
8
16
32
64
128
256
3
6
12
24
48
96
192
0,75
1,25
1,3680989
1,3940462
1,3996312
1,4008287
1,4010853
1,4011402
1,75
1,7685292
1,777216
1,7792521
1,7796964
1,7797923
1,7798129
4,2337
4,5515
4,6458
4,6639
4,6682
4,6689
4,2810
4,5698
4,6363
4,6524
Tabela 9.3: Pontos de bifurcacoes de duplicacao de perodo no modelo discreto

quadr
atico.
407
dn
m
d n+1
r
rn Rn
R
n+1 n+1
Figura 9.12: Diagrama de bifurcacoes esquematico mostrando as distancias d ao

ponto crtico nos ciclos superest
aveis do mapa logstico e os respectivos valores
do par
ametro r.
Outra descoberta de Feigenbaum no mapa logstico refere-se ao comportamento do diagrama de bifurcacao na direcao x. Inspecionando a Fig. 9.1
podemos observar que as sucessivas bifurcacoes de duplicacao de perodo criam
forquilhas no diagrama de bifurcacao com larguras variaveis. Uma maneira
de padronizar a medida dessas larguras e medir, dentro de uma dada forquilha,
a distancia dn entre o ponto crtico x = 1/2 (onde o mapa logstico tem um
maximo) e o ponto peri
odico mais proximo dentro do 2n -ciclo correspondente
[veja a Figura 9.12 para um esquema]. Podemos ver que, para dois ciclos sucessivos, a distancia dn muda de sinal, ou seja, o ponto peri
odico mais proximo e
alternadamente maior ou menor que o ponto crtico 1/2.
Feigenbaum mostrou que a raz
ao entre duas distancias sucessivas tende a
um limite universal quando n :
dn
= 2, 5029 . . .
dn1
(9.19)
Para outros mapas, como o quadr

atico, esse mesmo limite e obtido, com a
possvel diferenca que o ponto crtico e outro. Na verdade, para apresentar este
comportamento universal os mapas tem de ser unimodais, ou seja, ter um u
nico
ponto crtico.
A universalidade significa que, para diferentes mapas unimodais, quando
o perodo dos ciclos tende a infinito, as constantes e tendem ao mesmo
valor. Isso ocorre porque, nesse limite, todos os mapas unimodais tem um
comportamento semelhante, a despeito de possveis diferencas. Feigenbaum
explorou essa caracterstica de auto-similaridade para desenvolver uma teoria
de renormalizacao que e capaz de prever teoricamente os valores universais das
constantes e para mapas unimodais de forma geral [?].
408
(a)
f(x,R
0 )
(b)
f[2]
(x,R
1 )
(c)
xm
xm
Figura 9.13: (a) Primeira iterada de um mapa unimodal num ciclo superest
avel
em R0 ; (b) Segunda iterada de um mapa unimodal num ciclo superestavel em
R1 ; (c) Em destaque a regi
ao delimitada em (b).
9.4
Teoria de renormalizac
ao
Nessa secao vamos dar uma ideia da teoria de renormalizacao usada por Feigenbaum para prever as constantes universais. Seja f (x, r) um mapa unimodal que
exibe uma cascata de bifurcacoes com duplicacao do perodo, tal que xm seja
o ponto crtico do mapa (no caso do mapa logstico, xm = 1/2, como vimos).
Designamos por rn o valor de r no qual e criado um 2n -ciclo, e Rn denotara o
valor de r para o qual este ciclo contem o valor crtico [Figura 9.13].
O ciclo existente em Rn e aquele usado para definir a largura da forquilha,
ou seja, a distancia entre o ponto crtico e o ponto mais proximo a ele. Podese mostrar, ainda, que esse ciclo e superest
avel. Para o mapa logstico, por
exemplo, o coeficiente de estabilidade de um 2n -ciclo e o produto de fatores
r(1 2x), um para cada ponto do ciclo. Se o ciclo contem o ponto crtico
xm = 1/2, ent
ao o fator correspondente e nulo, e sua presenca torna o coeficiente
do ciclo todo tambem igual a zero. Como regra geral, um ciclo superest
avel de
um mapa unimodal sempre contem o ponto crtico.
A inspecao da Fig. 9.13 mostra que Rn est
a sempre entre dois pontos de
interessante que o intervalo entre dois
bifurcacao consecutivos rn e rn+1 . E
valores sucessivos de Rn tambem diminui à mesma taxa em que a diferenca
entre dois valores sucessivos de rn , com a mesma constante universal .
O termo auto-similaridade significa algo que e parecido com si mesmo em
escalas diferentes. Um exemplo simples e uma cabeca de couve-flor: ela e composta de gomos que, se ampliados, lembram a cabeca como um todo. Em
nosso caso, a estrutura do diagrama de bifurcacoes nos ciclos superest
aveis e
auto-similar, em diferentes escalas tanto em x como em r. Por exemplo, vamos
considerar a primeira iterada de um mapa unimodal num ciclo superest
avel [Fig.
9.13(a)]. Isso significa que um dos pontos fixos e o proprio ponto crtico, que e
um maximo local da primeira iterada do mapa f (x, R0 ).
A segunda iterada no ciclo superest
avel seguinte, f [2] (x, R1 ), tem quatro
pontos fixos, um dos quais e o ponto crtico novamente [Fig. 9.13(b)]. Se nos
409
(a)
[2]
(/,
1 )
f(x,R
0 )
(c)
[2]
(b)
f (x,R
1 )
REESCALONE POR A
Figura 9.14: (a) Primeira iterada de um mapa unimodal num ciclo superest
avel
em R0 ; (b) Regiao proxima ao ponto crtico da segunda iterada de um mapa
unimodal num ciclo superest
avel em R1 ; (c) Resultado da aplicacao de um passo
de renormalizacao em (b).
destacarmos apenas a regi

ao proxima ao ponto crtico, veremos que a figura
resultante lembra a primeira iterada, s
o que em escalas menores (em x e r)
e seu gr
afico est
a invertido [Fig. 9.13(c)]. Do ponto de vista din
amico, as
situacoes em (a) e (c) s
ao muito parecidas, pois temos essencialmente o mesmo
comportamento, que e um ponto fixo assintoticamente est
avel.
Para exprimir essa operacao matematicamente, nos redefinimos x como x
xm , o que desloca a origem para o ponto crtico x = xm . Essa redefinicao
tambem subtrai xm da funcao f , ja que xt = f (xt1 , r). N
os esquematizamos
os gr
aficos transladados de f (x, R0 ) e f [2] (x, R1 ) nas Figuras 9.14(a) e (b),
respectivamente. Na segunda figura apenas o trecho proximo ao ponto crtico e
mostrado.
O reescalonamento necessario para que a Fig. 9.14(b) torne-se similar à Fig.
9.14(a) consiste em duas operacoes: (i) amplificamos ambos os eixos por um
fator de escala , tal que || > 1 (de fato, || 2, 5); (ii) invertemos ambos os
eixos da figura, por meio da operacao (x, y) (x, y). Pode-se mostrar que
reescalonar pelo fator consiste em substituir f [2] (x, R1 ) por f [2] x , R1 [3].
N
os denominamos esse processo de um passo de renormalizacao: tomamos
a segunda iterada de f , reescalonamos x x/ e deslocamos r para o proximo
ciclo superest
avel. Apos um passo de renormalizacao os dois gr
aficos devem ser
aproximadamente similares, o que e representada pela equacao
f (x, R0 ) f [2]
x

, R1 .
(9.20)
O processo continua da seguinte forma: podemos renormalizar f [2] no ciclo

superest
avel em R1 para o proximo ciclo (de perodo 4), de modo que
f [2]
x
x

, R1 f [4]
,
R
2 .
2
410
(9.21)
Substituindo (9.21) em (9.20)

f (x, R0 ) 2 f [4]
x

, R2 ,
2
o que pode ser generalizado, apos n passos de renormalizacao, para

x
n
.
,
R
f (x, R0 ) n f [2 ]
n
n
(9.22)
(9.23)
A similaridade, nesse caso, vai aumentando conforme avancamos no valor de

n. Feigenbaum descobriu numericamente que, no limite de infinitos passos de
renormalizacao, o processo tende para uma funcao universal g0 (x) [?, ?]:
x

n
(9.24)
lim n f [2 ]
,
R
n = g0 (x).
n
n
Aqui, universal significa que a funcao g0 (x) independe da forma inicial do mapa
f (x, r), desde que este seja unimodal (e tenha um maximo quadr
atico, tal qual
o mapa logstico).
Para obter a funcao universal g0 (x), comecamos com f (x, R0 ) no ponto fixo
superest
avel. Se comecarmos com f (x, Rn ), no ciclo superest
avel de perodo 2i ,
a sequencia de infinitos passos de renormalizacao leva à funcao universal gi (x):
x

n
gi (x) = lim n f [2 ]
,
R
.
(9.25)
n+i
n
n
Na secao anterior vimos que a sequencia de valores de Ri converge para o

ponto de acumulacao das bifurcacoes R = r 3, 57 de forma semelhante
à sequencia de valores de ri , inclusive com a mesma raz
ao 4, 669. Se nos
iniciarmos o processo de renormalizacao no proprio ponto de acumulacao, nao
precisaremos deslocar para o proximo ciclo superest
avel apos reescalonar, ou
seja

x
(9.26)
, R .
f (x, R ) f [2]
A funcao universal correspondente, denotada g(x), corresponde ao limite de

infinitos passos de renormalizacao, ou seja
x
,
(9.27)
g(x) = g [2]
chamada equacao de Feigenbaum-Cvitanovic, que e uma equacao funcional [?].

Para resolve-la, precisamos de condicoes de contorno: apos deslocar o ponto
crtico para a origem, todas as funcoes f tem maximos em x = 0, ent
ao exigimos
que g (0) = 0. Sem perda de generalidade, ainda, podemos impor a condicao
g(0) = 1.
Para x = 0 temos que (9.27) leva a
g(0) = g(g(0))
Mas g(0) = 1, ent

ao 1 = g(1), de modo que a solucao da equacao de FeigenbaumCvitanovic tambem nos leva a um valor teorico para a constante de Feigenbaum
=
1
.
g(1)
411
(9.28)
A equacao de Feigenbaum-Cvitanovic nao tem uma solucao exata. Podemos,

no entanto, obter solucoes aproximadas na forma de series de potencias [3]
g(x) = 1 + c2 x2 + c4 x4 +
(9.29)
onde c2 = 1, 5276, c4 = 0, 1048, etc.; a partir do que obtemos que
1
= 2, 365
1 1, 5276 + 0, 1048
bastante proximo do valor correto = 2, 5029 .
9.5
Exerccios
1. Considere o modelo discreto quadr

atico
xt+1 = 1 ax2
(a) Determine os pontos fixos e estude sua estabilidade (b) Determine as
orbitas
de perodo 2 e estude sua estabilidade.
2. Considere o mapa logstico xt = rxt1 (1xt1 ). Mostre as seguintes afirmaco
es
(consulte os resultados do Captulo anterior):
(a) Para 0 < r < 1 h
a um u
nico ponto fixo est
avel em x = 0;
(b) Em r = 1 h
a uma bifurcaca
o transcrtica, pela qual x = 0 torna-se inst
avel
e aparece o ponto fixo est
avel 1 1/r;
(c) Em x = 3 este segundo ponto fixo tambem torna-se inst

avel e emerge um
2-ciclo est
avel, por meio de uma bifurcaca
o de duplicaca
o de perodo;
(d) Determine os pontos deste ciclo em funca
o de r;
(e) No ponto x = 1 + 6 este 2-ciclo torna-se inst

avel por meio de uma nova
bifurcaca
o de duplicaca
o de perodo;
(f) Usando estes resultados,
trace o diagrama de bifurcaca
o do mapa logstico
no intervalo 0 < r < 1 + 6.

3. Use o programa em linguagem C ou algum dos softwares matem
aticos para
tracar o diagrama de bifurcaca

o do mapa logstico, no intervalo 1 + 6 < r < 4.
4. Mostre as seguintes propriedades do mapa logstico no ponto de bifurcaca
o r = 3:
(a) x = 2/3 e um ponto fixo;
(b) O coeficiente de estabilidade (2/3) e igual a 1 para r = 3 e e uma funca
o
decrescente quando r aumenta a partir desse ponto;
(c) O diagrama de escada da segunda iterada do mapa tem um ponto de inflex
ao
em x = 2/3.
5. Use os softwares matem
aticos para, com o uso dos diagramas de escada, mostrar
que a terceira iterada do mapa logstico tem uma bifurcaca
o tangente em r
3, 83.
6. * Considere o mapa
xt = f (xt1 ) =
w
aw
arctan(xt1 ) + (1 w)xt1 +
,
b
b
onde x R e temos tres par

ametros: a, b, w e .
412
(a) Trace o gr
afico do mapa para achar o seu ponto fixo no caso w = 0, 3,
a = 0, 3, b = 0, 25, e = 4, 8.
(b) Como o ponto fixo est
a pr
oximo `
a origem, podemos procurar um valor
analtico aproximado fazendo arctan(x ) x . Compare o resultado com o
obtido anteriormente.
(c) Use o metodo de Newton-Raphson para encontrar um valor numerico preciso
para o ponto fixo, o qual ser
a a (
unica) raiz da funca
o erro:
(x) = arctan(x) + a bx,
ou seja, que (x ) = 0. O metodo de Newton requer, ainda, a derivada da
funca
o erro, a saber

d
(x) = b
(arctan(x)) = b
.
dx
1 + 2 x2
Como sabemos que a raiz e pr
oxima de x = 0, podemos adotar este valor como
nosso chute inicial x0 . As aproximaco
es sucessivas no metodo de Newton ser
ao
dadas por
(xi )
, (i = 0, 1, 2, ),
xi+1 = xi
(xi )
e esperamos que xi x ap
os um n
umero suficientemente grande de iteraco
es
do processo, desde que obviamente (xi ) nunca seja um n
umero muito pr
oximo
de zero (caso em que o metodo falharia). Abaixo mostramos um programa em
linguagem C que implementa o metodo de Newton-Raphson para o mapa:
/* root.c: determina os pontos fixos do mapa pelo m
etodo de Newton */
#include <stdio.h>
#include <math.h>
double psi(double arg), dpsi(double arg);
main( )
{
int n,points;
double xnew,xold,x0,tol,dif,der;
points = 100;
x0 = 0.0;
xold = x0;
n = 0;
tol = 1e-6;
for (n=1; n<=points;++n) { /* varre os valores de n */
xnew = xold - (psi(xold)/dpsi(xold));
dif = fabs(xnew - xold);
xold = xnew;
}
der = 0.7 - (5.76/(1+(23.04*xnew*xnew)));
printf("%f %f\n",xnew,der);
}
double psi(double arg)
{
double a, b,sigma;
413
a = 0.0;
b = 0.25;
sigma = 4.8;
return(a - b*arg - atan(sigma*arg));
}
/* especifica a derivada */
double dpsi(double arg)
{
double b,sigma,aux;
b = 0.25;
sigma = 4.8;
aux = sigma/(1+(sigma*sigma*arg*arg));
return(-b-aux);
}
Faca um gr
afico mostrando o resultado da aplicaca
o do metodo de Newton
quando b = 0, 25, = 4, 8, w = 0, 3, e fazemos o par
ametro a variar de 1, 25 a
+1, 25.
(d) Ache a condica
o de estabilidade para o ponto fixo. Faca um gr
afico do
coeficiente de estabilidade para w = 0, 3, b = 0, 25, = 4, 8, e a vari
avel.
7. Ache os pontos R0 e R1 para o mapa quadr
atico f (x) = r x2 .
8. Seja o mapa yt = f (yt1 ). Fazendo a substituica
o de vari
avel xn = yn mostre
que o reescalonamento converte f [2] (x, R1 ) em f [2] (x/, R1 ).
9. * Resolva a equaca
o de Feigenbaum-Cvitanovic usando a seguinte aproximaca
o
para a funca
o universal: g(x) = 1 + ax2 . Substitua essa aproximaca
o e, comparando termos de mesma ordem, ache o valor de a. Determine o valor de
correspondente.
414
Captulo 10
Caos em modelos discretos

unidimensionais
Neste captulo introduziremos a nocao de comportamento caotico, empregando
modelos discretos unidimensionais como sistemas din
amicos ao mesmo tempo
simples porem ja possuindo caractersticas que s
ao comuns a sistemas mais
complicados. Nosso objetivo sera o de caracterizar o comportamento caotico
de maneira precisa conceitual e matematicamente, ate para distinguir caos de
outros comportamentos parecidos porem de origem distinta. Por exemplo, em
processos estocasticos a evolucao temporal pode ser indistinguvel de um sistema caotico; mas este u
ltimo resulta de um sistema determinstico - do qual se
conhecem as equacoes que governam a evolucao temporal.
10.1
Comportamento ca
otico
Voltando ao diagrama de bifurcacoes do mapa logstico, visto no Captulo anterior (Fig. 9.1); apos a acumulacao de um n
umero infinitamente grande de
bifurcacoes de duplicacao de perodo, ou seja, para 3, 57 . r < 4, temos uma
regi
ao densamente populada de iteracoes do mapa. De fato, a inspecao visual
do diagrama nao nos permite tirar conclus
oes definitivas, visto que poderamos
ter orbitas de perodo muito grande. No entanto, como veremos, essas orbitas
densamente populadas referem-se ao comportamento caotico.
As duas propriedades basicas que caracterizam o comportamento caotico
s
ao: (i) aperiodicidade; (ii) sensibilidade extrema às condicoes iniciais. Vamos
discutir em separado cada uma delas.
10.1.1
Aperiodicidade
Uma orbita peri

odica apresenta um padrao bem definido: apos um certo n
umero
de iteracoes um ponto da
orbita volta ao ponto de partida:
x0 x1 x2 x0
Logo, sabemos quais os pontos que a orbita do modelo discreto ira visitar,
de forma que uma previsao torna-se relativamente facil. Uma orbita caotica,
415
(a)
(b)
1
0
0,8
-5
0,6
xt
xt
-10
0,4
-15
0,2
100
200
300
400
-20
500
10
20
30
40
50
Figura 10.1: Iteracoes do modelo logstico discreto para (a) r = 4, 000, (b)
r = 4, 001.
pelo contrario, nao apresenta um padrao identificavel de comportamento: uma

determinada sequencia nao parece se repetir jamais. As iteracoes mostram um
comportamento irregular, ou aperi
odico.
Esta caracterstica dificulta grandemente qualquer possibilidade de previsao
do comportamento futuro das iteracoes de uma orbita caotica, conhecido o estado presente. Na ausencia de um padrao de comportamento, pode ser t
ao difcil
prever qual serao as iteracoes futuras do modelo discreto, como seria faze-lo num
sistema estocastico (passeio aleat
orio). No caso particular do modelo logstico
discreto com r = 4, mostrado na figura 10.1(a), pode-se mostrar que e t
ao difcil
prever qual sera a iterada seguinte do modelo discreto - conhecendo-se previamente as anteriores - como seria determinar se o lancamento de uma moeda daria
cara ou coroa! Este u
ltimo caso representa a ausencia completa de possibilidade de prever o futuro a partir do conhecimento da natureza determinstica
do sistema din
amico: apenas podemos determinar probabilidades sobre os resultados futuros dos sistema. Em geral, contudo, o grau de previsibilidade dos
sistemas caoticos nao e t
ao pequeno como neste exemplo em particular.
Como saber se uma serie temporal como a mostrada na figura 10.1(a) e ou
nao aperi
odica? A smples inspecao visual e claramente insuficiente, por dois
motivos:
1. Por maior que seja o n
umero de iteracoes mostrado, ainda podemos estar observando um comportamento transiente do sistema: ap
os um certo
n
umero de pre-iteracoes o sistema poderia estacionar num ponto fixo ou
orbita peri
odica, ou mesmo ir a infinito. Um exemplo, para o modelo

logstico discreto, e mostrado na figura 10.1(b). Apos um certo n
umero
de iteracoes exibindo um comportamento altamente irregular, os pontos
da
orbita do modelo discreto divergem para menos infinito.
muito difcil distinguir visualmente a ausencia completa de periodicidade
2. E
416
(a)
(b)
0,8
0,8
0,6
0,6
xt
xt
0,4
0,4
0,2
0,2
20
40
60
80
100
20
40
60
80
100
Figura 10.2: Iteracoes do modelo logstico discreto para r = 4, 0 e condicoes

iniciais (a) x0 = 0, 1, (b) 0, 100001.
(caos) de uma periodicidade complicada (como uma orbita de alto perodo,

ou a combinacao de um n
umero infinito de periodicidades). A tecnica da
analise de Fourier, a ser vista mais adiante, pode tornar esta distincao
mais clara.
10.1.2
Sensibilidade `
as condi
c
oes iniciais
H
a um n
umero infinitamente grande de valores de r para os quais o modelo
logstico discreto apresenta caos; em particular, para r = 4 [34]. Na figura
10.2(a) mostramos as trinta primeiras iteracoes neste caso, que sugerem um
comportamento aperi
odico. Para ilustrar a dependencia sensvel às condicoes
iniciais, nos podemos alterar a condicao inicial x0 , do valor 0, 1 para um n
umero
bastante pr
oximo, como 0, 100001, o que representa um aumento percentual de
apenas

0, 100001 0, 1
= 0, 00001 100% = 0, 001%

0, 1
Os gr
aficos utilizando as condicoes iniciais ligeiramente diferentes s
ao significativamente diferentes. Comparando as figuras 10.2(a) e 10.2(b) vemos que,
durante as primeiras iteracoes, as
orbitas geradas por x0 = 0, 1 e x0 = 0, 100001
tem pontos praticamente identicos, mas posteriormente elas se afastam mutuamente e seguem trajet
orias completamente independentes. Na figura 10.3(a)
nos superpomos as
orbitas caoticas obtidas, no caso do modelo logstico discreto
com r = 4, para duas condicoes iniciais muito proximas: as primeiras iteracoes
de fato s
ao praticamente coincidentes. No entanto, com o passar do tempo as
orbitas afastam-se rapidamente, e perdem qualquer relacao m
utua.
O termo afasta-se deve ser entendido aqui com um gr
ao de sal. Como os
pontos da
orbita do modelo logstico discreto est
ao confinados ao intervalo [0, 1],
nao e possvel para os pontos das duas orbitas afastarem-se por uma distancia
417
(a)
1
xt
(b)
0,8
0,6
xt
0,4
0,2
20
40
60
80
100
0,5
1
t1
Figura 10.3: (a) Orbitas

do modelo logstico discreto para r = 4 obtidas a partir
de duas condicoes iniciais muito proximas. (b) Modelo discreto do padeiro.
maior que o tamanho do intervalo. No entanto, a analise da figura 10.3(a)

mostra que afastamento significa a perda de qualquer correlacao entre as
orbitas inicialmente muito proximas. A maneira mais direta de quantificarmos
esta propriedade de sensibilidade às condicoes iniciais e o calculo do chamado

expoente de Lyapunov, e que sera visto mais adiante neste captulo.
Podemos colocar as observacoes anteriores numa forma mais matematicamente precisa atraves da
Defini
c
ao 18 O modelo discreto unidimensional f : J J, com J R,
apresenta dependencia sensvel `
as condico
es iniciais se existe um > 0 tal que,
para qualquer x J e qualquer vizinhanca N centrada em x, existe um y N
e n 0 tal que |f [n] (x) f [n] (y)| > .
Em outros termos, o modelo exibira dependencia sensvel às condicoes iniciais se existirem pontos arbitrariamente proximos a qualquer ponto x que
separar-se-
ao de x por ao menos uma distancia delta sob iteracoes do mod muito difcil demonstrar rigorosamente que um dado modelo apresenta
elo. E
dependencia sensvel `
as condicoes iniciais, a nao ser em casos bastante especiais. Por
exemplo,
pode-se mostrar que o modelo logstico discreto para
r > 2 + 5 possui dependencia sensvel às condicoes iniciais diretamente a

partir da definicao acima, usando argumentos topol
ogicos [?].
Na pr
atica, entretanto, nos podemos apenas comprovar numericamente essa
propriedade. Um exemplo onde isto pode ser feito e o chamado modelo discreto
do padeiro. Ele e um modelo discreto unidimensional bastante parecido com o
modelo discreto da tenda, ja visto anteriormente:

2xt1 se 0 xt1 21 ,
xt = B(xt1 ) =
(10.1)
2xt1 1 se 12 < xt1 1,
418
onde x [0, 1], tal como nos modelo discretos logstico e da tenda. Uma outra
forma de escrever as equacoes acima e usar a prescricao modulo 1:
xt = B(xt1 ) = 2xt1
(mod1),
(10.2)
que significa tomar o resto da divisao de xt por 1, quando xt for maior que
1. Por exemplo, se x0 = 0, 4, a proxima iteracao sera o dobro deste valor
x1 = 2 0, 4 = 0, 8 < 1. Ja na proxima iteracao, x2 = 2 0, 8 = 1, 6 > 1,
deve ser aplicada a prescricao modulo 1, que simplesmente tira a parte inteira
do n
umero, deixando a parte fracionaria, logo x2 = 1, 6(mod1) = 0, 6, de modo
que sempre temos os valores de xt compreendidos entre 0 e 1.
O gr
afico do modelo discreto do padeiro, mostrado na figura 10.3(b), indica
que este modelo discreto e descontnuo (portanto nao-diferenciavel) em x = 1/2,
tal qual o modelo da tenda, alias. Os pontos fixos desse modelo discreto seriam
x = 0 e x = 1, mas devido `
a prescricao modulo 1, ent
ao identificamos o ponto 1
com 0, logo ambos s
ao na verdade o mesmo ponto. Como a inclinacao do gr
afico
e 1/(1/2) = 2 > 1, este ponto fixo e instavel. O modelo discreto do padeiro
tem muitas propriedades semelhantes ao modelo discreto da tenda, T (x). Em
particular, pode-se mostrar que as
orbitas obtidas a partir de condicoes inicias
tpicas s
ao sempre caoticas.
Vamos tomar, portanto, duas condicoes iniciais muito pr
oximas: x0 = 1/3
(assim mesmo, na forma de fracao), e x 0 = 0, 333 (obtida truncando o resultado da divis
ao de 1 por 3). A distancia entre estas duas condicoes iniciais e
relativamente pequena
0 = |x0 x 0 | =
1
0, 333 = 3, 33 104 1.
3
(10.3)
As iteracoes provenientes da primeira condicao inicial s

ao pontos de uma orbita
de perodo 2, pois
x1
x2
1
B(x0 ) = B( ) =
3
2
B(x1 ) = B( ) =
3
2
< 1,
3
4
4
1
(mod1) = 1 = = x1 ,
3
3
3
(10.4)
(10.5)
logo, as iteracoes subsequentes alternam-se entre os valores 1/3 e 2/3 indefinidamente.

As iteradas da segunda condicao inicial, 0, 333, podem ser obtidas usando
uma planilha eletr
onica, como mostramos na secao 1.10. Na tabela 10.1.2 nos
mostramos os resultados das 10 primeiras iteracoes para ambas as condicoes
iniciais, bem como a distancia entre elas.
Veja que, durante as primeiras 4 ou 5 iteracoes as duas orbitas permaneceram
relativamente pr
oximas, ja que a distancia entre elas era da ordem de 103
100% = 0, 1% do tamanho do intervalo [0, 1]. Apos 10 iteracoes, no entanto, esta
distancia ja era da ordem de 66% do tamanho do intervalo, portanto altamente
significativa.
Caso tom
assemos mais casas decimais na segunda condicao inicial, por exemplo, x 0 = 0, 3333333, podemos concluir facilmente que a mesma coisa ocorreria,
ja que a distancia entre as iteracoes duplica a cada instante de tempo t. Evidentemente neste caso seria maior o n
umero de iteracoes necessarias para uma
separacao entre as
orbitas da ordem do tamanho do intervalo. Portanto, do
419
t
0
1
2
3
4
5
6
7
8
9
10
xt
1/3
2/3
1/3
2/3
1/3
2/3
1/3
2/3
1/3
2/3
1/3
x t
0, 333
0, 666
0, 332
0, 664
0, 328
0, 656
0, 312
0, 624
0, 248
0, 496
0, 992
t = |xt x t |
3, 33 104
6, 66 104
1, 33 104
2, 66 104
5, 33 103
0, 01066
0, 02133
0, 04266
0, 08533
0, 17066
0, 65866
Tabela 10.1: Sensibilidade às condicoes iniciais no modelo discreto do padeiro
ponto de vista mais fundamental, nao importa qual a precis

ao que seja usada
na especificacao da segunda condicao inicial, ela sempre afastar-se-a da outra
orbita. Se lembrarmos que uma calculadora trabalhara sempre com uma ex
pressao truncada para uma fracao, como 1/3, a conclus
ao perturbadora e que
a condicao inicial sera sempre um n
umero como x 0 , e portanto o resultado
numericamente obtido nunca sera igual ao que desejaramos, a partir de uma
condicao inicial do tipo x0 = 1/3.
Naturalmente, isto nos traz novamente ao problema da previsibilidade de
um sistema caotico. Em princpio, se conhecessemos com precis
ao infinitamente
grande a condicao inicial, poderamos prever com certeza absoluta os valores
subsequentes dos pontos de uma orbita caotica. O problema, no entanto, est
a
nessa premissa: n
ao conseguimos jamais uma condicao inicial com esta pre inevit
vis
ao! E
avel que cometamos erros, tanto numericos (truncamento, precis
ao) como experimentais, na determinacao das condicoes iniciais. Pois bem,
estes erros far
ao com que a orbita caotica que uma calculadora (ou computador) produza seja inicialmente proxima àquela que desejamos obter; mas com o
passar do tempo, esta trajet
oria ira se desviar inexoravelmente da verdadeira,
e qualquer tentativa de previsao sera infrutfera.
10.2
Janelas peri
odicas
A regi
ao caotica, no diagrama de bifurcacoes do modelo logstico discreto, que
ampliamos na Figura 10.4(a), inicia-se no valor de acumulacao das bifurcacoes
r 3, 57, e termina abruptamente em r = rC = 4.0. Embora boa parte dos
valores de r dentro do intervalo [r , rC ] parecam dar origem a orbitas caoticas
(as bandas escuras observadas), e bastante evidente a existencia de janelas
onde o comportamento volta a ser peri
odico. De fato, pode-se mostrar que
existem infinitas janelas deste tipo, e seu estudo tambem revelou caractersticas
universais.
A maioria destas janelas e estreita demais para ser facilmente observada nos
diagramas de bifurcacao, mas algumas se sobressaem,principalmente a chamada
janela de perodo 3. Ela surge em rJ3 = 1 + 8 3, 8284 subitamente
420
(a)
(b)
0
3,57
r J3
3,82 r J3
3,87
Figura 10.4: (a) Diagrama de bifurcacoes do modelo logstico discreto, na regi

ao
predominantemente caotica: r < r 4. (b) Diagrama de bifurcacoes do
modelo logstico discreto, na regi
ao da janela de perodo 3: 3, 82 < r < 3, 87
apos uma banda de comportamento caotico, na forma de uma orbita est

avel
de perodo 3 [vide figura 10.4(b)]. Este 3-ciclo, por sua vez, tambem sofre, a
partir de r 3, 840, uma cascata de bifurcacoes com duplicacao de perodo
3 6 12 3 2n 1 . Na verdade, podemos imaginar que cada ponto
do 3-ciclo tem a sua pr
opria cascata, e que acumulam-se no valor rJ = 3, 999,
dando origem a tres bandas caoticas.
O 3-ciclo est
avel que aparece a partir de rJ3 3, 8284 origina-se de uma
bifurcacao tangente. Em r = rJ3 forma-se um 3-ciclo est
avel e outro 3-ciclo
instavel (este u
ltimo nao e observado no diagrama de bifurcacoes, como sabemos), cujos pontos s
ao os pontos fixos da terceira iterada do modelo discreto,
[3]
fr (x). A figura 10.5 mostra o comportamento da terceira iterada do modelo
logstico discreto na vizinhanca do ponto de bifurcacao rJ3 . Para valores de r
[3]
inferiores a ele, o gr
afico de , fr (x) intercepta a primeira bissetriz apenas em
dois pontos ja bem conhecidos: a origem x = 0 e o ponto fixo x = 1 1/r
(corresponde ao caso r = 3, 8084 na Fig. 10.5). Ambos s
ao instaveis. Logo,
nao pode haver
orbita de perodo 3 neste caso, o que de fato ocorre, embora no
diagrama antes de rJ3 haja uma regi
ao caotica. Como e porque isso ocorre sera
visto numa pr
oxima secao, quando abordarmos o fenomeno da intermitencia.
Exatamente no ponto de bifurcacao rJ3 o gr
afico da terceira iterada tangencia a primeira bissetriz nos pontos do 3-ciclo (corresponde ao caso r = 3, 8284
na Fig. 10.5). Para r > rJ3 ha seis novas intersecoes, dadas por parte das razes
da equacao algebrica
x = fr[3] (x ),
e correspondentes a
`s duas
orbitas de perodo 3, uma est
avel e outra instavel (e
o caso r = 3, 8484 na Fig. 10.5).
1 Um
exemplo semelhante, para o modelo discreto quadr

atico, foi abordado na sec
ao anterior
421
0,8
xt+3
0,6
0,4
r = 3,8084
r = 3,8284
r = 3,8484
0,2
0,2
0,4
xt
0,6
0,8
Figura 10.5: Terceira iterada do modelo logstico discreto para valores de r na

vizinhanca de rJ3 .
10.2.1
Perodo 3 implica em caos
Um fato bastante comum no diagrama de bifurcacao do modelo logstico discreto

e a existencia de valores do par
ametro r para os quais existem pontos peri
odicos
de certos perodos, mas nao de outros. Um exemplo smples e a inexistencia de
pontos peri
odicos de perodo superior a 1, mesmo que fossem instaveis, na regi
ao
do diagrama r [0, 3] onde s
o ha pontos fixos.
Em 1975, os matematicos Li e Yorke publicaram um famoso artigo intitulado Period-3 implies chaos [?], onde pela primeira vez a palavra caos foi
utilizada numa acepcao muito proxima à atualmente empregada na teoria dos
sistemas din
amicos. Neste trabalho, foi provado que, se um modelo discreto
unidimensional tiver pontos peri
odicos de perodo 3, ent
ao ele ter
a pontos de
todos os perodos possveis. Se estas orbitas de perodos mais altos s
ao est
aveis
ou instaveis e outro problema. Mais formalmente, temos o
Teorema 14 (Li e Yorke) Seja f (x) contnua num certo intervalo fechado
J R, com J f (J). Se f tem um ponto peri
odico de perodo 3, ent
ao f ter
a
pontos de todos os outros perodos n, para n 1
que e demonstrado, por exemplo, em [34] [pp. 62-66]
Vamos, agora, consider a parte da janela de perodo 3 do modelo logstico
discreto, no intervalo rJ3 < r < 3, 840, para o qual e visvel a existencia de
pontos de perodo 3. De fato, neste caso, os pontos de perodo 3 nao s
ao tres
pontos fixos, e sim comp
oe uma orbita est
avel de perodo 3. Pelo teorema
de Li-Yorke, este fato implica a existencia, dentro deste intervalo, de pontos
peri
odicos (e, portanto, ciclos) com todos os perodos possveis. No entanto,
422
todos estes outros pontos peri

odicos devem ser instaveis (ja que nao aparecem
no diagrama).
O caos preconizado pelo Teorema de Li-Yorke refere-se à existencia de um
n
umero infinito e nao-cont
avel 2 de pontos no intervalo [0, 1] que nao convergem
para a
orbita est
avel de perodo 3. Estes pontos formam um conjunto de medida
de Lebesgue nula, ou seja, se tomarmos um ponto no intervalo [0, 1] ao acaso, a
` vezes este tipo
probabilidade de obtermos um ponto deste conjunto e nula. As
de comportamento e denominado de caos topol
ogico ou caos de Li-Yorke,
principalmente na literatura econ
omica [68].
Pelo mesmo motivo, uma condicao inicial x0 tpica (ou seja, nao pertencente
à esse conjunto) ira gerar uma
orbita que convergira, quando o tempo t tende
a infinito, `
a
avel. Essa orbita ter
a um comportamento
transiente bastante complicado, o qual e influenciado diretamente pelo conjunto
de pontos peri
odicos instaveis descritos pelo Teorema. Trata-se, pois, de um
transiente caotico, e nao de uma
orbita caotica no sentido que nos referimos
anteriormente.
O resultado de Li e Yorke foi obtido de maneira independente de um outro
teorema, anterior e mais geral, devido ao matematico russo Sharkowski (seu
trabalho foi publicado em 1964 numa revista de pouca divulgacao [?]). Inicialmente vamos definir o ordenamento de Sharkowski (), que e uma maneira de
ordenar todos os n
umeros inteiros positivos, e baseia-se no fato de que todo
inteiro positivo pode ser escrito na forma 2k n, onde n e um inteiro mpar,
para algum inteiro nao-negativo k.
O ordenamento de Sharkowski e o seguinte:
3
2 3
23
2
5 7 2 3 2 5 2 7
(10.6)
2
2
3
3
3
2 5 2 7 2 3 2 5 2 7
22 21 1
Esta claro que este ordenamento nao e o mesmo usado habitualmente no conjunto dos n
umeros inteiros: embora 17 > 14, como 14 pode ser escrito como
21 7, ele est
a antes de 14 no ordenamento de Sharkowski (17 14).
Sharkowski mostrou que, se um modelo discreto unidimensional tiver uma
orbita de perodo m, ent
ao existirao orbitas com todos os perodos n, tais que
m n. Se fizermos m = 3, que e o menor inteiro do ordenamento de Sharkowski,
ent
ao haver
a
orbitas de todos os perodos possveis n, ja que 3 n para todo
n 6= 3; que e o pr
oprio teorema de Li-Yorke. Como outro exemplo, se houver
uma orbita de perodo 5, poderao existir orbitas de todos os perodos inteiros,
com a excecao de perodo 3, ja que 3 5.
10.2.2
Sequ
encia-U
Feigenbaum nao foi o primeiro pesquisador a investigar as notaveis propriedades

do modelo logstico discreto, em particular a sua rota para o caos via cascata de
bifurcacoes com duplicacao do perodo. Ja em 1973, Metropolis, Stein e Stein
[?] estudaram o ordenamento para o qual ocorrem orbitas peri
odicas est
aveis
em uma classe geral de modelo discretos unidimensionais, da qual o modelo
logstico discreto e um exemplo, que pode ser escrita como xt+1 = rf (xt ), onde
2 Os n
umeros de uma sequ
encia n
ao-cont
avel n
ao podem ser postos em correspond
encia
biunvoca com os n
umeros naturais.
423
x t1
Figura 10.6: Modelo discreto unimodal
r e um par
ametro e f (x) e um modelo discreto unimodal. Modelo Discretos
unimodais apresentam um ponto crtico, de tal forma que fp (x) e inicialmente
monotonicamente crescente, e depois monotonicamente decrescente (fig 10.6).
Defini
c
ao 19 Se f (x) e uma funca
o diferenci
avel definida em um intervalo J,
ent
ao xc e um ponto crtico no interior de J se f (xc ) = 0.
No caso do modelo logstico discreto, por exemplo, ha apenas um ponto
crtico em xc = 1/2. Metropolis e seus colaboradores demonstraram que,
para modelo discretos unimodais, existe um ordenamento bem-definido para
o qual aparecem
orbitas peri
odicas est
aveis, à medida em que o par
ametro de
bifurcacao do modelo discreto, p, e aumentado. Esta sequencia e dita universal, ou sequencia-U:
1
2 2 2 ... 6 5
(10.7)
3 2 3 ... 5 6 4 6 5 6
Em particular, no modelo logstico discreto, as janelas peri

odicas imersas
na regi
ao predominantemente caotica [r , rC ] est
ao ordenadas de acordo com
a sequencia-U. Comparando o diagrama de bifurcacoes do modelo logstico discreto, Fig. 9.10 com a sequencia-U 10.7, vemos que o incio da sequencia e
familiar, pois temos, `
a medida em que r aumenta, orbitas est
aveis de perodos
1 (ponto fixo), 2 (2-ciclo), 2 2 (4-ciclo), seguido pela cascata de duplicacao
do perodo. Os proximos tres valores da sequencia-U, 6, 5, e 3, correspondem
as
`
orbitas das tres primeiras janelas peri
odicas que observamos estarem imersas
na regi
ao caotica da Fig 10.4 [83].
O valor seguinte, 2 3, e a primeira componente da nova cascata de duplicacao do perodo que o 3-ciclo sofre, levando novamente ao caos, e consequentemente ao fim desta janela peri
odica. Os demais valores, 5, 6, 4, 6, 5,
6, . . ., correspondem a janelas muito estreitas, pequenas demais para serem
observadas no diagrama da fig. 10.4.
10.2.3
Derivada Schwarziana
Vamos retornar, mais uma vez, à janela de perodo 3 do modelo logstico discreto: rJ3 < r < 3, 840. Sabemos que ela se inicia com uma orbita de perodo 3,
424
mas poderamos (em princpio) ter outras possibilidades: tres pontos fixos, um
ponto fixo e uma
orbita de perodo 2, e assim por diante. Como saber antecipadamente qual a natureza desses pontos peri
odicos e o objeto desta sub-secao.
Para responder a esse tipo de quest
ao, e fundamental a seguinte definicao
Defini
c
ao 20 Seja f (x) definida num intervalo J, tal que sua terceira derivada,
f (x) seja contnua em J. A derivada Schwarziana de f no ponto x e dada por

2
f (x) 3 f (x)
(10.8)
(Sf )(x) =
f (x)
2 f (x)
O modelo logstico discreto, por exemplo, tem derivada Schwarziana negativa
em todo o intervalo [0, 1], pois
f (x) = r(1 2x), f (x) = 2r, f (x) = 0,

2
3
2r
6
(Sf )(x) =
=
2 <0
2 r(1 2x)
(1 2x)
(10.9)
(10.10)
Teorema 15 (Singer) Seja f (x) definida em um intervalo fechado J R e

tal que J f (J). Se f tiver n pontos crticos e (Sf )(x) < 0 para todo x J,
ent
ao f (x) tem no m
aximo n + 2
orbitas peri
odicas atrativas.
cuja demonstracao pode ser encontrada em [34] [pp. 70-78].
Para modelos discretos cuja derivada Schwarziana e negativa no seu intervalo
de definicao, vale o seguinte
Teorema 16 (Singer) Seja f (x) definida em um intervalo fechado J R e
tal que J f (J). Se f tiver n pontos crticos e (Sf )(x) < 0 para todo x J,
ent
ao f (x) tem no m
aximo n + 2
orbitas peri
odicas atrativas.
cuja demonstracao pode ser encontrada em [34] [pp. 70-78].
Lembremos que o modelo logstico discreto tem apenas um ponto crtico
(em xc = 1/2). Como sua derivada Schwarziana e negativa em [0, 1], o teorema
de Singer garante que ele pode ter, no maximo, 1 + 2 = 3 orbitas peri
odicas
atrativas para um dado valor de r. Em princpio poderamos ter 0, 1, 2 ou 3
orbitas est
aveis com um certo perodo (o qual nao e fornecido pelo teorema de
Singer). No entanto, no caso do modelo logstico discreto, o teorema de Singer
tem um corolario ainda mais forte:
Teorema 17 Seja o modelo logstico discreto fr (x) = rx(1x) onde x [0, 1] e
r [0, 4]. Para cada valor de r o modeleo tem no m
aximo uma
orbita peri
odica
atrativa.
Logo, no modelo logstico discreto podemos ter, na verdade, apenas uma
orbita peri
odica atrativa para um dado r. Portanto, na janela de perodo 3
temos uma
orbita de perodo 3, e nao tres pontos fixos est
aveis, por exemplo.
Na demonstracao do teorema de Singer s
ao usados dois resultados preliminares (lemas) que, por si s
o, tambem s
ao interessantes:
Teorema 18 (i) Suponha que f (x) definida em J R, tenha pontos fixos a,
b, c e d, tal que a < b < c < d. Se (Sf )(x) < 0 em [a, d], ent
ao f tem um
ponto crtico no intervalo (a, d); (ii) Se (Sf )(x) < 0 e (Sg)(x) < 0, ent
ao
(S(f g))(x) < 0.
425
10.3
Outras rotas para o caos
A cascata de bifurcacoes de duplicacao do perodo pode ser encarada como uma

rota para o caos, no sentido de que podemos passar de um regime peri
odico
para caotico variando continuamente um par
ametro. H
a, no entanto, outras
rotas pelas quais o caos pode aparecer pela variacao de um par
ametro. Nesta
obra vamos focalizar duas delas: as rotas de intermitencia e crise, procurando
exemplificar sua ocorrencia no modelo logstico discreto.
Toda rota para o caos e caracterizada pela existencia de um valor crtico
do par
ametro p = pc , a partir do qual (para mais ou para menos) passamos
abruptamente do regime peri
odico para o caotico. Na rota de Feigenbaum para
o modelo logstico discreto, este valor crtico e o ponto de acumulacao das bifurcacoes de duplicacao do perodo r 3, 57, tal que para r <= r a din
amica
e peri
odica, e torna-se subitamente caotica para r > r . De modo geral, o caos
pode ocorrer para p tendendo ao valor crtico pc por valores inferiores a pc
(p p+
stico discreto) ou
c , como na rota de Feigenbaum para o modelo log
inferiores (p p
c ).
10.3.1
Intermit
encia
A intermitencia e a altern
ancia, observada em v
arios modelos din
amicos, entre
dois tipos de comportamento: regular e aleat
orio [?]. O sistema permanece
por um tempo mais ou menos longo num estado regular quiescente, que e interrompido de tempos em tempos por explosoes irregulares de forma aparentemente
aleat
oria.
A figura 10.7 ilustra este tipo de comportamento, a partir da serie temporal,
ou seja, o gr
afico de xt versus tempo t, do modelo logstico discreto na vizinhanca
do incio da janela de perodo 3, que ocorre para r = rJ3 3, 8284.
Quando r < rJ3 temos comportamento caotico [Fig. 10.7(a)]. Porem, à medida em que nos aproximamos do incio da janela em r = rJ3 (que, lembramos,
ocorre devido `
a uma bifurcacao tangente) temos um comportamento que alterna explosoes caoticas com oscilacoes bem-comportadas [Fig. 10.7(b)]. Essa e
a caracterstica que identifica o comportamento intermitente: a altern
ancia de
oscilacoes peri
odicas e caoticas. Se r > rJ3 temos apenas oscilacoes regulares
advindas de estarmos numa orbita est
avel de perodo 3 [Fig. 10.7(c)].
Os intervalos regulares, ditos tambem laminares (por analogia com o escoamento laminar de um fluido), s
ao de tempos em tempos interrompidos por
explosoes caoticas intermitentes. A duracao das regi
oes laminares, que denominaremos i , nao e constante, todavia, variando de modo bastante acentuado
com a condicao inicial, e obedecendo a uma certa distribuicao estatstica [Fig.
10.8]. Uma descricao quantitativa desta distribuicao pode basear-se na duracao
media dos intervalos laminares,
< >=
Np
1 X
i
Np i=1
(10.11)
onde Np e o n
umero regi
oes laminares amostradas numa dada serie temporal.
Para r < rJ3 o regime caotico e interrompido por regi
oes laminares de forma
intermitente. Quando r aproxima-se de rJ3 as explosoes caoticas tornam-se
menos frequentes, ou seja, as regi
oes laminares tem duracao media cada vez
426
xt
1
0,8
(a)
0,6
0,4
0,2
xt
0
200
1
0,8
300
400
500
600
700
800
900
1000
(b)
0,6
0,4
0,2
xt
0
200
1
0,8
300
400
500
600
700
800
900
1000
(c)
0,6
0,4
0,2
0
200
300
400
500
600
700
800
900
1000
Figura 10.7: Series temporais para o modelo logstico discreto quando (a) r =
3, 8084; (b) r = 3, 8284; (c) r = 3, 8484.
0,8
xt
0,6
0,4
0,2
1
0
200
300
400
500
600
700
800
900 1000 1100 1200 1300
Figura 10.8: Serie temporal para o modelo logstico discreto quando r = 3, 8284,
salientando as duracoes dos intervalos laminares.
427
maior. Quando r e exatamente igual ao valor crtico, a duracao da regi

ao
laminar tende a infinito - isto quer dizer que nao temos mais explosoes caoticas,
e que portanto a din
amica passou ao regime peri
odico. Neste caso, a transicao
para o caos ocorre se percorrermos o diagrama de bifurcacao no sentido inverso:
o caos aparece subitamente quando r tende ao valor crtico rJ3 por valores
+
superiores a ele (r rJ3
). Pomeau e Manneville determinaram a duracao
media da regi
ao laminar quando r e ligeiramente inferior a rJ3 (de modo a nao
sairmos da banda caotica), e observaram a seguinte relacao, tambem chamada
de lei de escala:
K
(r rJ3
),
(10.12)
< >=
(r rJ3 )
onde K e s
ao coeficientes determinados por ajuste numerico (regress
ao linear)
usando o metodo dos mnimos quadrados (num gr
afico log-log). Desta relacao,
segue imediatamente que, se < > tende ao infinito quando r tende ao valor
crtico por valores inferiores a ele. O coeficiente assume o valor 1/2, o que
pode ser obtido por uma teoria simples derivada dos argumentos da proxima
sub-secao.
Aqui novamente encontramos uma manifestacao da universalidade, uma vez
que, em um grande n
umero de modelos discretos unidimensionais investigados,
este coeficiente foi determinado como = 1/2. O que estes modelos tem em
comum e o fato da intermitencia ser causada por uma bifurcacao tangente,
como veremos na proxima secao. Esta situacao e denominada intermitencia
tipo I. Transicoes intermitentes causadas por outros tipos de bifurcacao s
ao
caracterizadas por um expoente = 1 (intermitencia tipos II e III), as quais
nao serao abordadas neste trabalho.
10.3.2
Mecanismo da intermit
encia do tipo I
Assim como o mecanismo da rota de Feigenbaum para o caos e uma bifurcacao

de duplicacao do perodo, a rota da intermitencia do tipo I e associada a uma
a bifurcacao tangente. Para entender o porque, vamos remeter novamente à
Figura 10.5, que mostra o comportamento da terceira iterada do modelo logstico
discreto nas vizinhancas do ponto crtico rJ3 . Para r < rJ3 , que e a regi
ao
onde existem as regi
oes laminares e as explosoes caoticas intermitentes, nao ha
[3]
intersecao do gr
afico de fr com a primeira bissetriz, de modo que existe ponto
fixo aqui.
No entanto, se r est
a proximo a rJ3 , tambem o gr
afico da terceira iterada
aproxima-se da primeira bissetriz formando um canal estreito. Este estreitamento ocorre proximo ao ponto fixo que s
o aparece quando, em r = rJ3 , o
gr
afico tangencia a primeira bissetriz. Os degraus da escada ficam cada vez
menores e mais numerosos à medida em que entramos no canal estreito, mas
irao sair dali apos algum tempo, eventualmente muito alto (e que depende da
largura do canal). Dentro do canal, as iteracoes mudam t
ao pouco de valor
que lembram um ponto fixo de f [3] , ou seja, um 3-ciclo do modelo discreto.
Na serie temporal, as iteracoes lembram bastante um 3-ciclo real, e s
ao
justamente os pontos da regi
ao laminar. As iteracoes s
ao, por assim dizer,
enganadas pelo fantasma do ponto fixo existente no canal estreito. Como as
iteracoes saem do canal, a regi
ao laminar tem uma duracao finita, e as iteracoes
subsequentes tem um comportamento caotico. Quando nos aproximamos do
428
valor crtico, o canal torna-se cada vez mais estreito e a duracao da regi
ao
laminar e cada vez maior.
Para demonstrarmos a lei de escala (10.12) utilizaremos o modelo discreto
unidimensional [?]:
xt = f (xt1 ) = xt1 + + x2t1 ,
(10.13)
que exibe uma bifurcacao tangente para = 0. Dessa forma, podemos encarar
esse modelo como uma aproximacao para o comportamento do modelo logstico
discreto na vizinhanca do incio da janela de perodo 3, caso identifiquemos
= r rJ3 (vide a Fig. 9.8 para os diagramas de escada de um modelo qualitativamente similar a este).
Se e apenas ligeiramente superior a zero a funcao f (x) quase tangencia a primeira bissetriz, formando o canal estreito pelo qual as iteracoes s
ao
enganadas antes de serem reinjetadas aleatoriamente. Justamente dentro do
canal os degraus da escada s
ao t
ao pequenos que o tempo pode ser aproximado por uma variavel contnua, e o modelo torna-se uma equacao diferencial
ordinaria:
dx
xt xt1 = + x2 ,
(10.14)
dt
que pode ser integrada
Z
x
0
dx
=
+ x2
t
t0
dt = t t0
fornecendo, como resultado

