Escolar Documentos
Profissional Documentos
Cultura Documentos
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 `a populacao . . . . .
1.8.3 Modelo de exploracao com variacoes sazonais . . . . .
1.9 Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
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
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
3.7.4 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 . . . . . . . . . . . . . . . . .
2.5.4 Ponto de equilbrio e sua estabilidade . . . . . .
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
181
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
5.6 Orbitas
peri
odicas . . . . . . . . . . . . . . . . . . . . .
5.6.1 Estabilidade das orbitas periodicas . . . . . . . .
5.6.2 Modelo logstico discreto . . . . . . . . . . . . . .
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
.
.
.
.
.
.
5.8.5 Determinacao numerica do ponto fixo . . . . . . . . .
Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
257
266
267
268
269
271
272
276
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
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
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
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
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
.
.
.
e
.
.
.
.
.
.
.
.
. . . . .
. . . . .
. . . . .
desem. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
506
508
509
511
511
512
513
514
516
518
521
525
525
525
526
528
529
530
532
532
534
536
536
537
542
544
544
547
547
555
555
556
558
558
560
561
561
563
566
567
568
570
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
Lyapunov
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
548
548
550
553
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 `a 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 `a 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
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
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
(1.1)
(1.3)
(1.4)
(1.5)
x
x0
dx
=
f (x )
dt = t,
(1.6)
1.1.1
Equa
c
oes diferenciais lineares
(1.7)
onde a e b s
ao constantes. A sua solucao geral e dada por
b
x(t) = Ceat ,
a
(1.8)
b
= x0 ,
a
(1.10)
(1.11)
(1.12)
18
(a)
x01
(b)
5
12
4
x(t)
x(t)
3
6
2
x0
0
x02
0
10
15
20
1.1.2
Exist
encia e unicidade das solu
c
oes
x(0) = x0 ,
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 .
(1.16)
2
t
3
3/2
(1.17)
(1.18)
1.1.3
Diagramas de fase
.
x
1.2
1.2.1
Crescimento exponencial
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
(1.22)
RPt1 Pt1
(R 1)Pt1 .
(1.23)
r R1
(1.24)
onde
e a taxa de crescimento da populacao, igual `a 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
1.2.2
Crescimento logstico
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)
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)
rt
ert
ert x0 (x 1).
x0
.
x0 + (1 x0 )ert
26
(1.32)
KP0
P0 + (K P0 )ert
(1.33)
1.2.3
KP0
= K.
P0 + 0
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
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)
00
11
11
00
00
11
0,035
(a)
(b)
0,03
0,0318 - 0,00017 P
11
00
00
11
00
11
0,025
11
00
00
11
0,02
0,015
0,01
0,005
1820
1830
50
100
150
P (milhes de habitantes)
1840
(1.35)
1.3
(1.36)
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 `a 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
(1.39)
+ ...,
(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)
(1.45)
(a)
(b)
1
0
-5
x
-2
-1
-2
-1
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
x
x
x3
x
x1
x0
t
t1
t2
t4
,
dt
t
(1.48)
(1.49)
(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)
(1.54)
(1.55)
(1.56)
(1.57)
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
0,5
soluo numrica
soluo analtica
0,4
0,3
0,5
0,2
0,475
0,1
0,45
10
1
a
= .
b
2
(1.59)
(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
`a 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
(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
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)
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 `a 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 `a 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
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.
1.5
Depend
encia da soluc
ao com as condi
c
oes
iniciais
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 1.19: Gr
aficos das solucoes da equacao diferencial (1.70) para as
condicoes iniciais x0 = 1, 0 e x
0 = 1, 1.
(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
1.6
1.6.1
(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)
(1.75)
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)
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)
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 `a 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)
I
dI
= lim
,
t0 t
dt
(1.81)
(1.82)
(1.83)
(1.87)
dI
= sI,
dt
(1.88)
ou seja,
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)
f (K, L)
>0
K
(1.91)
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)
(1.96)
(1.97)
.
(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)
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.
(1.101)
(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)
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)
.
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.
(1.108)
K
L
= k ,
(1.109)
(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)
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)
dx dk
= (1 )k F (k) = (1 )k (sk k)
dk dt
= (1 )(s k 1 ) = (1 )(s x),
=
(1.116)
(1.117)
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 `a 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)
=
=
sQ K = sL(k) kL =
L0 e(+ )t (s(k) k) .