x(t) = 1/2 tan 1/2 (t t0 ) ,
(10.15)
onde t0 marca o instante no qual as iteracoes penetram na parte mais estreita

do canal, sendo que podemos fazer t0 = 0 sem perda de generalidade.
Sabemos que a funcao tangente vai a infinito (positivo ou negativa) quando
seu argumento tende a /2. Logo x(t) diverge quando t = /21/2 . Na
verdade, como x possui valores apenas entre zero e um, esse valor nao tem
significado mais profundo, a nao ser mostrar que, para grandes valores de x,
afastamo-nos da parte mais estreita do canal e a substituicao do modelo discreto por um modelo contnuo nao e mais v
alida. De qualquer forma, a solucao
(10.15) e u
til pois nos da uma ideia da ordem de grandeza do intervalo de tempo
que as iteracoes permanecem na parte mais estreita do canal, e que e t 1/2 .
Concluimos, portanto, que a duracao media dos intervalos laminares diverge
1/2
como 1/2 |r rJ3 |
, que resulta na lei de escala (10.12). A universalidade deste resultado prende-se ao fato de a aproximacao pelo modelo (10.14)
e v
alida para qualquer modelo discreto que exiba uma tangencia quadratica à
primeira bissetriz no ponto crtico.
Como a aplicacao fr (x) = rx(1x) mapeia pontos do intervalo [0, 1] em pontos desse mesmo intervalo (escrevemos que fr : [0, 1] [0, 1]), ent
ao as iteracoes
que saem do canal acabam voltando ao mesmo apos algum tempo (reinjecao
aleat
oria). Esse nterim representa as explosoes caoticas que interrompem de
forma intermitente as regi
oes laminares.
429
-5
xt
-10
-15
-20
10
20
30
40
50
Figura 10.9: Serie temporal para o modelo logstico discreto em r = 4, 001
10.3.3
Crise
A rota de crise para o caos distingue-se das anteriores por nao ser motivada
por uma bifurcacao especfica, e sim por uma colisao entre uma orbita caotica
e uma
orbita peri
odica instavel. Depois da crise, acontece uma mudanca s
ubita
da
orbita caotica - ela pode se tornar uma orbita peri
odica, pode aumentar seu
tamanho, ou ainda divergir para infinito [?].
O diagrama de bifurcacoes do modelo logstico discreto exibe diversos exemplos de crise, em algumas de suas formas. Tomemos o valor rCR = 4, que
marca aparentemente o final do regime caotico. Na Figura 10.9 mostramos
uma serie temporal para um valor de r ligeiramente superior ao valor crtico.
As iteracoes inicialmente apresentam um comportamento altamente irregular,
chamado apropriadamente de transiente caotico, e apos um certo tempo divergem para menos infinito. Isto ocorre pois, para r > 4 a aplicacao fr (x)
mapeia pontos de [0, 1] fora deste intervalo. No entanto, antes de divergir, o
comportamento das iteracoes lembra bastante o de uma orbita caotica.
Dura
c
ao do transiente ca
otico
A duracao deste transiente caotico i depende bastante da condicao inicial x0
escolhida para a
orbita. Para comprovar esse fato fizemos a seguinte experiencia
numerica: tomamos um valor superior mas bastante proximo ao valor da crise:
r = 4.0 + 105 e iteramos o modelo logstico para um grande n
umero N0 = 105
de condicoes iniciais escolhidas aleatoriamente entre 0 e 1 (usando um gerador
de n
umeros aleat
orios para essa finalidade). Para cada condicao inicial o modelo
e iterado ate que divirja, o que e aferido tomando-se (de forma algo arbitraria)
um valor maximo |xmax | = 100 possvel. Quando este e alcancado contamos
a duracao do transiente caotico i . Da passamos à condicao inicial seguinte e
repetimos o processo.
O programa abaixo, em linguagem C, implementa este algoritmo
430
/* crise.c: determina a dura

ca
~o dos transientes para v
arias condi
co
~es
iniciais (escolhidas aleatoriamente) no modelo log
stico
discreto para r = 4 + eps */
#include <stdio.h>
#include <stdlib.h>
#include <math.h>
#define XMAX 100
#define frand() ((double) rand() / (RAND_MAX+1.0))
FILE *fp;
main( )
{
int i,inits,count,tau;
double x_n,x_0,r,eps,sum,med;
fp = fopen("crise1.dat","w");
r = 4.0;
eps = 0.00001;
inits = 100000;
sum = 0;
count = 0;
for(i=1;i<=inits;++i) {
x_0 = frand();
x_n = x_0;
while (fabs(x_n) < XMAX) {
x_n = (r+eps)*x_n*(1.0-x_n);
count = count + 1;
}
tau = count;
count = 0;
sum = sum + tau;
fprintf(fp,"\%f %d\n",x_0,tau);
}
med = sum/inits;
printf("\%f\n",med);
fclose(fp);
}
Na tabela 10.3.3 indicamos a duracao do transiente associado com algumas
condicoes iniciais, com o objetivo de mostrar a forte dependencia de i com x0 .
Uma descricao estatstica dessa dependencia com a condicao inicial pode ser
feita usando uma funcao distribuicao de probabilidade (
). Formalmente, a
quantidade (
)d
fornece o n
umero de vezes em que a duracao do transiente
e encontrada no intervalo que vai de a + d
. Uma aproximacao numerica
satisfat
oria dessa distribuicao e obtida a partir de um histograma de frequencia,
como o mostrado na Fig. 10.10. Os valores de (
) gerados desta forma podem
ser ajustados por uma funcao exponencial do tipo
(
) = 0 e
(10.16)
onde os coeficientes foram determinados por regress

ao linear como 0 = 5091, 7
e = 0, 001.
431
i
1
2
3
4
5
6
7
8
9
10
xt
0.005435
0.649787
0.126222
0.461949
0.084185
0.780251
0.785932
0.684677
0.910227
0.867197
i
2812
405
507
593
325
1225
35
267
1270
3544
i
11
12
13
14
15
16
17
18
19
20
xt
0.062674
0.047183
0.527075
0.177133
0.927866
0.109525
0.387996
0.596191
0.638409
0.700340
i
564
1350
186
388
760
2687
348
59
234
333
Tabela 10.2: Dependencia da duracao do transiente caotico com as condicoes

iniciais no modelo logstico discreto para r = 4, 0 + 105 .
10000
()
1000
100
10
0
2000
4000
6000
8000
Figura 10.10: Histograma de frequencias para o n

umero de vezes em que o
transiente caotico tem duracao para o modelo logstico discreto para r =
4, 0 + 105 . Foram empregadas 105 condicoes iniciais. A linha cheia representa
um ajuste por regress
ao linear.
432
Em situacoes como essa - assim como na intermitencia - nos estamos interessados no valor medio da duracao
< >=
N0
1 X
i
N0 i=1
onde N0 representa o n
umero de condicoes iniciais usadas para computar a
duracao do transiente. No exemplo mostrado na figura 10.10, quando r =
4, 0 + 105 temos que < >= 994, 449. Se estivermos muito proximos ao
valor crtico, essa duracao media pode ser t
ao grande (da ordem de milhoes
de iteracoes!) que, se nao observarmos a orbita por um tempo suficientemente
extenso, poderamos tomar o transiente pela propria orbita caotica.
Na verdade, a duracao media do transiente caotico tende a infinito quando
+
r tende ao valor crtico rCR = 4 por valores superiores a ele (r rCR
). Nesse
caso, o transiente vira uma
orbita caotica bona fide. Para investigar como a
duracao media do transiente < > varia com a distancia ao valor da crise,
r rCR , nos podemos utilizar o programa abaixo:
/* crisetau.c: determina a dura
ca
~o m
edia dos transientes
no modelo log
stico discreto versus r - 4 */
#include <stdio.h>
#include <stdlib.h>
#include <math.h>
#define XMAX 100
#define frand() ((double) rand() / (RAND_MAX+1.0))
FILE *fp;
main( )
{
int i,inits,count,tau;
double x_n,x_0,r,eps,sum,med,epsmax,delta;
fp = fopen("crisetau.dat","w");
inits = 100000;
r = 4.0;
eps = 0.00000001;
epsmax = 0.001;
delta = 2.0;
while (eps <= epsmax){
eps = eps*delta;
sum = 0;
count = 0;
for(i=1;i<=inits;++i) {
x_0 = frand();
x_n = x_0;
while (fabs(x_n) < XMAX) {
x_n = (r+eps)*x_n*(1.0-x_n);
count = count + 1;
}
tau = count;
count = 0;
sum = sum + tau;
433
<>
1000
100
10
0,0001
0,001
0,01
r-4
Figura 10.11: Duracao media do transiente caotico no modelo logstico discreto

como funcao da diferenca r 4. A linha cheia representa uma o resultado de
uma regress
ao linear.
}
med = sum/inits;
fprintf(fp,"\%f %f\n",eps,med);
}
fclose(fp);
}
onde variamos a distancia desde 107 ate 102 . Para conseguir uma varredura
eficiente desse intervalo abrangendo cinco ordens de grandeza nos incrementamos a distancia nao adicionando uma quantidade pequena, como nos diagramas
de bifurcacao, mas multiplicando por um fator como 2.
Podemos ver pela Figura 10.11 que a duracao media diminui com a distancia
por meio de uma lei de potencia na forma
< > (r rCR )
+
),
(r rCR
(10.17)
onde o expoente foi determinado por regress

ao linear como = 0, 489 0, 002.
De fato, Grebogi, Ott e Yorke mostraram, usando argumentos teoricos, que
este expoente deve ser exatamente igual a 1/2 para o modelo discreto logstico.
A pequena discrepancia entre o resultado obtido numericamente e explicada
pelo n
umero insuficientemente grande de pontos no gr
afico, especialmente muito
pr
oximo a r = 4, onde a duracao media do transiente tende a infinito. A lei de
escala (10.17) e semelhante à v
alida no caso de intermitencia, e de fato, pode-se
mostrar que ela e comum a uma classe ampla de modelo discretos unidimensionais, os quais tem maximos ou mnimos quadr
aticos: nas vizinhancas dos pontos
de maximo ou mnimo a funcao f (x) pode ser localmente representada por uma
funcao quadr
atica.
434
crise
(a) x
crise
(b)
estavel
instavel
0
0
3,82 r J3
3,87
Figura 10.12: (a) Colis

ao da
orbita caotica com o ponto fixo instavel do modelo
logstico discreto em r = 4. (b) Colis
ao da orbita caotica com o 3-ciclo instavel
numa janela peri
odica do modelo logstico discreto
Mecanismo da crise
No caso desta crise, o mecanismo e a colisao, em r = rCR = 4, da orbita caotica
pre-existente com o ponto fixo instavel (x = 0) que foi criado com a bifurcacao
transcrtica que descrevemos em r = 1. Na verdade, para r > 1, o diagrama de
bifurcacoes foi se abrindo sempre para valores superiores a zero, ao passo que
o ponto fixo instavel permaneceu como um observador passivo [Fig. 10.12(a)].
Quando r = 4, as iteracoes da
orbita caotica preenchem todo o intervalo [0, 1]
(isto nao ocorre para nenhum outro valor de r), de forma que ha uma colisao
entre o ponto fixo e a
orbita. A din
amica pos-colisional consiste de um (longo)
transiente, que de certa forma recorda o passado caotico da orbita, seguida
de uma divergencia a menos infinito causada pelo fato de ser r maior do que 4.
Este e um exemplo de crise dita interior.
Outro exemplo de crise que ocorre no diagrama de bifurcacoes do modelo
logstico discreto pode ser observada no final da janela de perodo 3, que marca
o retorno `
a banda caotica. De fato, o 3-ciclo que inicia a janela em rJ3 = 3, 816
(por meio de uma bifurcacao tangente), sofre uma cascata de bifurcacoes com
duplicacao do perodo, o que leva a basicamente tres bandas caoticas - uma
para cada ponto do ciclo. Essas bandas caoticas s
ao relativamente estreitas, e
alargam-se subitamente em rCR3 = 0, 999. Isso significa que a orbita caotica com
tres bandas para r < rCR3 (os pontos da orbita alternam-se caoticamente entre
elas) repentinamente aumenta de tamanho e passa a ter uma u
nica banda.
Essa alteracao s
ubida no comportamento caotico tambem constitui um exemplo
de crise interior, motivada pela colisao, em rCR3 , das tres bandas caoticas com
o 3-ciclo instavel que foi criado pela bifurcacao tangente, no incio da janela de
perodo 3 [Fig. 10.12(b)].
Porque a crise pode ser considerada uma rota para o caos? Percorrendo
o diagrama de bifurcacoes 9.10 no sentido inverso, temos um regime caotico
transiente para r > rCR = 4 que transforma-se, quando r = rCR num regime
caotico permanente. No entanto, no segundo caso abordado (fusao de bandas
caoticas), a crise nao e exatamente uma rota, mas um fenomeno caracterstico
do regime caotico.
435
d0
x 0 x0
t iteraoes
dt
x
xt
Figura 10.13: Divergencia de trajet

orias inicialmente muito proximas
10.4
Expoente de Lyapunov
Alem da ausencia de periodicidade, ou regularidade, que observa-se na evolucao

dos pontos de uma
orbita caotica, existe uma extrema sensibilidade às condicoes
iniciais: duas condicoes iniciais muito proximas levam a orbitas que afastam um fato
se com o passar do tempo, ate perder qualquer correlacao m
utua. E
importante que este afastamento ocorre a uma taxa exponencial, à qual nos
referimos como o expoente de Lyapunov da orbita. Se for positivo, temos
uma marca registrada da ocorrencia de caos.
10.4.1
Defini
c
ao
Vamos supor que, num modelo discreto unidimensional arbitrario xt+1 = f (xt ),
escolhamos duas condicoes iniciais muito proximas entre si: x0 e x 0 , tal que a
distancia inicial entre elas:
d0 = |x 0 x0 |
seja muito pequena (em relacao a qualquer uma delas: d0 x0 ). Apos uma
iteracao do modelo discreto, a distancia entre os pontos correspondentes a cada
orbita sera
d1 = |x 1 x1 | = |f (x 0 ) f (x0 )|.
. Esta distancia sera, na iteracao seguinte, igual a
d2 = |f (x 1 ) f (x1 )| = |f [2] (x 0 ) f [2] (x0 )|.
Procedendo por inducao finita, apos t iteracoes do modelo discreto f (x), as
orbitas geradas a partir de x0 e x 0 estarao distantes de (cf. fig. 10.13)
dt = |x t xt | = |f [t] (x 0 ) f [t] (x0 )|.
(10.18)
Admitindo que a distancia acima dependa exponencialmente do tempo, medido em n

umero de iteracoes do modelo discreto, temos que
dt d0 et ,
(10.19)
onde e o expoente de Lyapunov. Usamos o smbolo ao inves de uma

igualdade (=), pois na definicao matematica do expoente de Lyapunov fazemos
436
um limite, onde a distancia inicial tende a zero, e onde o n

umero de iteracoes
tende a infinito.
Resolvendo para ele, e aplicando estes limites, temos pois que

dt
1
.
(10.20)
= lim lim ln
d0 0 t t
d0
Se ha comportamento caotico, as orbitas originarias de condicoes iniciais
muito pr
oximas afastam-se exponencialmente com o passar do tempo. Neste
caso, e positivo. Pontos fixos e orbitas peri
odicas, mesmo instaveis, est
ao
sempre associadas a negativo, ou seja, as orbitas convergem exponencialmente
com o passar do tempo. Em pontos de bifurcacao, o expoente de Lyapunov
torna-se nulo, como veremos na proxima secao.
Evidentemente, em modelo discretos, como o modelo logstico discreto, onde
o intervalo de definicao e limitado, no caso [0, 1], a distancia entre dois pontos nao pode ser maior que 1, o tamanho do intervalo. Neste caso, embora a
definicao anterior continue formalmente correta, e necessario um metodo proprio
para computar o expoente de Lyapunov, sem a necessidade de calcular a cada
tempo a distancia entre as iteracoes.
10.4.2
C
alculo do expoente de Lyapunov
Substituindo a expressao 10.18 para a distancia entre as orbitas na definicao

10.20 do expoente de Lyapunov, teremos
[t]

|f (x 0 ) f [t] (x0 )|
1
.
(10.21)
= lim lim ln
d0 0 t t
d0
Mas, como temos x 0 = x0 + d0 , resulta que

f [t] (x0 + d0 ) f [t] (x0 )
1
= lim ln lim
,
t t
d0 0
d0
(10.22)
onde tambem permutamos os dois limites, assim como o segundo limite com o
logaritmo neperiano.
O termo entre as barras de valor absoluto,
f [t] (x0 + d0 ) f [t] (x0 )
,
d0 0
d0
lim
e o limite de uma raz

ao incremental quando o incremento da variavel independente tende a zero; ou seja, e por definicao a derivada da funcao f [n] (x),

d [t]
df [t] (x0 )
f (x)
,
=
dx
dx0
x=x0
calculada no ponto x = x0 . Logo, podemos reescrever a eq. (10.22) como

1 df [t] (x0 )
= lim ln
.
(10.23)
t t
dx0
Sabemos que a expressao correspondente às iteradas sucessivas de um modelo

discreto pode ser proibitivamente grande, devido à composicao sucessiva de
437
polin
omios de alto grau, de forma que o calculo direto da derivada da funcao
f [n] (x) e impratic
avel. No entanto, podemos usar repetidas vezes a regra da
cadeia (vide Eq. 5.58) para escrever a derivada da funcao n vezes composta
f [n] (x) = f (f (f ( ))) como o produto das derivadas da funcao f (x) em cada
ponto da
orbita xi , com i = 0, 1, 2, . . . n 1 (vide tambem Eq. 10.31:
t1
t1
df [t] (x0 ) Y df (xi ) Y
f (xi ),
=
=
dx0
dxi
i=0
i=0
(10.24)
de modo que 10.28 fica

t1

1 Y

= lim ln f (xi ) .
t t

i=0
(10.25)
Usando a regra elementar de que o logaritmo do produto e a soma dos

logaritmos de cada um dos seus fatores, temos que a expressao final para o
expoente de Lyapunov e
t1
1X
ln |f (xi )|,
t t
i=0
= lim
(10.26)
que, desta vez, exige somente o conhecimento da derivada do modelo discreto.
10.4.3
Um exemplo: o modelo discreto da tenda
Em alguns casos excepcionais, e possvel determinar o expoente de Lyapunoov

analiticamente a partir da definicao 10.26. Um deles e o modelo discreto da
tenda

2xt se 0 xt 12 ,
xt+1 = T (xt ) =
(10.27)
2(1 xt ) se 12 < xt 1,
onde tambem vimos que e possvel determinar graficamente, usando inducao
finita, as iteradas sucessivas de T (x).
A primeira iterada tem um pico em x = 1/2 (fig. 5.9), ao passo que
a n-esima iterada tem 2n1 picos (vide figura ?? para o caso de n = 3), em
x = 1/2n , 3/2n , etc... A derivada da n-esima iterada, T [n] (x) e igual à inclinacao
de cada segmento de reta que forma um pico, e e igual a
1
dT [n] (x)
=
= 2n .
dx
1/2n
Observe que esta derivada existe em quase todos os pontos do intervalo [0, 1],
com a excecao dos pontos onde a funcao T [n] (x) tem picos, ou seja, em x = 1/2n ,
3/2n , etc... Nestes pontos a derivada nao existe, pois o limite que daria origem
a ela tem valores diferentes à direita e à esquerda do ponto (em particular,
o sinal da inclinacao e diferente nas vizinhancas do pico). No entanto, esses
pontos problematicos s
ao atpicos, no sentido de que, se escolhessemos a esmo
um ponto do intervalo [0, 1], pode-se mostrar que a probabilidade de pegarmos
por azar um destes pontos problematicos e zero 3 .
3 Os matem
aticos formalizam esta id
eia dizendo que o conjunto de pontos para os quais a
derivada n
ao existe tem medida de Lebesgue nula
438
Logo, o expoente de Lyapunov para quase todas as condicoes iniciais dentro do intervalo [0, 1] e dada por 10.28

1 dT [n] (x0 )
1
1
= lim
ln
= lim
ln 2n = lim n ln 2.
(10.28)
n n
n n
dx0 n n
Neste caso, antes de tirar o limite, o n

umero de iteracoes e simplificado, de modo
que
= ln 2 0, 69 > 0,
(10.29)
indicando que quase todos as condicoes iniciais no intervalo [0, 1] geram orbitas
caoticas. Mencionamos, ainda, o fato de que tambem o modelo discreto do
padeiro B(x) = 2x(mod1), tem o mesmo expoente de Lyapunov do modelo
discreto da tenda (vide problema XXX).
10.5
Determinac
ao num
erica do expoente de Lyapunov
Para modelo discretos nao-lineares, em geral, o calculo do expoente de Lyapunov pela definicao 10.26 nao pode ser feito analiticamente, como na secao
anterior. No entanto, a formula 10.26 ja fornece o algoritmo para se determinar
o expoente de Lyapunov numericamente, usando um programa de computador.
A metodologia usada para obter o expoente de Lyapunov consiste em:
1. determinar o valor das iteracoes do modelo discreto xt = f (xt1 ) a partir
de uma condicao inicial x0 tpica;
2. calcular a derivada do modelo discreto, f (xi ), em cada ponto da orbita;
3. determinar o logaritmo desse valor e armazen
a-lo;
4. acumular os valores obtidos para um grande n
umero de pontos (o maior
possvel, de acordo com o limite pressuposto na definicao), preferencialmente descontando pre-iteracoes transientes;
5. dividir o resultado pelo n
umero de pontos utilizados
O resultado pode convergir para um valor, positivo, negativo ou zero, mas
pode tambem excepcionalmente divergir a menos infinito, como veremos. Apresentamos, a seguir, um programa em linguagem C que implementa o calculo
do expoente de Lyapunov para o modelo logstico discreto, com r = 4: xt+1 =
4xt (1 xt ) (e que pode ser facilmente adaptado para outros modelos discretos
unidimensionais).
/* lyapunov_logistico.c: calcula o expoente de Lyapunov para o
mapa logistico para r = 4.0 como fun
ca
~o do tempo. Saida dos
dados no arquivo lyapunov_logistico.dat (tabela com duas colunas) */
#include <stdio.h>
#include <math.h>
FILE *fp;
main()
439
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
100
200
300
400
500
Figura 10.14: Expoentes de Lyapunov para o modelo logstico discreto em r = 4

como funcao do n
umero de iteracoes
{
int n, points;
float x_n, x_0, r, der, lyap, acc;
fp = fopen("lyapunov_logistico.dat","w"); /* abre arquivo */
r = 4.0;
/* valor de r */
points = 500;
/* numero total de pontos*/
x_0 = 0.1;
x_n = x_0;
/* inicializa o valor de x (apenas no primeiro
valor de r) */
acc = 0.0;
/* zera o acumulador do somatorio */
for (n = 1;n <= points;++n) {
x_n = r * x_n * (1 - x_n); /* computa as iteracoes */
der = fabs(r * (1 - 2 * x_n));
/* calcula a derivada do mapa
em cada ponto */
acc = acc + log(der); /* incrementa somatorio */
lyap = acc / n;
/* calcula expoente de Lyapunov */
fprintf(fp,"\% d \% f \n", n, lyap);
}
fclose(fp);
/* fecha arquivo de dados */
}
Na figura 10.14, mostramos os resultados do calculo do expoente de Lyapunov para o modelo discreto 4x(1 x) em funcao do n
umero de iteracoes n.
Observamos que, `
a medida em que n cresce, o valor de tende ao valor 0, 69 > 0,
o que ja era de se esperar, tendo em vista a necessidade de tirar o limite n .
Confirmamos, pois, que em r = 4 o modelo logstico discreto exibe realmente
uma
orbita caotica.
De fato, pode-se mostrar que = ln 2 0, 69 que e o mesmo expoente de
Lyapunov encontrado na secao anterior para o modelo discreto da tenda T (x).
Esse fato nao e uma mera coincidencia. Pode-se mostrar [34] que existe uma
correspondencia (denominada conjugacao topol
ogica) entre os dois modelo
discretos, e que faz com que seus expoentes de Lyapunov sejam iguais.
440
10.5.1
Uso do Maple
O Maple implementa o procedimento numerico descrito anteriormente por meio

de um programa especfico, que inclui a funcao do modelo logstico discreto
f (x) = rx(1x), sua derivada (calculada analiticamente!), o valor do par
ametro
r, o n
umero de iteracoes (pontos) e de transientes descartados (trans). Um
exemplo de programa e o seguinte (para r = 4, 0, 10000 iteracoes e 1000 transientes):
restart:
with(plots):
f:= r*x*(1-x);
dfdx:=diff(f,x);
r:=4.0;
pontos:=10000;
trans:=1000;
lista:=array(0..pontos):
x0:=0.1:
for i from 1 by 1 to trans do
x0:=eval(f,x=x0):
od:
x0;
lista[0]:=x0:
for i from 1 by 1 to pontos do
x0:=eval(f,x=x0):
lista[i]:=x0:
od:
lambda:=0:
for i from 1 by 1 to pontos do
lambda:=lambda+ln(abs(eval(dfdx,x=lista[i]))):
od:
lambda:=lambda/pontos;
10.5.2
Uso do Mathematica
No ambiente do Mathematica o calculo do expoente de Lyapunov pode ser feito

de forma bastante simples com o auxlio do comando Compile, onde o primeiro
argumento e uma lista de variaveis e o segundo a funcao que fornece as iteracoes do modelo discreto logstico. A lista de variaveis contem os par
ametros
necessarios ao calculo do expoente, como r, a condicao inicial x0 , o n
umero n
de iteracoes a serem computadas, e o n
umero trans de iteracoes transientes
descartadas.
Pode ser necessario declarar o tipo das variaveis dessa lista, como reais ou
inteiros. Nesse caso, no lugar do nome da variavel deve aparecer uma lista com
dois elementos: o primeiro sendo o nome propriamente dito e o segundo seu tipo
(Real ou Integer). Em nosso caso, as variaveis n e trans devem ser declaradas
reais.
A funcao logstica tem seu argumento representado pelo smbolo # e e terminada pelo smbolo &. Os valores da funcao s
ao obtidos, como ja sabemos,
pela aplicacao do comando NestList. A sequencia de comandos necessarios e
a seguinte:
441
lyapunov = Compile[{r, x0, {n, _Integer}, {trans, _Integer}},

x = Drop[ NestList[r#(1-#) &, x0, n], trans+1];
Apply[ Plus, Log[ Abs[r(1-2x)]]]/Length[x]];
Para calcular o expoente de Lyapunov quando r = 4, usando a condicao inicial x0 = 0, 7, 50000 pontos e descartando 100 transientes usamos lyapunov[4,0.7,50000,100],
o que fornece 0.69315; que e bastante proximo do valor teoricamente previsto
0.693147 (obtido pelo comando N[ Log[2]]).
10.5.3
Uso do Matlab
O Matlab permite a implementacao do procedimento descrito anteriormente para

o calculo de expoente de Lyapunov. Tomando, novamente, o modelo logstico
discreto como exemplo, definimos a funcao lyapunov(r,pontos,trans), que
calcula o expoente de Lyapunov para o valor r do par
ametro de bifurcacao,
sendo pontos o n
umero total de pontos calculados da orbita, e trans e o n
umero
de iteracoes transientes descartadas no computo do expoente de Lyapunov.
function lyapunov(r,pontos,trans)
x = 0.5;
lambda = 0;
for i = 1:trans
x1 = r*x*(1-x);
x = x1;
end
for i = 1:pontos
x1 = r*x*(1-x);
lambda = lambda + log(abs(r*(1-2*x1)));
x = x1;
end
lambda = lambda/pontos
Para determinar o expoente correspondente a r = 4, por exemplo, escrevemos lyapunov(3.9999999,20000,1000), e que fornecera o valor 0.6931 o qual
coincide, dentro da precis
ao de quatro dgitos apos a vrgula, com ln 2.
10.5.4
Diagrama de bifurca
c
ao de Lyapunov
Podemos, agora, fazer uma pequena adaptacao no programa mostrado ha pouco

para a determinacao do expoente de Lyapunov, e incluir uma malha adicional
que varre os diversos valores do par
ametro r. A figura resultante pode ser
chamada diagrama de bifurcacao de Lyapunov, pois fornece os expoentes em
funcao de r (O leitor e encorajado a escrever novamente o programa, combinando
os codigos para geracao do diagrama de bifurcacoes e o de calculo do expoente de
Lyapunov). O resultado e mostrado na figura 10.15, onde colocamos tambem
novamente o diagrama de bifurcacao, para efeitos de comparacao. Apenas o
intervalo 3, 3 < r < 4 e mostrado.
Para valores de r abaixo do ponto de acumulacao r = 3, 61, os expoentes
de Lyapunov s
ao predominantemente negativos (regime peri
odico), à excecao de
um n
umero de pontos onde ele se anula. Estes pontos coincidem com os pontos
de bifurcacao observados no diagrama superior. Por exemplo, em r1 = 3 ha uma
442
x
1
3,1
3,3
Figura 10.15: Diagrama de bifurcacao e expoente de Lyapunov para o modelo

logstico discreto
443
bifurcacao de duplicacao de perodo, onde o ponto fixo x = 1 1/r passa de

est
avel para instavel, ou seja, o modulo da derivada do modelo discreto calculada
no ponto fixo, |f (x )|, passa de menor para maior que 1. Logo, exatamente no
ponto de bifurcacao temos |f (x )| = 1. Como ln 1 = 0, neste ponto o expoente
de Lyapunov (10.26) e nulo.
O expoente de Lyapunov de uma orbita de perodo m e mais smples de
calcular, visto que, como os pontos da orbita se repetem de m em m iteracoes,
n
ao e necessario tomar o limite n , basta calcular o produto de m termos,
cada um para um ponto da orbita. Neste caso, podemos adaptar a definicao
(10.26) e escrever:

m1

1 Y

(10.30)
f (xi ) .
ln
=

m
i=0
Consideremos, agora, um ponto de bifurcacao, onde uma orbita de perodo m

passa de est
avel para instavel, emergindo uma outra orbita est
avel de perodo
2m. Exatamente no ponto de bifurcacao o multiplicador do m-ciclo (vide 10.31)
e igual a 1:

m1
Y df (x)
df [m] (x)

m =
= 1.
(10.31)
=
dx x=x
dx x=x
i=0
1
Logo, o expoente de Lyapunov no ponto de bifurcacao e nulo, pois

=
1
1
ln |m | =
ln 1 = 0.
m
m
(10.32)
Outro fato notavel e a existencia de valores de r para os quais o expoente de

Lyapunov diverge para menos
infinito, por exemplo, entre a primeira e segunda
bifurcacoes (3 < r < 1 + 6 3, 45). Estes valores correspondem a orbitas
peri
odicas superest
aveis, que definimos como sendo aquelas para as quais o
multiplicador e nulo: m = 0 (vide secao 1.9.1). Pela expressao 10.33 podemos
ver que
1
ln 0
=
ln |m | =
,
(10.33)
m
m
realmente tende a menos infinito.
Para determinar a localizacao da ja citada orbita superest
avel de perodo 2,
usamos o multiplicador dado pela eq. 5.69, e o igualamos a zero, o que fornece
uma equacao de segundo grau:
2 = r2 + 2r + 4 = 0,
cujas razes s
ao r = 1 5. A u
nica raiz
dentro do intervalo [0, 1] e o ponto
onde ocorre o 2-ciclo superest
avel, r = 1 + 5 3, 45.
A regi
ao caotica e caracterizada por valores positivos de , os valores negativos observados sendo correspondentes às janelas peri
odicas que existem em
abundancia. Note que, no ponto de crise r = rCR = 4, o expoente de Lyapunov atinge seu valor maximo, que determinamos na secao anterior como sendo
ln 2 0, 69. Nesse sentido, em r = 4, as orbitas s
ao mais caoticas do que
para qualquer outro valor de r. Finalmente, gostaramos de mencionar um fato
importante: exatamente no ponto de acumulacao das bifurcacoes, em r = r ,
o expoente de Lyapunov e nulo. Logo, a rigor, o regime caotico aparece apenas
apos r .
444
Figura 10.16: Diagrama de bifurcacao do expoente de Lyapunov para o modelo

logstico discreto pelo uso do Mathematica.
10.5.5
Uso do Mathematica
Para construir o diagrama de bifurcacao do expoente de Lyapunov no Mathematica nos empregamos a funcao lyapunov definida na secao anterior, da seguinte
forma: Plot[lyapunov[r,0.7,50000,100],r,2.8.4.0], para o par
ametro de
bifurcacao variando de 2, 8 ate 4, o resultado sendo mostrado na Fig. 10.16
Uso do Matlab
Para tracar o diagrama de bifurcacoes do expoente de Lyapunov do modelo
logstico
discreto
definimos,
no
Matlab,
a
funcao
ao os
bifurcacao lyapunov(ri,rf,valores,pontos,trans), onde ri e rf s
valores inicial de final do par
ametro de bifurcacao r, valores e o n
umero de
valores do par
ametro de bifurcacao, pontos e o n
umero total de pontos calculados da
orbita para cada valor de r, e trans e o n
umero de iteracoes transientes
descartadas no computo do expoente de Lyapunov.
function bifurcacao_lyapunov(ri,rf,valores,pontos,trans)
passo = (rf-ri)/(valores-1);
x = 0.3;
RR = [];
LY = [];
r = ri-passo;
for j = 1:valores
r = r + passo;
x = rand(1);
lambda = 0;
for i = 1:trans
x1 = r*x*(1-x);
x = x1;
end
for i = 1:pontos
445
0.5
lambda
0.5
1.5
2
2.8
3.2
3.4
r
3.6
3.8
Figura 10.17: Diagrama de bifurcacao do expoente de Lyapunov para o modelo

logstico discreto pelo uso do Matlab.
x1 = r*x*(1-x);
lambda = lambda + log(abs(r*(1-2*x1)));
x = x1;
end
lambda = lambda/pontos;
RR = [RR r];
LY = [LY , lambda];
end
figure(2)
clf;
plot([ri,rf],[0 0], -,RR,LY,b.,MarkerSize,2)
axis([ri rf -2 1])
O valor da condicao inicial x0 foi alterado para cada valor de r de forma
aleat
oria, pelo uso da funcao prdefinida rand(1), que retorna uma matriz
1 1, ou seja, um n
umero real pseudo-aleat
orio escolhido no intervalo entre 0
e 1. Observe ainda que, quanto maior for o valor de valores, melhor sera a
resolucao gr
afica do diagrama de bifurcacoes, o que e importante para distinguir,
por exemplo, as janelas peri
odicas imersas na regi
ao caotica. Um exemplo de
aplicacao e [Fig. 10.17].
bifurcacao_lyapunov(2.8,4.0,8000,4000,200)
10.6
Exemplo em Economia: Bifurcac

oes e caos
num modelo de teia de aranha n
ao-linear
Estudamos, no captulo 5, um exemplo de modelo discreto unidimensional naolinear descrevendo uma teia de aranha com as seguintes caractersticas:
446
funcao demanda linear, monotonicamente decrescente nos precos;

funcao oferta do tipo sigmoide, monotonicamente crescente nos precos,
na forma de uma funcao arco-tangente; e apresentando baixa declividade
tanto para precos alto como baixos, assim como uma declividade maior
para precos intermediarios;
expectativas adaptativas.
Sendo pet o preco esperado no instante t, e supondo que exista um valor
pe (exogenamente determinado) para o preco esperado no qual a inclinacao da
curva de oferta seja maxima, definimos o preco reduzido: xt pe pe . Desta
forma, o ponto de inflexao da curva sigmoide de oferta e transladado para a
origem x = 0. A forma do modelo sigmoide proposto por Hommes e (vide Eq.
(??)):
xt = fa,b,w, (xt1 ) =
aw
w
arctan(xt1 ) + (1 w)xt1 +
.
b
b
(10.34)
onde 0 w 1 e o coeficiente das expectativas adaptativas, b > 0 e a elasticidade da demanda (cf. Eq. 5.81), e > 0 e a inclinacao da curva sigmoide na
origem.
Procedemos, no Captulo 5, `
a analise dos pontos fixos e da sua estabilidade
na aproximacao linear, para este modelo. Recordando, de (5.100), os pontos
fixos x deste modelo discreto s
ao as solucoes da equacao transcendente:
arctan(x ) = a bx ,
(10.35)
e que sera est

avel se as seguintes desigualdades forem verificadas simultaneamente:
2
(10.36)
1 <
2 < w 1.
2
b(1 + (x ) )
Na sequencia deste estudo, procuraremos abordar aspectos da din
amica naolinear deste modelo, incluindo a presenca de orbitas peri
odicas, bifurcacoes, e
comportamento caotico. Devido `
a impossibilidade pratica de obter solucoes
analticas (vide a quest
ao acima dos pontos fixos), nossa abordagem sera essencialmente numerica, usando as ferramentas introduzidas neste captulo, no mesmo
esprito do que fizemos para o modelo logstico discreto. Como ha quatro
par
ametros do modelo passveis de variacao (a, b, e w) temos necessariamente de limitar o escopo do nosso estudo. Neste esprito fixaremos b = 0, 25,
sera um n
umero fixado entre 3 e 5, e utilizaremos como par
ametros variaveis
1, 25 < a < +1, 25 e 0 < w < 1, que s
ao os intervalos investigados originalmente por Hommes e colaboradores.
10.6.1
Diagrama de bifurca
c
oes
Variando o par
ametro a
Variar o par
ametro a no modelo sigmoide de Hommes (10.34) implica, em termos
econ
omicos, investigar como o comportamento dos precos muda quando a curva
de demanda e deslocada para cima, quando a curva de oferta e mantida fixa.
Construimos o diagrama de bifurcacoes para para os dois tipos de variacao
considerados na literatura. Primeiramente fixaremos w = 0, 3, b = 0, 25,
447
2
1,5
1
xn
0,5
0
-0,5
-1
-1,5
-2
-1,25
-1
-0,75
-0,5
-0,25
0,25
0,5
0,75
1,25
Figura 10.18: Diagrama de bifurcacoes para o modelo discreto sigmoide quando

w = 0, 3, b = 0, 25, = 4, 8, e a e variavel.
= 4, 8, e variamos a no intervalo de 1, 25 a +1, 25. Para cada valor de

a iteramos o modelo discreto ?? por um certo n
umero de iteracoes (tipicamente
200), descartando as primeiras 100 iteracoes transientes, e tracando no diagrama
xt versus a os pontos correspondentes aos tempos posteriores. Depois incrementamos a por uma pequena quantidade e repetimos este procedimento ate esgotar
os valores de a desejados. Dessa forma obtemos o diagrama de bifurcacoes da
Figura 10.18.
A primeira caracterstica que emerge do diagrama de bifurcacoes e a simetria do mesmo para a negativos: a cada orbita {xt } obtida para um valor a
do par
ametro parece corresponder uma orbita {xt }, para a. Dessa forma,
conveniente comecar pelo
limitar-nos-emos apenas à metade positiva de a. E
valor a = 1, 25, para o qual ha um ponto fixo est
avel proximo a x = 0, 5 [Figura
10.19(a)]
Para um certo valor a 1, 053 esse ponto torna-se abruptamente instavel,
numa bifurcacao de duplicacao de perodo, apos a qual emerge uma orbita de
perodo 2 [Figura 10.19(b)]. Esse fato ja tinha sido mostrado no Cap. 5 (Figura
5.29), e a estabilidade foi determinada diretamente pelo calculo numerico da
derivada fw (x ). Para a < a o ponto fixo torna-se instavel pois |fw (x )| > 1.
ltima e do tipo
Alem disso, como fw (x ) < 0 no ponto de bifurcacao, esta u
duplicacao de perodo, para a decrescente.
Ocorre, ent
ao, uma cascata de bifurcacoes de duplicacoes de perodo (rota
de Feigenbaum), e ha a formacao de duas bandas caoticas em a 0, 9. As
duas bandas caoticas aproximam-se à medida em que a continua decrescendo e
fundem-se em a 0, 8 formando uma u
nica banda caotica. Esse e um exemplo
448
(b)
(a)
0,9
1,5
0,8
0,7
xn
xn
0,6
0,5
0,5
0,4
0,3
0,2
0,1
0
-0,5
20
40
60
80
100
20
40
60
80
100
Figura 10.19: Serie temporal para o modelo discreto sigmoide quando w = 0, 3,

b = 0, 25, = 4, 8, e (a) a = 1, 25, (b) a = 1, 0.
2
(a)
x0= 0,25
x0= 0,26
xn
1,5
xn
1,5
(b)
0,5
0,5
-0,5
20
40
60
80
100
-0,5
20
40
60
80
100
Figura 10.20: Serie temporal para o modelo discreto sigmoide quando w = 0, 3,

b = 0, 25, = 4, 8, e (a) a = 0, 60, (b) a = 0, 58.
de crise interior, pois na verdade as duas bandas caoticas colidem, em a = 0, 8,

com o ponto fixo instavel (e que naturalmente nao aparece no diagrama).
A regi
ao caotica de uma banda persiste por um intervalo consideravel de a
mas e densamente salpicada de janelas peri
odicas. Uma destas janelas (contendo
o ponto a = 0, 58 contem uma
orbita est
avel de perodo 12 [Fig. 10.20(a)]. Uma
orbita caotica e exemplificada pela Fig. 10.20(b), para a = 0, 58, onde ilustramos a dependencia sensvel `
as condicoes iniciais tracando a evolucao para
duas condicoes iniciais ligeiramente diferentes. Este fato pode ser quantitativamente verificado computando-se o expoente de Lyapunov da orbita, cuja
evolucao temporal e mostrada na Fig. 10.21(a), fornecendo = 0, 327 > 0 para
tempos grandes.
Finalmente, para valores ainda menores de a, temos uma cascata inversa
de bifurcacoes de perodo, fazendo-nos recair em orbitas de perodos como 8
[para a = 0, 53, Fig. 5.7(a)], 4 [para a = 0, 45, Fig. 5.7(b)], e 2 [para a =
0, Fig. 5.7(c)]. Neste u
ltimo caso, o expoente de Lyapunov assume o valor
assint
otico = 0, 822 < 0 [Fig. 10.21(b)]. Na Figura 10.22 nos mostramos
a variacao do expoente de Lyapunov com o par
ametro a no mesmo intervalo
abrangido pelo diagrama de bifurcacao da Figura 10.18. A regi
ao de evolucao
caotica e claramente distinguvel pela presenca de valores positivos do expoente
de Lyapunov (onde os picos negativos correspondem às janelas peri
odicas).
449
0,5
(a)
(b)
0,4
-0,5
0,3
0,2
-1
0,1
1000
2000
3000
4000
5000
-1,5
20
40
60
80
100
120
140
160
180
200
Figura 10.21: Evolucao temporal do expoente de Lyapunov para o modelo discreto sigmoide quando w = 0, 3, b = 0, 25, = 4, 8, e (a) a = 0, 58, (b) a = 0.
1
0,5
0
-0,5
-1
-1,5
-2
-2,5
-3
-1,25
-1
-0,75
-0,5
-0,25
0,25
0,5
0,75
1,25
Figura 10.22: Variacao do expoente de Lyapunov com o par

ametro a para o
modelo discreto sigmoide quando w = 0, 3, b = 0, 25, e = 4, 8.
450
Hommes fez uma analise matematica rigorosa das condicoes de existencia de

orbitas peri
odicas no modelo (10.34), seus resultados podendo ser sistematizados
no seguinte
Teorema 19 Seja o modelo discreto xt = fa,b,w, (xt1 ) = w/b arctan(xt1 )+
(1 w)xt1 + aw/b. Se b > 0, 0 < w < 1, e e suficientemente grande, ent
ao
existem a1 < a2 < 0 < a3 < a4 tais que:
1. fa,b,w, tem um ponto fixo globalmente est
avel, se a < a1 ;
2. fa,b,w, tem uma
orbita de perodo 3, se a = a2 ;
3. fa,b,w, tem um ponto fixo inst
avel, uma
avel, e
nenhum outro ponto peri
odico, se a = 0;
4. fa,b,w, tem uma
orbita de perodo 3, se a = a3 ;
avel, se a > a4 ;
onde os valores de a1,2,3,4 dependem dos par
ametros do modelo.
De acordo com o Teorema de Li-Yorke, segue-se imediatamente que nos casos
(2) e (4) o modelo apresenta uma
orbita topologicamente caotica, no sentido de
que: (i) existem infinitos pontos peri
odicos com perodos diferentes; (ii) existe
um conjunto nao-cont
avel de pontos nao-peri
odicos, para o qual ha dependencia
sensvel das condicoes iniciais. Tomando os tens (1)-(5) coletivamente, pode-se
concluir rigorosamente que
1. ocorrem infinitas bifurcacoes de duplicacao de perodo nos intervalos de
par
ametros (a1 , a2 ) e (0, a3 );
2. ocorrem infinitas bifurcacoes inversas de duplicacao de perodo (cascata
inversa) nos intervalos de par
ametros (a2 , 0) e (a3 , a4 );
situacoes que, de fato, observamos no diagrama de bifurcacao.
Variando o par
ametro
Do ponto de vista econ
omico, o par
ametro representa a inclinacao da curva
de oferta sigmoide na origem: quanto maior for , mais vertical sera a curva
de oferta quando o preco reduzido for baixo. Fixaremos w = 0, 3 e b = 0, 25,
variando a no intervalo de 1, 25 a +1, 25 e considerando diversos valoes de
no intervalo de 3, 0 a 4, 8.
Para = 3, 0 temos a situacao mais simples, do ponto de vista das bifurcacoes possveis. Para a 0, 9(+0, 9) ocorre uma bifurcacao inversa (direta) com duplicacao do perodo [Fig. 10.23(a)]. Quando = 3, 6, ocorre uma
bifurcacao adicional, levando a uma orbita de perodo 4 [Fig. 10.23(b)]. Cascatas diretas e inversas de bifurcacoes de perodo s
ao possveis para = 3, 9
[Fig. 10.23(c)]. Podemos, nesse caso, ter evolucao caotica dos precos para intervalos estreitos de a. Um novo aumento de a mantem quase a mesma situacao
anterior, mas as
orbitas caoticas abrangem uma gama maior de valores de x [Fig.
10.23(d)]. Esse efeito e ainda mais pronunciado para = 4, 8 [Fig. 10.23(e)],
que e o caso anteriormente abordado na Fig. 10.18. Na Fig. 10.23(f) exibimos
uma ampliacao do trecho mais interessante deste diagrama, evidenciando nao
s
o a regi
ao caotica como algumas das janelas peri
odicas que ela contem.
451
(a)
0,5
0,5
-0,5
-0,5
-1
-1
-1,5
-1,5
-2
-1,25
-1
-0,75
-0,5
-0,25
0,25
0,5
0,75
-2
-1,25
1,25
(c)
0,5
0,5
xn
xn
0
-0,5
-0,5
-0,25
0,25
0,5
0,75
1,25
(d)
0
-0,5
-1
-1
-1,5
-1,5
-1
-0,75
-0,5
-0,25
0,25
0,5
0,75
-2
-1,25
1,25
-1
-0,75
-0,5
-0,25
0,25
0,5
0,75
1,25
(e)
1,5
(f)
1,5
0,5
0,5
xn
xn
-0,75
1,5
-0,5
0
-0,5
-1
-1
-1,5
-2
-1,25
-1
1,5
-2
-1,25
(b)
1,5
xn
xn
1,5
-1,5
-1
-0,75
-0,5
-0,25
0,25
0,5
0,75
1,25
-2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,1
Figura 10.23: Diagramas de bifurcacao para o modelo discreto sigmoide quando

w = 0, 3, b = 0, 25, e variando a para: (a) = 3, 0; (b) = 3, 6; (c) = 3, 9;
(a) = 4, 0; (a) = 4, 8; (a) = 4, 8.
452
6
5
4
xn
3
2
1
0
-1
-2
0,15
0,3
0,45
0,6
0,75
Figura 10.24: Diagrama de bifurcacoes para o modelo discreto sigmoide quando

a = 0, 8, b = 0, 25, = 4, 0, e w e variavel.
Variando o par
ametro w
O par
ametro w mensura o grau de expectativas adaptativas do modelo, ou seja,
o quanto da experiencia em um dado perodo e aproveitado nas expectativas
do perodo posterior, e pertence ao intervalo [0, 1]. Para w proximo a 0, 15
temos um preco de equilbrio est
avel. Quando w cresce, temos uma cascata de
bifurcacoes de perodo levando a uma regi
ao caotica, bem como uma cascata
inversa de tais bifurcacoes, levando a uma orbita est
avel de perodo 2 para w
proximo a 0, 75 [Fig. 10.24]. De modo geral, podemos dizer que, proximo aos
casos limite w = 0 e w = 1, o comportamento dos precos e regular, ao passo
que, para valores intermediarios de w, o comportamento e irregular, inclusive
podendo ser caotico.
Se w e pr
oximo a 1, os produtores tendem a acreditar que o preco do perodo
atual ira valer tambem para o proximo perodo (expectativas ingenuas, que
levam ao modelo tradicional de teia de aranha, quando a curva de oferta e linear). Nesse caso, o resultado sera um ciclo de perodo 2 est
avel com grande
amplitude, ou seja, os precos irao alternar-se entre dois valores bastante afastados. Ja quando w est
a proximo a zero, os produtores tem muito mais confianca em seus pr
oprios precos esperados do que no preco atual (expectativas
mopes). Para esse caso o preco comporta-se, segundo Hommes, como uma
profecia auto-realiz
avel e ira convergir para um preco de equilbrio est
avel.
Caso os produtores hesitem entre esses dois casos extremos, incorporando
uma parte (como 50 por cento) da experiencia precedente no preco esperado
do perodo seguinte, ent
ao poderemos ter comportamento caotico dos precos.
453
w=0
w = 0,15
w = 0,5
w = 0,75
w=1
fw(x)
-2
-2
-1
Figura 10.25: Gr
aficos da funcao fa,b,w, quando a = 0, 8, b = 0, 25, = 4, 0, e
diversos valores de w.
Alem disso, a amplitude das oscilacoes dos precos diminui à medida em que w
decresce seu valor. As caractersticas gerais do diagrama de bifurcacao da Fig.
10.24 s
ao sintetizadas pelo seguinte
Teorema 20 Seja o modelo discreto xt = fa,b,w, (xt1 ) = w/b arctan(xt1 )+
(1 w)xt1 + aw/b com b > 0. Se e suficientemente grande, ent
ao existe um
a = a e valores w1 < w2 < w3 tais que:
avel, se 0 < w < w1 ;
2. fa,b,w, tem uma
orbita ca
otica para um intervalo de valores de w contendo
w2 ;
3. fa,b,w, tem uma
avel, e nenhum outro ponto peri
odico
com perodos diferentes de 1 ou 2, se w3 < w 1;
onde os valores de w1,2,3 dependem dos par
ametros do modelo.
Algumas das conclus
oes expressas por esse teorema podem ser explicadas
pela forma do gr
afico da funcao fa,b,w, para diversos valores de w [Fig. 10.25].
O preco de equilbrio e est
avel para pequenos valores de w, mas torna-se instavel
pois a tangente ao gr
afico no ponto de equilbrio fica cada vez mais inclinada.
Para w pr
oximo a 0, 5, o preco de equilbrio instavel est
a imerso numa orbita
caotica. De modo mais formal, Hommes provou os seguintes resultados quando
a = 0, 8, b = 0, 25, e = 4, 0:
454
Teorema 21 Seja
f fa=0,8,b=0,25,=4,0,w = (1 w)x + wD1 (S(x))
ent
ao
1. para 0 < w < 1/17 a funca
o f e crescente e tem um ponto fixo globalmente est
avel;
2. para 1/17 < w < 1 a funca
o f e n
ao-monot
onica e tem dois pontos
crticos (onde h
a um extremo);
3. para w = 1 a funca
o f e decrescente e tem uma
orbita est
avel de perodo
2;
4. para w pr
oximo a 1 (wne1) a funca
o f e n
ao-monot
onica e tem uma
orbita est
avel de perodo 2;
5. todas os modelos f tem o mesmo ponto fixo x . O gr
afico de f localiza-se
entre a primeira bissetriz e o gr
afico da funca
o D1 (S(x)). Para x < x
temos x < f < D1 (S(x)), e para x > x temos D1 (S(x)) < f < x.
Podemos resumir a analise do modelo sigmoide de Hommes em termos das
expectativas adaptativas da seguinte forma: no caso do modelo de teia de aranha
tradicional, onde as curvas de oferta e demanda s
ao lineares, a introducao deexpectativas reduz as oscilacoes de precos e tem um efeito estabilizador, como
vimos no Captulo 5. No caso de um modelo sigmoide (nao-linear) a introducao
das expectativas leva a ciclos com amplitude menor, mas ao mesmo tempo os
ciclos podem tornar-se instaveis e pode haver inclusive ciclos caoticos de precos.
Logo, de um ponto de vista qualitativo, a introducao das expectativas num
modelo nao-linear pode nao ser t
ao benefica, pois introduz um fator de desestabilizacao no comportamento dos precos.
10.7
Transitividade e caos forte
Ao longo deste captulo nos apresentamos uma definicao um tanto imprecisa de

caos do ponto de vista matematico, uma vez que nos baseamos em conceitos
definidos de forma nao-rigorosa: a aperiodicidade e a sensibilidade às condicoes
iniciais. Na verdade, e possvel dar uma definicao matematicamente rigorosa a
um tipo de caos, chamado caos forte, a partir de uma propriedade topol
ogica
denominada transitividade. Na pratica e usualmente difcil caracterizar a transitividade num sistema din
amico de interesse econ
omico, mas e importante conhecer as consequencias matematicas da transitividade quando ela ocorre, ja que
para tal sistema e possvel demonstrar o comportamento caotico. Isso fornece
um fundamento teorico para falarmos de caos em sistemas din
amicos em geral,
mesmo quando nao podemos demonstrar esse fato de forma rigorosa.
10.7.1
O deslocamento de Bernoulli
O modelo discreto do padeiro

xt = B(xt1 ) = 2xt1
(mod1) =
2xt1
2xt1 1
455
se 0 xt1 < 12 ,
se 12 xt1 1,
(10.37)
onde x [0, 1], foi introduzido para ilustrar a sensibilidade às condicoes iniciais.
Para este modelo e possvel demonstrar rigorosamente a existencia de caos por
outros metodos. Um deles consiste em escrevermos os valores de xt no sistema
bin
ario, ao inves do sistema de numeracao decimal, como e mais comum.
Vamos comecar relembrando alguns fatos fundamentais dos sistemas de
numeracao. No sistema decimal, ou de base 10, ha nove algarismos: an =
{0, 1, , 9}, de modo que qualquer n
umero x [0, 1] pode ser escrito na forma
x=
n=1
an 10n = a1 101 + a2 102 + a3 103 + ,
(10.38)
onde pode haver um n

umero finito ou infinito de termos. Por exemplo, o n
umero
1/3 e escrito como a soma infinita
1
= 0, 3333 . . . = 3 101 + 3 102 + ,
3
Ja no sistema bin
ario, ou de base 2, s
o ha dois algarismos: an = {0, 1}, e a
representacao de x [0, 1] sera
x=
n=1
an 2n = a1 21 + a2 22 + a3 23 + a4 24 + [0, a1 a2 a3 a4 ]2 ,
(10.39)
Como um exemplo,
[0, 1001]2 = 1 21 + 0 22 + 0 23 + 1 24 =
1
1
+
= 0, 5625.
2 16
Para reconhecer se um n
umero e maior ou menor que 1/2 atentamos para o
primeiro dgito depois da vrgula: se ele for zero (um) o n
umero e menor (maior)
que 1/2. Se x = 1/2 ha uma ambiguidade, pois ha duas formas distintas de
expressa-lo em base 2: [0, 1]2 ou [0, 01111]2 . Optaremos pela primeira escolha,
pois ela tem um n
umero finito de algarismos sendo, portanto, mais simples que
a segunda.
A acao do modelo discreto do padeiro sobre um n
umero, quando escrito na
forma bin
aria, e bastante simples. Seja o n
umero 0 < x < 1 representado, em
base 2, como [0, a1 a2 a3 a4 ]2 . Ent
ao

se x < 12 , (a1 = 0)
se x 12 , (a1 = 1)
(10.40)
Logo, o resultado e o mesmo nos dois casos: dobrar um n
umero e tirar sua parte
inteira equivale a deslocar a vrgula um algarismo à direita e substituir o algarismo `
a esquerda da vrgula por um zero. Devido ao deslocamento da vrgula,
o modelo do padeiro tambem e conhecido na literatura como deslocamento de
Bernoulli.
Pela definicao do deslocamento de Bernoulli, podemos obter diretamente
facil
o ponto fixo do modelo discreto do padeiro, que e 0 = [0, 0000 ]2 . E
mostrar que esse ponto fixo e instavel pois qualquer outra sequencia de zeros
e uns pr
oxima a 0 provoca uma orbita que afasta-se do ponto fixo. Sequencias
repetidas de zeros e uns s
ao naturalmente orbitas peri
odicas, cujo perodo e igual
B(x) =
2x = [a1 , a2 a3 a4 ]2 = [0, a2 a3 a4 ]2
2x 1 = [a1 , a2 a3 a4 ]2 1 = [0, a2 a3 a4 ]2
456
ao n
umero de algarismos em cada sequencia. Por exemplo, [0, 01010101 ]2 e
uma orbita de perodo 2 porque:
B [2] ([0, 01010101 ]2 ) = B([0, 1010101 ]2 ) = [0, 010101 ]2
e assim por diante. Da mesma maneira que o ponto fixo na origem, e possvel
mostrar que todas as sequencias peri
odicas s
ao instaveis.
Tanto no modelo do padeiro como da tenda, todos os n
umeros racionais
entre zero e um s
ao pontos peri
odicos instaveis, correspondendo a sequencias
peri
odicas de zeros e uns no deslocamento de Bernoulli. No entanto, do ponto
de vista estatstico, essas
orbitas peri
odicas instaveis s
ao atpicas, ja que a probabilidade de se escolher um n
umero racional e zero (matematicamente falando,
dizemos que o conjunto dos racionais tem medida de Lebesgue nula). Quando
a condicao inicial e um n
umero racional, temos uma orbita que, embora naocaotica e atpica, ou seja, improv
avel.
Usando a mesma linha de raciocnio, sabendo-se que ha uma orbita caotica
do modelo do padeiro (lembre que o expoente de Lyapunov e = ln 2 > 0), ela
s
o pode ser obtida quando a condicao inicial for um n
umero irracional. Esse fato
pode ser mostrado facilmente usando o deslocamento de Bernoulli. Suponha que
x seja um n
umero irracional, de sorte que a sua representacao exija um n
umero
infinito de algarismos, ou seja, uma sequencia semi-infinita de dgitos 0 e 1. Essa
e uma situacao tpica, uma vez que a probabilidade de encontrar ao acaso um
n
umero irracional pertencente ao intervalo [0, 1] e de 100%.
As iteradas sucessivas do modelo do padeiro sobre um n
umero irracional v
ao
gerando n
umeros diferentes, como por exemplo
B(x) =
B([0, 10010111...]2 ) = [0, 010111...]2 ,
[2]
[0, 010111...]2 ,
[3]
[0, 10111...]2 ,
B (x)
B (x)
A sequencia que vai sendo gerada e perfeitamente aleat

oria, no sentido que a
probabilidade de um n
umero da sequencia ser igual a 0 ou 1 e igual a 50%. Se
associarmos os dgitos 0 e 1 `
as faces de uma moeda, ent
ao a geracao dos n
umeros
na sequencia de iteracoes do modelo e t
ao imprevisvel como o cara-e-coroa no
lancamento de uma moeda. Sob esse ponto de vista, e possvel dizer que o
modelo do padeiro e o mais caotico possvel, ja que o grau de imprevisibilidade
das iteracoes e o mesmo de um processo puramente estocastico.
Outro fato notavel presente no modelo do padeiro e que podemos ter, na
sequencia infinita de iteradas sucessivas, todos os n
umeros do intervalo [0, 1] [[?],
pgs. 40-42]. Dito de outra forma, dada uma condicao inicial x0 [0, 1] podemos
obter qualquer n
umero xt [0, 1] se nos iterarmos um n
umero suficientemente
grande de vezes a condicao inicial por meio do modelo do padeiro: xt = B [t] (x0 ).
Em termos estatsticos, a probabilidade de obter qualquer n
umero xt [0, 1] e
a mesma por meio de iteracoes do modelo do padeiro.
Finalizaremos essa secao descrevendo o mecanismo de producao de uma
orbita caotica no deslocamento de Bernoulli. Nesse caso, ao inves de focalizar
condicoes iniciais individualmente, analisarmos a acao do modelo do padeiro
B(x) = 2x (mod1), sobre conjuntos (intervalos) de pontos. Multiplicando por
dois cada ponto do intervalo, a respectiva imagem e o intervalo esticado [0, 2].
Se x 1/2 a sua imagem e o intervalo [0, 1], ao passo que, se x > 1/2, sua
457
0
0
2x
2
mod 1
Figura 10.26: Acao do modelo discreto do padeiro sobre o intervalo [0, 1].
imagem e o intervalo (1, 2]. Logo, ao tomar modulo 1, nao e produzido efeito
algum sobre os pontos do sub-intervalo esticado [0, 1]; no entanto os pontos
do sub-intervalo esticado [1, 2] s
ao aplicados novamente sobre o intervalo [0, 1].
O intervalo esticado e, portanto, cortado ao meio e uma das partes e sobreposta `
a outra [Fig. 10.26]. Este mecanismo e generico às orbitas caoticas. N
os
voltaremos no captulo ?? a abordar o deslocamento de Bernoulli, a fim de
descrever matematicamente conjuntos caoticos nao-atrativos, e que formam a
infra-estrutura das
orbitas caoticas.
10.7.2
Transitividade
Vimos que, para o modelo do padeiro, as orbitas caoticas tem um nvel de

imprevisibidade semelhante ao de processos estocasticos, onde cada passo da
notavel que um
evolucao nao tem correlacao alguma com o passo anterior. E
processo determinstico, como o modelo do padeiro, exiba esse grau de imprevisibilidade. Na verdade, essa propriedade e de natureza topol
ogica e denominada
transitividade. Podemos transcreve-la da seguinte forma: dada uma condicao
inicial x0 e um ponto qualquer x [0, 1] ha um n
umero suficientemente grande
de iteracoes n tal que a n-esima iterada de x0 , denotada B [n] (x0 ) est
a arbitrariamente proxima de x. Dessa forma as iteradas sucessivas do modelo do
padeiro varrem de maneira uniforme o intervalo [0, 1] tais que as iteradas s
ao
t
ao pr
oximas quanto se queira de quaisquer pontos do intervalo.
A formalizacao desse conceito utiliza a linguagem da teoria dos conjuntos:
Defini
c
ao 21 Seja J um intervalo e f : J J. A funca
o f ser
a transitiva se,
para qualquer par de intervalos abertos n
ao-vazios U J e V J existe um
inteiro positivo n tal que f [n] (U ) e V tem um elemento em comum: f [n] (U )V 6=
0
Essa definicao de transitividade nao resulta diretamente num criterio para
saber se uma certa funcao e ou nao transitiva. Um criterio para transitividade
necessita do conceito de conjunto denso:
Defini
c
ao 22 Um subconjunto A de um intervalo J e denso se A intercepta
todo sub-intervalo aberto n
ao-vazio de J.
458
(a)
(b)
x=0=x4
x0= 0
x = 0,75 = x
3
x3= 0,121...
x = 0,707...
1
x = 0,25 = x
1
x = 0,414...
2
x2= 0,50 = x
Figura 10.27: Modelo discreto sobre um crculo. (a) a = 1/4; (b) a =
2/2.
Por exemplo, o conjunto dos racionais Q e denso no intervalo J = [0, 1] pois

todo intervalo aberto nao-vazio de J contem ao menos um n
umero racional.
Pode-se mostrar que, se as iteradas numa orbita formam um conjunto denso em
[0, 1], ent
ao o modelo e transitivo[[34], pg. 96]. Essa afirmacao e formalizada no
Teorema 22 Suponha que J seja um intervalo fechado e f : J J. Ent
ao f
e transitiva se e somente se existe um x J tal que a
orbita gerada por x e
densa em J.
importante salientar que o fato de uma funcao f ser transitiva nao implica
E
necessariamente em que haja dependencia sensvel às condicoes iniciais. Um
contra-exemplo e o modelo discreto unidimensional
xt = xt1 + a,
(mod1)
(10.41)
onde x [0, 1) e a [0, 1). Como tomamos o modulo 1 para os n

umeros dentro
do intervalo [0, 1], podemos visualizar estes n
umeros como pontos sobre um
crculo de circunferencia igual a um, e onde os pontos 0 e 1 s
ao coincidentes
(dito de outra forma, x pode ser visto como um angulo descrevendo um ponto
desse crculo).
Se a for um n
umero racional, por exemplo a = 1/4 = 0, 25, apos quatro
iteracoes voltamos ao ponto de partida, como x0 = 0, numa
orbita de perodo 4
[Fig. 10.27(a)]. Ja se a for um n
umero irracional, como 2/2, em cada iteracao
do modelo, o valor de x e simplesmente acrescido de um n
umero irracional, tal
que x nunca volta ao ponto de partida num n
umero finito de iteracoes do modelo
[Fig. 10.27(b)]. Dessa forma, a sequencia de pontos x preenche densamente o
crculo, configurando uma
orbita dita quase-peri
odica.
Essa
orbita densa garante a transitividade da funcao, mas nao ha sensibilidade `
as condicoes iniciais. Se compararmos as orbitas geradas por duas
condicoes iniciais pr
oximas x0 e x0 = x0 + , a distancia entre os pontos e
sempre igual a , pois, de 10.41, temos
2
2
xt xt = x0 + t
x0 t
= x0 x0 =
2
2
Por outro lado, pode-se demonstrar que o modelo discreto do padeiro (assim
como seu parente pr
oximo, o modelo da tenda) apresenta uma orbita densa em
459
[0, 1], tal que ele e topologicamente transitivo. Alem disso, o modelo do padeiro
apresenta sensibilidade `
as condicoes iniciais. Estes dois ingredientes, mais um
terceiro a ser apresentado a seguir, fazem com que o modelo do padeiro exiba o
chamado caos forte.
10.7.3
Caos forte
Comecamos pela
Defini
c
ao 23 Suponha que J seja um intervalo fechado e f : J J. Ent
ao f
e fortemente ca
otica em J se as seguintes condico
es forem verificadas
1. f apresenta dependencia sensvel `
as condico
es iniciais,
2. f e topologicamente transitiva,
3. f tem pontos peri
odicos densos em J.
A primeira propriedade ja foi estudada numa secao anterior: existe > 0
tal que, para qualquer x e qualquer vizinhanca centrada em x, existe um y e
importante salientar que, para
um inteiro n tal que |f [n] (x) f [n] (y)| . E
que um modelo exiba dependencia sensvel às condicoes iniciais, nem todos
os pontos proximos a x precisam afastar-se exponencialmente de x, mas deve
existir pelo menos um ponto com essa propriedade em cada vizinhanca de x
[?]. Como vimos anteriormente, essa propriedade implica na indeterminacao do
comportamento futuro do sistema, ja que pequenos erros de arredondamento na
determinacao numerica da orbita s
ao ampliados exponencialmente de forma a
estragar a validade da
orbita obtida computacionalmente.
A segunda propriedade tem uma interessante consequencia: um modelo transitivo tem pontos que afastam-se (apos um n
umero suficientemente grande de
iteracoes) de uma vizinhanca para outra vizinhanca qualquer, nao importa quao
pequenas elas sejam. Logo, o conjunto de pontos de uma orbita densa nao pode
ser decomposto em dois conjuntos abertos disjuntos que sejam invariantes sob
o modelo. Se pudessemos quebrar a orbita em dois conjuntos invariantes, estes
acabariam se misturando com o passar das iteracoes justamente devido à transitividade.
A terceira propriedade introduz um elemento de regularidade na orbita
caotica, pois ha um conjunto denso de pontos peri
odicos (evidentemente instaveis).
Um dos poucos sistemas din
amicos onde caos forte pode ser demonstrado e o
modelo do padeiro xt = 2xt1 , (mod 1), pois a distancia entre dois pontos da
orbita dobra em cada iteracao. Para mostrar esse fato, inicialmente usamos
inducao finita para mostrar que

x1
x2
..
.
xt
=
=
=
=
2x0 ,
2x1 = 22 x0 ,
..
.
2xt1 = 2t x0 ,
Logo, se x0 e x0 = x0 + s
ao duas condicoes iniciais proximas, a distancia entre
os pontos e igual a
xt xt = 2t x0 2t x0 = 2t
460
0,8
h(x)
0,6
0,5
0,4
0,2
0
-1
-0,5
0,5
Figura 10.28: A funcao h(x) = sin2 (x/2) pode ou nao ser um homeomorfismo,
dependendo do intervalo considerado.
A transitividade do modelo do padeiro decorre, como vimos na secao anterior, da sua interpretacao como deslocamento à esquerda de um n
umero escrito
em representacao bin
aria, e consequente geracao de uma orbita densa no intervalo [0, 1]. Finalmente, a existencia de um conjunto denso de pontos peri
odicos
foi comentada en passant no Captulo 5. Os pontos peri
odicos do modelo do
padeiro s
ao racionais diadicos da forma m/2n , onde m e n s
ao inteiros. O
conjunto desses racionais e denso no intervalo [0, 1].
10.7.4
Conjugac
ao Topol
ogica
Felizmente a propriedade de caos forte do modelo do padeiro tambem e emprestada a outros modelos, gracas a uma propriedade denominada conjugacao
topol
ogica.
Defini
c
ao 24 Sejam J e K intervalos, f : J J e g : K K duas funco
es.
As funco
es f e g s
ao conjugadas topologicamente se existe um homeomorfismo
h : J K tal que h f = g h.
Um homeomorfismo h entre os intervalos J e K e uma funcao injetiva (um
para um) e sobrejetiva, tal que tanto h como sua inversa h1 s
ao contnuas.
Como decorrencia, a sua inversa tambem e um homeomorfismo. Por exemplo,
a funcao h(x) = sin2 (x/2) e um homeomorfismo do intervalo J = [0, 1] sobre
ele mesmo [Fig. 10.28]. Note que h(x) nao e um homeomorfismo de J = [1, 1]
sobre K = [0, 1], ja que neste caso h(x) nao seria injetiva, uma vez que ha dois
valores de x com a mesma imagem no codomnio da funcao (como, por exemplo,
os pontos x = 0, 5 que tem a mesma imagem h(0, 5) = 0, 5). A inversa desse
homeomorfismo e
2
h1 (x) = arcsin x
Para a caracterizacao da din

amica caotica, e importante observar a conjugacao entre o modelo logstico para r = 4, f4 (x) = 4x(1 x), e o modelo da
461
tenda
xt+1 = T (xt ) =
2xt
2(1 xt )
se 0 xt 12 ,
se 12 < xt 1,
no intervalo J = [0, 1], pois existe um homeomorfismo

x
h(x) = sin2
2
(10.42)
(10.43)
Para verificar a definicao de conjugacao, calculamos inicialmente

x
x

x

= 4 sin2
1 sin2
(10.44)
(f4 h)(x) = f4 (h(x)) = f4 sin2
2

x
x
x 2
2x
= 4 sin2
cos2
= 2 sin
cos
= sin2 (x)
2
2
2
2
onde usamos as seguintes identidades trigonometricas:

sin2 x + cos2 x = 1,
sin(2x) = 2 sin x cos x
Caso 0 x 1/2 temos que

(h T )(x) = h(T (x)) = h(2x) = sin2 (x),
ao passo que, se 1/2 < x 1
(h T )(x) = h(2 2x) = sin2
(2 2x)
2
(10.45)
= sin2 ( x) = sin2 (x). (10.46)
Logo, para todo o intervalo 0 x 1 temos que (h T )(x) = (f4 h)(x), donde,
para x arbitrario, segue que hT = f4 h, o que mostra serem f4 e T conjugados
por meio do homeomorfismo h.
A vantagem de demonstrarmos serem conjugados dois modelos discretos unidimensionais f e h consiste em que uma funcao herda, por meio da conjugacao,
diversas propriedades matematicas da outra, como expresso pelo
Teorema 23 Suponha que f seja conjugada a g por meio do homeomorfismo
h. Ent
ao:
1. f [n] e conjugada a g [n] , para n = 1, 2, , por meio do mesmo homeomorfismo;
2. se x e um ponto de perodo n da funca
o f , ent
ao h(x ) e um ponto de
perodo n para g;
3. se f tem um conjunto denso de pontos peri
odicos, assim tambem g o ter
a;
4. se f e transitiva, ent
ao g tambem o ser
a
Pela discussao anterior desta secao, vimos que tanto o modelo da tenda como
o do padeiro s
ao fortemente caoticos. Como f4 (x) e conjugado a eles, e como,
pelo teorema anterior, as propriedades necessarias ao caos forte s
ao herdadas
importante
pela conjugacao, decorre que f4 (x) e tambem fortemente caotico. E
salientar que, para r < r < 4, o diagrama de bifurcacoes indica haver uma
regi
ao predominantemente caotica. No entanto, o ponto r = 4 e o u
nico para o
qual podemos demonstrar rigorosamente a existencia de uma orbita caotica (de
fato, fortemente caotica pois e transitiva).
462
1000 iteracoes
10000 iteracoes
100000 iteracoes
P(x)
1,5
0,5
0,2
0,4
0,6
0,8
Figura 10.29: Histograma das iteracoes de uma orbita do mapa da tenda.
10.8
Densidade de probabilidade
A existencia de caos para mapas unidimensionais em determinados valores de

seus par
ametros pode ser caracterizada pela positividade do expoente de Lyapunov, por exemplo. No entanto, o car
ater aperi
odico e irregular das iteracoes
de um mapa caotico tambem nos habilita a fazer uma descricao de natureza estatstica. Por exemplo, no caso do mapa da tenda, que na secao anterior vimos
tratar-se de um exemplo de caos forte (transitivo), observamos numericamente
que as iteracoes do mapa distribuem-se de forma uniforme ao longo do intervalo
[0, 1].
Se iterarmos um n
umero muito grande de vezes o mapa da tenda e fizermos
um histograma das iteracoes obtidas, o gr
afico aproxima-se de uma funcao uniforme P (x), chamada densidade de probabilidade do mapa no intervalo [0, 1],
na medida em que o n
umero de iteracoes tende ao infinito [?]. Na figura 10.29
mostramos tres aproximacoes deste histograma para 103 , 104 e 105 iteracoes do
mapa da tenda.
Podemos normalizar `
a unidade a densidade de probabilidade, de modo que
Z 1
P (x)dx = 1
(10.47)
0
ou seja, P (x)dx e a probabilidade de se encontrar uma iteracao do mapa com

valor entre x e x + dx. Dessa forma P (x) = 1 para quase todo ponto x
pertencente ao intervalo [0, 1].
Aqui, quase todo significa todos os pontos de [0, 1] com excecao de um
conjunto de medida de Lebesgue nula, ou seja, um conjunto tal que a probabilidade de pegarmos um ponto ao acaso dentro dele e igual a zero. Logo, quase
todo significa que, na pratica, esse conjunto de medida nula pode ser desconsiderado. No caso do mapa da tenda, por exemplo, esse conjunto de medida nula
e o conjunto de todos os pontos fixos, peri
odicos, finalmente fixos e finalmente
peri
odicos. No captulo 5 afirmamos (sem demonstracao) que estes pontos s
ao
os n
umeros racionais dentro do intervalo [0, 1]. Logo, os pontos x [0, 1] para
os quais P (x) = 1 s
ao os n
umeros irracionais. O conjunto dos racionais em
463
[0, 1] tem medida de Lebesgue nula, ent

ao se pegarmos um ponto ao acaso a
probabilidade dele ser racional e igual a zero.
10.8.1
Densidade de probabilidade do mapa logstico
N
os dizemos que a densidade de probabilidade P (x) e invariante no sentido
dela ter um valor constante em relacao às iteracoes do mapa f (x). Uma das
consequencias importantes desse resultado e podermos deduzir a forma da densidade de probabilidade de um mapa topologicamente conjugado a outro, conhecido o homeomorfismo que os conjuga.
Por exemplo, vimos na secao anterior que os mapas da tenda T (x) e logstico
para r = 4: f (x) = 4x(1 x) s
ao topologicamente conjugados por meio do
homeomorfismo
x 1 cos(x)
h(x) = sin2
=
(10.48)
2
2
tal que h(T (x)) = f (h(x)) para todo x [0, 1]. Sabemos que, para o mapa da
tenda, a densidade de probabilidade e P (x) = 1 nesse intervalo. Logo, para o
mapa logstico em r = 4, dever
a existir uma (outra) densidade de probabilidade
P (y) tambem normalizada nesse intervalo [54]:
Z 1
Z 1
P (y)dy = 1
(10.49)
P (x)dx =
0
Fazendo a substituicao de variavel y = h(x) temos que

x=
1
arccos(1 2y)
(10.50)
cuja diferencial e
dx = dy
temos que
2
q
1
1 (1 2y)
dy
y(1 y)
dy
p
=1
0 y(1 y)
0
Comparando (10.52) com (10.49) temos que
dx =
(10.51)
P (y) =
y(1 y)
(10.52)
(10.53)
e a densidade de probabilidade para o mapa logstico com r = 4 [Fig. 10.30(a)].

Observe que a densidade de probabilidade vai a infinito em y = 0 e y = 1, ou
seja, e mais prov
avel encontrar um ponto de uma orbita ca
otica perto de y = 0
e 1 do que, por exemplo, perto de y = 1/2 [Fig. 10.30(b)]. p
Para r = 4 a densidade de probabilidade P (x) = 1/ x(1 x) e uma
funcao suave de x, ou seja, e contnua e diferenciavel para todos os pontos
x (0, 1). No entanto, esse e um fato excepcional pois, para outros valores de
r onde ha
orbitas caoticas do mapa logstico (e ha um n
umero infinito desses
valores no intervalo do par
ametro 3, 57 < r < 4) a densidade de probabilidade
ja nao e mais uma funcao suave, tendo um n
umero infinito de descontinuidades
e pontos onde P (x) tende a infinito. Este tipo de comportamento e devido
aos pontos peri
odicos instaveis imersos na orbita caotica, mas o estudo mais
detalhado desse problema transcende o nvel da presente discussao.
464
6
1
5
0,8
P(x)
4
0,6
xt
0,4
0,2
0,2
0,4
0,6
0,8
2000
4000
6000
8000
10000
Figura 10.30: (a) Densidade de probabilidade das iteracoes de uma orbita do

mapa logstico em r = 4. (b) Serie temporal para o mapa logstico em r = 4.
10.8.2
Expoente de Lyapunov e densidade de probabilidade
O conceito de ergodicidade e central na Mecanica Estatstica. Num sistema

erg
odico podemos substituir medias temporais de grandezas fsicas num u
nico
sistema por medias dessa grandeza tomadas a um u
nico tempo, mas considerando
um grande n
umero de sistemas identicamente preparados. Este enfoque e aplicado, por exemplo, na teoria dos gases ideais, e nos permite substituir medias
temporais por medias sobre o ensemble, com uma dada funcao de distribuicao.
Para um g
as ideal de partculas interagentes, a ergodicidade e uma manifestacao do chamado caos molecular, e est
a diretamente relacionada ao proprio
comportamento caotico das moleculas que est
ao continuamente colidindo e interagindo de formas imprevisveis. A ideia de ergodicidade, portanto, est
a na
raiz do comportamento caotico, e ja aparece na din
amica de mapas unidimensionais.
Vamos considerar um mapa f (x) que gera uma orbita caotica a partir da
condicao inicial x0 :
x1 = f (x0 ),
x2 = f (x1 ) = f [2] (x0 ),
xt = f [t] (x0 )
(10.54)
e uma determinada grandeza F (xt ) cujo valor dependa do valor da variavel x

no tempo discreto t.
Se a
orbita do mapa f (x) e fortemente caotica (transitiva) pode-se mostrar
que a densidade de probabilidade correspondente e erg
odica, e podemos substituir uma media temporal da grandeza F ao longo da orbita do mapa
T
1X
F (f [n] (x0 )),
F (x) = lim
T T
t=0
(10.55)
pela media da mesma grandeza a um tempo fixo, mas considerando a respectiva

densidade de probabilidade, que e a propria definicao estatstica de media
R
F (x)P (x)dx
< F (x) >= R
.
(10.56)
P (x)dx
465
Logo, para uma

orbita erg
odica de um mapa definido no intervalo [a, b] temos
Z b
T
1X
F (x)P (x)dx,
(10.57)
F (f [n] (x0 )) =
lim
T T
a
t=0
Rb
desde que P (x) seja normalizada: a P (x)dx [?].
Por exemplo, o valor medio das iteracoes do mapa da tenda T (x) e
Z 1
Z 1
1
(10.58)
xdx =
P (x)xdx =
2
0
0
Ja a dispersao (variancia) em relacao à media e
x2
=
=
< (x < x >) >=< x2 > < x >2

2
Z 1
1
1 1
1
x2 dx
= =
.
2
3 4
12
0
(10.59)
Uma aplicacao bastante u

til da ergodicidade e o calculo do expoente de
Lyapunov. Lembrando que, por definicao [Eq. (10.26)] o expoente de Lyapunov
e uma media temporal, usando (10.57) temos que
Z b
t1
1X
ln |f (x)|P (x)dx
(10.60)
ln |f (xi )| =
= lim
t t
a
i=0
onde P (x) e a densidade de probabilidade no mapa definido em [a, b].
No caso do mapa da tenda
Z 1
ln | 2|dx = ln 2
=
(10.61)
Ja para o mapa logstico em r = 4

Z 1
dx
ln |4(1 2x)| p
=
= ln 2
x(1 x)
0
(10.62)
Esse resultado nao e uma coincidencia. Lembremos que o mapa da tenda e topo possvel mostrar que, se o
logicamente conjugado ao mapa logstico em r = 4. E
homeomorfismo h e uma funcao suave de x, ent
ao dois mapas topologicamente
conjugados tem o mesmo expoente de Lyapunov.
A equacao (10.57), embora seja muito u
til, s
o pode ser aplicada se a densidade de probabilidade for uma funcao suave, o que nao ocorre em muitos casos,
como a maioria dos valores de r para os quais o mapa logstico tem orbitas
caoticas. Nesses casos a integracao nao pode ser feita no sentido usual, de Riemann, ja que ha um n
umero infinitamente grande de valores para os quais P (x)
diverge. No entanto, a integracao ainda pode ser formalmente definida, por
meio do conceito de integral de Lebesgue.
10.9
Exerccios
1. Mostre que o expoente de Lyapunov do modelo linear por partes xt = xt1 (mod1),
e = ln , de modo que ele e positivo para > 1, indicando uma
orbita ca
otica.
O caso = 2 e o modelo do padeiro unidimensional, com expoente de Lyapunov
= ln 2.
466
2. Mostre que as funco

es [[34], pg. 105]
f (x) = x2
3
,
4
g(x) = 3x(1 x),
s
ao topologicamente conjugadas no intervalo J = [0, 1], pois existe um homeomorfismo h(x) = x/3 + 1/2.
3. (a) Mostre que {2/7, 4/7, 6/7} e uma
orbita de perodo 3 para o modelo da
tenda T (x) [[34], pg. 107]. (b) Mostre, usando o fato que o modelo da tenda e
conjugado a f4 (x), que uma
orbita de perodo 3 para essa u
ltima e

3
2
sin2
, sin2
, sin2
7
7
7
4. Seja o mapa logstico f (x) = rx(1 x) para 0 x 1 e 1 < r < 3, com r 6= 2.
Mostre que o expoente de Lyapunov e = ln |2r|. O que ocorre quando r = 2?
5. (a) Mostre que, se o mapa f (x) tem um ponto fixo x , e se x e um ponto
finalmente fixo, ent
ao o expoente de Lyapunov e (x) = ln |f (x )|. (b) Se se
o mapa f (x) tem um 2-ciclo {x1 , x2 }, e se x e um ponto finalmente peri
odico,
ent
ao o expoente de Lyapunov e (x) = 12 ln |f (x1 )f (x2 )|.
6. Mostre que o expoente de Lyapunov do mapa linear por partes xt = xt1 (mod1),
e = ln , de modo que ele e positivo para > 1, indicando uma
orbita ca
otica.
O caso = 2 e o mapa do padeiro unidimensional, com expoente de Lyapunov
= ln 2.
7. Mostre que o conjunto de pontos peri
odicos do mapa da tenda e denso no intervalo [0, 1].
8. Use o programa em C ou algum dos softwares matem
aticos indicados no texto
para fazer um diagrama de bifurcaco
es de Lyapunov para:
(a) f (x) = A sin(x), com x [0, 1] e A [0, 1]
(b) f (x) = A (1 |2x 1| ), com igual a 0, 25, 0, 5, 1, 0, 2, 0, 3, 0 e 4, 0.

9. (a) Seja Sg a derivada Schwarziana de g(x). Supondo que Sg < 0 mostre que, se
g (x) tem um mnimo relativo num ponto x pertencente ao domnio de g, ent
ao
g (x ) < 0. (b) Sejam a, b e c pontos fixos de g(x), tais que a < b < c. Supondo
que Sg < 0 no intervalo (a, c) mostre que, se g (b) 1, ent
ao g tem um ponto
crtico em (a, c). (c) Supondo que Sf < 0 e Sg < 0, mostre que S(f g) < 0.
10. Considere f (x) = 1 x2 /2 x14 /2 para 0 x 1. Verifique que f tem
n
ao somente um ponto fixo assintoticamente est
avel mas tambem um 2-ciclo
avel no intervalo [0, 1]. Mostre tambem que Sf > 0 para
algum x (0, 1).
11. Mostre que as funco
es
f (x) = x2
3
,
4
g(x) = 3x(1 x),
s
ao topologicamente conjugadas no intervalo J = [0, 1], pois existe um homeomorfismo h(x) = x/3 + 1/2.
12. (a) Mostre que {2/7, 4/7, 6/7} e uma
orbita de perodo 3 para o mapa da tenda
T (x) [[34], pg. 107]. (b) Mostre, usando o fato que o mapa da tenda e conjugado
a f4 (x), que uma
orbita de perodo 3 para essa u
ltima e

3
2
2
2
2
sin
, sin
, sin
7
7
7
467
13. Quando dois mapas s

ao topologicamente conjugados por meio de um homeomorfismo linear h, eles s
ao ditos linearmente conjugados.
(a) Sejam f (x) = ax2 + bx + c e g(x) = rx2 + sx + t, onde a 6= 0, r 6= 0, e
c=
b2 s2 + 2s 2b + 4rt
4a
Mostre que f e g s
ao linearmente conjugados pelo homeomorfismo
h(x) =
a
bs
x+
r
2r
(b) Se g(x) = x2 + c e f (x) e o mapa logstico, para 0 r 4, ache o valor de

c tal que f e g sejam linearmente conjugados. Ache o homeomorfismo linear h.
14. Mostre, por integraca
o direta, que
Z 1
dx
ln |4(1 2x)| p
= ln 2
x(1 x)
0
15. Mostre que dois mapas unidimensionais topologicamente conjugados tem os mesmos expoentes de Lyapunov.
16. Considere o mapa do bangal
o:
1a
x
a2a x + 13a
12a
12a
fa (x) =
2a
(1 x) +
12a
1a
(1 x)
a
13a
12a
se
se
se
se
x [0, a)
x a, 12

x 12 , 1 a
x [1 a, 1]
onde x [0, 1] e a (0, 1/2).
(a) Mostre que, no caso a = 1/3, temos o mapa da tenda;

(b) Ache os pontos fixos e discuta sua estabilidade;
(c) Mostre que a densidade de probabilidade e dada por
P (x) =
1
1 2a
[0,1a) (x) +
[1a,1] (x)
2 3a
a (2 3a)
onde e a funca
o indicadora, definida como: A (x) = 1 se x A, e A (x) = 0
se x
/ A.
(d) Mostre que o expoente de Lyapunov e dado, como funca
o do par
ametro a,
por

Z 1
dfa (x)
dx.
(a) =
a (x) ln
dx
0

1a
2a
1 2a
1a
+
ln
ln
=
2 3a
a
2 3a
1 2a
468
Captulo 11
Bifurca
co
es e caos em
modelos discretos
bidimensionais
Apos a introducao ao comportamento complexo (periodicidade, bifurcacoes,
caos) feita no captulo anterior com o auxlio de modelos discretos unidimensionais, estamos em condicoes de expandir nossa analise para sistemas din
amicos
com mais graus de liberdade. Neste captulo vamos enfocar o aparecimento
de comportamento caotico em modelos discretos bidimensionais genericos vt =
F(vt1 ) com v R2 , ou seja,
xt
yt
=
=
f (xt1 , yt1 )
g(xt1 , yt1 )
(11.1)
(11.2)
onde f (x, y) e g(x, y) s

ao funcoes arbitrarias, suaves ou nao no seu domnio.
11.1
Diagrama de bifurcac
ao para o modelo de
H
enon
O diagrama de bifurcacao de um modelo discreto bidimensional fornece uma

grande quantidade de informacoes, tal como no caso unidimensional visto no
captulo precedente. Vamos tomar como exemplo o modelo de Henon, visto no
Captulo 6
xt
yt
a x2t1 + byt1 ,
xt1 .
(11.3)
(11.4)
onde a e b s
ao par
ametros. Fixando o valor de um deles, como por exemplo
b = 0, 4, podemos usar a como par
ametro de controle, variando-o no intervalo
0 a 1, 245.
Teremos naturalmente dois diagramas de bifurcacao nesse caso, os quais s
ao
os gr
aficos dos valores assint
oticos das variaveis x ou y versus o par
ametro de
controle. Cada um deles pode ser obtido numericamente adaptando o programa
469
mostrados no Captulo ??. Abaixo indicamos o programa para produzir os

diagramas mostrado nas Figuras 11.1(a) e (b) para x e y, respectivamente.
/* bifurcacao_henon.c: produz o diagrama de bifurcacoes
para o modelo de Henon. Saida dos dados no arquivo
bifurcacao_henon.dat (tabela com tres colunas: a, x, y) */
#include <stdlib.h>
#include <stdio.h>
#include <math.h>
FILE *fp;
main( )
{
int t,tt,tf,na;
double xold,xnew,x0,yold,ynew,a,ai,af,b,delta;
fp = fopen("bifurcacao_henon.dat","w");
b = 0.4;
ai = 0.0;
af = 1.25;
na = 100;
x0 = 0.1;
y0 = 0.3;
tf = 200;
tt = 100;
xold = x0;
yold = y0;
delta = (af - ai)/na;
for(a = ai;a <= af;a = a + delta)
{
for(t=1;t<=tf;++t)
{
xnew = a - xold*xold + b*yold;
ynew = xold;
if (t > tt) fprintf(fp,"%f %f %f\n", a, xold, yold);
xold = xnew;
yold = ynew;
}
}
fclose(fp);
}
Podemos observar que os diagramas de bifurcacao s
ao praticamente identicos.
Esta e outras conclus
oes podem ser tiradas ja a partir da analise da estabilidade
feita no Captulo 6. Os pontos fixos do modelo de Henon, dados por (11.5), s
ao,
para b = 0, 4,
q
2
(1 b) + 4a
b
(11.5)
= 0, 3 0, 09 + a,
x+, = y+,
=
2
De fato, para a = 0 temos que x+ = y+

= 0, 3 + 0, 3 = 0, o que e confirmado
pela Figura 11.1. Ja x = y = 0, 3 0, 3 = 0, 6 nao aparece no diagrama
470
(a)
1
0
-1
-2
0,25
0,5
0,25
0,5
0,75
1,25
0,75
1,25
(b)
1
0
-1
-2
Figura 11.1: Diagrama de bifurcacoes de (a) x e (b) y para o modelo de Henon

para b = 0, 4 no intervalo 0 < a < 1, 245.
de bifurcacao por tratar-se de um ponto instavel. Ambos os pontos comecam a

existir em a = 0, 09.
Com efeito, a estabilidade dos pontos fixos do modelo de Henon foi determinada no Captulo 6 por uma analise linear. De (??) resulta que o ponto fixo
(x , y
) e sempre instavel para todos os valores dos par
ametros a e b. Embora
ele nao aparece no diagrama de bifurcacoes, mas sua influencia se fara sentir
) e est
avel para o seguinte
mais adiante, como veremos. Ja o ponto (x+ , y+
intervalo: 0, 09 a < 0, 27, conforme a Eq. (6.247).
Em a = 0, 27 este ponto fixo torna-se instavel e portanto some do diagrama.
Ao mesmo tempo, aparece uma
orbita de perodo 2, dada por (6.211)-(11.7):
q
2
1 b 4a 3(1 b)
p
(11.6)
x1,2 =
= 0, 3 a 0, 27,
2
a x1,2 2
a x1,2 2
y1,2
=
=
,
(11.7)
1b
0, 6
que serao n
umeros reais desde que a > 0, 27, pela Eq. (6.213), o que explica por
que tal
orbita nao existe para a < 0, 27.
No captulo anterior fizemos tambem a analise linear de estabilidade desta
orbita peri
odica. De (??), (6.271) e (6.270) a condicao de estabilidade para
ambos os pontos do 2-ciclo e 1 < b < 1 e
5 + b(5b 6)
3
[1 + b(b 2)] < a <
4
4
(11.8)
Para b = 0, 4, este intervalo e 0, 27 < a < 0, 85.

Os resultados precedentes indicam que, em a1 = 0, 27, ocorre uma bifurcacao
de duplicacao de perodo, pela qual emerge uma orbita est
avel de perodo 21 = 2.
471
0,8
0,6
0,4
0,2
0
-0,2
1
1,2
1,4
1,9
1,92
1,94
0,8
1,6
1,8
1,96
1,98
0,6
0,4
0,2
0
-0,2
Figura 11.2: (a) Diagrama de bifurcacoes de x para o modelo de Henon para

b = 0, 3 no intervalo 1 < a < 2. (b) Ampliacao do intervalo 1, 9 < a < 2.
Ja em a2 = 0, 85 essa
orbita torna-se instavel e ocorre uma segunda bifurcacao
de duplicacao de perodo, apos a qual e criada uma orbita est
avel de perodo
22 = 4. Aumentando-se a precis
ao com que o diagrama e construido pode-se
inferir a existencia de uma nova bifurcacao em a3 = 0, 9615, onde uma orbita
de perodo 23 = 8 emerge, e assim por diante.
Na verdade, observa-se na Fig. 11.1 uma cascata de bifurcacoes de duplicacao de perodo, muito semelhante à verificada pelo modelo logstico, na
medida em que a aumenta seu valor, com b = 0, 4 mantido fixo. Assim como no
modelo logstico, o intervalo entre duas bifurcacoes sucessivas tambem diminui
geometricamente.
11.1.1
Cascata de bifurca
c
oes de duplica
c
ao de perodo
Vamos considerar o exemplo do modelo de Henon para b = 0, 3, e analisar

mais detalhadamente o diagrama de bifurcacao quando a varia entre 1 e 2 [Fig.
11.2(a)]. So estamos mostrando, agora, o diagrama para a variavel x, uma
vez que o diagrama correspondente para y e inteiramente similar. Observamos,
como no caso b = 0, 4, uma cascata de bifurcacoes de duplicacao de perodo.
Para o caso b = 0, 3 os valores de an para os quais ocorrem bifurcacoes com
duplicacao de perodo (de n para 2n) est
ao tabulados na tabela 11.1.1. As
472
perodo = 2n
an
1
2
3
4
5
6
7
8
2
4
8
16
32
64
128
256
1, 2675000
1, 8125000
1, 9216456
1, 9452006
1, 9502644
1, 9513504
1, 9515830
1, 9516329
an an1
0, 545
0, 1091456
0, 023555
0, 0050638
0, 001086
0, 0002326
0, 0000499
an1 an2
an an1
4, 9933
4, 6337
4, 6516
4, 6630
4, 6678
4, 6688
Tabela 11.1: Pontos de bifurcacao de duplicacao de perodo no modelo de Henon

(??)- (??) para b = 0, 3.
bifurcacoes acumulam-se num valor fixo

lim an a 1, 952
(11.9)
como sugerido pela ampliacao mostrada na Fig. 11.2(b).