(1.123)
(1.124)
(1.125)
(1.126)
= 0,
k2
+ +
s
1
1
(1.127)
(1.128)
(++) k
(++)
k
a
(++)
k
b
sb (k)
s (k)
sa (k)
ka
(a)
(b)
k
k b
k b
k a
1.7
Equac
oes n
ao-aut
onomas
(1.129)
(1.130)
(1.132)
G(t )dt
(1.133)
G(t )dt
(1.134)
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
d h R G(t )dt i
= 0 + F (t)e G(t )dt ,
xe
dt
(1.138)
G(t )dt
+ xG(t)e
G(t )dt
= F (t)e
G(t )dt
(1.139)
G(t )dt
d h R G(t )dt i
= F (t)e G(t )dt ;
xe
dt
(1.141)
(1.142)
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
d t
xe = tet ,
dt
d(xet )
xet
(1.144)
dttet ,
et (t 1) + C,
(1.145)
(1.146)
10
10
(1.147)
f (x, y),
(1.148)
1.
(1.149)
1.8
Explorac
ao de recursos naturais renov
aveis
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).
P
K
h.
(1.150)
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)
1.8.2
Taxa de explorac
ao proporcional `
a populac
ao
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
1.8.3
Modelo de explorac
ao com varia
c
oes sazonais
r a(t),
(1.159)
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)
=
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,
F (t) b(t).
(1.165)
G(t )dt
=e
(1.166)
(1.167)
Rt
0
z0 =
dt B(t )e
R t
0
(1.168)
Rt
0
z0 +
dt B(t )e
R t
0
(1.169)
ou, voltando `
a variavel original, com P0 = 1/z0 ,
P0 e
P (t) =
1 + P0
Rt
0
Rt
0
dt B(t )e
R t
0
(1.170)
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
62
(1.171)
R t+T
t
= zp (t) eT <AE> 1 =
zp (t)e
t+T
Rt
dt B(t )e
R t
t
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
1
1
.
P1
P2
(1.173)
=
=
=
=
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)
Rt
0
(1.175)
1.9
Problemas
63
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
x(0) = 1,
(b)
dx
8x
,
=
dt
9 t2
x(0) = 1,
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
2
X
(2.4)
k=1
(2.5)
(2.8)
(2.9)
(2.10)
(2.11)
(2.12)
(2.13)
(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)
1
ad bc
d
c
b
,
a
(2.17)
desde que ad bc 6= 0.
2.1.2
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
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)
p
x2 + y 2
(2.22)
v
,
|v|
(2.23)
(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)
0
,
0
0=
70
0
0
0
.
0
(2.26)
2.1.3
Autovalores e autovetores
(2.27)
(2.28)
(2.29)
(2.30)
=
,
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)
det(A I) = 0,
(2.35)
=
=
0,
0,
(2.36)
+ =
0,
(2.37)
71
(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)
(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
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)
2.2.1
Pontos de equilbrio
v =
y
dt
Para o modelo linear (2.45), temos de resolver a equacao matricial
A.v + B = 0.
(2.48)
(2.49)
=
=
dv dv
= A.v + B = A.(w + v ) + B
dt
dt
A.(w A1 .B) + B = A.w A.A1 .B + B,
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
2.2.2
Conceitos de estabilidade
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)
(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 `a 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)
(2.57)
(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
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)
(2.60)
2.3
An
alise da estabilidade do equilbrio
2.3.1
2x + y,
(2.61)
x 2y,
(2.62)
2
1
1
,
2
(2.63)
B=
0
,
0
(2.64)
= det A = 4 1 = 3,
(2.65)
(2.66)
(2.67)
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)
ux uy
0,
(2.72)
0.
(2.73)
(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 `a 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.
x + y,
(2.85)
2x + 4y,
(2.86)
1
,
4
(2.87)
= 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.
2 = 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)
=
=
(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
x + y,
(2.98)
4x 2y,
(2.99)
1
,
2
(2.100)
1
4
1 = 2
2 = 3
(2.102)
(2.103)
=
=
c1 e2t + c2 e3t ,
c1 e2t 4c2 e3t .
(2.105)
(2.106)
=
=
c1 + c2 ,
c1 4c2 .
(2.107)
(2.108)
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 `a matriz dos coeficientes, ja na
forma diagonal
1 0
A=
,
(2.111)
0 0
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.
(2.115)
ou ainda
x(t)
c 1 e 1 t ,
(2.116)
y(t)
c2 .
(2.117)
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 `a 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 `a origem para tempo tendendo ao infinito,
o equilbrio nao e atrativo, nem tampouco assintoticamente est
avel.
83
2.3.2
x,
(2.121)
y,
(2.122)
0
,
1
(2.123)
1
0
=
=
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)
(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)
(2.133)
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)
3x 18y,
(2.137)
2x 9y,
(2.138)
3 18
,
2 9
(2.139)
= 9,
D = 0,
(2.140)
(2.141)
(2.142)
6
2
18
6
zx
3
=
.
zy
1
(2.144)
(2.145)
=
=
ou
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
Figura 2.10: (a) Evolucao temporal das variaveis x e y para as condicoes iniciais
x0 = 3 e y0 = 3. (b) N
o est
avel degenerado.