Pelos resultados da Tabela 11.1.1, as distancias (em valores do par
ametro a)
entre duas bifurcacoes sucessivas aproximam-se assintoticamente de uma constante de Feigenbaum
an1 an2
4, 669
n an an1
lim
(11.10)
que e bastante pr
oxima ao valor predito por Feigenbaum para modelos unidimensionais unimodais, como o logstico: = 4, 669201609 . . .. Na verdade, uma
certa discrepancia ja seria esperada, uma vez que o modelo de Henon nao se
reduz a um modelo unidimensional, a nao ser no caso trivial b = 0.
Assim como no modelo logstico, para a > a o diagrama de bifurcacoes
sugere uma
orbita caotica no modelo de Henon, e que persiste ate o u
ltimo
valor de a considerado. Para a > 2 as iteradas do modelo divergem para infinito.
Alem disso, em analogia com o modelo logstico, a regi
ao caotica nao e uniforme,
mas sim entremeada de janelas peri
odicas. Algumas dessas caractersticas serao
investigadas ao longo deste captulo. Mas agora estamos em duas dimensoes,
e devemos investigar como uma
orbita caotica aparece no plano de fase, o que
nos levar
a ao conceito de atrator estranho, o qual e fundamental na din
amica
nao-linear. Para isso, vamos introduzir alguns conceitos geometricos basicos,
que podem ser generalizados para mais de duas dimensoes.
11.2
Sistemas conservativos e dissipativos
Na analise dos modelos discretos bidimensionais que fizemos no Captulo 6

um ingrediente fundamental e a descricao do estado do sistema por um ponto
no plano de fase. Restringimo-nos, entretanto, a mostrar o comportamento
assint
otico associado a pontos fixos e orbitas peri
odicas. Modelos discretos
bidimensionais nao-lineares possuem tambem outros tipos de solucoes, cuja
descricao geometrica emprega propriedades gerais dos conjuntos de pontos no
plano de fase sob a acao das equacoes do modelo generico vt = F(vt1 ).
473
yt
(a)
Q0
(b)
111111
000000
000000
111111
000000
111111
000000
111111
000000
111111
000000
111111
000000
111111
000000
111111
000000
111111
St
111111
000000
000000
111111
000000
111111
000000
111111
000000
111111
000000
111111
000000
111111
000000
111111
S0
xt
Qt
xt
Figura 11.3: Imagens sucessivas de um (a) segmento de reta, (b) quadrado num
espaco de fase (plano) bidimensional
Dada uma condicao inicial (x0 , y0 ) podemos obter uma orbita constituida
de pontos no espaco de fase (xt , yt ) que nao formam trajet
orias contnuas, e
sim fileiras de pontos isolados mais ou menos concentrados. No entanto, e comum nos ligarmos os pontos para facilitar a visualizacao do que est
a ocorrendo,
tomando porem o cuidado de nao atribuirmos um significado a estes atalhos,
os quais tem funcao unicamente acess
oria.
Assim como podemos acompanhar a evolucao temporal a partir de uma
u
nica condicao inicial, tambem podemos seguir a evolucao de um conjunto de
condicoes iniciais. Por exemplo, se em t = 0 consideramos todos os pontos
de um segmento de reta S0 como condicoes iniciais possveis, e acompanhamos
a evolucao temporal de cada uma delas, em um tempo posterior t > 0 teremos uma imagem do segmento St = F(St1 ) que, em geral, e uma curva
[Figura 11.3(a)]. Da mesma forma, se consideramos um quadrado Q0 repleto de
condicoes iniciais, a evolucao temporal do sistema leva, para tempos posteriores,
a imagens deste quadrado Qt = F(Qt1 ) que, em geral, o deformam (esticam,
encolhem, dobram, etc.) transformando-o numa figura bidimensional fechada
[Figura 11.3(b)].
A tecnica de acompanhar conjuntos bidimensionais de condicoes iniciais
no espaco de fase ajuda-nos a fazer uma importante distincao entre sistemas
din
amicos ditos conservativos e dissipativos. Tomemos um determinado conjunto S de condicoes iniciais num espaco de fase bidimensional, como o quadrado
Q da figura refimagfase. N
os denotaremos por area(St ) a area da figura bidimensional fechada no instante de tempo discreto t, calculada no plano de fase
usando geometria Euclidiana plana.
Se o sistema bidimensional for conservativo a area das imagens sucessivas do
quadrado nao se altera [Fig. 11.4(a)]:
area(S0 ) = area(S1 ) = area(S2 ) = = area(St )
(11.11)
Ja para os sistemas ditos dissipativos a area de conjuntos de condicoes iniciais

diminui com o tempo [Fig. 11.4(b)]:
area(S0 ) > area(S1 ) > area(S2 ) > > area(St )
474
(11.12)
yt
(a)
111111
000000
000000
111111
000000
111111
000000
111111
000000
111111
000000
111111
000000
111111
000000
111111
000000
111111
000000
111111
11111
00000
00000
11111
00000
11111
00000
11111
00000
11111
00000
11111
00000
11111
00000
11111
00000
11111
(b)
S0
11111
00000
00000
11111
00000
11111
00000
11111
00000
11111
00000
11111
00000
11111
00000
11111
00000
11111
00000
11111
St
111
000
000
111
000
111
S
000
111
000 t
111
S0
xt
xt
Figura 11.4: Imagens sucessivas de um quadrado para um sistema bidimensional

(a) conservativo; (b) dissipativo.
A maioria dos sistemas din

amicos de interesse em economia e dissipativa. Pode
tambem ocorrer que a
area aumente com o tempo durante um certo intervalo
(sistema anti-dissipativo), mas neste caso nao fazemos uma nova distincao pois,
sendo o sistema inversvel, podemos pensar que, fazendo o tempo correr para
tras (ou seja, substituindo t por t nas equacoes do modelo), ele torna-se
dissipativo.
H
a criterios matematicos bem-definidos para investigar se um dado sistema
din
amico e conservativo ou dissipativo e, neste u
ltimo caso, qual a taxa de
diminuicao das
areas no plano de fase. As areas de conjuntos de condicoes
iniciais no plano de fase podem ser subdivididas em elementos de area para
cada tempo (discreto), que s
ao ret
angulos de lados infinitesimais iguais a dxt e
dyt . Escrevendo o elemento de
area no tempo t como
dAt = dxt dyt ,
(11.13)
temos que, no instante anterior, t 1, este mesmo ret

angulo tinha uma area
elementar
dAt1 = dxt1 dyt1 .
(11.14)
A transformacao que fornece (xt , yt ) em termos de (xt1 , yt1 ) e justamente
o modelo discreto bidimensional (11.15)-(11.16)
xt
f (xt1 , yt1 )
(11.15)
yt
g(xt1 , yt1 )
(11.16)
Sabemos, do C
alculo Diferencial e Integral, que os elementos de area (11.13) e
(11.14) est
ao relacionados entre si pela expressao [36]
dxt dyt = |J |dxt1 dyt1 ,
(11.17)
onde J e o determinante da matriz Jacobiana (11.18) do modelo bidimensional

f f
x y
J = det J = g g .
(11.18)
x y
475
Suponha que J = 1. Nesse caso, (11.17) implica em que

dAt = dxt dyt = dAt1 = dxt1 dyt1
(11.19)
e o modelo discreto e conservativo. Caso |J | < 1, ent

ao dAt < dAt1 e o modelo
e dissipativo.
Vamos tomar novamente como exemplo o modelo de Henon:
xt
yt
f (xt1 , yt1 ) = a x2t1 + byt1

g(xt1 , yt1 ) = xt1
=
=
(11.20)
(11.21)
cuja matriz Jacobiana e

J=
f
x
g
x
f
y
g
y
2x
1
b
0
(11.22)
cujo determinante e
J = b
(11.23)
dAt = bdAt1
(11.24)
de modo que
Caso |J | = b < 1 ent
ao o modelo de Henon e dissipativo. Note que, nesse caso,
o jacobiano e uma constante. Em geral, no entanto, o jacobiano depende do
ponto do espaco de fase. A relacao (11.24) pode ser imediatamente
integrada
R
sobre todo o conjunto de condicoes iniciais no plano, At = dAt , fornecendo a
area do mesmo como funcao do tempo
At = bAt1
(11.25)
Como b < 1, fica evidente aqui que At < At1 , ou seja, que as areas de fato
diminuem com o passar do tempo.
11.3
Atratores
Sendo os sistemas dissipativos os de maior interesse em aplicacoes na din

amica
econ
omica, vamos devotar a eles o restante deste captulo. Vamos focalizar o
modelo de Henon para b = 0, 4 < 1, por exemplo, caso em que o modelo e
dissipativo no plano de fase. A relacao (11.27) pode ser iterada com o passar
do tempo. Se, no tempo inicial t = 0, a area e unitaria (A0 = 1), nos proximos
instantes de tempo ela sera
A1
A2
=
=
A3
0, 4 1 = 0, 4
0, 4 0, 4 = 0, 16
(11.26)
0, 4 0, 16 = 0, 064
de modo que, quando o tempo tende a infinito, a area tende rapidamente a zero.
Essa conclus
ao e v
alida em geral para modelos discretos bidimensionais:
as
areas de conjuntos bidimensionais de pontos no plano de fase de sistemas
dissipativos tendem a zero quando o tempo vai a infinito:
lim At = 0,
se
476
|J | < 1.
(11.27)
de forma que a diminuicao das

areas ocorre a uma taxa exponencial se o jacobiano for uma constante. Ent
ao todos os conjuntos de pontos no espaco de fase
tendem a conjuntos de
area nula, os quais denominamos atratores. Ja o conjunto
de condicoes iniciais que levam a
orbitas convergindo a um dado atrator e denominado bacia de atraca
o desse atrator, pela analogia com a bacia hidrogr
afica
de um rio, que e a
area drenada pelo mesmo.
Os atratores representam solucoes estacion
arias de um sistema din
amico
dissipativo. Por exemplo, quando tracamos o diagrama de bifurcacao de um
mapa, aquilo que vemos s
ao atratores assintoticamente est
aveis obtidos a partir
de um dado conjunto de condicoes iniciais. Nos sistemas dissipativos, orbitas
caoticas estacion
arias ocorrem dentro de um atrator especfico.
De forma mais precisa, definimos um atrator A como sendo um conjunto
fechado com as seguintes propriedades [3]
A e um conjunto invariante: se a condicao inicial v0 pertence a A, ent
ao
todas as iteracoes do modelo F para frente ou para tras (se o modelo for
inversvel) tambem pertencer
ao a A;
A atrai um conjunto aberto de condicoes iniciais: exixte um conjunto
aberto U contendo A tal que, se v0 U , ent
ao a distancia entre as iteradas
do modelo F[n] (v0 ) e os pontos de A tende a zero quando n . O maior
conjunto aberto U com essa propriedade e dito bacia de atraca
o de A;
A e um conjunto mnimo: nao ha subconjunto proprio de A que satisfaca
às duas propriedades anteriores.
11.3.1
Atratores pontuais
O atrator mais smples possvel para um sistema din

amico e um ponto fixo
hiperbolico est
avel [Fig. 13.2(a)], ou ent
ao uma orbita peri
odica est
avel, que
e um conjunto discreto de pontos [Fig. 13.2(b)]. Estes casos s
ao denominados
atratores pontuais, e tem certamente area nula. A condicao do ponto fixo ser
hiperbolico e importante. A estabilidade do mesmo e determinada pela linearizacao do modelo. Se o ponto fixo for hiperbolico, as conclus
oes obtidas a
partir da linearizacao continuam v
alidas quando consideramos o efeito dos termos nao-lineares. Caso contrario, a linearizacao simplesmente nao e capaz de
determinar a estabilidade do ponto fixo de forma inequvoca. Uma curva aberta
ou fechada tambem tem volume nulo, mas nao pode representar um atrator
de modelos, visto que as
orbitas s
ao constituidas de pontos discretos. Apenas
em sistemas contnuos, como equacoes diferenciais, as curvas no espaco podem
representar atratores.
11.3.2
Atratores ca
oticos
Quando estudamos, no captulo 4, caos em modelos unidimensionais, nos caracterizamos o caos como um comportamento din
amico com duas caractersticas
basicas:
aperiodicidade: irregularidade, ou ausencia de comportamento peri
odico;
dependencia sensvel `
as condicoes iniciais: condicoes iniciais originalmente
muito pr
oximas geram
orbitas que divergem exponencialmente.
477
yt
(a)
(b)
00000
11111
11111
00000
00000
11111
00000
11111
00000
11111
00000
11111
00000
11111
00000
11111
00000
11111
P
11111
00000
00000
11111
00000
11111
00000
11111
00000
11111
00000
11111
00000
11111
00000
11111
00000
11111
00000
11111
P1
P2
xt
P3
P4
xt
Figura 11.5: Atratores pontuais. (a) Ponto fixo atrativo; (b) Orbita
de perodo
4 atrativa.
2
1
0
-1
-22
1
0
-1
-2
5000
10000
15000
20000
Figura 11.6: Series temporais de xt e yt para o modelo de Henon quando a = 1, 4

e b = 0, 3.
No caso de modelos bidimensionais e, de modo geral, para sistemas din

amicos,
os atratores tambem podem exibir comportamento caotico com essenciamente
as mesmas caractersticas, embora haja diferencas importantes no que diz respeito `
a geometria. Como exemplo representativo, vamos considerar o modelo
de Henon com b = 0, 3 e a = 1, 4.
Uma analise superficial das series temporais do atrator de Henon (Fig. 11.6)
ja sugere a ausencia de uma periodicidade obvia. No entanto, essa constatacao
nao basta para caracterizar a orbita (ou seu atrator) como caotica, ja que uma
orbita de perodo muito grande poderia ter um comportamento similar. Para
uma descricao mais precisa do comportamento caotico, e necessario que a orbita

exiba sensibilidade `
as condicoes iniciais.
Para ilustrar a sensibilidade às condicoes iniciais nos realizamos o seguinte
experimento numerico: escolhemos uma condicao inicial, a saber (x0 , y0 ) =
(0, 100000, 0, 300000) e iteramos 100 vezes o modelo, representando as respectivas series temporais (para x e y) com a cor preta na figura 11.7. Depois pegamos
478
2
1
0
-1
-22
1
0
-1
-2
10
20
30
40
50
60
70
80
90
100
Figura 11.7: Series temporais de xt e yt para o modelo de Henon quando a = 1, 4

e b = 0, 3 e as seguintes condicoes iniciais: (x0 , y0 ) = (0, 1, 0, 3) (curva em preto);
(0, 100001, 0, 300001) (curva em vermelho).
uma condicao inicial muito proxima `

a primeira: (x 0 , y 0 ) = (0, 100001, 0, 300001),
de modo que a diferenca entre elas seja de apenas 106 . Iteramos novamente o
modelo por 100 tempos, tracando as novas series temporais com a cor vermelha
na figura 11.7. Observamos que, ate cerca de 50 iteracoes do modelo, as duas
orbitas subsequentes, vt e v t permanecem praticamente identicas, afastando-se
mutuamente depois.
Por afastando-se mutuamente queremos dizer que perdem a correlacao,
uma vez que, como o domnio das variaveis x e y e limitado, a distancia entre os
pontos de ambas as
orbitas nao podem crescer indefinidamente com o tempo t.
Porem, pode ser conveniente pensar que elas o fazem, mas que o proprio domnio
das variaveis e dobrado sobre si mesmo, o que ficara mais claro à frente, quando
discutirmos o mecanismo de estica-dobra, que e fundamental na compreens
ao
do caos em sistemas dissipativos.
Podemos quantificar esse crescimento exponencial da distancia entre as orbitas
por meio dos expoentes de Lyapunov, como veremos. Antes disso, porem, vamos
examinar o atrator caotico de Henon no plano de fase (x versus y). No caso
(a = 1, 4; b = 0, 3) podemos usar os programas vistos no Captulo anterior para
obter uma
orbita do modelo a partir da condicao inicial (x0 , y0 ) = (0, 1, 0, 3).
N
os costumamos descartar um certo n
umero de iteracoes transientes, pois estamos interessados no limite assint
otico (ou seja, para grandes tempos).
Se tracarmos a respectiva
orbita caotica no plano de fase [Fig. 11.8(a)]
teremos um atrator caotico. Este atrator nao lembra um conjunto discreto de
pontos, como uma
orbita peri
odica, mas tambem nao e exatamente uma curva
fechada, por uma peculiaridade que aparece quando ampliamos sucessivas vezes
uma pequena regi
ao da Fig. 11.8(a).
Numa primeira ampliacao, vemos que a curva grossa e, na verdade, um
conjunto de tres curvas, uma mais grossa que as outras duas [Fig. 11.8(b)]. As
ampliacoes sucessivas mostram que a curva mais grossa e tambem um conjunto
479
(a)
(b)
1,3
yt
yt
1,2
1,1
-1
-2
-2
-1
xt
-0,1
1,22
0,1
xt
0,2
0,3
1,212
(c)
(d)
1,21
1,21
yt
yt
1,2
1,208
1,19
1,18
1,206
1,17
-0,03
-0,02
xt
-0,01
-0,024
-0,023
-0,022
xt
-0,021
-0,02
Figura 11.8: (a) Atrator do modelo de Henon para a = 1, 4 e b = 0, 3.(b)-(d):

sucessivas ampliacoes de regi
oes do atrator
de tres curvas[Fig. 11.8(c)], e assim por diante, embora a resolucao ja seja muito
importante lembrar que, para
baixa para uma boa visualizacao [Fig. 11.8(d)]. E
termos uma boa resolucao numa ampliacao t
ao grande como a da Fig. 11.8(d),
e necessario gerar uma orbita caotica com um n
umero de pontos muito grande.
Se houvessemos usado ainda muito mais pontos do que usamos, poderamos
mostrar sucessivas ampliacoes com essas mesmas caractersticas na escala que
desejassemos, o que indica ser este comportamento uma propriedade intrnseca
da curva, nao apenas o resultado de alguma coincidencia. Essa propriedade
chama-se auto-similaridade: a caracterstica de uma figura de ter a mesma
aparencia em diferentes escalas. Matematicamente, a geometria de um atrator
auto-similar, como o de Henon, nao e descrita pela geometria Euclidiana. O
atrator de Henon e um exemplo de atrator fractal, cujas propriedades s
ao explicadas pela geometria fractal, que sera o objeto do proximo captulo. Embora
nem todos os atratores caoticos sejam fractais, em grande parte dos casos eles
o s
ao.
11.4
Mecanismo estica-e-dobra
O atrator caotico de Henon (a = 1, 4 e b = 0, 3), mostrado na Figura ??)

lembra um bumerangue dobrado sobre si mesmo v
arias vezes, o que reflete a
acao do mecanismo estica-e-dobra tpico de atratores caoticos. Para entender
melhor como esse mecanismo se processa, vamos interpretar o modelo (??)-(??),
denotado por F(x, y) = (a x2 + by, x), como a composicao de tres operacoes
480
000000000000000000
111111111111111111
000000000000000000
111111111111111111
111111111111111111
000000000000000000
000000000000000000
111111111111111111
000000000000000000
111111111111111111
000000000000000000
111111111111111111
000000000000000000
111111111111111111
000000000000000000
111111111111111111
000000000000000000
111111111111111111
000000000000000000
111111111111111111
000000000000000000
111111111111111111
000000000000000000
111111111111111111
000000000000000000
111111111111111111
000000000000000000
111111111111111111
000000000000000000
111111111111111111
000000000000000000
111111111111111111
000000000000000000
111111111111111111
000000000000000000
111111111111111111
000000000000000000
111111111111111111
000000000000000000
111111111111111111
000000000000000000
111111111111111111
000000000000000000
111111111111111111
000000000000000000
111111111111111111
000000000000000000
111111111111111111
000000000000000000
111111111111111111
000000000000000000
111111111111111111
000000000000000000
111111111111111111
000000000000000000
111111111111111111
000000000000000000
111111111111111111
000000000000000000
111111111111111111
000000000000000000
111111111111111111
000000000000000000
111111111111111111
000000000
111111111
111111111
000000000
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
F 1(x,y) = (x,by)
111111111111111111
000000000000000000
000000000000000000
111111111111111111
000000000000000000
111111111111111111
000000000000000000
111111111111111111
000000000000000000
111111111111111111
000000000000000000
111111111111111111
000000000000000000
111111111111111111
000000000000000000
111111111111111111
000000000000000000
111111111111111111
000000000000000000
111111111111111111
000000000000000000
111111111111111111
000000000000000000
111111111111111111
000000000000000000
111111111111111111
000000000000000000
111111111111111111
111111111
000000000
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
F (x,y) = (y,x)
2
000000000000000000
111111111111111111
000000000000000000
111111111111111111
111111111111111111
000000000000000000
000000000000000000
111111111111111111
000000000000000000
111111111111111111
000000000000000000
111111111111111111
000000000000000000
111111111111111111
000000000000000000
111111111111111111
000000000000000000
111111111111111111
000000000000000000
111111111111111111
000000000000000000
111111111111111111
000000000000000000
111111111111111111
000000000000000000
111111111111111111
000000000000000000
111111111111111111
000000000000000000
111111111111111111
F (x,y) = (xy 2+a,y)
00000000
11111111
0000000
1111111
0000000000000000
00000001111111111111111
1111111
0000000000000000 3
1111111111111111
0000000
1111111
0000000000000000
00000001111111111111111
1111111
0000000000000000
1111111111111111
0000000
1111111
0000000000000000
1111111111111111
0000000
1111111
0000000000000000
1111111111111111
0000000000000000
1111111111111111
0000000000000000
1111111111111111
0000000000000000
1111111111111111
0000000000000000
1111111111111111
0000000000000000
1111111111111111
0000000000000000
1111111111111111
0000000000000000
1111111111111111
0000000000000000
1111111111111111
0000000000000000
1111111111111111
0000000000000000
1111111111111111
0000000000000000
1111111111111111
0000000000000000
1111111111111111
0000000000000000
1111111111111111
0000000000000000
1111111111111111
0000000000000000
1111111111111111
0000000000000000
1111111111111111
0000000000000000
1111111111111111
0000000000000000
1111111111111111
0000000000000000
1111111111111111
0000000000000000
1111111111111111
0000000000000000
1111111111111111
00000000
11111111
0000000000000000
1111111111111111
00000000
11111111
0000000000000000
1111111111111111
00000000
11111111
0000000000000000
1111111111111111
00000000
11111111
0000000000000000
1111111111111111
00000000
11111111
0000000000000000
1111111111111111
00000000
11111111
0000000000000000
1111111111111111
00000000
11111111
0000000000000000
1111111111111111
Figura 11.9: Figura esquematica mostrando a acao do modelo de Henon em

termos de tres operacoes sobre um quadrado de condicoes iniciais
que agem sobre conjuntos de pontos no plano de fase:

F = F3 F2 F1
(11.28)
A primeira operacao F1 (x, y) = (x, by) consiste numa contracao uniforme ao

longo da direcao y, a uma taxa constante b, com |b| < 1. A segunda operacao,
F2 (x, y) = (y, x), e uma reflexao em relacao à diagonal principal y = x . Ja
a terceira e u
ltima operacao F3 (x, y) = (x y 2 + a, y), executa uma dobra na
direcao x [Fig. 11.9]. De fato,
(F2 F1 )(x, y) = F2 (x, by)
(F3 F2 F1 )(x, y)
=
=
(by, x),
F3 (by, x)
(by x2 + a, x) = F(x, y).
(11.29)
Uma iteracao do modelo de Henon F, portanto, faz com que um quadrado

de condicoes iniciais transforme-se num bumerangue. Outra iteracao fara com
que o bumerangue seja esticado e dobrado novamente, e assim por diante. Apos
um n
umero muito grande destas operacoes obteremos, ent
ao, um bumerangue
dobrado si pr
oprio, cuja forma sera a do proprio atrator mostrado na Fig. ??.
11.5
Expoentes de Lyapunov
Podemos utilizar os expoentes de Lyapunov tambem em sistemas multidimensionais, tanto contnuos como discretos, para distinguir e caracterizar os v
arios
comportamentos din
amicos possveis. Definimos o expoente de Lyapunov no
Captulo ?? para modelos unidimensionais, como sendo a taxa de divergencia
exponencial de duas trajet
orias inicialmente muito proximas. Logo, o comportamento caotico e caracerizado por um valor positivo deste expoente, ao passo
que pontos fixos e
orbitas peri
odicas est
ao associadas a valores negativos.
11.5.1
Defini
c
ao
Para modelos bidimensionais ha sempre duas direcoes linearmente indepen1 e e

2 . Podemos pensar que
dentes no plano de fase, que vamos denotar por e
elas s
ao os versores dos eixos x e y, mas nao e necessariamente assim. Em geral
481
v t
v0
v 0
v0
vt
x
Figura 11.10: Evolucao temporal da distancia entre duas orbitas num modelo
bidimensional
estas duas direcoes podem mudar com o tempo, de modo que e u

til preservar
uma certa generalidade.
Como consequencia, haver
a dois expoentes de Lyapunov ao longo das direcoes
1 e e
2 , os quais denotaremos 1 e 2 , respectivamente. Eles s
e
ao definidos de
uma forma analoga ao caso unidimensional: sejam duas condicoes iniciais v0 e
v0 , inicialmente muito proximas, de maneira que sua distancia e pequena (Fig.
11.10):
|v0 | = |v0 v0 | 1.
(11.30)
Cada condicao inicial gera uma orbita, cujos pontos serao vt e vt num instante posterior t, e cuja diferenca e vt = vt vt . Para saber como a diferenca
entre as
orbitas proximas evolui com o tempo linearizamos o modelo da mesma
forma que fizemos no Captulo 6, onde mostramos que a diferenca evolui com o
tempo segundo o modelo linearizado [vide Eq. (6.225)]
vt = J(vt1 ) vt1 .
(11.31)
Observe que agora estamos linearizando o modelo em torno de um ponto generico

da
orbita, e nao mais em torno de um ponto fixo ou orbita peri
odica.
Aplicando inducao finita temos, para o modelo linearizado
vt
..
.
= J(vt1 ) J(vt2 ) vt2

.
= ..
= J(vt1 ) J(vt2 ) . . . J(v0 ) v0
= J[t] (v0 ) v0 ,
(11.32)
onde usamos (6.255) para definir a jacobiana do modelo linearizado t vezes

iterado:
J[t] (v0 ) = J(vt1 ) J(vt2 ) . . . J(v0 ) =
482
t1
Y
k=1
J(vtk ).
(11.33)
i ,
Vamos orientar a diferenca inicial entre os pontos ao longo da direcao e
com i = 1, 2, de forma que
v0
i =
.
(11.34)
e
|v0 |
Analogamente ao caso unidimensional, o expoente de Lyapunov ao longo da

i e tal que
direcao e
|vt | = |v0 |ei (v0 )t ,
(11.35)
tal que, tomando o limite onde t tende a infinito,

1
|vt |
.
i (v0 ) = lim ln
t t
|v0 |
(11.36)
Usando (11.46) temos, pois, que

1 [t]

i .
ln J (v0 ) e
t t
i (v0 ) = lim
(11.37)
Essa definicao permite o calculo explcito dos expoentes de Lyapunov apenas

em alguns casos particulares. A dificuldade maior consiste em determinar, para
t arbitrario, a jacobiana da t-esima iterada do modelo. Essa tarefa e possvel
conhecendo os autovalores 1 e 2 da matriz jacobiana do modelo em cada ponto
da orbita, de forma que a matriz tem a forma diagonal

1 (xt , yt )
0
J(vt ) =
,
(11.38)
0
2 (xt , yt )
tal que o produto das matrizes e facilmente obtido. Por exemplo, a matriz
jacobiana da segunda iterada do modelo e

1 (x1 , y1 )
0
1 (x0 , y0 )
0
[2]
J (v0 ) = J(v1 ) J(v0 ) =
0
2 (x1 , y1 )
0
2 (x0 , y0 )

1 (x1 , y1 )1 (x0 , y0 )
0
.
(11.39)
=
0
2 (x1 , y1 )2 (x0 , y0 )
Generalizando, a matriz jacobiana da t-esima iterada e dada por (11.40)
como
Qt

t
Y
0
k=1 1 (xtk , ytk ) Q
J(vtk ) =
J[t] (v0 ) =
.
t
0
k=1 2 (xtk , ytk )
k=1
(11.40)
11.5.2
Sistemas do tipo mestre-escravo
Seja o modelo bidimensional numa forma geral

xt
f (xt1 ),
(0 x 1)
yt
g(xt1 , yt1 )
(11.41)
(11.42)
onde f e uma funcao qualquer de x, e g e uma funcao arbitraria porem mpar

em y, ou seja, g(y) = g(y). Resulta que o segmento
I = {(x, y)|0 x 1, y = 0}
483
(11.43)
e invariante pela din

amica, ou seja, se uma condicao inicial v0 e colocada exatamente em I, as iteradas subsequentes permanecem sobre I para todos os tempos
posteriores e anteriores (se o modelo for inversvel):
v0 I vt I,
t.
(11.44)
Nesse caso especfico e conveniente fixar as direcoes ao longo das quais determinamos os expoentes de Lyapunov como os respectivos eixos coordenados
no plano de fase:

1
1
1 =
2 =
e
,
e
.
(11.45)
0
0
Teremos, ent
ao, que
1
J[t] (v0 ) e
Qt
k=1 1 (xtk , ytk )
2 (xtk , ytk )

k=1 1 (xtk , ytk )
,
0
Qt

1
0

(11.46)
e o expoente de Lyapunov na direcao 1 e

t
k=1
k=1
1X
1 Y
1 (xtk , ytk ) = lim
ln
ln 1 (xtk , ytk ).
t t
t t
1 (v0 ) = lim
(11.47)
De forma inteiramente similar, o o expoente de Lyapunov na direcao 2 e

t
k=1
k=1
1X
1 Y
2 (xtk , ytk ) = lim
ln
ln 2 (xtk , ytk ).
t t
t t
2 (v0 ) = lim
(11.48)
O modelo bidimensional (11.41)-(11.42) representa uma classe de sistemas

denominados mestre-escravo, pois a din
amica ao longo do conjunto invariante (i.e., ao longo de x) e independente da din
amica transversal, ao longo
de y. Ja esta u
ltima e influenciada pela din
amica em x. Este tipo de sistemas
aparece quando acoplamos dois modelos unidimensionais de forma unidirecional,
ou seja, um modelo (em x) e independente (mestre), e o outro modelo tem
uma din
amica acoplada ao primeiro (escravo).
Um exemplo de sistema mestre-escravo e

1

(0 x 1)
(11.49)
xt = 1 2 xt1 ,
2
yt
3
p exp[b(xt1 ) ]yt1 + yt1
,
(11.50)
onde < y < +, e p, b e s

ao par
ametros. Novamente, aqui, o eixo y = 0
e um conjunto invariante. A din
amica ao longo deste conjunto e governada
pelo modelo da tenda que, como vimos no Captulo 4, e fortemente caotica com
expoente de Lyapunov positivo.
A jacobiana do modelo e
!
xt
0
xt1
J(xt , yt ) =
yt
yt
xt1
(11.51)
yt1
2
2
2pb (x ) exp[b(xt1 ) ]yt1
484
0
2
2
p exp[b(xt1 ) ] + 3yt1
que e triangular inferior. Logo, os autovalores da jacobiana s

ao simplesmente
os elementos da sua diagonal principal:
1 (xt1 )
2 (xt1 , yt1 )
2,
(11.52)
2
p exp[b(xt1 ) ] +
2
3yt1
.
(11.53)
O expoente de Lyapunov na direcao x e, de (11.47)

t
1X
ln 2 = ln 2,
t t
1 (v0 ) = lim
(11.54)
k=1
que e, naturalmente, o expoente de Lyapunov do modelo logstico desacoplado.

Analogamente, o expoente de Lyapunov na direcao y e, para orbitas sobre o
conjunto invariante I, dado por (11.48)
t
i
1X h
2
ln p exp[b(xt1 ) ]
t t
2 (x0 , y0 = 0) = lim
(11.55)
k=1
como a
orbita em I e fortemente caotica, podemos usar a ergodicidade da mesma
e substituir a media temporal por uma media sobre uma densidade de probabilidade uniforme P (x) = 1 para x [0, 1], como fizemos no Captulo 4. De (??)
temos, pois, que
2 =
11.5.3
1
0

1

2
.
ln p exp[b(xt1 ) ] = ln p b 2 +
3
(11.56)
Evoluc
ao de uma
area no plano de fase
Num modelo bidimensional ha dois expoentes de Lyapunov, que denominaremos 1 e 2 . Cada um deles representa a taxa de divergencia de trajet
orias
ao longo das respectivas direcoes no espaco (plano) de fase. Uma forma conveniente de visualizar esta situacao e investigar o que ocorre com um determinado
conjunto de condicoes iniciais - um disco de raio centrado na condicao inicial
v0 = (x0 , y0 ). Aqui, faz o papel da distancia entre duas condicoes iniciais
proximas no caso unidimensional, e pode ser interpretado como uma medida
da incerteza com que determinamos uma condicao inicial no plano de fase (em
duas dimensoes ha um disco de incerteza de raio ) [Fig. 11.11].
Os expoentes de Lyapunov medem as taxas com que o crculo de raio
pequeno (que e a fronteira do disco de incerteza) e deformado pela acao da
din
amica do modelo bidimensional. Em outras palavras, como a condicao inicial
v0 e as condicoes iniciais na sua vizinhanca s
ao afetadas pela din
amica. Podemos
supor que, em geral, apos t iteracoes o crculo original tenha sido transformado
numa elipse, cujos semi-eixos medem r1t e r2t . Os expoentes de Lyapunov
correspondentes 1,2 s
ao, pois, definidos atraves das relacoes
r1t
r2t
=
=
e1 t = e1 t r10 ,
e
2 t
=e
2 t
r20 ,
(11.57)
(11.58)
onde 1. Considerando os limites quando o tempo vai a infinito e o raio do

485
t iteracoes do mapa
t
000000000000000000000
111111111111111111111
111111111111111111111
000000000000000000000
000000000000000000000
111111111111111111111
000000000000000000000
111111111111111111111
000000000000000000000
111111111111111111111
000000000000000000000
111111111111111111111
000000000000000000000
111111111111111111111
000000000000000000000
111111111111111111111
000000000000000000000
111111111111111111111
000000000000000000000
111111111111111111111
000000000000000000000
111111111111111111111
000000000000000000000
111111111111111111111
000000000000000000000
111111111111111111111
000000000000000000000
111111111111111111111
r2
000000000000000000000
111111111111111111111
000000000000000000000
111111111111111111111
r1
000000000000000000000
111111111111111111111
000000000000000000000
111111111111111111111
000000000000000000000
111111111111111111111
000000000000000000000
111111111111111111111
000000000000000000000
111111111111111111111
000000000000000000000
111111111111111111111
000000000000000000000
111111111111111111111
000000000000000000000
111111111111111111111
000000000000000000000
111111111111111111111
000000000000000000000
111111111111111111111
000000000000000000000
111111111111111111111
000000000000000000000
111111111111111111111
000000000000000000000
111111111111111111111
000000000000000000000
111111111111111111111
000000000000000000000
111111111111111111111
000000000000000000000
111111111111111111111
000000000000000000000
111111111111111111111
000000000000000000000
111111111111111111111
000000000000000000000
111111111111111111111
000000000000000000000
111111111111111111111
000000000000000000000
111111111111111111111
000000000000000000000
111111111111111111111
000000000000000000000
111111111111111111111
000000000000000000000
111111111111111111111
000000000000000000000
111111111111111111111
0000000000000000000
1111111111111111111
1111111111111111111
0000000000000000000
0000000000000000000
1111111111111111111
0000000000000000000
1111111111111111111
0000000000000000000
1111111111111111111
0000000000000000000
1111111111111111111
0000000000000000000
1111111111111111111
0000000000000000000
1111111111111111111
0000000000000000000
1111111111111111111
0000000000000000000
1111111111111111111
0000000000000000000
1111111111111111111
0000000000000000000
1111111111111111111
0000000000000000000
1111111111111111111
0000000000000000000
1111111111111111111
0000000000000000000
1111111111111111111
0000000000000000000
1111111111111111111
0000000000000000000
1111111111111111111
0000000000000000000
1111111111111111111
0000000000000000000
1111111111111111111
0000000000000000000
1111111111111111111
0000000000000000000
1111111111111111111
0000000000000000000
1111111111111111111
0000000000000000000
1111111111111111111
0000000000000000000
1111111111111111111
0000000000000000000
1111111111111111111
0000000000000000000
1111111111111111111
0000000000000000000
1111111111111111111
0000000000000000000
1111111111111111111
0000000000000000000
1111111111111111111
0000000000000000000
1111111111111111111
0000000000000000000
1111111111111111111
0000000000000000000
1111111111111111111
0000000000000000000
1111111111111111111
0000000000000000000
1111111111111111111
0000000000000000000
1111111111111111111
0000000000000000000
1111111111111111111
0000000000000000000
1111111111111111111
v0
vt
xt
Figura 11.11: Expoentes de Lyapunov para um modelo bidimensional.
crculo tende a zero temos, formalmente, que

1

r1t
1
,
ln
lim lim
t r10 0 t
r10

1
r2t
lim lim
.
ln
t r10 0 t
r10
(11.59)
(11.60)
A
area do crculo no tempo inicial (t = 0) e
A0 = 2 ,
(11.61)
ao passo que, apos t iteracoes do modelo, a elipse e a imagem do crculo com

uma
area dada por
At
r1 r2 = (e1 t )(e2 t )
e(1 +2 )t 2 = A0 e(1 +2 )t .
(11.62)
Como At < A0 para um sistema dissipativo, ent

ao e(1 +2 )t < 1, de modo que,
para t > 0 temos necessariamente que
1 + 2 < 0.
(11.63)
No modelo de Henon, por exemplo, usando (11.27) temos que

At = bAt1 = b2 At2 = bt A0 = A0 et ln b .
(11.64)
Comparando com (11.62) temos a importante relacao entre os expoentes de

Lyapunov e o jacobiano do modelo
1 + 2 = ln b < 0,
(11.65)
quando 0 < b < 1.

Caso o sistema seja conservativo, as areas mantendo-se constantes com o
tempo, temos que At = A0 , entao (11.62) implica em e(1 +2 )t = 1 para todo
t, o que necessariamente leva à condicao 1 = 2 . Lembremos que, nesse
caso, nao existem atratores: cada condicao inicial gera uma orbita (peri
odica
ou caotica) diferente.
Dentre as situacoes possveis para modelos bidimensionais dissipativos, destacamos duas. Primeiramente, quando ambos os expoentes s
ao negativos: (1 <
486
0, 2 < 0), temos atratores peri

odicos, como pontos fixos est
aveis ou orbitas
peri
odicas est
aveis. Suponha um no est
avel, por exemplo: o disco de condicoes
iniciais representado na Fig. 11.11 encolhe ao longo de ambas as direcoes, de
modo que num tempo t qualquer ter
a se transformado numa elipse de semi-eixos
r1 = e|1 |t <
r2 = e|2 |t <
(11.66)
e que acaba convergindo para o ponto fixo. Podemos dizer que trajet
orias inicialmente muito pr
oximas acabam convergindo exponencialmente com o passar
do tempo.
Uma outra situacao importante e quando um expoente de Lyapunov e positivo, enquanto o outro expoente e negativo. Alem disso, para que o modelo seja
dissipativo a soma dos dois expoentes deve ser negativa. Assim, o modulo do
expoente negativo deve ser maior do que o expoente positivo:
1 > 0,
2 < 0,
|2 | > 1 .
No captulo 4, caracterizamos o comportamento caotico em modelos unidimensionais a partir da positividade do expoente de Lyapunov correspondente. Isso
significa que trajet
orias muito proximas afastam-se exponencialmente com o
tempo, a uma taxa dada pelo expoente de Lyapunov (sensibilidade extrema às
condicoes iniciais). As consequencias desse fato, como vimos, afetam profundamente a vis
ao que temos da previsibilidade numa descricao din
amica. Para
sistemas com mais de uma dimensao, caracterizamos analogamente o comportamento caotico como aquele para o qual ha um expoente de Lyapunov positivo.
O fato de termos um expoente positivo e outro negativo faz com que um crculo
no plano de fase evolua para uma elipse, alongando-se numa direcao e encolhendo na outra. A taxa de encolhimento, no entanto, deve ser menor que a de
esticamento para que a
area da elipse diminua com o passar do tempo, de modo
que |2 | > 1 .
11.6
Determinac
ao num
erica dos expoentes de
Lyapunov
11.6.1
Evoluc
ao de vetores pelo modelo linearizado
Vamos considerar um crculo de condicoes iniciais centrado num certo ponto de

um atrator, como aquele do modelo de Henon para a = 1, 4 e b = 0, 3. Este
crculo pode ser encarado como uma elipse onde os semi-eixos tem o mesmo
comprimento e est
ao direcionados ao longo de dois vetores u1 (0) e u2 (0), ortogonais entre si. Se o raio do crculo for igual a 1, os vetores s
ao tambem
normalizados, ou seja, s
ao ortonormais:
u1 (0) u1 (0) = u2 (0) u2 (0) = 1,
u1 (0) u2 (0) = 0.
(11.67)
Sendo a elipse pequena o suficiente nos podemos evoluir os seus pontos usando o modelo linearizado, dado pela matriz jacobiana do modelo em cada
ponto. No caso do modelo de Henon ele e

2xt b
.
(11.68)
J(vt ) =
1
0
487
Podemos, portanto, evoluir o conjunto de vetores ortonormais u1 e u2 usando

a jacobiana, para encontrar a imagem dos mesmos pelo modelo linearizado a
partir da condicao inicial v0 = (x0 , y0 ) dentro do atrator.
u1 (1) = J(v0 ) u1 (0),
u2 (1) = J(v0 ) u2 (0).
(11.69)
Vamos supor que, num dado ponto do atrator de Henon, o conjunto ortonormal seja

1
0
u1 (0) =
,
u2 (0) =
,
(11.70)
0
1
como pode ser facilmente verificado por inspecao. Usando (11.68) em (11.69)
as imagens desse conjunto de vetores pelo modelo linearizado s
ao

2x0
1
2x0 b
,
(11.71)
=
u1 (1) =
1
0
1
0

2x0 b
0
b
u2 (1) =
=
.
(11.72)
1
0
1
0
Podemos ver que este novo conjunto nao e mais normalizado, em geral, pois
os modulos dos novos vetores dependem do valor de x0 :
q
|u2 | = b,
(11.73)
|u1 | = 1 + 4x20 ,
Alem disso, o
angulo entre eles, que e dado por
cos =
u1 u2
,
|u1 ||u2 |
(11.74)
assume um valor que tambem depende de x0 :

= arccos
2x0
1 + 4x20
(11.75)
Alem de nao ser mais ortonormal, as sucessivas imagens dos vetores u1 e u2

pelo modelo linearizado levam a conjuntos de vetores praticamente paralelos,
ou seja, a elipse de condicoes iniciais evolui rapidamente para um segmento ao
longo da direcao de maxima expansao, que e justamente a do maior expoente
de Lyapunov. Um exemplo e o modelo de Henon para a = 0, 4 e b = 0, 3.
No programa em linguagem C abaixo nos inicialmente computamos um grande
n
umero de iteracoes do modelo de Henon que s
ao descartadas, a fim de que
tenhamos pontos dentro do atrator. Num dado ponto (x0 , y0 ) nos associamos
o conjunto de vetores ortonormais (11.100) e evoluimos este conjunto pela jacobiana, usando (11.71), ao mesmo tempo que o ponto evolui pelo modelo de
Henon.
/* henon_vetores.c: evolui um par de vetores ortonormais dentro do atrator
do modelo de H
enon */
#include <stdlib.h>
#include <stdio.h>
#include <math.h>
488
FILE *fp;
void main()
{
double J11,J12,J21,J22,u1x,u1y,u2x,u2y,u1xnew,u1ynew,u2xnew,u2ynew,
m1,m2,p,theta;
int t,trans,tf;
fp = fopen("henon_vetores.dat","w");
a = 1.4;
b = 0.3;
t = 0;
trans = 200;
tf = 200+10;
x0 = 0.1;
/* condi
co
~es iniciais */
y0 = 0.3;
xold = x0;
aveis */
yold = y0;
for(t=1;t<trans;++t)
/* transientes */
{
ynew = xold;
xold = xnew;
yold = ynew;
}
/* inicializa conjunto de vetores (ortonormais) */
u1x = 1;
u1y = 0;
u2x = 0;
u2y = -1;
m1 = 1;
m2 = 1;
p = 1;
theta = acos(p/(m1*m2));
fprintf(fp,"%d %f %f %f %f %f %f %f %f %f\n",t,xold,yold,u1x,u1y,u2x,
u2y,m1,m2,theta);
for(t=trans+1;t<=tf;++t)
{
/* jacobiana do modelo no ponto atual */
J11 = -2*xold;
J12 = b;
J21 = 1;
J22 = 0;
/* conjunto novo de vetores */
u1xnew = J11*u1x+J12*u1y;
u1ynew = J21*u1x+J22*u1y;
/* m
odulos dos vetores novos */
489
m1 = sqrt((u1xnew*u1xnew)+(u1ynew*u1ynew));
m2 = sqrt((u2xnew*u2xnew)+(u2ynew*u2ynew));
/* produto escalar dos vetores novos */
p = u1xnew*u2xnew + u1ynew*u2ynew;
/* ^
angulo entre os vetores novos */
theta = acos(p/(m1*m2));
fprintf(fp,"%d %f %f %f %f %f %f %f %f %f\n",t,xold,yold,
u1xnew,u1ynew,u2xnew,
u2ynew,m1,m2,theta);
/* evolui e atualiza as vari
aveis */
ynew = xold;
xold = xnew;
yold = ynew;
u1x = u1xnew;
u1y = u1ynew;
u2x = u2xnew;
u2y = u2ynew;
}
fclose(fp);
}
O resultado, para 10 iteracoes do modelo de Henon, e mostrado na tabela
11.6.1, onde registramos os valores de (xt , yt ), bem como as componentes e o
modulo das imagens dos vetores u1 e u2 , e o angulo entre eles. Inicialmente os
vetores s
ao, de fato, ortonormais, pois os seus modulos sao iguais a 1 e o angulo
igual a /2 radianos. No entanto, apos quatro iteracoes, apenas, os modulos
cresceram bastante e o
angulo entre eles tornou-se praticamente igual a , de
modo que os vetores ficaram anti-paralelos.
Esse comportamento e devido à existencia de um expoente de Lyapunov
positivo, e a elipse de condicoes iniciais evolui rapidamente para um segmento
ao longo da direcao deste expoente positivo. Alem disso, os modulos dos vetores
aumentam t
ao rapidamente que, no calculo dos expoentes de Lyapunov (que
exige tempos grandes para gerar n
umeros confiaveis) temos a presenca quase
inevit
avel de erros de overflow devido ao crescimento ilimitado de um dos
semi-eixos da elipse de condicoes iniciais.
Os problemas do alinhamento dos vetores e do crescimento ilimitado do
modulo de um deles inviabilizam a aplicacao numerica imediata das definicoes
(13.53)-(13.54) para os expoentes de Lyapunov. H
a, porem, algumas maneiras
computacionalmente eficientes de se contornar ambos os problemas, dos quais
veremos um deles aqui.
11.6.2
M
etodo de ortogonaliza
c
ao de Gram-Schmidt
Uma solucao para os problemas numericos no calculo dos expoentes de Lyapunov

consiste no uso do processo de ortogonalizacao de Gram-Schmidt, de modo que
um conjunto ortogonal de vetores pode ser evoluido pelo modelo linearizado num
outro conjunto ortogonal [?]. Dessa forma o calculo do expoente de Lyapunov
pode ser feito pela aplicacao direta da definicao que vimos em termos das taxas
490
t
200
201
202
203
204
205
206
207
208
209
210
xt
-0.284815
-0.284815
1.679965
-1.507726
-0.369250
0.811337
0.630958
1.245294
0.038531
1.772103
-1.728791
yt
1.203616
1.203616
-0.284815
1.679965
-1.507726
-0.369250
0.811337
0.630958
1.245294
0.038531
1.772103
|u1 |
1.000000
1.150860
1.711495
4.965417
6.137520
6.376489
9.016463
21.530224
20.537180
19.908497
69.239304
u2
^g
|u2 |
1.000000
0.300000
1.051676
3.116993
3.853963
4.001908
5.658462
13.511824
12.888611
12.494078
43.452863
u2
g
2
u1
1.570796
2.088586
3.091570
3.139848
3.141250
3.141497
3.141578
3.141592
3.141592
3.141593
3.141593
^g
Figura 11.12: Obtencao de vetores ortogonais pelo metodo de Gram-Schmidt.
de crescimento exponencial dos semi-eixos de uma elipse de condicoes iniciais.

Vamos partir, ent
ao de um conjunto de vetores ortogonais u1 (0) e u2 (0) tais
que u1 (0) u2 (0) = 0. Apos uma iteracao do modelo linearizado, como vimos, as
imagens dos dois vetores u1 (1) e u2 (1) nao s
ao, em geral, ortogonais, e o modulo
de um deles pode ser muito grande, gerando problemas computacionais.
O processo de Gram-Schmidt consiste em construimos um novo conjunto de
vetores ortogonais g1,2 da seguinte forma: o primeiro vetor novo g1 e simplesmente o vetor antigo u1
g1 = u1 .
(11.76)
associado ao versor (de modulo unitario)
1 =
g
g1
|g1 |
2.
(11.77)
onde |u|2 = u2x + u2y e a norma (Euclidiana) dos vetores no R2 .

O segundo vetor novo e a projecao do segundo vetor na direcao ortogonal
ao primeiro novo autovetor [Fig. 11.12]
1 )
g2 = u2 (u2 g
g1 = u2
(u2 g1 )g1
|g1 |
(11.78)
O conjunto de vetores novos e ortogonal, pois

g1 g2 = 0.
491
(11.79)
Sendo um conjunto ortogonal, podemos identificar os modulos destes novos

vetores no tempo t = n como os semi-eixos da elipse de condicoes iniciais, ou
seja,
r1n = |g1 |,
r2n = |g2 |,
(11.80)
ao mesmo tempo que identificamos os modulos dos vetores antigos como as
distancias uma iteracao anterior t = n 1:
r1,t1 = |u1 |,
r2,t1 = |u2 |.
(11.81)
Para computar os expoentes de Lyapunov observamos que, em (13.53)(13.54) podemos escrever

r1t r1,t1 r1,t2
r12 r11
r1t
=
...
,
r1,0
r1,t1 r1,t2 r1,t3
r11 r10
donde
ln
r1t
r10
tal que
e, analogamente
= ln
t
Y
n=1
r1n
r1,n1
t
X
n=1
ln
r1n
r1,n1
1 lim lim

t
1X
r1n
,
ln
t r10 0 t
r1,n1
n=1
(11.82)

t
1X
r2n
2 lim lim
.
ln
t r20 0 t
r2,n1
n=1
(11.83)
A seguir, mostramos um programa em C que implementa essas formulas,

considerado, novamente, o caso do
a partir do metodo de Gram-Schmidt. E
modelo de Henon para o qual a = 1, 4 e b = 0, 3. N
os descartamos as 2000
primeiras iteracoes para assegurar que os pontos da orbita estejam no atrator, e
computamos os expoentes de Lyapunov usando (11.82)-(11.83) durante os 200
instantes seguintes.
/* henon_gram.c: computa expoentes de Lyapunov para o modelo de H
enon usando
o m
etodo de ortonormaliza
ca
~o de Gram-Schmidt */
#include <stdlib.h>
#include <stdio.h>
#include <math.h>
FILE *fp;
void main()
{
double J11,J12,J21,J22,u1x,u1y,u2x,u2y,u1xnew,u1ynew,u2xnew,
u2ynew,m1,p,g1x,g1y,g2x,
g2y,r1,r2,s1,s2,sum1,sum2,lambda1,lambda2;
int t,trans,tc,tf;
fp = fopen("henon_gram.dat","w");
492
a = 1.4;
b = 0.3;
t = 0;
trans = 2000; /* n
umero de transientes descartados */
tc = 200;
/* n
umero de itera
co
~es para o c
alculo dos expoentes */
tf = trans+tc;
x0 = 0.1;
/* condi
co
~es iniciais */
y0 = 0.3;
xold = x0;
aveis */
yold = y0;
for(t=1;t<trans;++t)
/* transientes */
{
ynew = xold;
xold = xnew;
yold = ynew;
}
/* inicializa conjunto de vetores (ortonormais) */
u1x = 1;
u1y = 0;
u2x = 0;
u2y = -1;
sum1 = 0;
sum2 = 0;
for(t=trans+1;t<=tf;++t)
{
/* jacobiana do modelo no ponto atual */
J11 = -2*xold;
J12 = b;
J21 = 1;
J22 = 0;
/* m
odulos dos vetores antigos */
s1 = sqrt((u1x*u1x)+(u1y*u1y));
s2 = sqrt((u2x*u2x)+(u2y*u2y));
/* evolui o conjunto antigo de vetores usando a jacobiana */
/* metodo de ortonormaliza
ca
~o de Gram-Schmidt */
g1x = u1xnew; /* g1 */
g1y = u1ynew;
m1 = sqrt((g1x*g1x)+(g1y*g1y)); /* m
odulo de g1 */
p = u2xnew*g1x + u2ynew*g1y; /* produto interno */
g2x = u2xnew - (p*g1x/(m1*m1)); /* g2 */
g2y = u2ynew - (p*g1y/(m1*m1));
/* m
odulos dos vetores novos */
r1 = m1;
r2 = sqrt((g2x*g2x)+(g2y*g2y));
/* expoentes de Lyapunov */
493
1
0,5
0
-0,5
-1
-1,5
-2
-2,5
-3
2000
2050
2100
2150
2200
Figura 11.13: Evolucao temporal dos expoentes de Lyapunov para o atrator de

Henon quando a = 1, 4 e b = 0, 3.
sum1 = sum1 + log(r1/s1);

sum2 = sum2 + log(r2/s2);
lambda1 = sum1/(t-trans);
lambda2 = sum2/(t-trans);
fprintf(fp,"%d %f %f\n",t,lambda1,lambda2);
/* evolui as vari
aveis pelo modelo n~
ao-linear */
ynew = xold;
/* atualiza as vari
aveis e os vetores */
xold = xnew;
yold = ynew;
u1x = g1x;
u1y = g1y;
u2x = g2x;
u2y = g2y;
}
fclose(fp);
}
Na figura 11.13 nos mostramos a evolucao temporal dos dois expoentes, os
quais convergem rapidamente para os valores
1 0, 41,
2 1, 61,
tais que 1 + 2 = 1, 2 ln 0, 3 = ln b, em confirmidade com (11.65)
11.7
O modelo da ferradura de Smale
Para entender o mecanismo geral da obtencao de uma orbita caotica em modelos bidimensionais dissipativos, o matematico americano Stephen Smale criou,
1 Um
c
alculo um pouco mais refinado fornece os valores 1 = 0, 418 e 2 = 1, 622.
494
H1
1
1
H1
11/
V1
1/
1
H0
0
0
H
Figura 11.14: Uma iteracao para frente do modelo da ferradura.
em 1967, o chamado modelo da ferradura F. Ele executa operacoes sobre um

quadrado unitario no plano de fase:
D = {(x, y) R2 |0 x 1, 0 y 1}.
(11.84)
de modo que distancias horizontais (ao longo do eixo x) sejam contradas e

distancias verticais (ao longo do eixo y) sejam esticadas, dobrando em seguida
o conjunto obtido sobre ele mesmo. Como o modelo F e definido apenas para
pontos pertencentes ao quadrado unitario, todos os pontos que, sob iteracoes de
F deixem D s
ao descartados, de modo que as areas diminuem a cada iteracao
do modelo, ou seja, F e um modelo dissipativo, como o modelo de Henon.
11.7.1
Conjunto invariante
Segundo a Figura 11.14 consideramos a faixa horizontal H0 como sendo o conjunto de todos os pontos no quadrado unitario com 0 y 1/, onde > 2 e
um coeficiente de expansao; e a faixa horizontal H1 como o conjunto dos pontos
em D tais que 1 (1/) y 1.
O modelo da ferradura linear e definido pelas seguintes transformacoes

xt = xt1 ,
F(H0 ) :
(11.85)
yt = yt1

xt = xt1 + 1,
(11.86)
F(H1 ) :
yt = (yt1 1)
onde 0 < < 1/2 e um coeficiente de contracao.
Para encontrarmos a imagem da faixa horizontal H0 apos uma iteracao para
frente do modelo da ferradura, nos aplicamos (11.85) aos vertices do respectivo
ret
angulo, o que resulta na faixa vertical
V0 = {(x, y) R2 |0 x , 0 y 1}.
(11.87)
Analogamente, a imagem da faixa horizontal H1 e a faixa vertical

V1 = {(x, y) R2 |1 x 1, 0 y 1}.
(11.88)
Resumindo, uma iteracao para frente do modelo da ferradura faz com que a
faixa horizontal H0 seja comprimida na direcao x por um fator , e esticada na
495
1
H
11/
V1
1/
0
Figura 11.15: Uma iteracao para tras do modelo da ferradura.
V11
V0
V1
V 00
110
V100
V111
V101
V10
V000 V011
V001 V010
V01
Figura 11.16: Iteracoes para frente do modelo da ferradura.
direcao y por um fator , resultando na faixa vertical V0 . A mesma sequencia

de operacoes atua sobre a faixa horizontal H1 , mas ela e girada de radianos,
sendo mapeada de ponta-cabeca no quadrado unitario [Fig. 11.14].
A regi
ao do quadrado unitario entre as duas faixas horizontais e comprimida
na direcao x mas sofre uma dobra na direcao y. Essa dobra e nao-linear, e
portanto nao e descrita pelo modelo (11.85)-(11.86). Como a parte dobrada
T
est
a fora de D ela e descartada. Dessa forma o conjunto intersecao D F(D)
consiste apenas das faixas verticais V0 e V1 . A area do quadrado unitario (igual
a 1) e mapeada, portanto, na soma das areas destas faixas, que e 2 < 1, o que
mostra a dissipatividade do modelo.
O modelo da ferradura e inversvel, de forma que o modelo inverso F1
transforma as faixas verticais V0 e V1 nas faixas horizontais H0 e H1 , respectivamente [Fig. 11.15]. As faixas sofrem uma contracao na direcao y e uma dobra
na direcao x, tal que a parte dobrada que est
a fora de
T D e tambem descartada. Consequentemente o conjunto intersecao F1 (D) D consiste das faixas
horizontais H0 e H1 .
As iteracoes sucessivas do modelo da ferradura, tanto para frente do modelo como para tras, s
ao obtidas repetindo-se os procedimentos descritos nos
par
agrafos anteriores. Apos n iteracoes para frente do modelo temos 2n faixas
verticais,
\
\
\
D F(D) F[2] (D) F[n] (D)
cada qual com uma largura n [Fig. 11.15]. Apos n iteracoes para tras teremos
496
H 100
H
10
H101
H111
11
H 110
H 010
H011
01
H 001
H 000
00
Figura 11.17: Iteracoes para tras do modelo da ferradura.
F (D)
F (D)
F(D)
[2]
F(D)
[2]
F (D)
F (D)
[n]
F (D)
n=3
Figura 11.18: Intersecoes de iteracoes do modelo da ferradura.
2n faixas horizontais
F[n] (D)
F[2] (D)
F1 (D)
com largura 1/n cada uma [Fig. 11.16].

Estamos interessados particularmente nos conjuntos invariantes, ou seja,
conjuntos que nao mudam sob a acao das iteracoes modelo, tanto para a frente
como para tras. Este conjunto invariante, para o modelo da ferradura, e a
colecao de todos os pontos que permanecem em D sob a acao de todas as infinitas iteracoes de F. Logo, sera a intersecao dos dois conjuntos de faixas
horizontais e verticais no limite quando n tende a , ou seja:
=
+
\
F[n] (D).
(11.89)
n=
Pensando neste conjunto invariante em termos de um limite de intersecoes

parciais entre as faixas, temos que para n = 1 ele sera constituido de quatro
ret
angulos, para n = 2 de 16 ret
angulos [Fig. 11.18], etc. Para n arbitrario
a area do conjunto e menor do que a area da uni
ao entre as faixas, que e
n
2n n 2n n = (4/) , e que tende a zero quando n vai a infinito, uma vez
que < 1/2 e > 2, por hip
otese. Ent
ao e uma poeira de pontos com
alguma estrutura. Na verdade, como veremos no proximo captulo, e um
conjunto fractal de pontos.
11.7.2
Din
amica simb
olica
Usando uma tecnica conhecida como din

amica simbolica, e possvel mostrar que
cada ponto do conjunto invariante pode ser identificado por uma sequencia
497
bi-infinita de dgitos 0 e 1, na forma

s = [. . . s2 s1 , s0 s1 s2 . . .] ,
(11.90)
onde si = 0, 1, de acordo com as faixas vertical e horizontal cuja intersecao

deu origem ao ponto de . Por exemplo, o ret
angulo superior esquerdo na Fig.
11.17(a) resultou da intersecao entre a faixa horizontal H1 e a faixa vertical V0 .
Podemos, ent
ao, rotula-lo pela sequencia simbolica s = (0, 1). Outros pontos
s
ao obtidos de forma analoga [Problema 1].
H
a uma correspondencia (na verdade uma conjugacao topol
ogica) entre o
modelo da ferradura F, agindo sobre os pontos do conjunto invariante , e o
deslocamento de Bernoulli (ou modelo do padeiro) (s) [vide secao 4.6.1] agindo
sobre todas as sequencias bi-infinitas como s. Assim como F mapeia um ponto
de em outro, tambem o deslocamento de Bernoulli mapeia as sequencias
simbolicas correspondentes aos dois pontos.
Sequencias repetidas de 0s e 1s s
ao orbitas peri
odicas do deslocamento de
Bernoulli. Por exemplo, as sequencias [01, 01] e [10, 10] comp
oem uma orbita de
perodo 2, pois
[2] ([01, 01]) = ([10, 10]) = [01, 01]
Em termos do conjunto invariante do modelo da ferradura, os pontos rotulados
pelas sequencias simbolicas [01, 01]e [10, 10] est
ao representados na Fig. 11.17(c)
em vermelho, e formam uma orbita de perodo 2 do modelo F.
Vimos, na secao 4.6, que o deslocamento de Bernoulli exibe caos forte, ou
seja, o modelo tem as seguintes propriedades matematicas:
apresenta dependencia sensvel às condicoes iniciais;
e transitivo;
tem pontos peri
odicos densos.
Como o modelo da ferradura e topologicamente conjugado ao deslocamento de
Bernoulli, ent
ao ele herda tais propriedades, ou seja, ele exibe uma orbita
caotica no conjunto invariante F (vide secao 4.6.4). Mais precisamente, podese mostrar que F e um conjunto caotico invariante que possui
um conjunto infinito (enumeravel) de orbitas peri
odicas (todas pontos de
sela);
um conjunto infinito (nao-enumeravel) de orbitas nao-peri
odicas
uma
orbita densa
Observe que, embora F seja um conjunto invariante de area nula, ele nao e
um atrator, pois quase todos os pontos do quadrado unitario D s
ao descartados, ou seja, abandonam D. Por quase todos entendemos que os pontos que
permanecem em F tem medida nula. De fato, mostramos ha pouco que F e
uma colecao de infinitos pontos de area nula. Ent
ao F e um conjunto caotico,
porem nao-atrativo.
N
ao obstante, um atrator e caotico quando contem ferraduras de Smale, ou
seja, o atrator tem, localmente, propriedades topologicamente similares às do
conjunto invariante F . Como afirma Tuffilaro [?]
498
Remanescentes de uma ferradura (...) est

ao sepultados dentro de
um atrator ca
otico. A ferradura (...) atua como o esqueleto sobre
o qual as
orbitas peri
odicas e ca
oticas est
ao organizadas. (...) as
ferraduras, num certo sentido, s
ao a espinha dorsal para o atrator.
11.8
Emaranhado homoclnico
11.8.1
Dire
c
No captulo 6, sobre modelos bidimensionais nao-lineares, introduzimos algumas

ideias geometricas importantes, que inicialmente vamos recordar aqui. Seja
p = (x , y ) um ponto fixo hiperbolico de um modelo bidimensional F. Na
verdade, p pode ser em geral um ponto de perodo n, desde que troquemos
o modelo pela sua n-esima iterada F[n] . Vamos, ainda, supor que p seja um
ponto de sela, ou seja, a matriz Jacobiana do modelo, calculada nesse ponto,
J(p) tem dois autovalores reais: um autovalor 1 maior que 1 (em modulo) e
outro autovalor 2 menor que 1 (em modulo).
O autovetor correspondente a 1 define uma direcao instavel E u (p) (pois
|1 | > 1), enquanto o autovetor correspondente a 2 define uma direcao est
avel
E s (p). Como os dois autovetores s
ao linearmente independentes, as direcoes
est
avel e instavel cruzam-se transversalmente (ou seja, o angulo entre elas e
diferente de zero) no ponto p. Alem disso as direcoes E u e E s s
ao invariantes:
se uma condicao inicial for colocada sobre alguma dessas direcoes, as iteradas
subsequentes permanecer
ao nelas para todos os tempos posteriores.
Definimos, ainda, as chamadas curvas invariantes est
avel W s e instavel W u
como uma especie de generalizacao das direcoes invariantes, mas agora levando
em conta o modelo F, e nao o modelo tangente (dado pela matriz Jacobiana J:
W s (p)
{(x, y)| lim F[n] (x, y) = p},
(11.91)
W u (p)
{(x, y)| lim F[n] (x, y) = p},
(11.92)
Vimos ainda (Teorema de Hartman-Grobman) que as curvas estavel e instavel

s
ao tangentes `
as direcoes est
avel e instavel, respectivamente, no ponto p [Fig.
6.19].
11.8.2
Determinac
ao num
erica das curvas invariantes
A determinacao das curvas invariantes s

o e possvel, analiticamente, em alguns casos particulares, como vimos no Captulo anterior. Em geral, temos de
faze-lo numericamente. Dentre os v
arios metodos propostos na literatura, vamos destacar apenas um deles, que e particularmente simples para implementar
computacionalmente.
O metodo direto e uma implementacao da definicao (11.91)-(11.92). Como,
pelo teorema de Hartman-Grobman, a curva invariante e tangente à direcao invariante num dado ponto fixo, temos inicialmente de determinar os autovalores
e autovetores da matriz Jacobiana calculada no ponto fixo. Comecando pela
direcao instavel (autovalor com modulo maior que 1), nos escolhemos um intervalo I muito pequeno ao longo da auto-direcao invariante E u (p). O intervalo
499
E (p)
[2]
F (I)
F(I)
u
E (p)
E (p)
F (J)
[2]
F (J)
E (p)
Figura 11.19: Imagens e pre-imagens de segmentos proximos a um ponto de

sela.
I deve ter uma das extremidades no ponto fixo, e iteramos um n

umero muito
grande de pontos dentro desse intervalo.
Caso o n
umero de pontos seja suficientemente grande, a imagem deste intervalo F(I) sera um outro intervalo contnuo, de tal modo que a uni
ao das
v
arias imagens para frente deste intervalo e uma aproximacao numerica de um
ramo da curva invariante instavel W u (p):
I F(I) F[2] (I) . . .
Caso o n
umero de pontos dentro do intervalo inicial seja pequeno demais, teremos uma sequencia de segmentos da curva, interrompidos por lacunas. Dessa
forma pode ser necessario aumentar o n
umero de pontos. Para obter o outro
ramo da curva invariante instavel basta considerar um intervalo similar do outro
lado ao longo de E u .
Passamos ent
ao para a direcao est
avel (autovalor com m
odulo menor que
1), onde escolhemos um intervalo J muito pequeno ao longo da auto-direcao
correspondente E s (p), onde o ponto fixo e uma das extremidades, e com um
grande n
umero de pontos. Para obter a curva invariante estavel W s (p) iteramos
para tras o modelo (suposto, naturalmente, inversvel) e obtemos a pre-imagem
deste intervalo F1 (J). A uni
ao das v
arias imagens para tras deste intervalo
e uma aproximacao numerica de um ramo da curva invariante est
avel W s (p)
[Fig. 11.19]
J F1 (J) F[2] (J) . . .
o outro ramo sendo obtido de forma similar.
Curvas invariantes no modelo de H

enon
Como exemplo, vamos novamente considerar o modelo de Henon F(x, y) =
(a x2 + by, x), cujo modelo inverso e (para b 6= 0):

x a + y2
1
,
(11.93)
F (x, y) = y,
b
500
como pode ser verificado mostrando que F1 F = I, onde I(x, y) = (x, y) e
a funcao identidade no plano. Os pontos fixos p = (x , y

) s
ao dados por
(11.5):
q
x+,
y+,
b1
(b 1) + 4a
2
e a jacobiana correspondente e dada por (6.232) como

2x b
.
J(p ) =
1
0
Os autovalores no ponto fixo s

ao, aplicando (6.237), iguais a
q
q
2
2
1 = x + (x ) + b,
2 = x (x ) + b,
(11.94)
(11.95)
(11.96)
e, desde que o radicando seja positivo, representam um ponto de sela. Os

autovetores correspondentes u1,2 s
(J(p ) u = 0,
(11.97)
que, na sua forma matricial, desdobra-se nas seguintes componentes

(2x + )ux + buy
ux uy
(11.98)
0.
(11.99)
De (11.99) temos uy = ux / que, substituida em (11.98), leva a

b
(2x + ) ux = 0,
que e satisfeita para qualquer ux , como se pode ver aplicando os autovalores

dados por (11.96). Por simplicidade adotamos ux = 1 (se nao estamos preocupados com a normalizacao), tal que uy = 1 .
Vamos considerar o modelo de Henon para a seguinte escolha de par
ametros:
a = 0, 5 e b = 0, 3. De (??) vamos focalizar o ponto fixo p = (1, 139; 1, 139),
cuja jacobiana tem autovalores dados por (11.96)
1 = 2, 403,
2 = 0, 125
Como 1 > 1 e |2 | < 1, resulta que as direcoes instavel e est

avel s
ao dadas,
respectivamente, por

1
1
u1 =
,
u2 =
.
(11.100)
0, 416
8
Para achar as curvas invariantes que emanam do ponto de sela p implementamos um algoritmo baseado no procedimento que descrevemos anteriormente.
A partir do ponto fixo e sobre a direcao instavel escolhemos um intervalo I
de comprimento = 0, 1 com uma das extremidades no ponto fixo. Amontoamos N = 100 condicoes iniciais nesse intervalo, cujas abscissas (igualmente
espacadas) s
ao dadas por
x0 (i) = x0 +
i
,
N +1
(i = 0, 1, 2, . . . N + 1).
501
Os pontos do intervalo I s
ao escolhidos sobre a direcao instavel. Logo, as
ordenadas correspondentes das condicoes iniciais s
ao determinadas pela equacao
da reta y = au x + bu que caracteriza a direcao instavel. Como a reta passa pelo
ponto fixo x = y
temos que
bu = x (1 au ).
Sabendo-se que a direcao instavel e dada pelo autovetor u1 , o coeficiente angular
da reta e
au =
0, 416
= 0, 416, bu = 0, 584.(1, 139) = 0, 665,
1
donde a equacao da direcao instavel e

E u (p ) : y = 0, 416x 0, 665.
Geramos estas N condicoes iniciais e iteramos tf vezes este conjunto de
pontos. A uni
ao de todas as condicoes iniciais e suas iteradas e uma aproximacao
numerica de um ramo da curva instavel que emana do ponto fixo p . Para obter
o outro ramo geramos um novo intervalo, onde a extremidade final e o ponto
fixo, e repetimos o procedimento.
A direcao est
avel e determinada pelo autovetor u2 e, usando o mesmo
raciocnio anterior, concluimos que a equacao da reta que caracteriza essa autodirecao invariante e
E s (p ) : y = 8x 10, 251.
Para gerar a curva est
avel nos fazemos o mesmo procedimento, s
o que agora
iteramos o modelo inverso para frente, o que nos fornece as pre-imagens de
intervalos onde uma das extremidades e o ponto fixo. Mudando as extremidades
geramos aproximacoes para os dois ramos da curva est
avel. Como os autovalores
ao longo das direcoes est
avel e instavel s
ao muito diferentes, nesse exemplo,
e conveniente escolher um intervalos diferentes para gerar as curvas est
avel e
instavel. Um programa em C que implementa esse procedimento e dado abaixo.
/* henon_curvas.c: traca as curvas est
avel e inst
avel que passam
por um ponto de sela do modelo de H
enon */
#include <stdlib.h>
#include <stdio.h>
#include <math.h>
#define NMAX 100000
FILE *fp;
void main()
{
double a,b,xold,xnew,yold,ynew,x0[NMAX],y0[NMAX];
double xpp,ypp,xpm,ypm,xi1,xi2,u1x,u1y,u2x,u2y,a1,a2,b1,b2,
deltao,delta,au,bu,as,bs;
int i,t,tf,N;
fp = fopen("henon_curvas.dat","w");
502
a = 0.5;
b = 0.3;
t = 0;
tf = 4;
/* tempo final para cada condi
ca
~o inicial */
xpp = (b-1+sqrt(4*a+(b-1)*(b-1)))/2; /* pontos fixos */
ypp = xpp;
xpm = (b-1-sqrt(4*a+(b-1)*(b-1)))/2;
ypm = xpm;
xi1 = -xpm + sqrt(xpm*xpm + b); /* autovalores em xpm */
xi2 = -xpm - sqrt(xpm*xpm + b);
u1x = 1; /* componentes dos autovetores em xpm */
u1y = u1x/xi1;
u2x = 1;
u2y = u1x/xi2;
a1 = u1y/u1x; /* coeficientes das equa
co
~es das retas das autodire
co
~es */
b1 = xpm*(1-a1);
a2 = u2y/u2x;
b2 = xpm*(1-a2);
if (fabs(xi1) > 1.0) /* xi1 e
autovalor inst
avel? */
{ au = a1; bu = b1;
}
else
{
au = a2; bu = b2;
}
if (fabs(xi2) < 1.0) /* xi2 e
autovalor est
avel? */
{
as = a2; bs = b2;
}
else
{
as = a1; bs = b1;
}
printf("ponto fixo x = %f , y = %f\n", xpm, ypm);
printf("autovalores xi1 = %f , xi2 = %f\n", xi1, xi2);
printf("autovetores u1 = ( %f , %f ), u2 = ( %f , %f )\n",u1x,u1y,u2x,u2y);
deltao = 0.1; /* tamanho do intervalo sobre autodire
ca
~o inst
avel*/
N = 100; /* n
umero de pontos do intervalo */
delta = deltao/(N+1); /* incremento dos pontos */
x0[0] = xpm;
/* condi
co
~es iniciais */
y0[0] = ypm;
xold = x0[0];
aveis */
yold = y0[0];
fprintf(fp,"%f %f\n", xold, yold);
for(i=1;i<=N+1;++i) /* um ramo da curva inst
avel */
{
x0[i] = x0[0]+i*delta;
y0[i] = au*x0[i] + bu;
xold = x0[i];
aveis */
yold = y0[i];
for(t=1;t<=tf;++t)
/* malha de c
alculo das fun
co
~es x(t) e y(t) */
{
ynew = xold;
503
xold = xnew;
yold = ynew;
}
}
x0[0] = xpm;
/* condi
co
~es iniciais */
y0[0] = ypm;
xold = x0[0];
aveis */
yold = y0[0];
for(i=1;i<=N+1;++i) /* outro ramo da curva inst
avel (a1,b1) */
{
x0[i] = x0[0]-i*delta;
y0[i] = au*x0[i] + bu;
xold = x0[i];
aveis */
yold = y0[i];
for(t=1;t<=tf;++t)
/* malha de c
alculo das fun
co
~es x(t) e y(t) */
{
ynew = xold;
xold = xnew;
yold = ynew;
}
}
deltao = 0.001; /* tamanho do intervalo sobre autodire
ca
~o est
avel*/
N = 100; /* n
umero de pontos do intervalo */
delta = deltao/(N+1); /* incremento dos pontos */
x0[0] = xpm;
/* condi
co
~es iniciais */
y0[0] = ypm;
xold = x0[0];
aveis */
yold = y0[0];
for(i=1;i<=N+1;++i) /* um ramo da curva est
avel */
{
x0[i] = x0[0]+i*delta;
y0[i] = as*x0[i] + bs;
xold = x0[i];
aveis */
yold = y0[i];
for(t=1;t<=tf;++t)
/* malha de c
alculo das fun
co
~es x(t) e y(t) */
{
xnew = yold;
/* modelo inverso */
ynew = (xold - a + yold*yold)/b;
xold = xnew;
yold = ynew;
}
}
x0[0] = xpm;
/* condi
co
~es iniciais */
504
4
s
curva estavel (W )
direcao estavel (E )
2
p
u
*
_
curva instavel (W )
-2
u
direcao instavel (E )
-4
-4
-3
-2
-1
Figura 11.20: Curvas est

avel e instavel de um ponto de sela do modelo de
Henon para a = 0, 5 e b = 0, 3. Sao tambem tracadas as direcoes invariantes
correspondentes.
y0[0] = ypm;
xold = x0[0];
aveis */
yold = y0[0];
for(i=1;i<=N+1;++i) /* outro ramo da curva inst
avel (a1,b1) */
{
x0[i] = x0[0]-i*delta;
y0[i] = as*x0[i] + bs;
xold = x0[i];
aveis */
yold = y0[i];
for(t=1;t<=tf;++t)
/* malha de c
alculo das fun
co
~es x(t) e y(t) */
{
xnew = yold;
/* modelo inverso */
ynew = (xold - a + yold*yold)/b;
xold = xnew;
yold = ynew;
}
}
fclose(fp);
}
O resultado deste procedimento pode ser visto na Figura 11.20, onde indicamos tambem as direcoes est
avel e instavel. Ja sabamos, pelo Teorema de
Hartman e Grobman, que as curvas est
avel e instavel s
ao tangentes às direcoes
correspondentes no ponto fixo.
505
(a)
(b)
h
W (p)
W (p)
s
W (p)
W (q)
W (p)
W (q)
q
Figura 11.21: (a) Ponto homoclnico; (b) ponto heteroclnico.
[3]
F (h)
W (p)
u
W (p)
[2]
F (h)
p
1
F (h)
h
F(h)
Figura 11.22: Imagens e pre-imagens de um ponto homoclnico
11.8.3
Pontos homoclnicos
Foi Henri Poincare que, no seu famoso trabalho sobre o problema de n-corpos
(vide Cap. 1), mostrou que as curvas est
avel e instavel de um ponto fixo podem
se interceptar. Ele denominou pontos homoclnicos às intersecoes transversais
(ou seja, nao s
ao pontos de tangencia) das curvas est
avel e instavel de um mesmo
ponto fixo p [Fig. 11.21(a)]. O ponto sera dito heteroclnico se as curvas est
avel
e instavel que se interceptam referem-se a pontos fixos diferentes [Fig. 11.21(b)].
Como um ponto homoclnico encontra-se tanto na curva est
avel como na
curva instavel, ele deve permanecer em ambas para quaisquer iteracoes do modelo. Logo, um ponto homoclnico mapeia em outro ponto homoclnico. Ent
ao as
iteradas para frente ou para tras de um ponto homoclnico h tambem s
ao pontos
homoclnicos: F(h) W u,s (p). Logo F[2] (h), F[3] (h), etc. aproximam-se do
ponto fixo p ao longo da curva est
avel W s , quando o n
umero de iteracoes tende
[2]
a infinito. Analogamente F
(h), F[3] (h), etc. aproximam-se do ponto fixo
p ao longo da curva instavel W u , quando o n
umero de iteracoes tende a infinito
[Fig. 11.22] 2 .
Uma vez demonstrada a existencia de um u
nico ponto homoclnico, isso
implica na existencia de infinitos pontos homoclnicos que aproximam-se assintoticamente do ponto fixo. Para que isso ocorra, no entanto, e necessario
2E
importante salientar que a imagem do ponto homoclnico n
ao corresponde `
a intersec
ao
seguinte das curvas, se o modelo F preserva orientac
oes. Isso porque o produto externo
dos vetores tangentes aponta na direc
ao contr
aria para a intersec
ao seguinte, invertendo a
orientac
ao do vetor normal ao plano.
506
W (p)
u
W (p)
p
Figura 11.23: Emaranhado homoclnico
que as curvas invariantes realizem complicados volteios, como indicado esquematicamente na figura 11.23, originando infinitos outros pontos homoclnicos,
numa complicada figura conhecida como emaranhado homoclnico. Poincare
mostrou que, se um pequeno crculo for desenhado com centro num certo ponto
homoclnico, haver
a infinitos outros pontos homoclnicos dentro deste crculo,
nao importando o qu
ao pequeno seja o seu raio! Na verdade, o proprio Poincare
ficou bastante perturbado com a natureza dessa figura, a ponto de ter escrito:
Se tentamos visualizar o padr
ao formado por estas duas curvas e
seu infinito n
umero de interseco
es, cada qual correspondendo a uma
soluca
o duplamente assint
orica, estas interseco
es formam um tipo
de grade, ou malha, ou uma rede de malha infinitamente fina; cada
uma das duas curvas nunca poder
a interceptar a si mesma, mas deve
dobrar-se sobre si pr
opria numa maneira muito complicada, de tal
forma a cruzar-se mutuamente um n
umero infinito de vezes. Ficaremos pasmos pela complexidade desta figura, que eu nem mesmo
tentarei desenhar. Nada pode nos dar uma melhor ideia dos intrincados aspectos do problema de tres corpos, e de todos os problemas
da din
amica em geral, quando n
ao existem integrais uniformes e as
series (...) divergem. (Nouvelles methodes de la Mecanique Celeste,
Vol. 1, 1899)
importante frisar que os pontos homoclnicos nao representam pontos fixos
E
ou orbitas peri
odicas. No entanto, Birkhoff e Smale demonstrarm que cada
ponto homoclnico e um ponto de acumulacao para uma famlia com infinitas
orbitas peri
odicas. Como no emaranhado ha um n
umero infinito de pontos homoclnicos, na vizinhanca de cada um deles haver
a um n
umero infinito de pontos
peri
odicos. Como veremos, a estrutura destas orbitas peri
odicas e organizada
por meio do modelo da ferradura.
507
B
D
u
W (p)
p
s
W (p)
C
D
A B
Figura 11.24: Imagens de um quadrado num emaranhado homoclnico
11.9
A ferradura de Smale e o emaranhado homoclnico
Vamos analisar a din

amica na vizinhanca de uma orbita peri
odica (como um
ponto de sela p) onde haja um ponto homoclnico. Como vimos ha pouco,
isso basta para o aparecimento de um emaranhado homoclnico. N
os desejamos
mostrar que esta estrutura possibilita o aparecimento de uma ferradura de Smale
e, consequentemente, um conjunto caotico invariante.
Para tal vamos considerar detalhadamente as imagens de um quadrilatero de
pontos ABCD na vizinhanca do ponto fixo p, quando ha um ponto homoclnico
(assim como suas infinitas imagens e pre-imagens) [Fig. 11.24]. Neste caso, o
segmento curvo AD faz parte da curva est
avel W s (p), enquanto os segmentos
AB e CD s
ao partes da curva instavel W u (p). Sob uma iteracao do modelo
F, qualquer ponto do quadrilatero ABCD que esteja sobre uma das curvas
invariantes dever
a permanecer nela para sempre.
Apos um certo n
umero n de iteracoes do modelo F, a imagem do quadrilatero
ABCD sera o quadrilatero curvo A B C D , na verdade parte de uma ferradura. O segmento AD da curva est
avel sera mapeado no segmento curvo
A D da mesma curva. Ja os segmentos AB e CD da curva instavel serao mapeados nos segmentos A B e C D da mesma curva. Logo, o quadrado sera
esticado ao longo da curva instavel e comprimido ao longo da curva est
avel, pelo
modelo F n vezes iterado.
De forma analoga, se itermarmos F para tras n vezes, a pre-imagem do
quadrilatero ABCD sera novamente uma ferradura A B C D . O quadrilatero
sera agora esticado ao longo da curva est
avel e comprimido ao longo da curva
instavel, pelo modelo F n vezes iterado para tras.
Combinando estas operacoes, a imagem direta do quadrilatero, ou F[n] (ABCD),
ira interceptar a sua imagem inversa F[n] (ABCD) em dois pequenos quadrados. Iterando o modelo mais vezes para frente e para tras obteremos mais e
mais intersecoes deste tipo. No limite de infinitas iteracoes obtemos uma grade
de pontos, cada qual sendo a intersecao de ramos de curvas est
aveis e instaveis,
e que e topologicamente equivalente ao conjunto invariante F do modelo da
ferradura de Smale. Como o conjunto F possui uma orbita aperi
odica e densa,
ou seja, caotica, Smale concluiu que um tipo de ferradura topol
ogica aparece
508
de forma generica em sistemas caoticos, quando da presenca de pontos homoclnicos. Na verdade, Smale colocou em termos matematicos precisos a espantosa intuicao geometrica de Poincare!
11.10
Pontos homoclnicos no atrator ca

otico de
H
enon
Como podemos fazer para argumentar que o atrator de Henon [no caso a = 1, 4
e b = 0, 3, por exemplo] e caotico? Essa nao e uma pergunta trivial, pois
precisaramos de uma resposta que fosse v
alida de forma global para todos os
pontos do atrator. De fato, ate recentemente nao havia uma resposta definitiva
para essa quest
ao, ate que os matematicos Benedicks e Carleson, em 1991,
mostraram que, para determinados intervalos dos par
ametros a e b o atrator
resultante e caotico.
No entanto, uma forma nao t
ao rigorosa de se saber se o atrator de Henon
para a = 1, 4 e b = 0, 3 e ou nao caotico e investigar, na linha da discussao
anterior, a possvel existencia de um emaranhado homoclnico. Para tal, escolhemos uma
orbita peri
odica p (como um ponto fixo de sela) imersa no atrator e
tracamos as curvas est
avel e instavel que emanam desse ponto. Se estas curvas
se interceptarem teremos um ponto homoclnico h.
Como vimos, um ponto homoclnico e mapeado, para frente ou para tras, em
outro ponto homoclnico. Logo, basta encontrar um ponto de cruzamento entre
as curvas invariantes para garantir a existencia de um emaranhado homoclnico.
Alem disso, como ha uma ferradura topol
ogica associada a esse emaranhado,
podemos dizer que a regi
ao do atrator proxima ao ponto fixo ha, de fato, uma
orbita caotica.
Usamos o programa Dynamics (veja o Apendice B) para tracar as curvas
invariantes de um ponto fixo de sela imerso no atrator caotico do modelo de
Henon, no caso a = 1, 4 e b = 0, 3. Para tal procedemos analogamente à Fig.
??, exceto pelos valores diferentes dos par
ametros. O resultado est
a ilustrado
pela figura 11.25.
Em primeiro lugar, Vemos que curva instavel que emana do ponto de sela
coincide com o pr
oprio atrator caotico. Este fato pode ser entendido facilmente
quando analisamos o efeito das iteracoes para frente do modelo sobre um crculo
centrado no ponto de sela p, como esquematizado pela figura 11.26. Em cada
iteracao do modelo o crculo e deformado numa elipse, tal que as distancias ao
longo da curva est
avel W s (p) v
ao encolhendo e as distancias ao longo da curva
u
instavel W (p) v
ao aumentando. Apos um certo n
umero de iteracoes, a imagem
do crculo sera um longo e fino espaguete que acompanha a curva instavel. No
limite de infinitas iteracoes do modelo, a imagem do crculo tracar
a a propria
curva instavel.
Por outro lado, podemos pensar que os pontos do crculo s
ao condicoes
iniciais que, iteradas por um tempo suficientemente grande, v
ao gerar o atrator
caotico do modelo de Henon. Ent
ao e razo
avel supor que a curva instavel de
um ponto de sela dentro do atrator gere o proprio atrator (matematicamente
dizemos que o atrator e a clausura da curva instavel).
Ja a curva est
avel que emana do ponto de sela lembra um pouco o atrator
girado de 90 graus. De fato, podemos visualizar in
umeras intersecoes transver509
Figura 11.25: Curvas est

avel e instavel de um ponto de sela do modelo de Henon
para a = 1, 4 e b = 0, 3, tracadas com o uso do software Dynamics. Os eixos
vertical e horizontal v
ao de 2, 5 a 2, 5.
curva estavel
curva instavel
Figura 11.26: Imagens de um crculo centrado num ponto de sela sob a acao das
iteracoes de um modelo.
510
sais (ou seja, nao-tangentes) entre as curvas est

avel e instavel, que s
ao os pontos
homoclnicos cuja existencia indica a presenca de uma ferradura topol
ogica e,
consequentemente, a din
amica caotica no atrator de Henon.
11.11
Exemplo em Economia: Modelo discreto

para infla
c
ao e desemprego com uma curva
de Phillips n
ao-linear
No Captulo 2 investigamos a din

amica de um modelo contnuo bidimensional
para inflacao e desemprego usando uma curva de Phillips linear, onde discutimos
a existencia e a estabilidade do u
nico ponto de equilbrio. Vimos, tambem,
que essa e o u
nico comportamento din
amico a longo prazo. Se formularmos
este modelo a tempo discreto, e adicionarmos uma curva de Phillips nao-linear,
como feito por Soliman [?], obteremos uma din
amica bem mais rica, incluindo a
existencia de bifurcacoes e caos. Inicialmente vamos redefinir as macrovariaveis
em tempo discreto e assim como reapresentar as hip
oteses basicas e as equacoes
do modelo, antes de discutir a sua din
amica.
11.11.1
Defini
c
oes b
asicas
Vamos adotar como unidade de tempo um perodo ao longo do qual s

ao feitas
estatsticas, como um ano t = 0, 1, 2, . . .. A forca de trabalho no perodo t e
definida como a soma do n
umero total de empregados e desempregados
L t = Nt + U t ,
(11.101)
tal que a taxa de desemprego no perodo t seja dada por

ut =
Ut
,
Lt
(11.102)
que e positiva ou negativa, caso o desemprego cresca ou diminua, respectivamente.

O nvel geral de precos no perodo t sera denotado pt . Sua taxa de variacao
normalizada (que, no caso contnuo e (= = p/p))
e definida como a taxa de

inflacao no perodo t
pt pt1
.
(11.103)
t =
pt1
Na formulacao de nosso modelo sera tambem importante utilizar a taxa esperada
de inflacao para o perodo t, denotada por te .
Numa economia sem grandes desequilbrios as expectativas s
ao conservadoras, no sentido de que a taxa de inflacao esperada num certo perodo e proporcional `
a taxa efetivamente observada no perodo anterior: te = at1 , onde
0 < a < 1 e um par
ametro que exprime o grau com que a inflacao antiga e
incorporada `
as expectativas inflacion
arias. Por simplicidade, podemos presumir
que a = 1, de tal modo que
te = t1 .
(11.104)
O cen
ario imaginado para o modelo de inflacao-desemprego que analisaremos
e o de uma economia fechada com intervencoes da autoridade monet
aria no
511
20
+
1 2
15
f(u)
10
1
-5
Figura 11.27: Curva de Phillips nao-linear
sentido de injetar ou retirar dinheiro da economia com o objetivo de procurar

diminuir a inflacao e o desemprego. Chamaremos a base monet
aria no perodo
t por Mt . O Banco Central pode diminui-la à medida em que executa diversas
opcoes de poltica monet
aria, como o aumento das taxas de juros, a fixacao de
um montante mnimo de depositos nos bancos, a emissao de ttulos da dvida
p
ublica, etc. Vamos definir uma taxa nominal de variacao da base monet
aria
como
Mt Mt1
.
mt =
Mt1
No entanto, havendo inflacao a moeda perde valor e devemos descontar sua
influencia, pela definicao de uma taxa real de variacao da base monet
aria
m
t = m t t .
11.11.2
(11.105)
Curva de Phillips
Vamos presumir a existencia, conforme discutido no Cap. 2, de uma curva

de Phillips, ou seja, de uma relacao emprica entre a taxa de desemprego e a
diferenca entre as taxas de inflacao real e a esperada para aquele perodo na
forma geral
t te = f (ut ),
(11.106)
onde f (u) e a funcao de ajuste (regress
ao estatstica) aos dados. Em vista da
hip
otese 11.104 sobre expectativas inflacion
arias, podemos igualmente escrever
t t+1 = f (ut ).
(11.107)
O compromisso entre inflacao e desemprego e matematicamente expresso por

df
< 0,
(11.108)
du u=ut
512
de modo que, quando um dos dois fatores aumenta o outro deve decrescer,
e vice-versa. No Cap. 2 usamos um ajuste linear para a curva de Phillips
(f (u) = u). Uma funcao de ajuste nao-linear (exponencial) e (Fig. 11.11.2)
f (u) = 1 2 eu
(11.109)
onde 1 < 0 e 2 > 0 s

ao coeficientes a serem determinados por regress
ao
estatstica. De acordo com ??, vamos adotar a seguinte escolha: 1 = 2, 5;
2 = 20. Substituindo esta funcao nao-linear na curva de Phillips aumentada
por expectativas 11.107 obtemos
t = te + 1 + 2 eut .
11.11.3
(11.110)
Construc
ao do modelo
O modelo inflacao-desemprego que estudaremos emprega como ingrediente basico

a curva de Phillips aumentada por expectativas exponencial 11.110, mas tambem
necessita de hip
oteses adicionais para descrever a evolucao das macrovariaveis
com o tempo.
Hip
otese I: Expectativas adaptativas: a relacao smples entre a taxa de inflacao
esperada e a atual, 6.302, pressupoe um comportamento passivo dos agentes
econ
omicos que dificilmente pode ser justificada, ja que se a taxa esperada for
menor do que a taxa realizada, a tendencia sera a de ajustar a proxima expectativa de forma diferente, ou seja, nao-conservadora. Uma hip
otese mais realista
e a de que a taxa de inflacao esperada num certo perodo e ajustada em funcao
do acerto, ou seja, da diferenca entre as taxas esperada e realizada no perodo
anterior
e
t+1
= te + c(t te ),
(11.111)
onde 0 c 1 representa o grau com que os acertos nas previsoes inflacion
arias
s
ao incorporados nas previsoes subsequentes.
Hip
otese II: Efeito da poltica monet
aria: uma estrategia intervencionista do
governo consiste numa injecao de dinheiro na economia, levando a uma expansao
das atividades econ
omicas geradoras de emprego, nos setores industrial, agrcola,
e de servicos. Traduzindo para a macroeconomia diramos que uma expansao da
base monet
aria atuaria na diminuicao da taxa de desemprego via aumento na
demanda. Matematicamente, exprimimos esta hip
otese dizendo que a taxa de
desemprego cai na proporcao do aumento da base monet
aria real (descontadas
as perdas inflacion
arias da moeda)
ut+1 = ut bm
t,
(11.112)
onde b > 0 e denominado elasticidade do desemprego, ou seja, a proporcao

com que variacoes da poltica monet
aria refletem-se na diminuicao da taxa de
desemprego. Por exemplo, b = 0, 3 significa que a cada um ponto percentual no
aumento da base monet
aria real, corresponde uma diminuicao de 70% na taxa
de desemprego de um perodo para outro.
A taxa de expansao monet
aria nominal e suposta ser ex
ogena (ou seja, e
fixada de forma independente pela autoridade monet
aria): mt m, de modo
que
ut+1 = ut bm
t = ut b(m t )
(11.113)
513
Naturalmente esta hip

otese tambem e algo idealizada, na medida em que o operador da poltica econ
omica dificilmente deixaria de alterar a taxa de expansao
monet
aria devido ao sucesso ou insucesso de sua estrategia. No entanto, admitir
uma taxa de expansao monet
aria variavel implica em incluir uma equacao para
descrever sua evolucao, o que tornaria o modelo din
amico mais complicado do
que julgamos necessario para ilustrar os pontos a serem discutidos mais adiante.
Vamos escolher como macrovariaveis de interesse a taxa de inflacao esperada
te e a taxa de desemprego ut . Combinando as equacoes 11.110, 11.111 e 11.113
para eliminar a taxa de inflacao real t obtemos apos alguma algebra
e
t+1
ut+1
= te + c[1 + 2 eut ]
= ut + b[1 + 2 eut ] + bte bm
(11.114)
(11.115)
que sera denominado daqui por diante modelo de Soliman [?]. Seus par
ametros
caractersticos s
ao: b > 0: elasticidade do desemprego, m: taxa de expansao
monet
aria, 0 < c < 1: grau de incorporacao das expectativas inflacion
arias
adaptativas
11.11.4
Comecamos a analise da din

amica gerada pelo modelo de Soliman determinando
seus pontos fixos ( , u ), os quais s
ao as solucoes do sistema
=
=
+ c[1 + 2 eu ]
u + b[1 + 2 eu ] + b bm
(11.116)
(11.117)
Uma
algebra smples conduz aos seguintes resultados
=
=
m
ln
(11.118)

2
|1 |
(11.119)
A interpretacao econ
omica destes resultados e bastante clara: o ponto fixo
do mapa ?? e a taxa de inflacao de equilbrio, ou seja, a partir de uma taxa de
amica prevista pelo modelo de Soliman conduz
inflacao esperada inicial 0e a din
a uma evolucao que faz a taxa de inflacao tender a . Como = m, esta sera
igual `
a taxa de expansao da base monet
aria.
Por outro lado, o ponto fixo do mapa ?? e a taxa de desemprego de equilbrio
(u ). Na teoria macroecon
omica ela e às vezes denominada taxa de desemprego
nao-aceleradora da inflacao (NAIRU), ja que no equilbrio temos que a taxa
e
). A taxa de desemprego de equilbrio,
de inflacao tambem nao muda (te = t+1
ou desemprego residual e uma taxa admissvel do ponto de vista da poltica
econ
omica, compatvel com uma taxa de inflacao tambem admissvel. Tanto no
modelo (nao-linear) de Soliman como num modelo linear (para o qual a curva
de Phillips e dada por 5.3), a taxa de desemprego de equilbrio s
o depende dos
par
ametros da curva de Phillips.
Para determinar a estabilidade destes pontos fixos, na aproximacao linear,
determinamos a matriz Jacobiana do modelo discreto, que e
!
e
e

t+1
t+1
e
1 1 c2 eut
t
ut
(11.120)
J=
ut+1
ut+1
b 1 b2 eut
e
t
ut
514
Avaliando os elementos da matriz Jacobiana nos pontos fixos e u , dados

por 11.118 e 11.119 respectivamente, obteremos

1
c1
J( , u ) =
,
(11.121)
b 1 + b1
cujos autovalores 1,2 s
ao razes da equacao caracterstica correspondente, que
e uma equacao do segundo grau na forma 2 + a1 + a2 = 0, cujos coeficientes
s
ao
a1
a2
2 b|1 |
(11.122)
1 b|1 |(1 c)
(11.123)
lembrando que, por ser 1 necessariamente negativo, em vista da inclinacao

negativa da curva de Phillips, ent
ao 1 = |1 |.
No Cap. 6 mostramos que o ponto fixo ( , u ) e assintoticamente est
avel
se os autovalores 1,2 (sejam eles reais ou complexos) tiverem modulos menores
do que 1. Em termos da equacao caracterstica isso ocorrera se as seguintes
condicoes forem satisfeitas:
(i)1 + a1 + a2
(ii)1 a2
(iii)1 a1 + a2
>
>
>
0
0
0
(11.124)
Dos v
arios par
ametros do modelo (b: elasticidade do desemprego, c: expectativas adaptativas, 1 , 2 : curva de Phillips), vamos fixar todos como constantes,
exceto b, e tom
a-lo como par
ametro a ser variado. Neste caso, a condicao de
estabilidade do ponto fixo ( , u ) sera escrita em termos dos valores possveis
de b. Definindo
4
(11.125)
b1
|1 |(2 c)
segue que ( , u ) sera assintoticamente est
avel se b < b1 , e instavel se b > b1 .
O fato dos autovalores serem reais ou complexos tem um significado para
a maneira pela qual as iteracoes transit
orias convergem para o ponto fixo (no
caso deste ser assintoticamente est
avel). Se 1,2 forem complexos (conjugados),
as iteracoes transit
orias serao oscilacoes amortecidas (e o ponto fixo e um foco
est
avel). Caso sejam reais, as iteracoes convergem exponencialmente para o
ponto fixo (que e um no est
avel). Devemos enfatizar a importancia destes
dois possveis comportamentos quando analisamos como o sistema converge ao
ponto fixo. Se as iteracoes transit
orias oscilam entre valores maiores e menores
que o ponto fixo - por exemplo a taxa de inflacao de equilbrio - temos
uma situacao um tanto incomoda, pois ao observador imediatista parece haver
uma indesejavel altern
ancia que dificulta a realizacao de previsoes. Este efeito
negativo e tanto maior quanto mais amplas forem as oscilacoes da taxa de
inflacao esperada. Ja uma convergencia exponencial ao ponto fixo seria desejavel
pela maior facilidade em identificarmos uma tendencia clara de queda ou subida
dos ndices inflacion
arios.
Vimos que a determinacao do tipo de convergencia ao ponto fixo prende-se
ao calculo do discriminante da equacao caracterstica. Para o modelo de
Soliman, os resultados 1.41-?? levam a = 4bc2 (b b2 )/b22 , onde definimos
b2
4c
< b1
|1 |
515
(11.126)
u
foco estavel
u*
0<bb
1
t
Figura 11.28: Classificacao dos pontos fixos quanto à sua estabilidade linear
de modo que os autovalores 1,2 serao reais se b b2 , e complexos caso contrario.

Para os valores de par
ametros que presumimos para o modelo (1 = 2, 5, c =
0, 75), decorre que b1 = 1, 28 e b2 = 1, 2.
A combinacao do tipo de estabilidade com a forma das iteracoes transit
orias
resulta numa importante classificacao dos pontos fixos. ( , u ) e um:
1. foco est
avel: se os autovalores forem complexos e tiverem modulos menores
que um. Ocorrer
a se 0 < b < b2 ;
2. foco instavel: se os autovalores forem complexos e tiverem modulos maiores
que um. N
ao ocorrera para os valores presumidos no modelo;
3. no est
avel: se os autovalores forem reais e tiverem modulos menores que
um. Ocorrer
a se b2 b1 ;
5. ponto de sela: se os autovalores forem reais, um deles com modulo maior e
outro menor que um. N
ao ocorrera para os valores presumidos no modelo;
ilustrados na figura 11.11.4. O u
ltimo tipo de ponto fixo e considerado tambem
instavel pois tem uma direcao instavel. Na literatura econ
omica este tipo de
equilbrio e chamado de fio da navalha.
11.11.5
Diagrama de bifurca
c
oes
Podemos determinar, pelo menos em princpio, os pontos de qualquer orbita

peri
odica para o mapa do Soliman, de forma analoga ao caso unidimensional.
No entanto, os calculos para os mapas bidimensionais tornam-se rapidamente
complicados demais para serem feitos com l
apis e papel. Neste caso, e muito
516
crise
caos
taxa de inflao esperada
2,5
b = 1,28
2
taxa de equilibrio
b = 1,20
1
1,5
0,5
1,5
parmetro de crescimento monetrio (b)
Figura 11.29: Diagrama de bifurcacoes do modelo de Soliman, para a taxa de

inflacao esperada versus o par
ametro de crescimento monet
ario
melhor recorrer ao computador para visualizar as orbitas peri

odicas que aparecem à medida em que variamos um par
ametro do modelo.
O chamado diagrama de bifurcacoes e uma representacao bastante usada em
din
amica nao-linear para fazer justamente isso: exibir os pontos fixos, orbitas
peri
odicas e caoticas de um sistema din
amico, quando um par
ametro do sistema
e variado. Computacionalmente fazemos o seguinte procedimento:
1. Escolhemos uma condicao inicial para o mapa, por exemplo, 0e = 2, 5 e
u0 = 3, 0, bem como um valor inicial para o par
ametro a ser variado, como
b = 0, 05;
2. Iteramos o modelo discreto um grande n
umero de vezes, sem guardar os resultados, a fim de descartar um n
umero suficiente de iteracoes transit
orias
(algo como 1000, mas nao estamos interessados nelas agora);
3. Guardamos um certo n
umero (algo como 100) de iteracoes, que devem
representar o comportamento assint
otico das trajet
orias do mapa
4. Aumentamos o valor do par
ametro b de uma pequena quantidade;
5. Repetimos os dois procedimentos anteriores ate o valor final de b que
desejarmos.
Note que, devido `
a maneira com que o diagrama e construido, ele registra apenas pontos fixos e
orbitas peri
odicas est
aveis, ja que por nenhum motivo esperaramos colocar nossas condicoes iniciais exatamente sobre pontos instaveis.
O resultado para o modelo de Soliman pode ser visto na figura 11.11.5, onde
nos fixamos c = 0, 75, m = 2 e variamos b de 0, 05 a aproximadamente 1, 5 em
incrementos muito pequenos, para que a figura ficasse clara o suficiente.
Note que ainda nao definimos o que seja uma bifurcacao, muito embora ja
estejamos usando livremente este termo ha algum tempo... Na verdade, uma
bifurcacao e qualquer mudanca na estabilidade ou na pr
opria existencia de um
ponto fixo ou
orbita peri
odica. Por exemplo, um ponto fixo pode deixar de
ser est
avel e tornarse instavel, ou ent
ao pode simplesmente deixar de existir,
517
2,15
ponto fixo
2,1
2,05
= m
2
1,95
1,9
tempo
0
10
20
30
40
Figura 11.30: Iteracoes no modelo de Soliman para b = 0, 8, convergindo para

um ponto fixo
para um certo valor do par

ametro b - dizemos que houve uma bifurcacao em
qualquer um dos dois casos. A figura 11.11.5 exibe alguns exemplos importantes
de bifurcacoes.
Para valores pequenos de b observamos apenas um ponto no diagrama (escolhemos a taxa de inflacao, mas poderamos ter feito diagrama completamente
similar para a taxa de desemprego), que e justamente o ponto fixo est
avel
= m = 2. Para b < b2 as iteracoes transit
orias s
ao oscilantes (Fig. 11.11.5)
Na secao precedente, mostramos que para b < b1 o ponto fixo ( , u ) e est
avel,
de modo que para b = b1 ele torna-se instavel, por isso nao e mais visvel no diagrama da figura 11.11.5. Alem disso, uma orbita de perodo 2 (tambem est
avel)
emerge (Fig. 11.11.5).
(0 , u0 ) (1 , u1 ) (0 , u0 ) (1 , u1 )
Este e um exemplo de bifurcacao de duplicacao de perodo, ja que o perodo
aumentou de 1 (ponto fixo) para 2 (2-ciclo). Observamos o mesmo tipo de bifurcacao de duplicacao do perodo ocorrendo em outro ponto, para b 1, 38
(ligeiramente maior que b1 ), desta vez de um 2-ciclo para um 4-ciclo est
avel
(o 2-ciclo tornou-se instavel e deixa de aparecer no diagrama) constituido de
quatro pontos (figura 11.11.5) Temos, aqui, uma cascata de bifurcacoes com
duplicacao de perodo, onde os pontos de bifurcacao aproximam-se geometricamente e acumulam-se num valor b 1.42, apos o qual as orbitas s
ao
predominantemente caoticas.
11.11.6
Atrator ca
otico
A figura 11.11.6, construida para o mapa de Soliman com b = 1, 455 > b ,

mostra dois exemplos de orbitas caoticas. No entanto, para este caso poderse-ia objetar que, como consideramos um pequeno intervalo de tempo (ate 60
iteracoes apenas) seria um comportamento transit
orio. De fato, embora isto ate
518
2,5
rbita de perodo 2
1,5
tempo
0
10
20
30
40
Figura 11.31: Iteracoes no modelo de Soliman para b = 1, 3,convergindo para

um 2-ciclo
3
rbita de perodo 4
2,5
1,5
3
0
10
20
30
4
40
Figura 11.32: Iteracoes no modelo de Soliman para b = 1, 41,convergindo para

um 4-ciclo
519
divergem
evoluem juntas
2,5
1,5
duas condicoes iniciais proximas:

1
10
20
30
40
x0 = 2.100
x0 = 2.101
50
60
Figura 11.33: Iteracoes de uma orbita caotica no modelo de Soliman para b =

1, 455. Sao mostradas duas condicoes iniciais muito proximas: x0 = 2, 1 e
x 0 = 2, 101.
possa ocorrer para uma orbita peri

odica, neste exemplo o comportamento irregular subsiste para quaisquer intervalos de tempo. Esta figura ilustra tambem
a sensibilidade `
as condicoes iniciais da orbita caotica: tomando duas condicoes
iniciais muito proximas uma da outra: 0e = 2, 100 e 0e = 2, 101, verificamos

que para as vinte primeiras iteracoes, mais ou menos, ambas as trajet
orias permanecem proximas uma da outra. No entanto, com o tempo elas passam a se
afastar, comportando-se de forma totalmente independente, e fornecendo resultados completamente diferentes.
Pouco antes de 40 iteracoes, por exemplo, as taxas de inflacao obtidas das
condicoes iniciais utilizadas diferem em mais de 0, 5, o que significa uma variacao
relativa de
2, 6 2, 1
0, 192
2, 6
ou seja, de quase 20%. Isso numa taxa de inflacao esperada para aquele perodo!
Esta diferenca nao seria absolutamente preocupante se fosse devida a alteracoes
significativas das condicoes iniciais, mas como
2, 101 2, 1
0e 0e
=
0, 05%
e
2, 101
0
esta diferenca e t
ao pequena que pode ser considerada praticamente nula, pois
a incerteza estatstica associada à determinacao dos ndices inflacion
arios e tipicamente bem maior que isto. Logo, do ponto de vista pratico as duas condicoes
iniciais usadas s
ao indistinguveis. E, nao obstante, elas fornecem previsoes a
longo prazo que diferem em quase 20%. Este sim, e um fato preocupante a
520
bacia de atracao do atrator
3,5
atrator
caotico
fronteira
fractal de
bacia
0,5
0,5
3,5
bacia de atracao do infinito
Figura 11.34: Atrator estranho (em amarelo) e sua bacia de atracao (em azul
claro) no modelo de Soliman para b = 1, 45. Em azul escuro est
a a bacia de
atracao do atrator no infinito.
princpio, pois nao temos como assegurar a confiabilidade de uma previsao feita
com um modelo onde uma imperceptvel diferenca nas condicoes iniciais leva
a resultados dspares. Podemos quantificar a existencia de caos computando
os expoentes de Lyapunov do modelo de Soliman. No caso da figura 11.11.6,
por exemplo, para o qual b = 1, 455 > b ), os expoentes de Lyapunov s
ao
1 0, 15 > 0 e 2 = 1, 03 < 0. O sistema e obviamente dissipativo, sendo a
taxa de contracao das
areas no espaco de fase
T = 1 + 2 = 0, 88 < 0.
No plano de fase do modelo de Soliman (taxa de inflacao versus taxa de
desemprego) uma
orbita caotica jaz sobre um atrator caotico, como o ilustrado
pela figura 12.16, obtida para b = 1, 45.
11.12
Problemas
1. No captulo anterior exemplificamos v

arios conceitos com o modelo de Henon
F(x, y) = (a x2 + by, x). No entanto, no seu artigo original Henon definiu o
seguinte modelo: H(x, y) = (1 ax2 + y, bx), que e bastante parecido com o
outro modelo, sendo ambos quadr
aticos em x e lineares em y. De fato, os dois
modelos s
ao semelhantes: temos que F H por meio de uma funca
o linear
vetorial E definida como
E(v) = C v =
521

x
y
(11.127)
tal que
E(F(v))
H(E(v))
(11.128)
C F(v)
H(A v).
(11.129)
(a) Ache os valores de , , e ;

(b) Obtenha os pontos fixos do modelo H e estude sua estabilidade;
(c) Obtenha uma
orbita de perodo 2 e estude sua estabilidade;
2. Considere o modelo de Henon modificado H do problema anterior. Para b = 0, 3
e a vari
avel verifica-se uma cascata de bifurcaco
es com duplicaca
o de perodo
que acumula-se em a = 1, 0580459.
(a) Desenhe o diagrama de bifurcaco
es usando algum dos programas numericos
sugeridos no texto
(b) Complete a tabela abaixo e estime a constante de Feigenbaum.
perodo = 2n
1
2
3
4
5
6
an
0, 1225
0, 3675
0, 9125
1, 0260
1, 0510
1, 0565
an an1
an1 an2
an an1
3. Use o programa Dynamics para tracar as curvas invariantes est

avel e inst
avel
dos seguintes casos para o modelo de Henon:
(a) o ponto de sela e (1, 22, 1, 22)
F(x, y) = (1, 5 x2 + y, x)
(b) o ponto de sela e (0, 89, 0, 89)
F(x, y) = (1, 42 x2 + 0, 3y, x)
(c) o ponto de sela e (1, 59, 1, 59)
F(x, y) = (1, 42 x2 + 0, 3y, x)
(d) o ponto de sela e (2, 02, 2, 02)
F(x, y) = (2, 66 x2 + 0, 3y, x)
4. O comando pt do programa Dynamics permite tracar um gr
afico dos expoentes
de Lyapunov de um modelo em funca
o do tempo. Isso permite observar como
o valor flutua nas primeiras iteraco
es do modelo, para convergir a um valor
apenas ap
os um certo n
umero de iteraco
es [?]. Usando esse comando obtenha
os expoentes de Lyapunov como funca
o do tempo para os seguintes modelos
bidimensionais:
(a) modelo tinkerbell
F(x, y) = (x2 y 2 + 0, 9x 0, 6013y, 2xy + 2x + 0, 5y)
522
(b) modelo de Ikeda: seja z = x + iy um n

umero complexo.

6
F(z) = 1 + 0, 9z exp i 0, 4
1 + |z|2
(c) modelo padr
ao de Chirikov-Taylor
F(x, y) = ((x + y)
mod (2), y + 1, 08 sin(x + y))
5. Mostre que, no ponto a = 34 (1 b)2 ocorre uma bifurcaca

o de duplicaca
o de
perodo no modelo de Henon. Para isso, resolva o sistema de equaco
es
2
x = 1 a(1 ax2 + y) + bx,
y = b(1 ax2 + y)
que resulta numa equaca

o do quarto grau. No entanto, lembre que duas das
soluco
es para ela j
a s
ao conhecidas, que s
ao os pontos fixos v1,2
, de modo que
a equaca
o pode ser fatorada e a soluca
o recai numa equaca
o quadr
atica. Finalmente, calcule os autovalores da matriz Jacobiana do modelo no ponto de
bifurcaca
o e mostre que um deles e igual a 1.
6. Vimos que o modelo de Henon pode ser interpretado como a composica
o de tres
modelos que executam contraca
o, reflex
ao e dobra. Obtenha as imagens de um
crculo sob a aca
o de cada um destes modelos, usando o Maple:
u := 1:
v := 0.4:
a := 1.4: b := 0.3:
x1 := u*cos(t):
y1 := v*sin(t):
x2 := x1:
y2 := 1 - a*x1^2 + y1:
x3 := b*x1:
y3 := y2:
x4 := y3:
y4 := x3:
plot([x1, y1, t=0..2*Pi],
plot([x2, y2, t=0..2*Pi],
plot([x3, y3, t=0..2*Pi],
plot([x4, y4, t=0..2*Pi],
-2..2,
-2..2,
-2..2,
-2..2,
-2..2);
-2..2);
-2..2);
-2..2);
7. Uma propriedade not

avel do modelo de Henon para a = 1.4 e b = 0, 3 e que
podemos mostrar que existe um quadril
atero tal que as suas sucessivas imagens
pelas iteraco
es do modelo est
ao inteiramente contidas no mesmo. Numericamente podemos fazer isso usando o Maple.
(a) Inicialmente trace este quadril
atero usando os seguintes comandos:
line := [xa + (xb-xa)*t, ya + (yb-ya)*t]:
v := [[-1.33,0.42], [1.32,0.133], [1.245,-0.14], [-1.06,-0.5], [-1.33,0.42]]:
OPTS := -1.5..1.5, -0.5..0.5, axes=BOX:
quadrilateral := plot(v, OPTS):
text := plots[textplot]([0.5,0.4,cat("Iteracao ",0)],align=RIGHT):
plots[display]([quadrilateral,text]);
(b) Iteramos as equaco
es parametricas para obter as imagens do quadril
atero
pelo modelo de Henon
523
a := 1.4:
b := 0.3:
kmax := 6:
Henon := [1 - a*x^2 + y, b*x]:
for k from 1 to kmax do
quad[k] := [seq(subs(x=quad[k-1][s][1],y=quad[k-1][s][2],Henon),s=1..4)];
(c) Obtemos uma sequencia de imagens do quadril
atero para determinados
n
umeros de iteraco
es. Como o comprimento das curvas dobra aproximadamente a cada iteraca
o do modelo, e necess
ario dobrar tambem o n
umero de
pontos usados para tracar as curvas.
points := [50,100,200,600,1200,2400]:
quad[0] := [seq(subs(xa=v[s][1], xb=v[s+1][1],
ya=v[s][2], yb=v[s+1][2], line), s=1..4)]:
for k in 1,2,kmax do
p := seq(plot([op(quad[k][s]),t=0..1],
OPTS,color=blue,numpoints=points[k]), s=1..4):
text := plots[textplot]([0.5,0.4,cat("Iteracao ",k)],align=RIGHT):
print(plots[display]([quadrilateral,p,text]));
od:
524
Captulo 12
Fractais em modelos
discretos bidimensionais
12.1
Fractais
Fractais s
ao objetos geometricos que possuem propriedades peculiares: (i) autosimilaridade; (ii) dimensao fracionaria. O termo fractal foi cunhado pelo matematico
polones Benoit Mandelbrot, na decada de 60. No entanto, varios matematicos,
desde o final do Seculo XIX, tem descrito objetos que atualmente sabemos serem
fractais. Os fractais tem uma geometria propria, nao-Euclidiana, e podem ser
obtidos a partir de mapas matematicos. A geometria fractal, por outro lado, e
tambem adequada para a descricao de muitos aspectos e fenomenos da Natureza.
12.1.1
Auto-similaridade
O termo auto-similaridade, ao pe da letra, significa semelhante a si proprio.

Obviamente, qualquer coisa e parecida consigo mesma, logo o sentido de ser
auto-similar e ser parecido consigo mesmo em outras escalas de comprimento.
Os fractais possuem, pois, as mesmas caractersticas, quando observados em
diferentes escalas. Tomemos como exemplo a figura 12.1(a), que representa
um objeto fractal no plano denominado junta de Sierpinski, e sobre o qual
falaremos mais adiante. Se tomarmos um pedaco do fractal e o ampliarmos, o
resultado sera em tudo semelhante ao seu todo. Essa propriedade e compartilhada com outras figuras, como a folha de samambaiaFigura 12.1(b) (na
verdade, uma figura gerada no computador: um pedaco da folhaassemelha-se
à folha como um todo [Figura 12.1(b)].
Num fractal matematico, como os mencionados, esse processo de auto-similaridade
estende-se indefinidamente. Na Natureza, no entanto, tambem podemos observar exemplos de auto-similaridade, sem que, no entanto, consigamos ir alem
de algumas poucas ampliacoes. Um outro exemplo e encontrado no brocolis,
cuja cabeca e formada por gomos que possuem as mesmas caractersticas da
cabeca como um todo. Cada gomo tem, ainda, outros gomos com a mesma
propriedade geral. N
ao podemos ir muito alem de algumas ampliacoes, pois
inevitavelmente atingiremos escalas onde e impossvel a auto-similaridade (por
exemplo, na escala celular ou mesmo at
omica). O corpo humano exibe estru525
(a)
(b)
Figura 12.1: Objetos auto-similares: (a) Junta de Sierpinski; (b) Folha de

samambaia.
turas com auto-similaridade. No pulm

ao a traqueia ramifica-se em bronquios e
bronquolos, etc ate chegar ao nvel dos alveolos. A mesma propriedade pode ser
observada na circulacao sangunea que irriga o pulm
ao, sendo as veias e arterias
tambem ramificadas de forma auto-similar. A Natureza nos oferece abundantes
exemplos de auto-similaridade no relevo, hidrografia, etc.
12.1.2
Dimens
ao de contagem de caixas
Quando se fala em dimensao, quase sempre se pensa nos conceitos tradicionais,

de que um ponto tem dimensao 0, uma reta tem dimensao 1, assim como uma
curva plana. Ja um plano tem dimensao 2. A superfcie de uma esfera tambem
tem dimensao 2, mas a esfera propriamente dita tem dimensao 3. Neste ponto,
podemos nos perguntar se poderiam existir outras possibilidades alem destas?
De fato, se quisermos dar sentido a uma dimensao fracionaria, como 1, 75
por exemplo, e preciso dar uma definicao operacional de dimensao, ou seja,
que especifique o procedimento que deve ser usado para medira dimensao de
um objeto, seja ele fractal ou nao. H
a v
arias definicoes de dimensao existentes
na literatura . N
os iremos inicialmente trabalhar com a chamada dimensao
de contagem de caixas, proposta pelo matematico alemao Felix Hausdorff em
1916.
Para tal, nos recobrimos a figura da qual desejamos conhecer a dimensao,
como um rio num mapa, com caixasidenticas de aresta r. Como o rio est
a
contido no plano do mapa, as caixas s
ao quadrados de lado r. Na pratica, usamos
uma grade de quadrculas de lado r. Chamaremos N (r) ao n
umero de caixas
de aresta r necessarias para recobrir completamente a figura [Fig. 12.2(a)].
Para definir a dimensao de contagem de caixas, e conveniente partir de exemplos bem conhecidos da geometria Euclidiana, antes de falar nos fractais propriamente ditos. Vamos inicialmente considerar um segmento de reta unitario,
ou seja, de comprimento igual a uma unidade, e que sabemos ter dimensao 1.
Se usarmos caixas de lado tambem igual a 1, precisaremos de apenas uma caixa.
Se dividirmos o tamanho da caixa pela metade (r = 1/2), precisaremos de duas
caixas (N = 2). Analogamente, precisamos de 4 caixas de lado 1/4, 8 caixas de
lado 1/8, etc. [Fig. 12.2(b)].
De modo geral, o n
umero de caixas necessario para recobrir o segmento
unitario eN (r) = 1/r = r1 . Tomando, agora, o quadrado de lado 1 mostrado
526
N(r) = 2
r = 1/2
r
N(r) = 4
r = 1/4
N(r) = 8
r = 1/8
N(r) = r
(b)
(a)
Figura 12.2: (a) Contagem de caixas; (b) Segmento unitario.
ao lado, o qual sabemos ter dimensao 2. Novamente, para recobrir este quadrado
precisaremos de: um quadrado de lado 1, quatro de lado 1/2, 16 de lado 1/4, 64
de lado 1/8, e assim por diante. O n
umero de caixas necessario para recobrir o
quadrado unitario e dado por N (r) = 1/r2 = r2 [Fig. 12.3(a)]. Se fizessemos
o mesmo racioccio para um cubo de aresta 1, e que e um objeto tridimensional,
chegaramos `
a conclus
ao que o n
umero de caixas de aresta r necessario para
recobri-lo e dado por N (r) = 1/r3 = r3 .
Esta linha de racioccio, generalizada para objetos fractais, leva à definicao
de dimensao de contagem de caixas, que denotaremos pela letra d, pela relacao
N (r) =
1
= rd .
rd
(12.1)
Aplicando logaritmos em ambos os membros dessa expressao temos que

1
ln N (r) = d ln r = d ln
,
(12.2)
r
de modo que
d=
ln N (r)
.
ln(1/r)
(12.3)
Isso significa que, para um objeto fractal, a relacao entre o n

umero de
caixas necessario para recobrir o objeto e o tamanho da caixa e uma lei de
potencia(12.1). A rigor, a equacao (12.3) s
o e v
alida no limite em que o
tamanho da caixa r tende a zero, ou seja,
d = lim
r0
ln N (r)
ln(1/r)
(12.4)
Entretanto, para fractais observados na natureza, esse limite naturalmente nao

pode ser tomado ao pe da letra. Na pratica, nos usamos o fato da equacao (12.2)
representar uma reta num gr
afico cartesiano, onde no eixo das abscissas representamos ln(1/r), e no eixo das ordenadas, ln N (r). Neste caso, o coeficiente
527
N(r) = 4 = 2
r = 1/2
N(r) = 16 = 2
ln N(r)
r = 1/4
ln(1/r)
(b)
(a)
Figura 12.3: (a) Quadrado unitario; (b) Relacao linear entre ln N (r) e ln(1/r).
(a)
(b)
Figura 12.4: (a) Construcao do conjunto de Cantor; (b) Contagem de caixas no

conjunto de Cantor.
angular, ou inclinacao da reta, e a propria dimensao de contagem de caixas [Fig.

12.3(b)].
Apos termos apresentado a definicao de dimensao de contagem de caixas, e
de termos mostrado que ela reduz-se à ideia intuitiva de dimensao para objetos
Euclidianos, vamos abordar alguns objetos fractais notaveis.
12.1.3
Conjunto de Cantor
um fractal criado pelo matematico alemao Georg Cantor em 1872. Como a

E
maioria dos objetos fractais, ele e construido por etapas. Comecamos com um
intervalo unitario, que dividimos em tres partes iguais. Subtraimos, ent
ao, o
terco medio central do intervalo, ou seja, o segmento entre 1/3 e 2/3. Na etapa
seguinte, subdividimos os segmentos restantes em tres partes iguais, subtraimos
o terco medio, e assim por diante. O conjunto, ou poeirade Cantor, e o
resultado de um n
umero infinito destas operacoes [Fig. 12.4(a)].
528
Vamos aplicar o algoritmo de contagem de caixas ao conjunto de Cantor, da

mesma forma que fizemos com os objetos Euclidianos anteriores. Na primeira
etapa, precisamos de duas caixas (quadrados) de lado 1/3, logo N (1/3) = 2.
Na segunda etapa, precisamos de quatro (= 22 ) caixas de lado 1/9 (= 32 ). Na
terceira etapa, de oito (= 23 ) caixas de lado 1/27 (= 33 ), e assim por diante.
De modo geral, na n-esima etapa, precisamos de N (rn ) = 2n caixas de lado
rn = 3n [Fig. 12.4(b)].
O conjunto de Cantor e obtido quando temos um n
umero infinito de etapas,
ou seja, quando n . Substituindo na definicao (12.4), a dimensao de
contagem de caixas do conjunto de Cantor e dada por:
=
=
ln N (rn )
ln 2n
ln N (r)
= lim
= lim
n ln(1/rn )
n ln 3n
r0 ln(1/r)
ln 2
n ln 2
=
0, 67.
lim
n n ln 3
ln 3
lim
(12.5)
Observe que a dimensao agora da um n

umero fracionario: 0 < d < 1. Logo,
o conjunto de Cantor e maisdo que uma smples colecao de pontos (para os
quais a dimensao seria nula), porem menosdo que um segmento de reta. O
conjunto de Cantor pode ser visto como uma poeira estruturadade pontos, e
tem propriedades matematicas bastante interessantes.
Por exemplo, o comprimento total do conjunto de Cantor e o comprimento
do intervalo [0, 1] menos a soma de todos os intervalos removidos. Na n-esima
etapa s
ao removidos N (rn ) intervalos de comprimento rn /3, ou seja, nessa etapa
a soma dos comprimentos dos intervalos removidos e
n
2
1
1
rn
n n
=
.
(12.6)
=2 3
N (rn )
3
3
3
3
O comprimento total, apos um n
umero infinito de etapas sera, portanto, a soma
infinita:
"
#
2 3
1
1
2
1
2
1
2
L = 1
+
+
+
+
3
3
3
3
3
3
3

1
1
3
= 1
(12.7)
=1 =11=0
3 1 32
3
onde usamos a formula da soma dos termos de uma progress
ao geometrica com
infinitos termos e cuja raz
ao (2/3) e menor que 1.
12.1.4
Junta de Sierpinski
um objeto fractal no plano, idealizado pelo matematico polones Waclaw SierE

pinski em 1915. Assim como o conjunto de Cantor, ele e construido em etapas.
Partimos de um quadrado unitario cheio, que dividimos ao meio pela diagonal,
e subtraimos o triangulo superior. A diagonal e dividida pela metade, tal que
o triangulo resultante, numa segunda etapa, e sub-dividido em quatro outros
triangulos conforme a figura 12.5. N
os subtraimos o triangulo centraldesses
quatro triangulos, e repetimos a mesma operacao nos tres triangulos remanescentes.
529
Figura 12.5: Duas etapas na construcao da Junta de Sierpinski
A junta de Sierpinski e o resultado de um n

umero infinito de operacoes semelhantes a esta. Como vimos anteriormente, isto gera um objeto auto-similar. O
nome juntae um sin
onimo de gaxeta, ainda que juntas usualmente tenham
orifcios circulares, e nao triangulares. A dimensao de contagem de caixas da
junta de Sierpinski e igual a d = 1, 59; ou seja, como 1 < d < 2, ela e algo
maisdo que uma curva plana, porem menosdo que uma superfcie. Vamos
ver como este valor fracionario para a dimensao e obtido.
Podemos recobrir toda a junta com uma u
nica caixa de lado 1, mas isto
certamente super-estima o tamanho do objeto. Um primeiro passo consistiria
em usar tres caixas de lado r1 = 1/2, ou seja, N (r1 ) = 3. Mesmo assim
continuam havendo lacunas na figura. Logo, um segundo passo consiste em
usar caixas de lado r2 = 1/4, o que necessita de N (r2 ) = 9 caixas ao todo.
Similarmente, precisamos de N = 27 caixas de lado r3 = 1/8, e assim por
diante.
n
De maneira geral, no n-esimo passo, o tamanho da caixa e rn = (1/2) =
n
n
2 , e necessitamos de N (rn ) = 3 caixas como essas. A junta de Sierpinski e
obtida no limite quando o n
umero n de passos tende a infinito. Vamos aplicar,
agora, a definicao (12.4) para a dimensao de contagem de caixas:
ln N (r)
ln N (rn )
ln 3n
n ln 3
ln 3
= lim
= lim
= lim
=
1, 58196.
n ln(1/rn )
n ln 2n
n n ln 2
r0 ln(1/r)
ln 2
(12.8)
d = lim
12.1.5
Curva de Koch
um objeto fractal no plano criado pelo matematico sueco Helge van Koch
E
em 1904. Alem de ser auto-similar, a curva de Koch tem dimensao fracionaria
d = 1, 26 e tem v
arias propriedades notaveis. A curva de Koch e construida
por etapas, da seguinte maneira: partimos de um segmento unitario, dividido
em tres partes iguais. Sobre o terco medio subimos um tri
angulo equil
atero.
Repetimos o procedimento para cada lado (num total de quatro) da figura resultante, e assim por diante. A curva de Koch e obtida apos um n
umero infinito
destas etapas, e tem uma forma bastante recortada [Fig. 12.6].
Vamos inicialmente determinar o valor da dimensao de contagem de caixas
da curva de Koch. Numa primeira etapa, recobrimos a curva de Koch com
N (r1 ) = 3 = 3.1 = 3.40 caixas de lado r1 = 1/31 = 31 . Numa segunda etapa,
com N (r2 ) = 12 = 3.4 = 3.41 caixas de lado r2 = 1/9 = 32 . Depois, com
N (r3 ) = 48 = 3.42 caixas de lado r3 = 1/27 = 33 , e assim por diante. De
maneira geral, na n-esima etapa teremos caixas de lado rn = 3n , num n
umero
total de N (rn ) = 3.4n1 .
530
Figura 12.6: Curva de Koch
Figura 12.7: Floco de neve de Koch
Desta forma, a dimensao de contagem de caixas sera

ln N (r)
(n 1) ln 4 + ln 3
ln N (rn )
ln 3.4n1
= lim
= lim
= lim
n
n
n
n
r0 ln(1/r)
ln(1/rn )
ln 3
n ln 3
n ln 4
ln 4 + ln 3
ln 4
n ln 4 ln 4 + ln 3
= lim
lim
=
1, 26186
(12.9)
= lim
n n ln 3
n
n
n ln 3
n ln 3
ln 3
d = lim
Vamos mostrar, agora, que a curva de Koch tem um comprimento infinito.

Em cada passo da construcao da curva, temos N (rn ) segmentos de comprimento
rn cada, de modo que o comprimento total e o limite:
n
4
L = lim rn N (rn ) = lim 3n 3.4n1 = 3 lim
=
(12.10)
n
n
n 3
ja que 4/3 > 1. A despeito de ter um comprimento infinito, mesmo quando
unimos tres dessas curvas para formar o chamado floco de neve de Koch (Figura
12.7), a
area envolvida e finita.
531
2
0,95
(a)
(b)
0,9
(c)
0,82
1
0,85
0,81
0,8
0,75
0,8
-1
0,7
0,79
0,65
-2
-2
-1
0,9
0,95
1,05
1,1
1,15
1,01
1,02
1,03
1,04
Figura 12.8: Sucessivas ampliacoes do atrator caotico de Henon (a = 1, 2, b =

0, 4)
Esse fato tem curiosas implicacoes na determinacao do comprimento de fronteiras terrestres bem como das linhas costeiras de determinados pases. Estas
investigacoes remontam a 1961, quando o geografo Lewis Fry Richardson estudou o comprimento de linhas costeiras, aproximadas por poligonais, e descobriu
empiricamente que o comprimento L varia com a escala G da medida como
uma lei de potencia L Gs , onde s e um expoente determinado por ajuste
estatstico. Mandelbrot, em um famoso artigo publicado em 1967 (How Long Is
the Coast of Britain? Statistical Self-Similarity and Fractional Dimension, Science: 156, 1967, 636-638), observou que o expoente de Richardson e s = d 1,
onde d e a dimensao de contagem de caixas. A linha costeira da Gr
a-Bretanha,
por exemplo, tem um expoente s = 0, 25, de modo que ela e um fractal com
dimensao d = 1, 25, bastante proxima de uma curva de Koch, portanto.
12.2
Atratores fractais
12.2.1
Fractalidade do atrator de H
enon
As sucessivas ampliacoes mostradas na Fig. 12.8 sugerem que o atrator de Henon

para uma
orbita caotica (a = 1, 2, b = 0, 4) exibe auto-similaridade. Para ser um
atrator estranho ele ainda deve ter uma dimensao fracionaria. Vamos verificar
essa segunda caracterstica de fractalidade pelo metodo de contagem de caixas.
N
os recobrimos o atrator com uma malha, equivalente a um conjunto de caixas
bidimensionais de lado r, conforme mostrado esquematicamente na Figura 12.9.
Por exemplo, se r = 0, 016, resulta que N (r) = 814 caixas s
ao necessarias
para recobrir o atrator. No entanto, a definicao de dimens
ao (12.4) exige que
o tamanho da caixa tenda a zero. Claro que, na pratica, diminuimos o valor
de r usando uma malha mais refinada que a anterior, por exemplo dobrando o
n
umero de caixas em cada direcao. Ao mesmo tempo, o procedimento exige um
n
umero progressivamente muito grande de pontos do atrator.
Procedendo dessa maneira, podemos obter diferentes valores de N (r) de
forma a construir a tabela 12.2.1. H
a v
arios programas e Java appletsdisponveis
na internet para viabilizar esta determinacao numerica, como http://math.la.
asu.edu/~chaos/box_counting.html.
532
-1
-2
-2
-1
Figura 12.9: Contagem de caixas no atrator caotico de Henon
rn
0, 016
0, 008
0, 004
0, 002
0, 001
0, 0005
0, 00025
1/rn
62, 5
125
250
500
1000
2000
4000
ln(1/rn )
4, 135
4, 828
5, 521
6, 215
6, 908
7, 601
8, 294
N (rn )
814
1894
4440
10284
25016
61605
147541
ln N (rn )
6, 702
7, 546
8, 398
9, 238
10, 127
11, 028
11, 902
Tabela 12.1: Contagem de caixas no atrator caotico de Henon (a = 1, 2 e

b = 0, 4).
533
14
ln(N(r_n))
12
10
ln(1/r_n)
Figura 12.10: N
umero de caixas necessarias para recobrir o atrator de Henon
em funcao do tamanho da caixa. A linha reta e obtida por uma regress
ao linear,
cujo coeficiente angular e a dimensao (fractal) de contagem de caixas.
Com estes valores construimos um gr

afico onde representamos ln N (rn ) no
eixo das ordenadas e ln(1/rn ) no eixo das abscissas (Figura 12.10). Podemos
ajustar (por regress
ao linear, por exemplo) uma reta por esses sete pontos. De
(12.2), a dimensao de contagem de caixas e o coeficiente angular dessa reta. Resulta que a este valor e d = 1, 2517 0, 0072, ou seja, a dimensao provavelmente
encontra-se no intervalo entre 1, 245 e 1, 259, e o atrator de Henon e, de fato,
fractal (ou estranho).
possvel entender qualitativamente a natureza desta fractalidade obserE
vando que a estrutura de bandas auto-similares que ilustramos na Figura 12.8
pode ser vista como tendo duas partes: numa direcao longitudinal (ao longo das
bandas) temos curvas suaves, ou seja, com dimensao inteira d = 1; e uma
direcao transversal `
as bandas, na qual a intersecao do atrator e um conjunto de
pontos similar a um conjunto de Cantor. Com efeito, a dimens
ao nessa direcao
e dt 0, 25, de modo que a dimensao do atrator como um todo e a soma das
duas direcoes: d = d + dt = 1 + 0, 25 = 1, 25.
12.2.2
Atratores ca
oticos e atratores fractais
Um atrator caotico e definido como aquele para o qual orbitas que se iniciam
de condicoes iniciais proximas divergem exponencialmente com o tempo. Em
outras palavras, quando um dos expoentes de Lyapunov e positivo. Um atrator e
fractal quando apresenta auto-similaridade mas tambem dimensao de contagem
de caixas com valores nao-inteiros. Ruelle e Takens, em 1971, cunharam o termo
atrator estranho como sin
onimo de atrator fractal.
Como vimos pelo exemplo do atrator de Henon quando a = 1, 4 e b = 0, 3,
e comum que atratores caoticos sejam tambem fractais, mas isso nem sempre
e verdade. H
a casos onde o atrator e caotico mas nao e fractal. Um exemplo
534
e o mapa logstico xt = rxt1 (1 xt1 ) que, para r (r , 4], onde r =

3, 5699456 . . . tem atratores caoticos para um n
umero infinitamente grande de
valores de r (com excecao das janelas peri
odicas). Estes atratores consistem de
um n
umero finito de sub-intervalos disjuntos do intervalo [0, 1] [?].
Alem disso, ha atratores que s
ao fractais porem nao s
ao caoticos. Um exemplo e o mapa logstico exatamente no ponto r , onde ha uma acumulacao
de infinitas bifurcacoes de duplicacao de perodo. Nesse ponto de acumulacao o
atrator ainda nao e caotico, pois tem expoente de Lyapunov igual a zero (ponto
de bifurcacao). No entanto, ele e fractal, pois a dimensao de contagem de caixas
do atrator e nao-inteira, tendo o valor d = 0, 538 . . . [?].
O exemplo anterior e um pouco excepcional, pois ocorre para um u
nico valor
do par
ametro r. H
a outros exemplos de atratores fractais nao-caoticos, como o
mapa bidimensional [?]
xt
xt1 + w,
mod 1),
(12.11)
yt
2 tanh yt1 cos(2xt1 ),
(12.12)
onde e w s
ao par
ametros. Este mapa e um exemplo de sistema mestreescravo, do tipo visto no Captulo 7 [Eq. (11.41)-(11.42)]. Como o intervalo
I = {(x, y)|0 x 1, y = 0} e invariante, a din
amica ao longo dele e governada
pelo mapa unidimensional linear x x + w.
Como vimos no Captulo 4, se w for um n
umero racional da forma m/n, onde
m e n s
ao inteiros primos entre si, ent
ao qualquer condicao inicial est
a em uma
orbita de perodo m. Ja se w for um irracional, como a media aurea (( 51)/2)

a orbita nunca fechar-se
a sobre si mesma, preenchendo densamente o intervalo
[0, 1]. Esse caso, a rigor, nao e nem peri
odico nem caotico, sendo denominado
quase-peri
odico.
A jacobiana do mapa e

1
0
J(xt , yt ) =
(12.13)
yt
yt
xt1
yt1
4 tanh yt1 sin(2xt1 )
2 sech 2 yt1 cos(2xt1 )
que e triangular inferior, donde, os seus autovalores s

ao os elementos da diagonal
principal:
1 (xt1 )
2 (xt1 , yt1 )
= 1,
= 2 sech 2 yt1 cos(2xt1 ).
(12.14)
(12.15)
Usando (11.47) e (11.48) os expoentes de Lyapunov nas direcoes x e y s

ao
t
1 (v0 )
2 (x0 , y0 = 0)
=
=
1X
ln 1 = 0,
t t
lim
lim
1
t
k=1
t
X
ln [2 cos(2xt1 )] .
(12.16)
(12.17)
k=1
Como a
orbita em I e quase-peri
odica, podemos usar a ergodicidade da
mesma, tal qual fizemos com
orbitas caoticas. Podemos, pois, substituir a
535
media temporal por uma media sobre uma densidade de probabilidade uniforme
P (x) = 1 para x [0, 1], de modo que
2 =
1
0
ln |2 cos(2x)| = ln ||.
(12.18)
Para 1 < < 1 temos que 2 < 0, logo o atrator do sistema e nao-caotico.
Alem disso, o atrator tem auto-similaridade, de forma que ele, embora naocaotico, e fractal [?].
12.2.3
Dimens
ao de Lyapunov
possvel obter informacoes sobre a estrutura geometrica de um atrator a partir

E
dos seus expoentes de Lyapunov. Essa conex
ao e feita por meio da chamada
dimensao de Lyapunov, que e definida (para mapas bidimensionais) em termos
dos dois expoentes de Lyapunov. Caso ambos sejam negativos a dimensao de
Lyapunov e definida como sendo igual a zero, o que, alias, seria esperado para
atratores do tipo pontos fixos ou orbitas peri
odicas est
aveis (pois os respectivos
expoentes de Lyapunov s
ao negativos, como vimos).
No caso de um atrator caotico de um mapa bidimensional, porem, onde
1 > 0 e 2 < 0, a dimensao de Lyapunov e definida como:
dL = 1 +
1
|2 |
(12.19)
e que e generalizavel para mapas com um n

umero arbitrario de dimensoes. Para
o atrator do mapa de Henon mostrado na Figura 12.9 obtivemos, no Captulo
anterior, os valores 1 = 0, 418 e 2 = 1, 622, tal que a dimensao de Lyapunov
correspondente e
0, 418
= 1, 257
(12.20)
dL = 1 +
1, 622
bastante proxima, portanto, do valor da sua dimensao de contagem de caixas,
que e d 1, 25.
De maneira geral, a chamada conjectura de Kaplan-Yorke afirma que a dimensao de Lyapunov e igual nao à sua dimensao de contagem de caixas, mas
sim `
a chamada dimensao de informacao. A dimensao de informacao est
a relacionada `
a porcao do atrator que concentra a maior densidade de pontos deste
(em geral, as iteracoes de um mapa bidimensional nao se distribuem de maneira
uniforme ao longo do atrator). Pode-se mostrar que a dimensao de informacao
e sempre menor ou igual à dimensao de contagem de caixas [?, ?]. Para o
atrator de Henon, verificamos que a dimensao de contagem de caixas e igual
a dimensao de Lyapunov, a menos de imprecis
`
oes numericas, de modo que a
dimensao de informacao e quase igual à dimensao de contagem de caixa. Para
outros atratores, no entanto, essa diferenca pode ser significativa.
12.3
Bacias de atrac
ao
A bacia de atracao de um dado atrator e definida como o conjunto (aberto) de

condicoes iniciais que converge a ele quando o tempo vai a infinito. Ate agora
consideramos situacoes onde um u
nico atrator e focalizado, mas e comum que
536
para um dado sistema din

amico, como um mapa bidimensional, haja mais de
um atrator, que pode ser peri
odico, quase-peri
odico ou caotico. Um sistema
assim e dito multiestavel, e cada atrator pode ter sua bacia de atracao. Numa
situacao destas, portanto, e de maxima importancia conhecer a bacia de cada
atrator, para que saibamos quais condicoes iniciais levam a um determinado
comportamento que esperamos e quais nao levam.
12.3.1
Determinac
ao num
erica da bacia de atrac
ao
A nao ser em casos muito particulares, a determinacao da bacia de um determinado atrator deve ser feita numericamente. O procedimento, em princpio, e
bastante simples: vamos supor que o mapa bidimensional
(xt , yt ) = (f (xt1 , yt1 ), g(xt1 , yt1 ))
tenha dois atratores, que vamos chamar A e B, sendo suas bacias de atracao
denominadas (A) e (B), respectivamente. Para simplicidade, vamos supor
que A e B sejam pontos fixos atrativos (nos ou focos est
aveis).
Escolhemos uma dada regi
ao do plano, na qual desejamos identificar as bacias (os atratores nao precisam pertencer a essa regi
ao), identificando-a como o
ret
angulo
{(x, y)|x1 x x2 , y1 y y2 },
e dividimos essa regi
ao numa malha de Nx Ny celulas retangulares, cujos lados
s
ao dados por
|y2 y1 |
|x2 x1 |
, y =
.
x =
Nx
Ny
Podemos usar uma notacao matricial e representar por v0 (i, j) = (x0i , y0j )
a condicao inicial na celula correspondente a i-esima linha e j-esima coluna da
matriz, onde i = 1, 2, . . . Nx e j = 1, 2, . . . Ny . Se a condicao inicial estiver
exatamente no centro da celula, ent
ao

1
1
x, y0j = y1 + j +
y.
x0i = x1 + i +
2
2
Comecamos pela celula inferior esquerda, por exemplo, e consideramos o centro da celula como a primeira condicao inicial (x01 , y01 ) (poderia ser, tambem,
qualquer outro ponto da celula, inclusive algum dos vertices). Iteramos essa
primeira condicao inicial por um certo tempo t e verificamos se o ponto correspondente da
orbita, (xt1 , yt1 ), aproximou-se do atrator A ou B. Vamos supor
que estes atratores sejam pontos fixos situados, respectivamente, em (xA , yA ) e
(xB , yB ).
Como essa aproximacao e assint
otica, ou seja, leva um tempo infinitamente
grande para a
orbita atingir os atratores, e conveniente adotar um criterio
numerico de convergencia. Podemos construir duas pequenas vizinhancas circulares de raios A e B centrada em ambos os atratores e verificar se a distancia
(no plano) entre o ponto (xt1 , yt1 ) e a posicao de algum dos pontos fixos e ou
nao menor do que o raio da vizinhanca correspondente; ou seja, se
q
q
2
2
2
2
(xt1 xA ) + (yt1 yA ) A , ou
(xt1 xB ) + (yt1 yB ) B ,
537
ent
ao sabemos que foi atingida uma vizinhanca suficientemente pequena de A
ou B. Caso saibamos que nao ha outro atrator alem de A e B (isso nem
sempre e facil de garantir, ja que as orbitas podem tambem ir para o infinito
ou, ainda, existirem outros atratores com bacias muito pequenas), ent
ao se
nenhuma vizinhanca foi atingida, e prov
avel que o valor de t escolhido seja
pequeno demais. Teremos de aumentar t (dobrando seu valor, por exemplo) e
continuar a iteracao. O valor ideal de t e obtido por tentativa e erro.
Se, apos um tempo t suficientemente grande, a condicao inicial respectiva
(x01 , y01 ) convergiu para o atrator A, nos podemos pintar a celula (i = 1, j =
1) onde a condicao inicial se encontra de uma determinada cor (verde, por
exemplo). Se a mesma condicao inicial convergiu para B, podemos usar outra
cor ou deixar a celula correspondente em branco. Posteriormente tomamos a
pr
oxima condicao inicial, (x01 , y02 ), e repetimos todo o procedimento, ate varrer
todas as celulas da regi
ao escolhida. O conjunto de celulas verdes (brancas) e
uma aproximacao numerica da bacia do atrator A (B).
A implementacao gr
afica deste u
ltimo procedimento pode ser feita, por exemplo, com o auxlio do Matlab. N
os definimos uma matriz de n
umeros inteiros
color(i,j), cujos valores s
ao 0, se a condicao inicial convergiu para A, e 1 se
convergiu para B. Ent
ao, na medida em que varremos os valores de i e j na
regi
ao do plano de fase, obteremos uma matriz de zeros e uns, que pode ser lida
pelo Matlab, que tracar
a o gr
afico correspondente tridimensional por meio do
comando mesh. Este gr
afico, no entanto, deve ser girado no espaco para que
torne-se bidimensional. Como o Matlab associa diferentes cores para os valores
de color, a projecao bidimensional mostrara as bacias de A e B com diferentes
cores.
Um exemplo
Vamos considerar o seguinte exemplo, proposto por Grebogi e colaboradores [?]:
xt
yt
xt1 + a sin(2xt1 ) b sin(4xt1 ) yt1 sin(xt1 )
(mod2),
(12.21)
c cos(xt1 ),
(12.22)
onde 0 x < 2, y R, e a, b e c s
ao par
ametros. Os pontos fixos deste mapa
s
ao
A : (xA , yA ) = (0, c),
B : (xB , yB ) = (, c).
(12.23)
Uma analise de estabilidade linear mostra que ambos os pontos fixos s
ao
est
aveis se |1 + 2a 4b| < 1. Considerando, por exemplo, o caso onde a = 1, 32,
b = 0, 90 e c = 0, 3, essa condicao e verificada para ambos os atratores
A : (xA , yA ) = (0, 0, 3),
B : (xB , yB ) = (, 0, 3).
Para estes valores de par

ametros, estes s
ao os u
nicos atratores do sistema.
Vamos escolher um ret
angulo no plano de fase
{(x, y)|0 x ,
0, 5 y 0, 5},
cujos lados contem A e B, e que e subdividido numa fina malha com 10001000
celulas. Quanto maior o n
umero de celulas, melhor e a resolucao das bacias
de atracao. A convergencia aos atratores sera testada com vizinhancas de raios
538
A = B = 0, 01 e, ao inves de fixarmos o tempo t de integracao preferimos testar

a cada iteracao do mapa a condicao de convergencia para ambos os atratores.
Uma implementacao em linguagem C do algoritmo mostrado na sub-secao
anterior para o mapa (12.21)-(12.22) e mostrada a seguir.
/* grebogi_bacia.c: plota as bacias de atra
ca
~o para o mapa de Grebogi et al.
Phys. Lett. A (1983) */
#include
#include
#include
#include
#define
#define
#define
#define
#define
<stdlib.h>
<stdio.h>
<stddef.h>
<math.h>
FREE_ARG char*
NR_END 1
PI 3.1415926535
TWOPI 2.*PI
NMAX 5000
double **dmatrix(long nrl, long nrh, long ncl, long nch);

int **imatrix(long nrl, long nrh, long ncl, long nch);
void free_dmatrix(double **m, long nrl, long nrh, long ncl, long nch);
void free_imatrix(int **m, long nrl, long nrh, long ncl, long nch);
void nrerror(char error_text[]);
int main(void)
{
int i,j,Nx,Ny;
int **color;
double a,b,c,xold,xnew,yold,ynew,xi,xf,yi,yf,dx,dy,difa,difb,
tol,xa,ya,xb,yb;
double **x0,**y0;
FILE *fp;
fp=fopen("grebogi_bacia1.dat","w");
x0=dmatrix(1,NMAX,1,NMAX); /* condi
co
~es iniciais na grade */
y0=dmatrix(1,NMAX,1,NMAX);
color=imatrix(1,NMAX,1,NMAX); /* cor do pixel */
a=1.32;
b=0.90;
c=0.3;
tol=0.01; /* toler^
ancia */
xa=0; /* atrator A */
ya=-c;
xb=PI; /* atrator B */
yb=c;
xi=0; /* janela em x */
xf=PI;
Nx=1000; /* n
umero de c
elulas em x */
dx=fabs(xf-xi)/Nx;
yi=-0.5; /* janela em y */
539
yf=0.5;
Ny=1000; /* n
umero de c
elulas em y */
dy=fabs(yf-yi)/Ny;
for(i=1;i<=Nx;i++) {
for(j=1;j<=Ny;j++) {
x0[i][j]=xi+(i+0.5)*dx; /* gera condi
co
~es iniciais na grade */
y0[i][j]=yi+(j+0.5)*dy;
color[i][j]=0;
}
}
for(j=1;j<=Ny;j++) {
xold=x0[i][j];
yold=y0[i][j];
difa=sqrt(((xold-xa)*(xold-xa))+((yold-ya)*(yold-ya)));
difb=sqrt(((xold-xb)*(xold-xb))+((yold-yb)*(yold-yb)));
if (difa<tol) color[i][j]=1;
if (difb<tol) color[i][j]=0;
do {
xnew=xold+a*sin(2*xold)-b*sin(4*xold)-yold*sin(xold);
if (xnew>TWOPI) xnew=xnew-TWOPI;
if (xnew<0) xnew=xnew+TWOPI;
ynew = -c*cos(xold);
difa = sqrt((xnew-xa)*(xnew-xa)+(ynew-ya)*(ynew-ya));
difb = sqrt((xnew-xb)*(xnew-xb)+(ynew-yb)*(ynew-yb));
if (difa<tol) color[i][j]=1;
if (difb<tol) color[i][j]=0;
xold=xnew;
yold=ynew;
} while ((difa>=tol)&&(difb>=tol));
}
}
for(j=1;j<=Ny;j++)
fprintf(fp,"%d ",color[i][j]);
fprintf(fp,"\n");
}
free_dmatrix(x0,1,NMAX,1,NMAX);
free_dmatrix(y0,1,NMAX,1,NMAX);
free_imatrix(color,1,NMAX,1,NMAX);
fclose(fp);
return 0;
}
/* ****************************************************************** */
/* Sub-rotinas de aloca
ca
~o de mem
oria, extraidas do livro "Numerical
Recipes in C", de Press et al. */
double **dmatrix(long nrl, long nrh, long ncl, long nch)
/* allocate a double matrix with subscript range m[nrl..nrh][ncl..nch] */
540
{
long i, nrow=nrh-nrl+1,ncol=nch-ncl+1;
double **m;
/* allocate pointers to rows */
m=(double **) malloc((size_t)((nrow+NR_END)*sizeof(double*)));
if (!m) nrerror("allocation failure 1 in matrix()");
m += NR_END;
m -= nrl;
/* allocate rows and set pointers to them */
m[nrl]=(double *) malloc((size_t)((nrow*ncol+NR_END)*sizeof(double)));
if (!m[nrl]) nrerror("allocation failure 2 in matrix()");
m[nrl] += NR_END;
m[nrl] -= ncl;
for(i=nrl+1;i<=nrh;i++) m[i]=m[i-1]+ncol;
/* return pointer to array of pointers to rows */
return m;
}
int **imatrix(long nrl, long nrh, long ncl, long nch)
/* allocate a int matrix with subscript range m[nrl..nrh][ncl..nch] */
{
long i, nrow=nrh-nrl+1,ncol=nch-ncl+1;
int **m;
/* allocate pointers to rows */
m=(int **) malloc((size_t)((nrow+NR_END)*sizeof(int*)));
if (!m) nrerror("allocation failure 1 in matrix()");
m += NR_END;
m -= nrl;
/* allocate rows and set pointers to them */
m[nrl]=(int *) malloc((size_t)((nrow*ncol+NR_END)*sizeof(int)));
if (!m[nrl]) nrerror("allocation failure 2 in matrix()");
m[nrl] += NR_END;
m[nrl] -= ncl;
for(i=nrl+1;i<=nrh;i++) m[i]=m[i-1]+ncol;
/* return pointer to array of pointers to rows */
return m;
}
void free_dmatrix(double **m, long nrl, long nrh, long ncl, long nch)
/* free a double matrix allocated by dmatrix() */
{
free((FREE_ARG) (m[nrl]+ncl-NR_END));
free((FREE_ARG) (m+nrl-NR_END));
}
void free_imatrix(int **m, long nrl, long nrh, long ncl, long nch)
/* free an int matrix allocated by imatrix() */
{
free((FREE_ARG) (m[nrl]+ncl-NR_END));
free((FREE_ARG) (m+nrl-NR_END));
541
Figura 12.11: Bacias de atracao para o mapa (12.21)-(12.22) com a = 1, 32,

b = 0, 90, e c = 0, 3 com resolucao de 1000 1000 celulas. Os pontos em
branco e preto referem-se, respectivamente, às bacias de atracao dos pontos
fixos (0, 0, 3) e (, 0, 3).
}
void nrerror(char error_text[])
/* Numerical Recipes standard error handler */
{
fprintf(stderr,"Numerical Recipes run-time error...\n");
fprintf(stderr,"%s\n",error_text);
fprintf(stderr,"...now exiting to system...\n");
exit(1);
}
O leitor observar
a a presenca de algumas sub-rotinas em C, como dmatrix,
freematrix, etc. que foram retiradas do livro Numerical Recipes in C, de
W. Press et al. [9]. Estas sub-rotinas destinam-se à alocacao de mem
oria na
linguagem C s
ao necessarias para a definicao de vetores e matrizes de tamanhos
pre-especificados. O resultado da execucao do codigo acima pode ser apreciado
na figura 12.11.
12.4
Fronteiras fractais de bacias de atrac

ao
Na pr
atica nos sempre determinamos uma condicao inicial com uma dada incerteza, pois a mensuracao das variaveis econ
omicas do mapa tem sempre associado um certo erro estatstico, instrumental, etc. Num mapa bidimensional,
no qual o espaco de fase tem dimensao 2, podemos representar essa incerteza
por meio de um crculo centrado na condicao inicial (x0 , y0 ), e cujo raio e uma
medida do erro associado à determinacao da condicao inicial.
Se o crculo de incerteza acima estiver inteiramente incluido na bacia de um
certo atrator A, ent
ao podemos dizer que a condicao inicial e certa, ou seja,
542
fronteira de bacia
1
0
0
1
11
00
00
11
1
0
1
0
1
0
circulo de
2 incerteza
fraao
incerta
1
0
0
1
11
00
00
11
(a)
(b)
Figura 12.12: (a) Condicoes iniciais certas e incertas. (b) Fracao incerta para
uma fronteira de bacia suave.
leva com certeza a A [ponto 1 em Fig. 12.12(a)]. Ja se o crculo de incerteza

interceptar a fronteira que separa as bacias de dois atratores, a condicao inicial
e -incerta, pois ela podera gerar
orbitas que convergem a qualquer um dos dois
atratores [ponto 2 em Fig. 12.12(a)]. Logicamente a probabilidade de convergir
a um certo atrator e proporcional `
a area do crculo de incerteza contida na bacia
do mesmo. Em geral teremos tanto condicoes iniciais certas como -incertas
num mesmo problema. Vamos definir a fracao incerta, f (), como o n
umero
de condicoes iniciais -incertas dividido pelo n
umero total de condicoes iniciais
empregadas na analise da multiestabilidade.
Vamos nos restringir ao caso de haver apenas dois atratores coexistentes no
plano de fase, que denotaremos A e B, cada qual possuindo sua propria bacia
de atracao. Quando a fronteira de bacia e uma curva suave, de dimensao 1,
as condicoes iniciais incertas serao aquelas pertencendo a uma faixa de largura
2 que margeia ambos os lados da fronteira de bacia [Fig. 12.12(b)]. Como
consequencia a fracao incerta e uma funcao linear do raio de incerteza, ou seja,
f () , onde nao importa tanto o coeficiente de proporcionalidade mas sim o
expoente da potencia. Nessa situacao, a fracao incerta e diminuida trivialmente
decrescendo-se o raio de incerteza, o que pode ser obtido melhorando a precis
ao
com que a condicao inicial e determinada. Se, por exemplo, o raio de incerteza
for diminuido pela metade, o n
umero de condicoes iniciais incertas tambem
decrescer
a nessa proporcao.
A conjuntura muda radicalmente se a fronteira de bacia for uma curva fractal. Devido `
a auto-similaridade caracterstica dos fractais, um crculo de incerteza pode interceptar um n
umero (em princpio) infinito de vezes a fronteira
de bacia, o que complica sobremaneira a tarefa de melhorar a previsibilidade
do estado final do sistema. De fato, quando ha fronteiras fractais de bacia a
relacao entre a fracao incerta e o raio de incerteza torna-se uma lei de potencia
na forma
f () ,
(12.24)
onde 0 < < 1 e denominado expoente de incerteza, o qual depende da dimensao d da fronteira de bacia. McDonald e colaboradores mostraram que
= D d, onde D e a dimensao do espaco de fase correspondente [?, ?].
543
Quanto mais proximo o expoente de incerteza estiver de zero, mais grave

torna-se o problema da previsibilidade do estado final do sistema. Vamos supor,
por exemplo, que = 0, 2 (correspondente a uma fronteira de bacia fractal cuja
dimensao de contagem de caixas e d = 2 0, 2 = 1, 8). Se diminuirmos o raio
de incerteza pela metade, = /2, a nova fracao incerta sera
f ( )
0,2
= (/2)
0,2
0, 870f,
o que corresponde a uma diminuicao de apenas

f 0, 870f
f f
=
= 0, 13 100% = 13%,
f
f
ou seja, mesmo um substancial aumento da precis
ao com que a condicao inicial
e determinada diminui muito pouco o n
umero de condicoes iniciais incertas.
A situacao torna-se crtica quando = 0 pois, nesse caso, nenhum aumento
de precis
ao podera diminuir o n
umero de condicoes iniciais incertas; em outras
palavras o estado final sera sempre imprevisvel. Essa situacao limite existe, com
efeito, para as chamadas bacias crivadas, para as quais a dimensao da fronteira
de bacia coincide com a dimensao do espaco de fase [?].
12.5
Crise
Vimos, no captulo anterior, que uma crise e uma mudanca s

ubita em um atrator
caotico: o atrator pode desaparecer, transformando-se num transiente caotico
que dai para infinito, por exemplo, como no caso do mapa logstico discreto
para r > 4. Outras mudancas s
ubitas no atrator caotico podem existir no caso
multidimensional, quando um par
ametro variavel atinge um certo valor crtico.
Numa crise a mudanca s
ubita e sempre causada por algum evento din
amico,
como a sua colisao com uma orbita peri
odica instavel, para o caso do mapa
logstico.
Em duas ou mais dimensoes existem tres tipos basicos de crise, a saber [?]:
1. crise interior: ocorre devido à colisao entre um atrator caotico e uma
orbita peri
odica instavel coexistente com esse atrator e situada no interior da sua bacia de atracao. Depois da crise o atrator caotico aumenta
subitamente de tamanho, ocupando uma regi
ao maior do espaco de fase
do que antes da crise.
2. crise de fronteira: ocorre quando o atrator caotico colide com sua propria
fronteira de bacia. Depois da crise o atrator desaparece, sendo substituido
por uma
orbita caotica transiente.
3. crise de fus
ao de atratores: dois o mais atratores caoticos fundem-se para
formar um u
nico atrator caotico devido à sua colisao simult
anea com uma
orbita peri
odica instavel situada na fronteira de bacia.
12.5.1
Crise de fronteira
O comportamento do mapa logstico discreto para r > 4, visto no Captulo ??

pode ser visto tanto como um exemplo de crise interior (pois a orbita caotica
544
colide com um ponto fixo instavel em x = 0) como de crise de fronteira, pois

a bacia de atracao no caso unidimensional e todo o intervalo [0, 1], cujas fronteiras s
ao os pontos x = 0 e x = 1. Em duas (ou mais) dimensoes, um atrator
caotico pre-crtico que colida com a sua propria fronteira de bacia, e substituido
por um transiente caotico de duracao . O destino final desse transiente caotico
pode ser um outro atrator finito ou infinito.
Assim como no caso unidimensional, a duracao do transiente caotico depende da condicao inicial (x0 , y0 ). Se estas forem escolhidas aleatoriamente, os
valores da duracao do transiente satisfazem uma distribuicao exponencial de
probabilidade

,
(12.25)
P (
) = P0 exp
< >
onde
< >=
N0
1 X
i
N0 i=1
(12.26)
e a duracao media do transiente caotico, onde N0 representa o n

umero de
condicoes iniciais. Em outras palavras, P (
)d
) e a probabilidade de encontrarmos transientes de duracao entre ) e ) + d
). Podemos encontrar transientes
que duram poucas iteracoes do mapa (a maioria e assim) e transientes t
ao longos
que podem ate nos ludibriar quanto a uma orbita realmente caotica.
Vamos supor que o mapa din
amico tenha um par
ametro variavel p e que
a crise de fronteira ocorre para o valor crtico p = pCR . Presumimos, ainda,
que, para p < pCR , temos um atrator caotico. Logo, a duracao media do
transiente caotico tende a infinito quando p tende ao valor crtico pCR por valores
superiores a ele (p p+
stico, que
CR ). Verifica-se, tal qual no caso do mapa log
a duracao media do transiente caotico depende do par
ametro p como uma lei
de potencia
< > (p pCR )

(p p+
(12.27)
CR )
onde > 1/2 e um expoente caracteristico.
Grebogi e colaboradores elaboraram um detalhado mapa matematico para
explicar os valores do expoente obtidos numericamente para mapas bidimensionais (e apenas para eles). Sejam A um ponto fixo instavel (do tipo ponto de
sela) imerso no atrator caotico pre-crtico e B um ponto de sela pertencente à
fronteira de bacia do atrator pre-crtico [Fig. 12.13(a)]. A fronteira de bacia e a
variedade est
avel do ponto de sela B. Por sua vez, o atrator caotico e a clausura
da variedade instavel do ponto de sela A, ou seja, tracando os dois ramos da
variedade instavel de A por um tempo infinitamente grande obtemos o proprio
atrator caotico pre-crtico.
Vamos denominar:
1 : autovalor correspondente a` variedade instavel do ponto de sela A
2 : autovalor correspondente a` variedade est
avel do ponto de sela A
1 : autovalor correspondente `
a variedade instavel do ponto de sela B
2 : autovalor correspondente `
a variedade est
avel do ponto de sela B
Numa crise de fronteira o atrator caotico colide com a sua propria fronteira
de bacia, de mode que existe uma tangencia entre a variedade est
avel do ponto
545
(a)
(b)
fronteira de bacia
atrator
atrator
B
B
Figura 12.13: Crises de tangencia (a) heteroclnica e (b) homoclnica.
de sela B pertencente `
a fronteira e a variedade instavel do ponto de sela A pertencente ao atrator pre-crtico. Sob este ponto de vista, Grebogi e colaboradores
identificaram dois tipos de crise [?]
1. crise de tangencia heteroclnica: os pontos de sela A e B s
ao distintos [Fig.
12.13(a)]. O expoente crtico da crise sera dado por
=
1 ln |1 |
+
2 ln |2 |
(12.28)
2. crise de tangencia homoclnica: os pontos de sela A e B s

ao identicos, ou
seja, na crise ha a tangencia entre as variedades est
avel e instavel de um
mesmo ponto de sela situado na fronteira de bacia [Fig. 12.13(b)]. Nesse
caso o expoente crtico e
ln |2 |
=
(12.29)
2
ln |1 2 |
No caso unidimensional s
o temos a variedade instavel, ent
ao podemos fazer
2 0 e 2 0 tanto em (12.28) como em (12.29), de sorte que, em ambos
os casos, 1/2, que e o resultado que havamos mencionado no Captulo
??. Alem disso, de (12.28) decorre imediatamente que > 1/2 para mapas
bidimensionais.
interessante observar que, quanto maior e o expoente , mais facil e a
E
observacao numerica de transientes caoticos. Vamos supor que estejamos à
procura de transientes caoticos de duracao maior do que, digamos, 100 iteracoes
do mapa: < >> 100. De (12.27) temos que (p pCR ) > 100. Num mapa
discreto unidimensional como o logstico, onde = 1/2, o intervalo de valores
do par
ametro (no caso, p = r) sera
0 < p pCR < 101/0,5 = 0, 0001.
Se o mapa for bidimensional, no entanto, com gamma = 2, o mesmo intervalo
de par
ametros sera consideravelmente maior
0 < p pCR < 101/2 = 0, 1.
546
12.5.2
Crise interior
Nesse tipo de crise o atrator caotico colide com uma orbita peri
odica instavel,
em p = pCR , e torna-se subitamente maior, ou seja, ocupa uma maior area
no plano de fase. Apos a crise o sistema ainda guarda uma certa memoria
do atrator pre-crtico: uma
orbita tpica permanece um longo tempo na regi
ao
ocupada pelo atrator pre-crtico, e foge desta regi
ao de forma intermitente
para ocupar uma regi
ao maior do plano de fase. A orbita retorna de forma
repetitiva para o fantasma do atrator pre-crtico, dando origem a uma orbita
caotica que alterna entre duas regi
oes, como esquematizado abaixo
caos1 caos2 caos1 caos2
onde caos1 refere-se `
a
orbita confinada ao fantasma do atrator pre-crtico e
caos2 à
orbita que foge para o atrator pos-crtico.
Este tipo de comportamento e conhecido como intermitencia induzida pela
crise ja que, na intermitencia do tipo I vista na secao anterior, o comportamento
pode ser esquematizado como
caos laminar caos laminar
onde laminar refere-se `
a fazer aproximadamente peri
odica observada quando a
orbita aproxima-se do fantasma do ponto fixo que despareceu na bifurcacao
tangente.
Assim como na crise de fronteira, podemos caracterizar quantitativamente
o comportamento do sistema pelos intervalos de tempo i que a orbita dispende nos trechos caos1 . Estes intervalos, assim como as duracoes do transiente
caotico na crise de fronteira, diferem bastante entre si e obedecem tambem a
uma distribuicao exponencial de probabilidades, de modo que e mais interessante focalizarmos nossa atencao no seu valor medio < >. Este satisfaz, por
sua vez, uma lei de potencia da forma
< > (p pCR )
(p p+
CR )
(12.30)
onde e dado somente pela expressao da crise de tangencia heteroclnica (12.28)

pois, neste caso, a
orbita peri
odica instavel B que colide com o atrator nao est
a
localizada na correspondente fronteira de bacia.
12.5.3
Crise de fus
ao de atratores
Na situacao pre-crtica temos dois atratores caoticos que colidem simultaneamente com sua fronteira de bacia comum em p = pCR , dando origem a um
atrator resultante da fusao dos atratores pre-crticos. Depois de ocorrida a crise
as orbitas ainda conservam uma memoria dos atrator pre-crticos, pois ficam
intervalos de tempo nas regi
oes do espaco de fase previamente ocupadas pelos
atratores pre-crticos, saltando de forma intermitente entre essas duas regi
oes.
Novamente, trata-se de um caso de intermitencia induzida pela crise, esquematicamente representada por
caos1 caos2 caos1 caos2
onde caos1 e caos2 representam os dois atratores pre-crticos. Podemos caracterizar quantitativamente esta situacao registrando os intervalos de tempo
547
(c)
(a)
2,5
2,2
1,8
1,6
1,5
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,1
1,2
1
1,32
1,3
1,34
1,36
1,38
1,4
1,36
1,38
1,4
1,42
1,44
1,46
1,48
1,5
1,42
1,44
1,46
1,48
1,5
2,3
(b)
3,5
2,1
2,5
1,9
1,5
1,8
(d)
2,2
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,1
1,2
1,3
1
1,32
1,34
Figura 12.14: Diagrama de bifurcacoes, para: (a,c) taxa de inflacao esperada e

(b,d) taxa de desemprego versus o par
ametro de crescimento monet
ario
decorridos para as incursoes da orbita em qualquer uma dessas regi

oes, obtendo
assim uma duracao media < > com as mesmas propriedades mencionadas
anteriormente.
12.6
Exemplo em Economia: Modelo para inflac

ao-desemprego com curva de Phillips
n
ao-linear
No captulo anterior descrevemos o modelo discreto para inflacao e desemprego

com curva de Phillips nao-linear proposto por Soliman, cujas macrovariaveis s
ao
a taxa de inflacao esperada te e de desemprego ut :
e
t+1
ut+1
= te + c[1 + 2 eut ]
ut
= ut + b[1 + 2 e ] +
(12.31)
bte
bm
(12.32)
cujos par
ametros s
ao: b > 0: elasticidade do desemprego, m: taxa de expansao
monet
aria, 0 < c < 1: grau de incorporacao das expectativas inflacion
arias
adaptativas. Considerando b o par
ametro a ser variado, construimos o diagrama
de bifurcacao do modelo para a inflacao esperada [Fig. 12.6(a) e (c)] e a taxa
do desemprego [Fig. 12.6(b) e (d)] que exibe uma cascata de bifurcacoes com
duplicacao do perodo, seguida por uma regi
ao predominantemente caotica (pois
ha janelas peri
odicas, como pode ser observado nas Figs. 12.6(b) e (d).
12.6.1
Atrator no infinito e fronteiras fractais de bacia
No diagrama de bifurcacoes o atrator caotico l

a representado desaparece abruptamente para b = bc 1, 49. De fato, se formos tentar obter uma trajet
oria
a partir de qualquer condicao inicial verificaremos que elas tem um transiente
caotico, mais ou menos longo, apos o qual divergem para o infinito que, como
vimos, tambem e um atrator do sistema. Um exemplo de transiente e mostrado
na figura 12.6.1, cuja duracao nao excede 30 iteracoes.
medida em que nos aproximamos do valor crtico bc a duracao deste transiente
A
aumenta de forma bastante acentuada, de tal sorte que poderamos tom
a-lo
548
20
diverge para infinito
15
10
transiente caotico
5
-5
t
0
10
20
30
Figura 12.15: Transiente caotico no modelo de Soliman para b = 1, 5, apos o

qual as iteracoes divergem para infinito
como representando um atrator caotico, caso us

assemos um n
umero insuficientemente grande de iteracoes.
Do ponto de vista pratico, isto e t
ao ou mais importante do que a smples
existencia de caos. Na economia, por exemplo, as series econometricas referemse a observacoes feitas tipicamente em curtos intervalos de tempo. No caso
especfico do modelo de Soliman, a propria existencia da curva de Phillips e
apenas suposta para um perodo limitado, da ordem de 10 anos. Alem do mais,
qualquer serie econometrica de taxas de inflacao e/ou desemprego e relativa a
um perodo nunca superior a 100 anos. De que forma falar a serio em tempos
infinitamente grandes sob tais circunstancias?
Esta claro que a existencia de um longo transiente caotico poderia ser facilmente confundida com um atrator caotico, de modo que esta distincao pode
nao ser significativa em economia. No entanto, a divergencia de qualquer uma
das variaveis sim, esta configura um evento catastr
ofico, no sentido literal do
termo! Na figura 12.6.1 temos que a taxa esperada de inflacao oscila de forma
irregular durante menos de 30 perodos, e depois explode - assim como a taxa
de desemprego. Mesmo admitindo que a rigor nunca s
ao variaveis cujo valor vai
a infinito, este e um tpico cenario de estagflacao.
O comportamento explosivo de trajet
orias que tendem ao infinito tambem
pode ocorrer para valores do par
ametro de controle inferiores ao crtico (b < bc ),
e pode ser considerada, portanto, um atrator no infinito. Ent
ao podemos
imaginar um cen
ario onde ha dois estados assint
oticos para o sistema: um atrator caotico e outro no infinito [Fig. 12.16]. Nesta figura, obtida para b = 1, 45
usando o programa Dynamics, o atrator caotico e a fina estrutura em cinza
escuro, enquanto em cinza claro representamos sua bacia de atracao. O atrator
no infinito tem sua bacia de atracao representada na cor preta.
O atrator caotico na Fig. 12.16 e tambem fractal. Uma vez que os expoentes
de Lyapunov correspondentes a ele s
ao 1 0, 15 > 0 e 2 = 1, 03 < 0
549
bacia de atracao do atrator
3,5
atrator
caotico
fronteira
fractal de
bacia
0,5
0,5
bacia de atracao do infinito
3,5
Figura 12.16: Atrator caotico (em amarelo) e sua bacia de atracao (em azul
claro) para o modelo de Soliman com b = 1, 45, por meio do programa Dynamics.
Em azul escuro est
a a bacia de atracao do atrator no infinito.
podemos obter sua dimensao de Lyapunov usando (12.19):

dL = 1 +
0, 15
= 1, 14.
1, 03
(12.33)
Interpretando o atrator no infinito como uma condicao de estagflacao, basta

que a condicao inicial esteja dentro da bacia de atracao do infinito que este
mesmo fenomeno ira ocorrer. A diferenca, aqui, est
a no fato do transiente
caotico ocorrer para qualquer condicao inicial, assim como no seu car
ater abrupto.
Digamos que o formulador de polticas econ
omicas saiba quando estamos t
ao
pr
oximos de uma fronteira fractal de bacia [como na Fig. 12.16, que qualquer
pequena perturbacao nos par
ametros nos leva a um cenario de estagflacao. Por
meio de mudancas programadas nas condicoes iniciais, o formulador poderia em princpio talvez - levar a economia para regi
oes mais seguras do espaco
de fase. No entanto, na situacao a que nos referimos quando falamos do transiente caotico, esta manobra nao e possvel - estaramos fadados a um desastre
macroecon
omico fora de controle, no sentido puramente matematico do termo.
12.6.2
Crises no modelo de Soliman
Pela analise do diagrama de bifurcacao, vemos que o atrator caotico termina

abruptamente em bc = 1, 49. Em seu lugar, ja vimos que aparece um transiente
caotico, ou seja, a
orbita do modelo e caotica nos primeiros instantes de tempo
mas acaba divergindo para infinito para tempos longos. Uma quantidade de
interesse, nesse caso, e a duracao do transiente caotico , ou seja, o tempo
necessario para que uma orbita dada ultrapasse um certo valor de tolerancia,
apos o qual ela e considerada efetivamente indo para infinito. O valor dessa
550
Fraction of orbits
b - bc = 1E-05
<> = 22650.9
y = 1.0328 exp( -1.034 x )
0,1
0,01
0,001
<>
Figura 12.17: Histograma para a fracao de orbitas (transientes caoticos) com

uma dada duracao normalizada / < > para o modelo de Soliman com b =
bc + 105 e bc = 1, 49. A reta representa uma regress
ao linear.
tolerancia nao afeta significativamente o calculo de . No entanto, verificamos

que o valor de depende de forma sensvel da condicao inicial: ha condicoes
iniciais para as quais a
orbita leva apenas algumas dezenas de iteracoes do
modelo para ir a infinito, enquanto para outras condicoes iniciais o transiente
pode durar centenas de milhares de iteracoes!
Para quantificar essa espantosa diversidade de valores nos fazemos a seguinte
experiencia numerica. Dado um valor de b ligeiramente superior ao valor crtico
bc , por exemplo bbc = 105 , nos escolhemos aleatoriamente um grande n
umero
de condicoes iniciais numa certa regi
ao do plano de fase. Para cada condicao
inicial nos iteramos tantas vezes quanto forem necessarias ate excedermos o
valor de tolerancia e, uma vez isto ocorrendo, registramos a duracao respectiva
do transiente caotico . Como os valores s
ao muito dspares, fazemos um histograma (distribuicao de frequencias) do n
umero de orbitas em funcao de .
Obtivemos um valor medio do mesmo < >= 22650, 9, que podemos usar para
normalizar a duracao do transiente. Alem do mais, normalizamos o n
umero de
orbitas pelo seu valor maximo, obtendo ent
ao a fracao de orbitas com uma dada
duracao normalizada / < > [Fig. 12.17].
Os resultados numericos da Fig. 12.17 podem ser bem ajustados (regress
ao
linear) pela seguinte relacao

,
(12.34)
P ( ) = P (0) exp a
< >
onde P (0) = 1, 0328 e a = 1, 034, que e uma distribuicao de probabilidades

Poissoniana.
A duracao media do transiente caotico < >, por sua vez, depende do
quao afastados estamos do valor do par
ametro para a ocorrencia de crise, ou da
diferenca b bc . N
os repetimos a experiencia numerica anterior para diversos
551
duracao media do transiente
10
= 0.91869
10
10 -8
10
-7
10
-6
-5
10
10
-4
10
-3
10
p - pc
Figura 12.18: Duracao media do transiente caotico em funcao da diferenca bbc

para o modelo de Soliman com bc = 1, 49. A reta representa uma regress
ao
linear.
valores de b & bc e, para cada valor de b, computamos < > [Fig. 12.18]. Como
esperado, na medida em que nos aproximamos do valor de crise a duracao do
transiente caotico aumenta. De fato, ela vai para o infinito em b = bc , de modo
que um transiente caotico torna-se uma orbita caotica propriamente dita. Os
resultados numericos s
ao bem ajustados por uma lei de potencia da forma
< > (p pc ) ,
(12.35)
onde = 0, 91869.
12.7
Exerccios e Problemas
1. Adapte o programa em C para tracar a bacia de atraca

o do atrator ca
otico do
mapa de Henon. O outro atrator corresponde ao infinito (as iteraco
es divergem
para t crescente).
2. Na obtenca
o da dimens
ao de contagem de caixas do atrator de Henon (Tabela
12.2.1) foram usados 108 pontos de uma longa
orbita ca
otica. Se tivessemos usado uma
orbita menor de apenas 105 pontos, teramos obtido valores menos precisos, conforme a tabela abaixo. Preencha a tabela e faca um gr
afico cartesiano
(log-log) para estimar a dimens
ao de contagem de caixas nesse caso. Compare
com o valor obtido para 108 pontos e estime o erro percentual cometido.
552
rn
0, 016
0, 008
0, 004
0, 002
0, 001
0, 0005
0, 00025
1/rn
ln(1/rn )
N (rn )
810
1870
4336
9793
21856
41335
62672
ln N (rn )
553
554
Captulo 13
Caos e fractais em modelos

contnuos
Apenas `
a guisa de exemplo, enquanto modelos discretos bidimensionais podem
apresentar comportamento caotico, os modelos contnuos equivalentes (sistemas
de duas equacoes diferenciais de primeira ordem acopladas) est
ao proibidos de
apresentar esse tipo de solucoes, gracas a um importante teorema. Dessa forma
uma mesma situacao econ
omica, descrita ora por um modelo onde o tempo e
contnuo, ora por outro onde o tempo e discretizado, dar
ao origem eventualmente a solucoes dspares. Logo, a decisao de como modelar o tempo num sistema econ
omico traz consigo, tambem, algumas consequencias sobre as solucoes
possveis para a din
amica do sistema.
13.1
Trajet
orias no Espaco de Fase
Antes de iniciar nosso estudo de modelos contnuos multidimensionais, e conveniente recordar alguns conceitos basicos que vimos, no caso bidimensional,
no Captulo 3. O espaco de fase de um modelo contnuo tem como coordenadas as variaveis que descrevem a din
amica deste modelo. Um modelo com
N macrovariaveis x1 , x2 , . . . xN ter
a um espaco de fase N -dimensional que, na
maioria dos casos, sera o proprio RN . As equacoes que definem tal modelo
podem ser escritas na seguinte forma generica:
dx1 (t)
dt
dx2 (t)
dt
..
.
dxN (t)
dt
F1 (x1 (t), x2 (t), . . . xN (t))
F2 (x1 (t), x2 (t), . . . xN (t))
..
.
FN (x1 (t), x2 (t), . . . xN (t))
(13.1)
onde Fi , i = 1, 2, . . . N s
ao funcoes de todas as variaveis.
555
Definindo um vetor coluna N -dimensional
x1
x2
v(t) = .
..
(13.2)
dv(t)
= F(v(t)),
dt
(13.3)
xN
podemos reescrever o sistema (13.1) na forma compacta
onde F e uma campo vetorial definido sobre algum sub-conjunto do RN (sem

perda de generalidade, vamos nos referir a todo o espaco).
Em analogia com o caso bidimensional, abordado no Captulo 3, dizemos
que o campo vetorial F gera um fluxo t : RN RN , onde t (v) = (v, t) e
uma funcao suave definida para todo v RN e todo t I = (a, b) R, caso
satisfaca a seguinte relacao:
d
((v, t))t= = F((v, )),
dt
(13.4)
para todo v RN e I.
Num problema de Cauchy, ou problema de valor inicial, onde temos, para
t = 0, que v(0) = v0 RN , procuramos a solucao da Eq. (13.4) tal que
(v0 , 0) = v0 ,
(13.5)
e dizemos que (v0 , .) : I RN define uma trajet

oria gerada por (13.3), a
partir da condicao inicial v0 .
No Captulo 3 enunciamos o teorema de existencia e unicidade para modelos
contnuos bidimensionais que, aqui, e generalizado para o caso multidimensional:
seja U RN um subconjunto aberto do espaco de fase e F : U RN um campo
vetorial continuamente diferenciavel, e v0 U . Ent
ao existe uma constante
> 0 e uma solucao u
nica (v0 , .) : I U , onde I = (, + ) e um intervalo
centrado em t = 0, que satisfaz a equacao diferencial (13.3) com a condicao inicial v(0) = v0 . Vimos, ainda, que uma consequencia importante deste teorema
e que uma dada trajet
oria nao pode se auto-interceptar, o que limita o tipo
de fluxos admissveis num plano, por exemplo. Para N 3, no entanto, essa
restricao nao e mais generica, o que permite a existencia de comportamentos
din
amicos complexos, como caos por exemplo.
13.2
Mapas de Poincar
e
Uma tecnica introduzida por Poincare, e que permite o estudo sistematico de

modelos contnuos, usando modelos discretos, consiste em usar uma superfcie de
secao no espaco de fase e registrar os pontos de intersecao de uma dada trajet
oria
com esta superfcie. Vamos considerar, no caso N = 3, uma trajet
oria gerada
por um campo vetorial a partir de uma dada condicao inicial, e uma superfcie
de secao , que e o plano x3 = const.. Vamos registrar as intersecoes de uma
trajet
oria com a superfcie, usando uma dada orientacao, de modo que temos
um conjunto de pontos no plano : A, B, C, etc. [Fig. 13.1].
556
x3
a
C
Figura 13.1: Superfcie de secao e mapa de Poincare no espaco de fase tridimensional.
Devido ao teorema de existencia e unicidade para modelos contnuos, a trajet

oria gerada por uma dada condicao inicial e u
nica. Ent
ao podemos pensar
que o ponto B pertence a uma trajet
oria cuja condicao inicial e A. que C foi
gerado pela condicao inicial B, e assim por diante. Logo, as coordenadas de B
s
ao funcoes unvocas das coordenadas de A, as coordenadas de C s
ao funcoes
de B, e assim por diante:
B = F(A),
C = F(B) = F(F(A)) = F[2] (A),
etc..
onde F e chamado mapa de Poincare. Como as equacoes diferenciais do modelo

contnuo podem ser integradas para frente ou para tras no tempo, de modo
absolutamente identico, o mapa de Poincare e inversvel por construcao, de modo
que para obter o mapa inverso F1 basta, em princpio, integrar a trajet
oria
trocando t por t.
No caso de uma superfcie de secao dada pelo plano x3 = a = const., podemos usar as coordenadas x1 e x2 para descrever as coordenadas dos pontos do
mapa de Poincare F, que assume a forma de um modelo discreto bidimensional:
x1t
= F1 (x1,t1 , y1,t1 ),
(13.6)
x2t
= F2 (x1,t1 , y1,t1 ).
(13.7)
De forma geral, o mapa de Poincare e um modelo com uma dimensao a menos

do que o modelo contnuo correspondente, o que frequentemente facilita a analise
do sistema mais complicado. H
a com frequencia uma interessante relacao entre
solucoes peri
odicas de um modelo contnuo e do mapa de Poincare associado.
Considere, por exemplo, uma
orbita peri
odica de um modelo contnuo tridimensional, representada por uma trajet
oria fechada no espaco de fase respectivo:
v(t + T ) = v(T ),
557
onde T R e o perodo da trajet

oria. Supondo uma superfcie de secao conveniente que intercepte esta trajet
oria, e facil ver que o ponto de intersecao P
e um ponto fixo do mapa de Poincare F associado:
P = F(P ).
Uma
orbita com um perodo aproximadamente igual a 2T , representada por
uma trajet
oria fechada que da duas voltas antes de se fechar sobre si propria,
e interceptada pela superfcie de secao em dois pontos A e B, pertencentes a
um 2-ciclo do mapa de Poincare:
A = F(B),
B = F(A) = F(F(B)).
e assim por diante. Geralmente fazemos a analise da estabilidade de tais

orbitas peri
odicas do modelo contnuo a partir dos pontos peri

odicas do mapa
de Poincare correspondente, pela simplicidade que resulta desse procedimento.
13.3
Sistemas conservativos e dissipativos
No captulo 11 nos introduzimos o conceito de sistema dinamico conservativo

e dissipativo para um modelo discreto bidimensional. No caso de modelos
contnuos da forma (13.1) podemos obter um criterio semelhante. Neste caso,
trabalhamos com volumes no espaco de fase N -dimensional: sistemas conservativos nao alteram volumes de pontos no espaco de fase com o passar do tempo,
ao passo que em sistemas dissipativos ha um decrescimo exponencial destes
volumes com o tempo.
13.3.1
Caso tridimensional
Sem perda de generalidade, vamos considerar modelos contnuos tridimensionais

representados pelo conjunto de equacoes diferenciais ordinarias no R3 :
dx1
dt
dx2
dt
dx3
dt
= F1 (x1 , x2 , x3 )
(13.8)
= F2 (x1 , x2 , x3 )
= F3 (x1 , x2 , x3 )
e estamos interessados em saber como os volumes de pontos neste espaco

Z
Z
V = dV = dx1 dx2 dx3
evoluem com o passar do tempo. Cada ponto dentro de uma regi
ao de volume
V R3 representa um estado do sistema para um dado instante de tempo t. Na
medida em que o campo vetorial F e integrado as trajet
orias correspondentes a
estes pontos comportam-se como um fluidoque escoa para fora ou para dentro
deste volume V .
Vamos empregar a linguagem do calculo vetorial para estudar o fluxo das
trajet
orias de fase por um volume V limitado por uma superfcie fechada S, na
qual podemos definir um elemento de area vetorial como dA = dA
n onde dA
558
e um vetor unitario perpendicular à superfcie

e o elemento de
area escalar e n
S em cada ponto e apontando (por convencao) para fora da superfcie. Vamos
T
considerar que o sistema (13.8) descrito pelo campo vetorial F = (F1 , F2 , F3 )
evolui num intervalo infinitesimal de tempo dt. Neste caso a superfcie S deslocase de uma quantidade
)dt,
(F n
pode ser interpretado como a componente perpendicular a S da
tal que F n
velocidadedo fluxo das trajet
orias de fase. Ent
ao o elemento de area dA,
tendo evoluido desta quantidade infinitesimal, gera um volume elementar
dt)dA.
dV = (F n
Ent
ao o volume de uma regi
ao do R3 , apos um intervalo elementar dt, e
Z
Z
Z
dt)dA = dt F (
V (t + dt) = V (t) +
dV = V (t) + (F n
ndA), (13.9)
S
de modo que a taxa de variacao do volume e

V (t + dt) V (t)
dV
=
=
dt
dt
F (
ndA).
(13.10)
Usando o teorema do divergente (ou teorema de Gauss) podemos substituir

a integral de superfcie de um campo vetorial pela integral de volume do seu
divergente
Z
Z
S
F (
ndA) =
dV F,
onde o divergente do campo vetorial F e dado por

F = F =
F2
F3
F1
+
+
.
x1
x2
x3
(13.11)
Observe que o divergente do campo vetorial e igual ao traco da matriz Jacobiana

do modelo:
F = Tr J.
(13.12)
Portanto (13.10) pode ser reescrita como
Z
dV
=
dV F.
dt
V
(13.13)
Se F = 0 ent
ao dV /dt = 0, ou seja V = const. e os volumes no espaco de fase
s
ao preservados com o passar do tempo. Tais sistemas s
ao ditos conservativos.
Caso F < 0 ent
ao dV /dt < 0 e os volumes diminuem com o tempo, caracterizando sistemas dissipativos. Caso a taxa de contracao dos volumes T = F
seja uniformemente negativa (ou seja, nao dependa da posicao no espaco de
fase) ent
ao podemos integrar (13.13):
Z
dV
= F
dV = T V
dt
V
resultando numa diminuicao exponencial dos volumes com o passar do tempo
V (t) = V (0)e|T |t
559
(13.14)
onde V (0) e o volume num tempo inicial.

No caso de sistemas dissipativos, se considerarmos o limite t ent
ao
qualquer conjunto de condicoes iniciais tende para um conjunto de volume nulo
no espaco de fase, que identificamos no Captulo 11 como um atrator. Ja sistemas conservativos nao podem, por definicao, exibir atratores.
13.3.2
Caso multidimensional
Podemos generalizar o raciocnio desenvolvido anteriormente para o caso multidimensional, onde consideramos volumes num espaco de fase N dimensional:
dV = dx1 dx2 . . . dxN
(13.15)
No caso tridimensional a taxa de contracao de volumes era dada pelo divergente do campo vetorial que, por sua vez, era igual ao traco da matriz Jacobiana,
relacao essa que pode ser generalizada para N dimensoes:
T = F = Tr J.
onde, dada a matriz Jacobiana do sistema:

F1
x1
F2
x1
J=
..
.
FN
x1
o seu traco e dado por
Tr J =
F1
x1
(13.16)
F1
x2
F2
x2
...
..
.
FN
x2
...
+ ... +
F2
x2
...
..
.
F1
xN
F2
xN
..
.

(13.17)
FN
xN
FN
xN
(13.18)
De forma tambem analoga ao caso tridimensional, sistemas conservativos s

ao
caracterizados por T = 0, ao passo que em sistemas dissipativos T < 0. Caso
essa u
ltima seja uniformemente negativa, o volume de um conjunto no espaco
de fase cai exponencialmente com o tempo segundo (13.59).
Um importante exemplo de sistema din
amico conservativo e representado
por sistemas hamiltonianos, ou seja, modelos contnuos onde as variaveis est
ao
relacionadas a uma certa funcao hamiltoniana. No caso bidimensional, temos as
variaveis (ditas canonicamente conjugadas) (x, y) tais que sua evolucao temporal
e ditada por uma hamiltoniana H(x, y) da seguinte forma:
dx
dt
dy
dt
=
=
H
y
H
g(x, y) =
x
f (x, y) =
(13.19)
(13.20)
tambem conhecidas por equacoes can

onicas ou de Hamilton. Que este sistema
e necessariamente conservativo segue do calculo do traco da matriz Jacobiana
respectiva:

H
H
2H 2H
g
f
+
=
+
= 0, (13.21)
T =
x
y
x y
y
x
xy yx
560
um resultado conhecido como teorema de Liouville. Na fsica, a funcao hamiltoniana e frequentemente associada `
a energia do sistema e, quando essa e conservada, assim tambem o sistema din
amico e conservativo. Sistemas hamiltonianos
tem sido empregados tambem em economia, principalmente nas teorias de controle otimo [6].
13.4
Atratores
O conceito de atrator foi por nos introduzido no Cap. 11 para modelos discretos bidimensionais, e pode ser estendido com poucas mudancas para o caso de
modelos contnuos da forma geral
dv
= F(v),
dt
onde v(0) e uma condicao inicial.
Um atrator A e um conjunto fechado no RN com as seguintes propriedades
[3]
A e um conjunto invariante: se uma condicao inicial v(0) pertence a A,
ent
ao todos os pontos da trajet
oria gerada pelo campo vetorial F tambem
pertencer
ao a A;
A atrai um conjunto aberto de condicoes iniciais: exixte um conjunto
aberto U contendo A tal que, se v(0) U , ent
ao a distancia entre os
pontos da trajet
oria v(t) e os pontos de A tende a zero quando t .
O maior conjunto aberto U com essa propriedade e dito bacia de atraca
o
de A;
A e um conjunto mnimo: nao ha subconjunto proprio de A que satisfaca
às duas propriedades anteriores.
Estas propriedades dos atratores podem ser entendidas estudando primeiro
exemplos simples.
13.4.1
Atratores pontuais
O atrator mais smples possvel para um sistema din

amico e um ponto de
equilbrio hiperbolico est
avel, sendo tambem denominado atrator pontual. Ele
tem certamente volume nulo, e ha v
arias situacoes onde volumes no espaco de
fase encolhem tendem (quando t ) ao ponto fixo. Para um modelo contnuo
dx/dt = F(x(t)) o ponto fixo e um ponto de equilbrio (nao muda com o tempo),
dado por F(x ) = 0 (Cap. 6). Neste caso a estabilidade e determinada se todos
os autovalores da matriz Jacobiana tenham parte real negativa. Alem disso, o
ponto de equilbrio sera hiperbolico se nenhum autovalor da matriz Jacobiana
tiver parte real nula.
A condicao do ponto fixo (ou de equilbrio) ser hiperbolico e importante. A
estabilidade do mesmo e determinada pela linearizacao do modelo discreto ou
contnuo, respectivamente, em torno do ponto considerado. Se ele for hiperbolico,
as conclus
oes obtidas a partir da linearizacao continuam v
alidas quando consideramos o efeito dos termos nao-lineares. Caso contrario, a linearizacao simplesmente nao e capaz de determinar a estabilidade do ponto fixo de forma
561
(a)
(b)
5
2
u1
0
-2
-5
-5
-4
-15
-10
-5
10
15
Figura 13.2: Atratores pontuais: (a) no est

avel, (b) no est
avel degenerado.
inequvoca. H
a duas possibilidades de pontos fixos est
aveis: nos e focos, caso
os autovalores da matriz Jacobiana sejam reais ou complexos, respectivamente.
No entanto, em qualquer um dos casos todas as trajet
orias, nao importa de
que condicao inicial provenham, tendem com o passar do tempo ao ponto fixo
(Fig.13.2). Se todas as trajet
orias fazem isso, tambem qualquer conjunto de
pontos o far
a.
Um exemplo de atrator pontual
Consideremos o seguinte modelo contnuo bidimensional e nao-linear
dx
dt
dy
dt
f (x, y) = y
(13.22)
g(x, y) = x y + xy
(13.23)
cujos pontos de equilbrio (x , y ) s

ao as solucoes de
f (x , y ) = y = 0
g(x , y ) = x y + x y = 0
(13.24)
(13.25)
ou seja, unicamente a origem (x = 0, y = 0). Para determinarmos sua estabilidade linearizamos o fluxo, conforme visto no Captulo 5, escrevendo a matriz
Jacobiana:

f
f
0
1
0
1
x y

J=
(13.26)
=
=
g
g
1 1
1 + y x 1
x
onde a u
ltima matriz refere-se ao ponto na origem.
O criterio de estabilidade deduzido no Captulo 5 requer o calculo do traco
e do determinante da matriz jacobiana acima, bem como do discriminante:
p = T rJ = 1 < 0
q = det J = 1 > 0
2
= p2 4q = (1) 4.1 = 3 < 0
(13.27)
(13.28)
(13.29)
que mostra ser a origem um foco est

avel na aproximacao linear (vide Tabela
??).
562
-1
-2
-2
-1
Figura 13.3: Ciclo limite atrativo
No entanto isso nao e tudo. Embora isto seja uma boa indicacao, precisamos
aferir se o ponto fixo e atrativo quando consideramos os termos nao-lineares no
fluxo (que haviam sido deixados de lado na linearlizacao). Tambem no Captulo
5, vimos que a estabilidade nao se altera no caso nao-linear se provarmos que
nenhum dos autovalores da matriz Jacobiana tem parte real nula. Isto e facil de
fazer em nosso caso. Como o discriminante e negativo ( < 0), os autovalores
s
ao complexos conjugados
1 = + i
2 = 1 = i
(13.30)
cujas partes reais s

ao ambas iguais a (vide Eq. (??)):
=
p
1
T rJ
= =
6= 0
2
2
2
(13.31)
donde a origem permanece um foco est

avel para o fluxo nao-linear.
13.4.2
Ciclos limite
Um tipo de atrator que est

a restrito a modelos contnuos, e que representa uma
solucao peri
odica do sistema dx/dt = F(x(t)), s
ao os chamados ciclos limite
(estaveis). Eles s
ao curvas fechadas no espaco de fase - portanto representam
objetos geometricos de
area nula - para os quais tendem as trajet
orias proximas
quando o tempo vai a infinito (Figura 13.3).
Um ciclo limite e, na verdade, tambem uma orbita peri
odica, ja que uma
condicao inicial colocada exatamente sobre o ciclo descreve uma trajet
oria que
retorna ao ponto de partida apos um certo perodo T :
x(t + T ) = x
(13.32)
onde T pode ser qualquer n

umero real. Esta e uma diferenca significativa com
orbitas peri
odicas de sistemas discretos, cujo perodo p s
o pode assumir valores
inteiros p = 1, 2, 3, . . ..
H
a uma consequencia importante do teorema de existencia e unicidade com
relacao a ciclos limite de fluxos bidimensionais: uma trajet
oria no plano de fase
que inicie-se a partir de uma condicao inicial no interior do ciclo-limite estara
563
fadada a permanecer sempre em seu interior. O cruzamento com o ciclo limite

implicaria numa violacao da unicidade, como vimos anteriormente.
Este tipo de restricao em modelos contnuos bidimensionais pode ser formalizada por um teorema devido a Poincare e Bendixon: para fluxos bidimensionais,
se uma trajet
oria est
a confinada a uma regi
ao fechada e limitada, e se nao ha
pontos fixos nessa regi
ao, a trajet
oria dever
a necessariamente aproximar-se de
um ciclo limite (
orbita fechada) [3]. Em outras palavras, os u
nicos tipos de
atratores possveis s
ao pontos fixos, ciclos limite ou uni
oes entre eles.
Um exemplo de ciclo limite
Como um exemplo de modelo contnuo bidimensional que apresenta um atrator
do tipo ciclo limite, vamos considerar [34]:
dx
dt
dy
dt
f (x, y) = x y x3 xy 2
(13.33)
g(x, y) = x + y x2 y y 3
(13.34)
Nesse caso e conveniente fazer uma transformacao de coordenadas no espaco

(plano) de fase, das variaveis (x, y) para (r, ), definidas por
x = r cos
y = r sin
(13.35)
r e a distancia radial do ponto no plano de fase ate a origem, ao passo que e o

angulo formado pelo raio com o eixo das abscissas, e varia entre 0 e 2 radianos
(Figura ??).
Como x e uma funcao de duas variaveis, r e , ent
ao devemos observar que
a sua derivada total em relacao ao tempo e dada por
dx
dt
x dr x d
+
r dt
dt
d
dr
cos r sin
dt
dt
d
x dr
y
r dt
dt
=
=
=
(13.36)
onde usamos as derivadas (sin u) = u cos u e (cos u) = u sin u em (13.35).

Analogamente, temos que
dy
y dr
d
=
+x
(13.37)
dt
r dt
dt
Multiplicando (13.36) por x, (13.37) por y, e somando membro-a-membro
as equacoes resultantes, chegamos a
x
dx
dy
+y
dt
dt
=
=
x2 dr
d y 2 dr
d
xy
+
+ xy
r dt
dt
r dt
dt
(x2 + y 2 ) dr
r
dt
(13.38)
Quadrando e somando as duas equacoes em (13.35) obtemos

x2 + y 2 = r2 cos2 + r2 sin2 = r2 (sin2 + cos2 ) = r2
564
(13.39)
em vista de uma conhecida identidade trigonometrica. Logo (13.38) fica

x
dy
r2 dr
dr
dx
+y
=
=r
dt
dt
r dt
dt
(13.40)
Agora multiplicamos (13.37) por x, (13.36) por y, e subtraimos as equacoes

resultantes membro-a-membro:
x
dy
dx
y
dt
dt
=
=
xy dr
d yx dr
d
+ x2
+ y2
r dt
dt
r dt
dt
dr
dr
= r2
(x2 + y 2 )
dt
dt
(13.41)
onde usamos novamente (13.39). Desta forma conseguimos resolver o sistema

(13.36)-(13.37) em favor das derivadas em relacao às novas coordenadas r e :
dr
dt
d
dt
=
=
x dx y dy
+
r dt
r dt
y dx
x dy
2
+ 2
r dt
r dt
(13.42)
(13.43)
Usando, agora, (13.36)-(13.37), as equacoes de nosso sistema bidimensional

nas novas coordenadas podem ser escritas como
dr
dt
=
=
=
x(x y x3 xy 2 ) y(x + y x2 y y 3 ) dy
+
r
r
dt

1 2
4
2 2
2
2 2
x xy x x y + xy + y x y y 4
r
r2 r4
= r r3 = r(1 r2 )
r
(13.44)
De maneira analoga, obtemos
d
=1
(13.45)
dt
Observe que, em coordenadas polares, o sistema de equacoes ficou bem mais
smples, o que facilita a analise da sua din
amica. Em primeiro lugar, observamos
que as novas equacoes (13.44)-(13.45), ao contrario do sistema original, est
ao
desacopladas, o que permite a sua analise em separado, como se fossem dois
modelos contnuos unidimensionais. Uma das vantagens, nesse caso, e que as
equacoes diferenciais podem ser resolvidas de fato, ou seja, podemos encontrar
r = r(t) e = (t).
Na verdade, como no Captulo 3, embora possamos fazer isso, nao o faremos
pois desejamos conhecer aspectos gerais da din
amica, como pontos de equilbrio
e sua estabilidade, para descrever o atrator do sistema, caso houver. Vamos
comecar analisando os pontos de equilbrio de (13.44)-(13.45), nomeados (r , )
e obtidos, respectivamente, por
dr
= r (1 r 2 ) = 0
dt
d
=0
dt
(13.46)
H
a tres solucoes para a variavel radial: r1 = 0, r2 = +1, e r3 = 1. A
primeira delas corresponde ao ponto na origem, para o qual o valor de e
indeterminado. A terceira delas nao e admissvel, pois a variavel radial e, por
565
definicao, sempre positiva (veja a equacao (13.39) para certificar-se disso). Para
a variavel angular, como d/dt = 1, simplesmente nao ha solucao de equilbrio
possvel. Como interpretar esse fato?
Como a equacao diferencial (13.45) e muito smples, podemos resolve-la, e
obter
(t) = (0) + t
(13.47)
ou seja, o
angulo cresce monotonicamente com o tempo no sentido hor
ario
(pela convencao usada em sua determinacao), seja qual for a condicao inicial
(0). Combinando esse fato com o valor do raio r2 = +1, temos que a solucao
de equilbrio e um crculo de raio r = 1. Se colocarmos uma condicao inicial
(r(0) = 1, (0)) exatamente sobre este crculo, a trajet
oria de fase sera um
crculo, sem nunca dele sair.
Resta provar que este crculo e um atrator, ou seja, um ciclo limite. Para isso
temos de investigar a estabilidade das solucoes de equilbrio. Isso pode ser feito
usando o metodo desenvolvido no Captulo 3 para modelos unidimensionais.
Temos o campo vetorial na direcao radial:
dr
= f (r) = r(1 r2 ) = r r3
dt
(13.48)
Lembremos que a estabilidade dos seus pontos de equilbrio e determinada pelo

sinal da derivada do campo vetorial
df
= f (r) = 1 3r2
dr
(13.49)
O ponto de equilbrio na origem r1 = 0 e instavel pois

f (r1 ) = f (0) = 1 > 0
(13.50)
e pode ser considerado um repulsor de trajet

orias. Ja o segundo ponto de
equilbrio, r2 = 1, e est
avel pois
f (r2 ) = f (1) = 1 3 = 2 < 0
(13.51)
e, portanto, corresponde de fato ao raio do ciclo limite, que e um atrator do

sistema.
A solucao analtica da equacao (13.48) mostra que as trajet
orias no plano
de fase, partindo de uma condicao inicial qualquer (r(0), (0)) s
ao espirais que
divergem do ponto fixo na origem, e convergem assintoticamente ao ciclo limite
de raio unitario.
13.5
Expoentes de Lyapunov
O conceito de expoente de Lyapunov foi introduzido nos Captulos 10 e ??

para modelos discretos uni e bidimensionais, respectivamente. Para modelos
contnuos N -dimensionais, ha um total de N expoentes de Lyapunov, um para
cada direcao no espaco de fase. Nos casos uni e bidimensionais, modelos continuos nao apresentam uma din
amica suficientemente complexa para justificar o
uso de expoentes de Lyapunov para caracterizar, por exemplo, comportamento
a partir do caso N = 3 que o uso de expoentes de Lyapunov e
caotico. E
mais justificado para modelos contnuos, e e neste caso que focalizaremos nossa
atencao nessa secao.
566
13.5.1
Caso tridimensional
Seja, pois, um modelo contnuo tridimensional na forma geral

dx1
dt
dx2
dt
dx3
dt
F1 (x1 , x2 , x3 )
F2 (x1 , x2 , x3 )
F3 (x1 , x2 , x3 )
(13.52)
para o qual ha tres expoentes de Lyapunov, que denominaremos 1 , 2 e 3 .

Cada um deles representa a taxa de divergencia de trajet
orias ao longo das
respectivas direcoes no espaco de fase.
Assim como fizemos no Cap. ??, investigamos o que ocorre com um determinado conjunto de condicoes iniciais - uma esfera de raio centrada na
condicao inicial v0 = (x1 (0), x2 (0), x3 (0)). Aqui, faz o papel da distancia entre duas condicoes iniciais proximas e pode ser interpretado como uma medida
da incerteza com que determinamos uma condicao inicial no espaco de fase. Os
expoentes de Lyapunov medem a taxa com que uma esfera de raio pequeno
e deformada pela acao da din
amica do modelo contnuo. Em outras palavras,
como a condicao inicial v0 e as condicoes iniciais na sua vizinhanca s
ao afetadas
pela din
amica.
Podemos supor que, em geral, apos um intervalo de tempo t a esfera crculo
original tenha sido transformada num elips
oide cujos semi-eixos medem r1 , r2 e
r3 . Estes semi-eixos evoluem com o tempo na seguinte forma:
r1 (t)
r2 (t)
=
=
e 1 t
e 2 t
(13.53)
(13.54)
r3 (t)
e 3 t
(13.55)
onde 1 e supomos que o tempo t seja t

ao grande quanto se queira. De fato,
os exponentes de Lyapunov i (i = 1, 2, 3) s
ao definidos em termos do limite
quando t tende a infinito, ou seja

1
ri (t)
i = lim lim ln
, (i = 1, 2, 3).
(13.56)
t t 0
O volume da esfera no tempo t = 0 e

V (0) =
4 3
(13.57)
ao passo que, apos um tempo t, o elips

oide tem volume
V (t)
=
=
=
4
r1 r2 r3
3
4 1 t
(e )(e2 t )(e3 t )
3
V (0)e(1 +2 +3 )t .
em vista de (13.57).
567
(13.58)
Lembrando que, para sistemas contnuos, os volumes no espaco de fase

variam com o tempo segundo (13.59):
V (t) = V (0)eT t
(13.59)
onde, de (13.16), T = F = Tr J, concluimos que

T = 1 + 2 + 3 .
(13.60)
Logo, para um sistema conservativo, temos

1 + 2 + 3 = 0,
(13.61)
enquanto que, para um sistema dissipativo,

1 + 2 + 3 < 0.
(13.62)
Os semi-eixos para os quais definimos os expoentes de Lyapunov podem ser

definidos, em princpio, de maneira arbitraria, desde que sejam sempre mutuamente ortogonais. No entanto, e conveniente orientar um dos semi-eixos do
elips
oide ao longo da propria trajet
oria v(t) gerada pela solucao do sistema
(13.52). Pode-se mostrar que o expoente de Lyapunov ao longo da trajet
oria e
identicamente nulo (a nao ser que haja um atrator pontual est
avel): o semi-eixo
paralelo `
a trajet
oria nao altera sua magnitude com o passar do tempo. Uma
forma heurstica de entender esse fato e considerar pois pontos pertencentes à
mesma trajet
oria, para instantes de tempo diferentes: A : v(t1 ) e V : v(t2 ).
Ambos os pontos podem servir igualmente bem como condicoes iniciais, ja que
o teorema de existencia e unicidade garante que a trajet
oria gerada por A coincide com a trajet
oria gerada por B a partir deste. Se encararmos estas duas
trajet
orias como distintas, no entanto, a distancia entre dois pontos manter-sea constante, ja que um intervalo finito de tempo separa pontos de uma e de
outra. Neste caso, o expoente de Lyapunov ao longo da direcao da trajet

oria
sera sempre nulo, ja que as trajet
orias nem separam-se nem aproximam-se com
o tempo.
13.5.2
Classifica
c
ao dos atratores
Em geral consideramos os expoentes de Lyapunov como sendo ordenados de

forma que
1 > 2 > 3 .
de forma que podemos divisar v
arias situacoes possveis para os atratores de um
modelo contnuo tridimensional (dissipativo):
Ponto fixo atrativo (1 < 0, 2 < 0, 3 < 0);
Ciclo limite est
avel (1 = 0, 2 < 0, 3 < 0);
Atrator sobre o toro (1 = 0, 2 = 0, 3 < 0);
Atrator caotico (1 > 0, 2 < 0, 3 < 0).
568
Ponto fixo atrativo: (, , )

Essa situacao caracteriza um atrator pontual, ou seja, um ponto fixo est
avel
ou atrativo. Nesse caso a esfera de condicoes iniciais encolhe ao longo de todas
as direcoes no espaco de fase, de modo que, para t tendendo ao infinito, todos
os semieixos ri tendem a zero. Logo a esfera converge assintoticamente para o
ponto fixo. Observe que essa e uma excecao à regra que todo modelo contnuo
deve ter pelo menos um expoente de Lyapunov igual a zero.
Ciclo limite est
avel: (0, , )
Como vimos, um expoente de Lyapunov nulo caracteriza uma situacao onde as
trajet
orias inicialmente muito proximas nem se aproximam nem se afastam com
o tempo, ou seja, ao longo da propria trajet
oria. Um ciclo limite no espaco de
fase e um atrator unidimensional se ele for est
avel ao longo das outras direcoes,
que devem ser ortogonais `
a trajet
oria. Considerando uma superfcie de secao
de Poincare que intercepte o ciclo limite em um ponto fixo, estas duas direcoes
est
aveis podem ser consideradas para o mapa de Poincare associado. Seja um
crculo de raio sobre a superfcie de secao e centrado no ponto fixo. Como o
ciclo limite e est
avel, trajet
orias proximas irao convergir assintoticamente para
ele. Logo, o raio deste crculo tende a zero quando t vai a infinito, a taxa de
convergencia sendo a soma dos dois expoentes de Lyapunov negativos:
r(t) = e|2 +3 |t .
Atrator sobre o toro: (0, 0, )
Quando dois expoentes de Lyapunov s
ao iguais a zero, o atrator est
a sobre um
toro no espaco de fase. Um toro e uma superfcie fechada com dois raios de curvatura. Os dois expoentes nulos referem-se às direcoes ao longo de crculos cujos
raios s
ao estes raios de curvatura. Se interceptarmos este toro por uma superfcie
de secao de Poincare teremos um crculo, portanto reduzimos a din
amica para
um mapa de Poincare unidimensional sobre este crculo. Trajet
orias proximas a
este crculo s
ao atraidas para ele com o passar do tempo, que e o significado do
expoente negativo restante. Devido a (13.60), o terceiro expoente de Lyapunov
coincide com o determinante da matriz Jacobiana do modelo contnuo.
Atrator ca
otico: (+, 0, )
N
os caracterizamos o comportamento caotico em modelos discretos uni e bidimensionais a partir da positividade do expoente de Lyapunov correspondente.
Isso significa que trajet
orias muito proximas afastam-se exponencialmente com
o tempo, a uma taxa dada pelo expoente de Lyapunov (sensibilidade extrema às
condicoes iniciais). Admitindo que os expoentes de Lyapunov sejam ordenados,
para caracterizar a caoticidade do atrator basta computarmos o maior expoente
de Lyapunov 1 e verificarmos (ou nao) sua positividade. Devido a (13.62),
a existencia de um expoente positivo implica necessariamente na existencia de
um terceiro expoente negativo (o segundo e identicamente nulo), de modo que
a taxa de contracao dos volumes no espaco de fase e
T = 1 + 3 = 1 |3 | < 0,
569
(13.63)
de modo que 1 < |3 |.

O fato de termos um expoente positivo e outro negativo faz com que uma
esfera no plano de fase evolua para uma elips
oide, alongando-se numa direcao e
encolhendo na outra. De (13.63), no entanto, decorre que a taxa de encolhimento
deve ser menor (em modulo) que a de esticamento para que o volume do elips
oide
diminua com o passar do tempo. Por outro lado, o elips
oide nao pode esticar
indefinidamente, ja que a regi
ao do espaco de fase e normalmente limitada. De
fato, o elips
oide tambem sofrera um efeito de dobra devido à din
amica nao-linear
do sistema. Desta forma, a esfera inicial de pontos evolui para uma estrutura
filament
aria que dobra-se de forma muito complicada sobre si propria, uma vez
que duas trajet
orias nao podem se cruzar no espaco de fase. No limite quando
t , esse elips
oide torna-se extremamente alongado e fino, alem de dobrada
sobre si mesma. O atrator de um sistema caotico, alem de ter volume nula,
nao pode ser uma trajet
oria fechada como um ciclo limite. Esse atrator possui,
como se ver
a na sequencia, uma estrutura fractal.
13.6
Determinac
ao num
erica do maior expoente
de Lyapunov
A determinacao numerica dos expoentes de Lyapunov de um modelo contnuo

multidimensional pode ser feita estendendo a tecnica de ortogonalizacao de
Gram-Schmidt que vimos no Cap. ?? para N dimensoes. Entretanto, como
o comportamento caotico exige que o maior dos dois expoentes de Lyapunov
seja positivo, e necessario apenas determinar o expoente maximo 1 = max . E

relativamente smples calcular este expoente maximo, pois partiremos de uma
definicao bastante parecida com a que foi usada no Captulo 10 para mapas unidimensionais. Vamos considerar as trajet
orias que emanam de duas condicoes
iniciais originalmente muito proximas no espaco de fase: v(0) e v (0), separadas
por uma distancia (0):
(0) = |v0 v0 |,
(13.64)
onde as barras referem-se ao modulo dos vetores de condicoes iniciais:
q
q
|v0 | = x21 (0) + x22 (0) + x23 (0), |v 0 | = x 21 (0) + x 22 (0) + x 23 (0), (13.65)
Apos um tempo t, verificaremos que a distancia entre os pontos correspondentes de cada trajet
oria dever
a ter sido alterada para
(t) = |v(t) v (t)| =
q
2
2
(x1 (t) x1 (t)) + (x2 (t) x2 (t)) .
(13.66)
Mesmo que o sistema tenha N expoentes de Lyapunov, o expoente maximo

max domina o comportamento dessa distancia, de modo que podemos escrever
(t) (0)emax t
(13.67)
onde usamos o smbolo , e nao uma igualdade (=) para enfatizar que esta
expressao e aproximadamente v
alida para pequenos intervalos de tempo, e que
torna-se mais e mais proxima do valor real de max tanto quanto maior for o
570
tempo decorrido t, e menor for o valor inicial da distancia (0). Aplicando logaritmos em (13.67), e introduzindo os limites apropriados, temos que o expoente
de Lyapunov maximo pode ser estimado como
max
1
= lim lim ln
(0)0 t t
(t)
(0)
(13.68)
Evidentemente, como nao podemos garantir a priori que o limite de tempo infinito tenha sido numericamente verificado, temos que estudar o comportamento
de max em funcao do tempo.
13.7
O modelo de Lorenz
Um modelo contnuo importante em din

amica nao-linear foi proposto pelo meteorologista americano Edward Lorenz em 1963, e cuja importancia historica
reside no fato de ter sido o primeiro modelo onde o comportamento caotico
foi evidenciado por uma investigacao computacional. Na verdade, como abordamos no captulo anterior, o conceito de caos ja tinha sido adiantado, pelo
raciocnio puramente dedutivo, pelo matematico frances Henri Poincare na virada do seculo XIX. No entanto, a ausencia de meios computaicionais para resolver sistemas de equacoes diferenciais nao-lineares com rapidez e confiabilidade
postergou a verificacao numerica do comportamento caotico v
arias decadas, ate
que computadores digitais potentes o suficiente tivessem sido desenvolvidos.
No incio da decada e 60, Lorenz estava trabalhando num modelo simplificado de tres equacoes diferenciais para a descricao da formacao de ventos na
atmosfera, a saber
dx
dt
dy
dt
dz
dt
f (x, y, z) = (y x)
(13.69)
g(x, y, z) = rx y xz
(13.70)
h(x, y, z) = xy bz
(13.71)
onde as variaveis x, y e z est

ao associadas a caractersticas fsicas da atmosfera,
como a temperatura do ar e a velocidade do vento. Lorenz analisou o caso em
que os par
ametros e b eram fixos nos valores 10 e 8/3, respectivamente, e o
par
ametro r poderia ser variado desde 0 ate por volta de 30. Este par
ametro
de controle representa, fisicamente, a diferenca de temperatura entre o solo e
a atmosfera, e poderia ser variado para a analise do comportamento do vento
nestas condicoes.
O modelo de Lorenz tridimensional, e sua nao-linearidade encontra-se presente nos termos cruzados xz e xy em (13.70) e (13.71), respectivamente. Alem
disso, o modelo como um todo exibe uma notavel simetria: se trocarmos x
por x e y por y, pode-se mostrar que as equacoes nao mudam. Como consequencia, se (x(t), y(t), z(t)) representa uma trajet
oria possvel no espaco de
fase, ent
ao tambem podera existir a trajet
oria (x(t), y(t), z(t)). Logicamente,
essa trajet
oria simetrica s
o podera ser observada se uma condicao inicial apropriada for escolhida.
571
O modelo de Lorenz e dissipativo, ja que a taxa de variacao dos volumes e,

segundo (13.11), dada por
T =
f
g
h
+
+
= ( + 1 + b)
x y
z
(13.72)
a qual e negativa, visto que tanto quanto b s

ao sempre positivos. Se = 10
e b = 8/3, ent
ao T = 13, 66. Isso significa que os volumes contraem-se muito
rapidamente ja que, usando (13.59), temos que, para t = 1
V (t = 1)
= e13,66 = 1, 16 106
V (t = 0)
ou seja, o volume diminui em um milionesimo do valor inicial!
13.7.1
Pontos de equilbrio e sua estabilidade
O modelo de Lorenz tem pontos de equilbrio (x , y , z ) dados pelas solucoes

de
f (x , y , z )
g(x , y , z )
=
=
h(x , y , z )
(y x ) = 0
rx y x z = 0
x y bz = 0
(13.73)
(13.74)
(13.75)
De (13.73) segue imediatamente que y = x . Substituindo esse resultado em

(13.74) e (13.75) temos que
rx x x z = x (r 1 z )
x 2 bz
= 0
= 0
(13.76)
(13.77)
De (13.77), z = x 2 /b que, substituida em (13.76), fornece

1
x r 1 x = 0
b
(13.78)
e que tem tres solucoes:

x1 = 0 y1 = 0 z1 = 0
p
x2 = b(r 1) y2 = b(r 1) z2 = r 1
p
p
x3 = b(r 1) y3 = b(r 1) z3 = r 1
p
(13.79)
(13.80)
(13.81)
A primeira solucao e um ponto de equilbrio na origem (0, 0, 0), ao passo que as

outras duas s
o existem (isto e, s
ao reais) se r > 1.
Para investigar a estabilidade destes pontos, recorremos à matriz Jacobiana
do sistema:
f f f
0
x
y
z
g g g
r z 1 x
(13.82)
J = x
y
z =
h
h
h
y
x b
x
572
Comecando pelo ponto fixo na origem v1 = (0, 0, 0). A matriz Jacobiana

acima, avaliada neste ponto, e

0
(13.83)
J1 = J(v1 ) = r 1 0
0
0 b
Para que v1 seja est

avel, de acordo com o criterio visto no Captulo 6, e
necessario que todos os autovalores da matriz J1 tenham parte real negativa.
Estes, por sua vez, s
ao as solucoes da equacao caraacterstica

0

=0
r
1
0
(13.84)
det(J1 I) =

0
0
b
Expandindo o determinante de terceira ordem obteremos
( + )(1 + )(b + ) + r(b + ) = 0
b b b 2 b 2 3 + rb + r = 0
3 + (b + + 1) 2 + (b + ) + b(1 r) = 0
(13.85)
que e uma equacao c

ubica, cuja forma geral pode ser escrita como
a0 3 + a1 2 + a2 + a3 = 0
(13.86)
ao dados por
a0
a1
=
=
1
b++1
(13.87)
(13.88)
a2
a3
=
=
b+
b(1 r)
(13.89)
(13.90)
Pelo criterio de Routh-Hurwitz, os autovalores 1,2,3 ter

ao parte real negativa
se, e somente se as seguintes desigualdades forem simultaneamente satisfeitas
(vide Eqs. (??)-(??)):
a1 = b + 1 + > 0
(13.91)
a1 a2 a0 a3 = (b + 1 + )(b + ) b(1 + r) > 0

a3 = b(1 r) > 0
(13.92)
(13.93)
Como tanto b como s

ao positivos, a desigualdade (13.91) e sempre verificada.
Ja a terceira desigualdade, implica em que a origem podera ser est
avel se r <
1. Necessitamos, porem, ainda conferir a desigualdade (13.92). Lorenz tomou
valores fixos = 10 e b = 8/3, de modo que o u
nico par
ametro a ser variado
fosse r. Para conferir se (13.92) e v
alida no domnio r < 1, vamos observar que,
mesmo para o maior valor possvel de r, que e 1, temos que

8
80
1078
8
(b+1+)(b+)b(1+rmax ) =
+ 10 + 1
+ 10 (1+1) =
>0
3
3
3
9
e verificada sempre que r < 1, sendo este, pois, o intervalo de estabilidade da
origem. Para r > 0 ela torna-se instavel.
573
A matriz Jacobiana nos pontos fixos

p
p
v2,3
= ( b(r 1), b(r 1), r 1)
e dada por
J2,3
= J(v2,3
)= p r
b(r 1)
1
p
b(r 1)
p 0
b(r 1)
b
de forma que a equacao caracterstica correspondente seja

xi
p 0

b(r 1)
1
xi
det(J2,3 I) = p r
p
b(r 1) b(r 1)
b xi

=0

(13.94)
(13.95)
Desenvolvendo este determinante obtemos, de forma muito semelhante ao

caso anterior, uma equacao do terceiro grau para os autovalores, cujos coeficientes s
ao, agora
a0
a1
a2
=
=
=
1
b++1
b(r + )
(13.96)
(13.97)
(13.98)
a3
2b(r 1)
(13.99)
Ambos os pontos de equilbrio serao est

aveis se as desigualdades a1 > 0, a1 a2
a0 a3 > 0 e a3 > 0 forem simultaneamente v
alidas. Ja o verificamos para a
primeira delas, enquanto a terceira fornece r > 1 como domnio de estabilidade
dos pontos de equilbrio 2 e 3. Podemos facilmente mostrar que, para os valores
= 10 e b = 8/3, e para qualquer valor de r maior que 1, a segunda desigualdade
e verdadeira.
Resumindo: para 0 < r < 1 s
o existe o ponto de equilbrio na origem, e
este e est
avel. Para r > 1, a origem torna-se instavel, e emergem dois pontos
de equilbrio est
aveis v2,3
(que nao existiam para r < 1). O comportamento
nas vizinhancas de r = 1 caracteriza uma bifurcacao: temos dois pontos de
equilbrio (de perodo 1), v2 e v3 , ao passo que para modelos discretos podese ter uma bifurcacao para uma orbita de perodo 2. No caso do modelo de
Lorenz no entorno de r = 1 nos caracterizamos uma bifurcacao do tipo forquilha
(pitchfork).
13.7.2
O atrator de Lorenz
A historia moderna da teoria do caos comeca quando Edward Lorenz investigava solucoes numericas das equacoes que hoje levam seu nome, em um regime
onde as trajet
orias tinham um comportamento irregular no decorrer do tempo.
Esse tipo de fato foi e e muito comum em simulacoes numericas, e praticamente
nunca havia despertado muito interesse nos pesquisadores, que com frequencia
atribuiam `
a presenca de ruido estocastico tais irregularidades nas series temporais.
No entanto, por volta de 1962, Lorenz observou algo surpreendente, quando
empregava um computador para executar simulacoes numericas do comportamento do vento na atmosfera. Ele desejava obter uma sequencia de valores das
574
30
50
(a)
(b)
20
40
10
30
20
-10
10
-20
-30
-20
-10
10
20
0
-20
-10
10
20
50
(c)
40
30
20
10
0
-30
-20
-10
10
20
30
Figura 13.4: Atrator do modelo de Lorenz para = 10, b = 8/3, e r = 28. Sao
representadas as projecoes do atrator sobre os planos (a) xy, (b) xz, (c) yz.
variaveis e, para economizar tempo de processamento, ele reiniciava a simulacao

no meio da execucao (lembre que, no incio da decada de 60, tanto a velocidade
como a capacidade de mem
orias dos computadores eram muito reduzidas em
comparacao aos computadores atuais!). Para fazer isso, Lorenz reiniciava a execucao usando, como condicao inicial, um determinado ponto que havia sido
calculado anteriormente. Para sua surpresa, a evolucao temporal que obteve foi
completamente diferente!
Depois de checar possveis erros no programa Lorenz percebeu que a raiz do
problema era intrnseca ao sistema din
amico. Na u
ltima simulacao o computador trabalhava com n
umeros com cinco algarismos, ao passo que Lorenz tinha
reiniciado a execucao pegando uma condicao inicial com apenas tres algarismos.
Esta pequena diferenca, que era considerada irrelevante na epoca, na verdade
tinha levado `
a divergencia das trajet
orias obtidas, gracas à caoticidade do atrator. Lorenz percebeu que pequenas mudancas nas condicoes iniciais podem levar
a grandes diferencas no comportamento a longo prazo das solucoes obtidas.
Alem disso, Lorenz observou que esse comportamento caotico era possvel
para v
arios valores dos par
ametros do seu modelo. Usando os valores = 10,
b = 8/3, e r = 28, o atrator no espaco de fase assume a forma curiosa das asas
de uma borboleta. Podemos integrar numericamente as equacoes do modelo de
Lorenz para este caso adaptando o programa em linguagem C apresentado no
Cap. 4. A rigor, uma trajet
oria que inicia numa dada condicao inicial - que,
neste caso, e x(0) = 0, 1, y(0) = z(0) = 0 - converge para o atrator num tempo
infinitamente longo. Na pratica, no entanto, apos um tempo relativamente curto
575
20
10
0
-20
0
30
20
10
0
-10
-20
-30
0
50
40
30
20
10
0
0
20
40
60
80
100
20
40
60
80
100
20
40
60
80
100
-10
Figura 13.5: Evolucao temporal das variaveis (a) x, (b) y e (c) z do modelo de
Lorenz para = 10, b = 8/3, e r = 28.
a trajet
oria ja pode ser considerada como praticamente dentro do atrator. Como
o espaco de fase deste sistema e tridimensional, podemos representar projecoes
do mesmo sobre os planos xy [Fig. 13.4(a)], xz [Fig. 13.4(b)], e yz [Fig. 13.4(c)].
A evolucao temporal das variaveis x, y e z do modelo de Lorenz pode ser
observada na Figura 13.5(a), (b) e (c), respectivamente. As variaveis x e y
comecam oscilacoes de amplitude crescente em torno de um dos pontos de
equilbrio, no caso v2 (que, para r = 28 s
ao instaveis, de acordo com a analise
de estabilidade que fizemos anteriormente). Estas oscilacoes provocam a forma
caracterstica de uma das asas da borboletado atrator de Lorenz. Apos algum
tempo a trajet
oria migra para as proximidades do outro ponto de equilbrio v3 ,
e l
a executa um certo n
umero de oscilacoes (a outra asa da borboleta), apos
o que volta `
as proximidades de v2 , e assim por diante.
A caoticidade da din
amica manifesta-se no n
umero irregular de oscilacoes
que a trajet
oria executa nas proximidades de cada ponto de equilbrio (ou em
cada asa da borboleta). Por exemplo, na Fig. 13.5(a), podemos observar,
a partir de t = 0 (a rigor, ainda fora do atrator) a seguinte sequencia para o
n
umero de oscilacoes em torno do ponto v2 :
6, 2, 2, 7, 1, 1, 2, 1, 1, 1, 2, 4, . . .
ao passo que o n
umero de oscilacoes em torno do ponto v3 e
1, 2, 1, 1, 1, 3, 4, 3, 1, 2, 3, 2, . . . .
bastante evidente a irregularidade no n
E
umero de oscilacoes em torno de cada
ponto. Esta e, porem, apenas uma sugestiva indicacao da presenca de caos
no sistema. Uma confirmacao quantitativa e obtida pelo calculo numerico do
expoente de Lyapunov maximo, como sera mostrado a seguir.
576
A caoticidade da trajet
oria ao longo das asas do atrator-borboleta levou a
um famoso aforismo de Lorenz acerca da natureza do comportamento caotico,
e que ficou conhecido como efeito borboleta. Para ilustrar a divergencia exponencial de trajet
orias originadas de condicoes iniciais ligeiramente diferentes,
Lorenz mencionou que o bater das asas de uma borboleta na floresta amazonica
poderia levar `
a formacao de um tornado no Texas. Desde ent
ao, o efeito borboleta tem sido muito usado (correta e incorretamente) como uma metafora da
indeterminacao do comportamento futuro associada ao comportamento caotico.
necessario salientar, no entanto, que o comportamento caotico nao se
E
resume `
a sensibilidade `
as condicoes iniciais ilustrada pelo efeito borboleta, mas
tambem `
a aperiodicidade da evolucao temporal. Um ponto fixo instavel, por
exemplo, apresenta sensibilidade `
as condicoes iniciais: se uma condicao inicial
proxima ao ponto fixo for levemente alterada, a evolucao posterior divergira
exponencialmente. No entanto, nao teremos caos pois a evolucao temporal nao
e aperi
odica.
13.7.3
Determinac
ao do maior expoente de Lyapunov
O maior expoente de Lyapunov do modelo de Lorenz pode ser estimado a partir

de (13.67) como
(t) (0)e1 t
(13.100)
tal que, se 1 > 0 o atrator de Lorenz e caotico. Aplicando logaritmos naturais
chegamos a
ln (t) = ln (0) + 1 t,
(13.101)
que e a equacao de uma reta num gr
afico de ln versus o tempo t, de forma que
o expoente de Lyapunov e o respectivo coeficiente angular.
N
os escolhemos duas condicoes iniciais muito proximas v(0) = (0, 1, 0, 0) e
v (0) = (0, 1+, , ) de forma que a diferenca (0) seja muito pequena (da ordem
de = 1015 ), integramos cada uma delas paralelamente para o mesmo intervalo
de tempo t, e determinamos (t) usando (13.66). Um programa em linguagem
C para implementar esse procedimento foi escrito adaptando o programa usado
para gerar trajet
orias do modelo de Lorenz integrando duas condicoes iniciais,
ao inves de apenas uma, e e mostrado a seguir 1
/* lyaplorenz.c: expoente de Lyapunov m
aximo do modelo de Lorenz.
Saida dos dados no arquivo lyaplorenz.dat */
#include <stdio.h>
#include <math.h>
FILE *fp;
double f(double x,double y,double z),g(double x,double y,double z),
h(double x,double y,double z);
void main()
{
int k, points;
double xk, yk, zk, x0, y0, z0, tk, ti, tf, delta;
double kx1, kx2, kx3, kx4, ky1, ky2, ky3, ky4, kz1, kz2, kz3, kz4;
1O
programa n
ao est
a escrito de forma otimizada, naturalmente.
577
double x1k, y1k, z1k, x10, y10, z10;

double k1x1, k1x2, k1x3, k1x4, k1y1, k1y2, k1y3,k1y4, k1z1,
k1z2, k1z3, k1z4;
double a0,b0,c0,at,bt,ct;
double epsilon,delta0, deltat, razao, lyap, lnd;
fp = fopen("lyaplorenz.dat","w");
/* inicializacoes */
points = 10000; /* numero de pontos calculados */
ti = 0.0; /* tempo inicial */
tf = 100.0; /* tempo final */
delta = fabs(tf - ti)/points; /* passo de integracao */
epsilon = 1E-15; /* dist^
ancia entre condi
co
~es iniciais */
x0 = 0.1; /* condicoes iniciais */
y0 = 0.0;
z0 = 0.0;
x10 = x0+epsilon; /* condicoes iniciais linha */
y10 = y0+epsilon;
z10 = z0+epsilon;
a0 = (x0-x10)*(x0-x10);
b0 = (y0-y10)*(y0-y10);
c0 = (z0-z10)*(z0-z10);
delta0 = sqrt(a0+b0+c0);
/* coloca os valores iniciais nas variaveis */
k = 0;
xk = x0; x1k = x10;
yk = y0; y1k = y10;
zk = z0; z1k = z10;
tk = ti;
/* varre intervalos de ti a tf */
for(k = 1;k <= points;++k) {
tk = tk + delta; /* inicio do intervalo */
kx1 = f(xk,yk,zk)*delta;
k1x1 = f(x1k,y1k,z1k)*delta;
ky1 = g(xk,yk,zk)*delta;
k1y1 = g(x1k,y1k,z1k)*delta;
kz1 = h(xk,yk,zk)*delta;
k1z1 = h(x1k,y1k,z1k)*delta;
k1x2 = f(x1k+(k1x1/2),y1k+(k1y1/2),z1k+(k1z1/2))*delta;
k1y2 = g(x1k+(k1x1/2),y1k+(k1y1/2),z1k+(k1z1/2))*delta;
k1z2 = h(x1k+(k1x1/2),y1k+(k1y1/2),z1k+(k1z1/2))*delta;
k1x3 = f(x1k+(k1x2/2),y1k+(k1y2/2),z1k+(k1z2/2))*delta;
k1y3 = g(x1k+(k1x2/2),y1k+(k1y2/2),z1k+(k1z2/2))*delta;
k1z3 = h(x1k+(k1x2/2),y1k+(k1y2/2),z1k+(k1z2/2))*delta;
578
kx4 = f(xk+kx3,yk+ky3,zk+kz3)*delta;
k1x4 = f(x1k+k1x3,y1k+k1y3,z1k+k1z3)*delta;
ky4 = g(xk+kx3,yk+ky3,zk+kz3)*delta;
k1y4 = g(x1k+k1x3,y1k+k1y3,z1k+k1z3)*delta;
kz4 = h(xk+kx3,yk+ky3,zk+kz3)*delta;
k1z4 = h(x1k+k1x3,y1k+k1y3,z1k+k1z3)*delta;
/* variaveis no final do intervalo */
xk = xk + (kx1+(2*kx2)+(2*kx3)+kx4)/6;
x1k = x1k + (k1x1+(2*k1x2)+(2*k1x3)+k1x4)/6;
yk = yk + (ky1+(2*ky2)+(2*ky3)+ky4)/6;
y1k = y1k + (k1y1+(2*k1y2)+(2*k1y3)+k1y4)/6;
zk = zk + (kz1+(2*kz2)+(2*kz3)+kz4)/6;
z1k = z1k + (k1z1+(2*k1z2)+(2*k1z3)+k1z4)/6;
/* dist^
ancia delta */
at = (xk-x1k)*(xk-x1k);
bt = (yk-y1k)*(yk-y1k);
ct = (zk-z1k)*(zk-z1k);
deltat = sqrt(at+bt+ct);
lnd = log(deltat);
fprintf(fp,"%f %f\n",tk,lnd);
}
fclose(fp);
}
/* Equacoes do sistema de Lorenz */
double f(double x,double y,double z)
{
return(10.0*(y-x));
}
double g(double x,double y,double z)
{
return(28.0*x-y-x*z);
}
double h(double x,double y,double z)
{
return(x*y-(8/3)*z);
}
Um gr
afico de ln (t) em funcao do tempo, para o atrator caotico de Lorenz
(r = 28) pode ser visto na Fig. 13.6(a). Observamos que, durante os primeiros
tempos de integracao, o valor de ln (t) aumenta com o tempo de forma oscilante, mas com uma clara tendencia linear de aumento. Para tempos maiores,
contudo, essas oscilacoes nao parecem aumentar, e sim mantem-se estacion
arias
em torno de um valor medio aproximadamente constante. Isso est
a em clara
contradicao com o comportamento para t grande que supomos na definicao
(13.68) do expoente de Lyapunov!
Esse comportamento ins
olito ilustra as dificuldades tpicas do calculo numerico
quando trabalhamos com trajet
orias caoticas. Como trabalhamos com a evolucao
de quantidades muito pequenas por tempos longos, para t muito grande os erros de arredondamento e/ou truncamento associados ao procedimento numerico
fazem com que haja uma saturacaoda distancia entre as trajet
orias de modo
579
(a)
(b)
-5
-10
ln delta
ln delta
-10
-20
-15
-20
-30
-25
-40
20
40
60
80
100
-30
10
20
30
40
Figura 13.6: (a) Evolucao temporal da distancia entre duas trajet

orias no atrator caotico de Lorenz (r = 28) originarias de duas condicoes iniciais separadas
por uma distancia 1015 . (b) Regiao onde a lei de escala (13.101) e v
alida.
A linha reta representa uma regress
ao linear.
que, apos a sua ocorrencia, deixamos de poder usar a relacao (13.101). Logo,
devemos restringir nossa regress
ao linear apenas aos pontos para os quais ha
uma tendencia linear de crescimento. Na Fig. 13.6(b) nos mostramos apenas
a regi
ao onde a lei de escala (13.101) e v
alida, bem como uma reta obtida por
regress
ao linear com a equacao
ln (t) = 34 + 0, 8087t,
cujo coeficiente angular (o expoente de Lyapunov maximo) e 1 = 0, 8087
0, 0015, portanto positivo como se espera do atrator caotico de Lorenz.
A taxa de contracao de volumes no espaco de fase, dada por (13.72), e
uniforme:
T = ( + 1 + b) = 13, 66
(13.102)
de forma que, como 2 = 0, temos que 1 + 3 = 13, 66 e portanto podemos
obter automaticamente o terceiro expoente de Lyapunov como
3 = 13, 66 1 = 14, 47 < 0.
(13.103)
A estimativa que fizemos do expoente de Lyapunov maximo incorpora um

certo grau de aproximacao, ligado principalmente ao n
umero de pontos tomados
para escolher a regi
ao onde a lei de escala e v
alida. Valores mais precisos para
os expoentes de Lyapunov do atrator de Lorenz s
ao 1 = 0, 906 e 3 = 14, 572.
13.7.4
Horizonte de predic
ao
A existencia de um expoente de Lyapunov positivo implica, como vimos, que

pequenas mudancas nas condicoes iniciais do sistema provocam uma divergencia
exponencial das respectivas trajet
orias com o passar do tempo. Lembrando que
qualquer condicao inicial e sempre eivada de uma certa incerteza (numerica ou
experimental) em sua determinacao, podemos interpretar a distancia entre as
condicoes iniciais como uma medida da incerteza com que as proprias condicoes
iniciais s
ao conhecidas. Nesse caso, num sistema caotico e inevit
avel que, apos
um certo tempo tH , que chamamos horizonte de predicao, nos nao possamos
580
mais prever o comportamento futuro do sistema, pois as trajet

orias correspondentes a condicoes iniciais proximas ter
ao se separado tanto que nao se sabe a
priori qual delas corresponde efetivamente ao comportamento do sistema estudado.
Vamos considerar a incerteza (0) na determinacao da condicao inicial e
definir uma tolerancia a para aceitacao do erro da predicao em relacao a uma
trajet
oria caotica de referencia, ou seja, se (t) a consideramos as trajet
orias
como t
ao separadas que nao se pode mais fazer predicoes confiaveis sobre o
estado futuro do sistema. De (13.101) temos portanto que
a (0)e1 tH ,
ou seja, o horizonte de predicao pode ser estimado como

a
1
.
ln
tH
1
(0)
(13.104)
A tolerancia a depende, entre outros fatores, do domnio de valores que se

est
a estudando. No modelo de Lorenz, por exemplo, podemos escolher a 103 .
Vamos supor que a incerteza na determinacao da condicao inicial seja da ordem
de 107 . Nesse caso o horizonte de predicao e
3
1
10
tH
11, 5.
ln
0, 8
107
Agora supondo que melhoremos a precis
ao na determinacao do estado inicial
por uma fator de cem milh
oes, de modo que (0) 108 107 = 1015 . Nesse
caso o horizonte de predicao sera
3
1
10
tH
34, 5
ln
0, 8
1015
um aumento de apenas tres vezes! Logo, um esforco gigantesco para diminuir a
incerteza com que as condicoes iniciais s
ao conhecidas leva a um modestssimo
aumento no horizonte de predicao, o que nos leva a concluir que a previsao a longos tempos do comportamento de sistemas caoticos e, virtualmente, impossvel.
13.7.5
Fractalidade do atrator de Lorenz
Observando as trajet
orias no atrator caotico de Lorenz na Fig. 13.4 concluimos
que o mesmo deve ter uma geometria bastante complicada, devido a tres caractersticas: (i) o atrator deve ter volume nulo no espaco de fase; (ii) as trajet
orias
devem apresentar um comportamento irregular, ou aperi
odico; (iii) duas trajet
orias nunca podem se cruzar no espaco de fase. De fato, o atrator de Lorenz
e um objeto fractal, assim como o atrator do modelo de Henon, que vimos no
Cap. ??. Naquele modelo, o mecanismo que leva ao caos (esticamento e dobradura) conduz rapidamente um conjunto de condicoes iniciais a uma forma
de bumerangue auto-similar. Essa observacao foi formalizada, no Cap. 12, pela
constatacao de que a dimensao de contagem de caixas do atrator de Henon e
fracionaria.
possvel tambem determinar a dimensao do atrator caotico de Lorenz por
E
meio deste calculo, mas podemos tambem empregar o conceito de dimensao de
581
Lyapunov, introduzido no Cap. 12 para modelos discretos bidimensionais, e que

pode ser generalizado para modelos contnuos multidimensionais. No caso de N
dimensoes, teremos um espectro de expoentes de Lyapunov ordenados:
1 > 2 > . . . > N
Seja j o n
umero maximo de expoentes de Lyapunov tais que sua soma e positiva,
ou seja, tal que as seguintes condicoes sejam satisfeitas simultaneamente:
j
X
j+1
X
i > 0,
i=1
i < 0.
(13.105)
i=1
Nestas condicoes a dimensao de Lyapunov e definida como

dL = j +
1
|j+1 |
j
X
i ,
(13.106)
i=1
e que representa a generalizacao da definicao (12.19) dada no Cap. 12 para

modelos discretos bidimensionais.
No caso do atrator caotico de Lorenz, para os quais
1 = 0, 906,
2 = 0,
3 = 14, 572,
temos que j = 2, pois 1 + 2 > 0 e 1 + 2 + 3 = T < 0. Logo a dimensao de

Lyapunov correspondente e
dL = 2 +
0, 906
1
(1 + 2 ) = 2 +
= 2, 062,
|3 |
14, 572
e que e pr
oxima (ligeiramente maior) do valor da dimensao de contagem de
caixas, que e d 2, 002. De fato, a conjectura de Kaplan-Yorke iguala a dimensao de Lyapunov `
a dimensao de informacao do atrator, que e um pouco
maior do que a dimensao de contagem de caixas. De qualquer forma, o fato de
dL & 2 mostra que o atrator caotico de Lorenz e tambem fractal.
13.8
Problemas
1. Mostre que, para o modelo de Lorenz, o ponto de equilibrio na origem

(0, 0, 0) e globalmente est
avel para r < 1. Em outras0 palavras, deve-se
mostrar que todas as condicoes iniciais geram trajet
orias que convergem
para a origem, e nao somente aquelas na sua vizinhanca, como supomos
na aproximacao linear. Para isso, podemos usar a seguinte funcao de
Lyapunov [veja a secao 3.7.1]
L=
1 2
x + y2 + z2 .
2. Mostre que, para o modelo de Lorenz, se uma trajet

oria penetrar no
elips
oide cuja equacao e
2
E = rx2 + y 2 + (z 2r) = 0
ela permanecer
a no interior do elips
oide para quaisquer tempos posteriores. Este e um exemplo de regiao de aprisionamento, e e evidente que
o atrator caotico de Lorenz deve estar dentro do mesmo.
582
Ap
endice A
Pot
encias e exponenciais de
matrizes na forma de
Jordan
A solucao geral de um modelo contnuo multidimensional envolve a exponencial
da matriz dos coeficientes (ou, no caso nao-linear, da matriz jacobiana calculada no ponto de equilbrio). A exponencial de uma matriz e mais smples se
esta estiver escrita numa das tres formas de Jordan, dependendo do tipo de
autovalores dessa matriz (reais ou complexos, iguais ou distintos). Os calculos
a seguir tratam de matrizes bidimensionais, mas os procedimentos podem ser
generalizados para um n
umero arbitrario de dimensoes.
A.1
A matrix na forma de Jordan quando os autovalores 1 e 2 forem reais e distintos

e uma matriz diagonal 2 2, com os autovalores como elementos da diagonal
principal:

1 0
(A.1)
J1 =
0 2
No Captulo 2 vimos que potencias de matrizes diagonais tambem resultam
em novas matrizes diagonais:
t
J =
1t
0
0
2t
(A.2)
Este fato permite-nos determinar a exponencial de uma matriz diagonal pela

sua definicao (4.36):
etJ1 = I + tJ1 +
1
1 2 2
t J1 + t3 J31 + . . . ,
2!
3!
583
(A.3)
ou, substituindo as respectivas potencias da matriz J,

1 t 0
1 0
+
+
etJ1 =
0 2 t
0 1
1 3 3

1 2 2
0
0
2! 1 t
3! 1 t
+
+ .
+
1 2 2
1 3 3
0
0
2! 2 t
3! 2 t
Como
e 1 t
e 2 t
1 2 2
t +
2! 1
1
1 + 2 t + 22 t2 +
2!
1 + 1 t +
resulta que
e
tJ1
e 1 t
0
0
e 2 t
1 3 3
t + ,
3! 1
1 3 3
t + ,
3! 2

(A.4)
(A.5)
(A.6)
ou seja, a exponencial de uma matriz diagonal e a matriz cujos elementos s

ao
as exponenciais dos elementos diagonais.
A.2
Autovalores reais e iguais
Se os autovalores forem reais e iguais: 1 = 2 = , a forma de Jordan correspondente e

1
(A.7)
J2 =
0
A segunda e terceira potencias dessa matriz fornecem,
2

3
2
3 2
2
3
J2 =
,
,
J2 =
0 3
0 2
(A.8)
o que nos permite generalizar para um expoente t arbitrario

t
t t1
Jt2 =
0
t
(A.9)
A exponencial da matriz nessa forma de Jordan e

etJ2 = I + tJ2 +
1 2 2
1
t J2 + t3 J32 + . . . ,
2!
3!
(A.10)
donde
etJ2
=
+
1
0
0
1
1 2 2
2! t
t
0
2
2
2! t
1 2 2
2! t
t
t

+
1 3 3
3! t
3 2 3
3! t
1 3 3
3! t
+ .
Os elementos diagonais da matriz resultantes s

ao os mesmos do caso anterior,
a saber, et . Ja o elemento nao-diagonal diferente de zero sera
1
1 2 3
t + 3 t4 + =
2!
3!

1 2 2
1 3 3
t 1 + t + t + t + = tet
2!
3!
t + t2 +
584
de modo que
e
A.3
tJ2
=e
1
0
t
1
(A.11)
Quando os autovalores s
ao complexos (e conjugados): 1 = + i, 2 = 1 =
i, a forma de Jordan correspondente e

(A.12)
J3 =

Calculando explicitamente ate a quarta potencia dessa matriz obtemos
2

2 2
J23 =
,
2
2 2
3

3 2 3 32
J33 =
,
32 3 3 3 2
4

+ 4 62 2
4 3 43
J43 =
,
4 3 + 43 4 + 4 62 2
tal que a exponencial da matriz na forma de Jordan seja
etJ3 = I + tJ3 +
1
1
1 2 2
t J3 + t3 J33 + t4 J43 . . . ,
2!
3!
4!
que pode ser escrita na forma geral

I
III
II
IV
(A.13)
ao as seguintes series
I
II
III
IV
1 2 2
1
1
3
1
t 2 t2 + 3 t3 2 t3 + 4 t4 +
2!
2!
3!
3!
4!
1 4 4
6 2 2 4
t t + ,
4!
4!
1
1
1
1
2
= t t2 2 t3 + 3 t3 + 3 t4 3 t4 + ,
2!
2!
3!
3!
3!
= II,
= 1 + t +
= I.
Por outro lado, usando as expansoes em serie de Taylor das funcoes seno e
cosseno [vide [36], Vol. I, Cap. 4, par
agrafo 7]:
sin(t)
cos(t)
1 3 3
1
t + 5 t5 ,
3!
5!
1
1
1 2 t2 + 4 t4 ,
2!
4!
t
(A.14)
(A.15)
podemos escrever, ate termos de ordem t5 e superiores, os elementos da matriz

como o produto de duas series - uma da funcao exponencial, outra de uma
585
funcao trigonometrica (seno ou cosseno) - como segue:

1
1
1
I =
1 + t + 2 t2 + 3 t3 + 4 t4 +
2!
3!
4!

1 3 3
t t = et cos(t),
3!

1
1
1
III =
1 + t + 2 t2 + 3 t3 + 4 t4 + )
2!
3!
4!

1 2 2
1 4 4
1 t + t = et sin(t),
2!
4!
tal que a exponencial da forma de Jordan correpondente e

cos(t) sin(t)
t
tJ3
.
e =e
sin(t) cos(t)
586
(A.16)
Refer
encias Bibliogr
aficas
[1] J. Guckenheimer, P. Holmes, Nonlinear oscillations, dynamical systems,
and bifurcations of vector fields (Springer Verlag, Berlin-Heidelberg-New
York, 1983).
[2] S. Wiggins, Introduction to applied nonlinear dynamical systems and chaos
(Springer Verlag, Berlin-Heidelberg-New York, 1990).
[3] S. Strogatz, Nonlinear dynamics and chaos (Perseus Books, Reading, 1994).
[4] H. B. Dwight, Table of integrals and other mathematical data, (MacMillan
Co., New York, 1968).
[5] http://www.math.duke.edu/education/ccp/materials/diffeq/
logistic/logi1.html
[6] R. Shone, An Introduction to Economic Dynamics, (Cambridge University
Press, Cambridge, 1997).
[7] R. Shone, Economic dynamics: phase diagrams and their economic application, (Cambridge University Press, Cambridge, 1997).
[8] E. J. Kostelich, D. Armbruster, Introductory differential equations: from
linearity to chaos (Addison Wesley, Reading, 1997).
[9] W. H. Press, S. A. Teukolsky, W. T. Vetterling, B. P. Flannery, Numerical Recipes in C: The Art of Scientific Computing, 2nd. Ed. (Cambridge
University Press, Cambridge, 1995).
[10] F. Garvan, The Maple Book (Chapman & Hall/CRC, 2002).
[11] A. Heck, Introduction to Maple (Springer, Berlin-Heidelberg-New York,
2003).
[12] S. Wolfram, Mathematica: A System for Doing Mathematics by Computer
(Addison-Wesley, Reading-Mass., 1999).
[13] T. B. Bahder, Mathematica for Scientists and Engineers (Addison-Wesley,
Reading-Mass., 1995).
[14] A. Gilat, Matlab: An Introduction with Applications, 2nd. Ed. (Wiley, New
York, 2004).
[15] T. A. Davis, K. Sigmon, Matlab Primer, 7th. Ed. (Chapman & Hall/CRC,
2002).
587
[16] O. Blanchard, Macroeconomia: teoria e poltica econ

omica (Ed. Campus,
Rio de Janeiro, 1999).
[17] M. H. Simonsen, Din
amica Macroecon
omica, (McGraw-Hill, Sao Paulo,
1983).
[18] E. D. Domar, Capital expansion, rate of growth, and employment, in
Essays in the theory of economic growth (Oxford University Press, Fair
Lawn, 1957), pp. 70-82
[19] A. C. Chiang, Matem
atica para Economistas, (McGraw-Hill, Sao Paulo,
1982).
[20] R. M. Solow, A contribution to the theory of economic growth, Quarterly
Journal of Economics 70 (1956) 65-94.
[21] G. Gandolfo, Economic dynamics, (Springer Verlag, Berlin-Heidelberg-New
York, 1997).
[22] C. W. Cobb, P. H. Douglas, A theory of production, American Economic
Review 18 (1928) 139-165.
[23] D. G. Hill, Equaco
es diferenciais com aplicaco
es em modelagem (Pioneira
Thomson Learning, Sao Paulo, 2003).
[24] C. W. Clark, Mathematical Bio-Economics: The Optimal Management of
Renewable Resources, 2nd. Ed. (Wiley, New York, 1990).
[25] C. Castilho, P. D. N. Srinivasu, Bio-economics of a renewable resource in
seasonally varying environment, EEE Working Papers Series, n. 16 (May,
2005).
[26] M. Curado, G. Porcile, R. L. Viana, Technology, Capital Flows and the
Balance of Payments Constraint in a Structuralist North-South Model, in
P. Arestis, G. Zenna (Eds.) Advances in Monetary Policy and Macroeconomics (Palgrave MacMillan, 2007), p. 280.
[27] L. Barsotti, Algebra

linear, 2a. Ed. (Ed. do autor, Curitiba, 1976).
[28] A. de la Fuente, Mathematical Methods and Models for Economists (Cambridge University Press, Cambridge, 2000).
[29] L. Pontriaguine, Equations

Differentielles Ordinaires (Editions
MIR,
Moscou, 1969).
[30] A. W. H. Phillips, The Relation between Unemployment and the
Rate of Change of Money Wage Rates in the United Kingdom, 18611957.Economica NS 25 (1958) 283-299.
[31] P. A. Samuelson, R. M. Solow. Analytical Aspects of Anti-Inflation Policy.American Economic Review 50 (1960) 177-194.
[32] http://economics.wustl.edu/~e10411u00/notes/phillips/index.
htm
588
[33] M. Friedman, The Role of Monetary Policy.American Economic Review

58, no. 1 (1968): 1-17.
[34] D. Gulick, Encounters with Chaos (McGraw Hill, New York, 1992).
[35] D. Romer, Advanced Macroeconomics (McGraw-Hill, New York, 1996).
[36] N. Piskunov, C
alculo Diferencial e Integral, 5a. Ed., Tomos I e II (Mir,
Moscou, 1980).
[37] H. E. Nusse, J. A. Yorke, Dynamics: Numerical Explorations, 2nd. Ed.
(Springer Verlag, Berlin-Heidelberg-New York, 1997).
[38] B. Van der Pol, On relaxation oscillators, Phil. Magazine 2 (1926) 978992.
[39] R. L. Viana, Oscilacoes de relaxacao e suas aplicacoes, Revista Brasileira
de Ensino de Fsica (submetido).
[40] Ph. Le Corbeiller, Les systèmes autoentretenus et les oscillations de relaxation, Econometrica 1 (1933).
[41] P. A. Samuelson, Interactions between the multiplier analysis and the
principle of acceleration, Rev. Econ. Statistics 21 (1939) 75-78.
[42] L. Hamburger, Note on economic cycles and relaxation-oscillations,
Econometrica 2 (1934) 112
[43] N. Georgescu-Roegen, Relaxation phenomena in linear dynamic models,
in Activity Analysis of Allocation and Production, Ed. T. C. Koopmans
(Wiley, New York, 1951), p. 116-131
[44] A. C.-L. Chian, E. L. Rempel, F. A. Borotto, C. Rogers, An example of
intermittency in nonlinear economic cycles, Applied Economic Lett. 13
(2006) 257-263.
[45] R. M. Goodwin, A growth cycle, in C. H. Feinstein (Ed.), Socialism,
capitalism, and economic growth, (Cambridge University Press, Cambridge,
1967), p. 54-58.
[46] L. F. Aguiar, The stability properties of Goodwins growth cycle model,
Working paper 10, N
ucleo de Investigacao em Polticas Economicas, Universidade do Minho (2001).
[47] B. Meserve, Fundamental Concepts of Algebra, (Dover, New York).
[48] K. Hoffman, R. Kunze, Algebra

Linear, 2a. Ed. (Livros Tecnicos e
Cientficos, Rio de Janeiro, 1979).
[49] V. I. Arnold, Equaco
es diferenciais ordin
arias (Editora Mir, Moscou, 1985).
[50] J. Tobin, Keynesian models of recession and depression, American Economic Review 75, 195 (1975).
[51] A. Takayama, Analytical Methods in Economics (University of Michigan
Press, Ann Arbor, 1993).
589
[52] O. E. Rossler, An equation for continuous chaos, Phys. Lett. A, 1976

[53] R. M. Goodwin, The complex dynamics of innovation, output, and employment, Structural Change and Economic Dynamics 1 (1990) 119-131.
[54] K. Alligood, T. Sauer, J. A. Yorke, Chaos: an introduction to dynamical
systems, (Springer Verlag, New York, 1997).
[55] M. Ezekiel, The cobweb theorem, Quart. J. Econ. 53 (1938) 225-280.
[56] W. W. Leontiev, Verzogerte Angebotsanpassing und partielles Gleichgewicht, Z. f
ur Nationalokonomie 5 (1934) 670-676.
[57] S. M. Sheffrin, Rational expectations (Cambridge University Press, London,
1983).
[58] M. Nerlove, Adaptive expectations and cobweb phenomena, Quart. J.
Econ. 72 (1958) 227-240.
[59] J. A. Carlson, An invariably stable cobweb model, Rev. Econ. Studies
35 (1968).
[60] R. Manning, Stability of cobwebs, Econ. Record 46 (1970) 588-589.
[61] R. Manning, A generalization of a cobweb theorem, Rev. Econ. Studies
38 (1971) 123-125.
[62] H. G. Schuster, Deterministic Chaos, 2nd. Ed. VCH Verlag, Mannheim
[63] B. G. Adams, Applications of Maple in the Physical Sciences (2000)
[64] J.-M. Boussard, When risk generates chaos, J. Econ. Behavior & Org.
29 (1996) 433-446.
[65] Z. Artstein, Irregular cobweb dynamics, Econ. Lett. 11 (1983) 15-17.
[66] R. V. Jensen, R. Urban, Chaotic price behavior in a non-linear cobweb
model, Econ. Lett. 15 (1984) 235-240.
[67] C. Chiarella, The cobweb model: its instability and the onset of chaos,
Economic Modelling, Oct. (1988) 377-384.
[68] C. H. Hommes, Adaptive learning and roads to chaos: the case of the
cobweb, Econ. Lett. 36 (1991) 127-132.
[69] C. H. Hommes, Dynamics of the cobweb model with adaptive expectations
and nonlinear supply and demand, J. Econ. Behavior & Org. 24 (1994)
315-335.
[70] T. Onozaki, G. Sieg, M. Yokoo, Complex dynamics in a cobweb model
with adaptive production adjustment, J. Econ. Behavior & Org. 41 (2000)
101-115.
[71] C. H. Hommes, On the consistency of backward-looking expectations: the
case of the cobweb, J. Econ. Behavior & Org. 33 (1998) 333-362.
590
[72] M. R. Roussel, Delay-differential equations, disponvel em http://

people.uleth.ca/~roussel/nld/delay.pdf
[73] N. D. Hayes, Roots of the transcendental equation associated with a certain difference-differential equation, J. Lond. Math. Soc 25 (1950) 226-232.
[74] L. Glass, M. C. Mackey, Dos rel
ogios ao caos: os ritmos da vida(Editora
da Universidade de Sao Paulo, Sao Paulo, 1997)
[75] J. Belair, M. C. Mackey, Consumer memory and price fluctuations in
commodity markets: an integrodifferential model, J. Dynamics & Diff.
Eqs. 1 (1989) 299-325
[76] M. Kalecki, A macroeconomic theory of the business cycle, Econometrica
3 (1935) 327-344.
[77] M. Kalecki, A theory of the business cycle, Rev. Econ. Stud. 4 (1937)
77-97.
[78] M. Kalecki, Studies in economic dynamics(Allen-Unwin, London, 1943)
[79] M. Kalecki, Theory of economic dynamics(Unwin University Books, London, 1952)
[80] J. B. S. Haldane, A contribution to the theory of price fluctuations, Rev.
Econ. Stud. 1 (1933) 186-195.
[81] R. M. Goodwin, The nonlinear accelerator and the persistence of business
cycles, Econometrica 19 (1951) 1-17.
[82] A. B. Larson, The hog cycle as harmonic motion, J. Farm Econ. 46
(1964) 375-386.
[83] N. B. Tufillaro, T. Abbott, J. Reilly, An experimental approach to nonlinear dynamics and chaos(Addison-Wesley, Redwood City, 1992)
[84] E. T. Dowling, Theory and problems of introduction to mathematical
economics, Schaums outline series, 3rd. Ed. (McGraw-Hill, New York,
2001)
591

Dinâmica Não Linear em Economia

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

Dinâmica Não Linear em Economia

Enviado por

Direitos autorais:

Formatos disponíveis

Introduc

2 Modelos contnuos bidimensionais lineares

3 Modelos contnuos bidimensionais n

4 Modelos contnuos multidimensionais

5 Modelos discretos unidimensionais

Uso de software matem

6 Modelos discretos bidimensionais

7.3.3 Um caso particular: acoplamento unidirecional

10 Caos em modelos discretos unidimensionais

11.8.3 Pontos homoclnicos . . . . . . . . . . . . . . .

12 Fractais em modelos discretos bidimensionais

13 Caos e fractais em modelos contnuos

13.7 O modelo de Lorenz . . . . . . . . . . . . . . . . . . .

vez identificado o mecanismo subjacente `a din

de que pode haver um componente determinstico e nao-linear em series econ

Admitimos a existencia de apenas uma variavel econ

onde dizemos que o tempo t e a variavel independente, enquanto x e a variavel

amostrada em intervalos finitos (dias, meses, anos, etc.), ou seja t = 0, 1, 2, . . ..

onde F (.) e uma funcao arbitraria do seu argumento. A partir do captulo 5,

Como estamos interessados no caso em que o tempo e uma variavel contnua,

Dada uma condicao inicial, ou seja, um valor para a variavel x no instante

onde x e uma variavel de integracao (muda). Nem sempre podemos efetuar

Um tipo particularmente importante de equacao diferencial e

onde C e uma constante, como podemos verificar por substituicao direta: a

segue-se que a constante de integracao e

O comportamento desta solucao geral depende do sinal do par

Figura 1.1: Solucoes do fluxo linear x = ax + b quando (a) a = 0, 25 > 0, b = 1

A equacao diferencial x = f (x) admite, a partir da condicao inicial x0 , uma

Suponha que f (x) e sua derivada f (x) sejam funco

Consideremos, agora, a equacao

O ponto x = 0 e um ponto de equilbrio, logo e uma solucao possvel para a

tambem e uma solucao possvel, violando a unicidade das solucoes. Na verdade,

Aqui, novamente, podemos separar variaveis para integrar ambos os lados:

Com a condicao inicial x(0) = x0 = 0 obtemos C = 0. Logo, a solucao e

possvel determinar analiticamente as solucoes de modelos contnuos unidiE

Figura 1.3: Diagrama de fase do fluxo x = rx(1 x)

sumidouro desse fluido imagin

Exemplos em economia: modelos de crescimento populacional

Modelos de crescimento populacional est

Uma populacao biol

Figura 1.4: Solucoes do modelo Malthusiano quando (a) r = 0, 3 > 0; (b)

tamanho da populacao no instante t. Quando a populacao e pouco numerosa,

Subtraindo Pt1 em ambos os membros de (1.22) e dividindo por t = 1, temos

Formalmente, tomando o limite quando t 0, obtemos a derivada da

Figura 1.5: (a) Taxa de crescimento per capita no modelo de crescimento

dobrava seu valor a cada intervalo de 25 anos. Tomando t = 25 em (1.25), temos

Pierre-Francois Verhulst sugeriu, em 1838, que a previsao de Malthus exagerava

Desta forma, enquanto P mede-se em n

Como r e constante, a segunda integral fornece simplemesmente rt. Ja a integral

Finalmente, isolando a variavel x obtemos, apos uma algebra elementar, a

Tabela 1.1: Populacao dos Estados Unidos (em milh

a qual e mostrada na figura 1.5(b); onde tambem nos comparamos a solucao

Modelo logstico e o crescimento demogr

P(t) (milhes de habitantes)

de modo que podemos calcular a raz

P/P (por ano)

Figura 1.7: (a) Determinacao da derivada a partir de intervalos simetricos. (b)

podemos ajustar uma reta aos dados

Comparando a equacao da reta ajustada aos dados com (1.26), concluimos

Pontos de equilbrio e estabilidade

Podemos, pois, formalizar estas observacoes. A partcula hipotetica que usamos

ou seja, se colocarmos uma condicao inicial exatamente sobre ele x0 = x , a

Tabela 1.2: Estabilidade do ponto de equilbrio de um modelo contnuo unidimensional