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)
(2.154)
1
t
t
1
=
= lim ||t =
= lim
= 0.
t e
et
t ||e||t
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 `as 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)
(2.157)
=
=
c1 + c2 t = x0 + y0 t,
c 2 = y0 ,
(2.160)
(2.161)
2.3.3
Autovalores complexos
2y,
(2.162)
2x,
(2.163)
2
0
(2.164)
0
2
= 4 > 0,
D = 16 < 0
(2.165)
2 = 2i
(2.166)
r cos ,
(2.167)
r sen ,
(2.168)
(2.169)
y
P
y
r
(2.171)
(2.172)
=
=
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)
=
=
2r sen cos ,
2r sen cos ,
(2.175)
(2.176)
(2.177)
(2.179)
(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
Figura 2.13: (a) Evolucao temporal das variaveis x e y para as condicoes iniciais
r0 = 2 e 0 = 0. (b) Centro.
(2.181)
(2.182)
=
=
r0 cos(0 t),
r0 sen (0 t),
(2.183)
(2.184)
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)
D = 2 4 = 36 < 0,
= 13,
(2.188)
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
(2.190)
(2.191)
=
=
(2.192)
(2.193)
=
=
2r(cos2 + sen 2 ),
2r,
(2.194)
=
=
92
(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
Figura 2.14: (a) Evolucao temporal das variaveis x e y para as condicoes iniciais
r0 = 2 e 0 = 0. (b)
=
=
3r(cos2 + sen 2 ),
3,
(2.198)
=
=
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 `a 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
Figura 2.15: (a) Evolucao temporal das variaveis x e y para as condicoes iniciais
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)
(2.204)
=
=
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)
(2.207)
(2.208)
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
2.3.4
Crit
erio geral para estabilidade
Re(1,2 ) < 0.
(2.209)
(2.211)
onde
= a1 = Tr A,
= a2 = det A.
(2.212)
(2.213)
(2.214)
D>0
D=0
no instavel
D<0
ponto
foco instavel
de
centro
0
sela
foco estavel
no degen.
no estavel
1 2
,
4
(2.215)
2.4
2.4.1
Macrovari
aveis e logaritmos
U (t)
U (t)
=
.
L(t)
N (t) + U (t)
(2.216)
(2.217)
,
(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 `a 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)
d
dM/dt
= (ln M ).
M
dt
97
(2.223)
2.4.2
Curva de Phillips
(2.225)
(2.226)
(2.227)
(2.228)
f(u)
u
/
(2.229)
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)
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
2.4.4
det A = cb,
Tr A = c(a 1) b.
(2.237)
(2.238)
(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)
(2.243)
u = = uE .
>
0,
c(a 1) b
<
0.
D = 2 4 = [c(a 1) b] 4cb.
(2.244)
4c
,
(2.245)
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) 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).
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)
2.5
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
(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)
(2.256)
(2.257)
2.5.2
(2.258)
Modelo est
atico
(2.259)
(2.260)
r
Ao
curva LM
curva IS
Bo
Y
YE
Bo /B 1
A o /A 1
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
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
r
LM
r
r
P2
1
E2
E1
IS 2
1
IS
Y
Y E1 YE2
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 `a
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)
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)
(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)
(2.277)
2.5.4
det A = hA1 ,
Tr A = h(A1 + B1 ).
(2.278)
(2.279)
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)
.
h
=
=
=
=
2 4 = (hA1 + ) 4h(A1 + B1 ),
(2.285)
h(A1 + 2B1 )
hA21
hA1
(2.286)
A1 = 0, 2869
B0 = 16
B1 = 0, 5
rE = 15.
= 0, 024 > 0,
D = 0, 0821 > 0,
2.6
Problemas
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
(b)
dx
= x + y,
dt
dy
= 4x + y,
dt
(c)
dx
= 3x 2y,
dt
dy
= 2x 2y,
dt
111
(d)
dx
= x + y,
dt
dy
= 4x + y,
dt
dy
= 2y,
dt
(e)
dx
= x 3y,
dt
(f)
(g)
dx
= 6x y,
dt
dy
= 5x + 4y,
dt
dx
= 2x + 8y,
dt
dy
= x 2y,
dt
xy
x + 3y
y(t)
c1 e2t + c2 (t 1)e2t
c1 e2t c2 te2t
(2.287)
(2.288)
(2.289)
ax
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)
d2 x
dx
+b
+ cx + d = 0.
2
dt
dt
(3.3)
dx
dt
(3.4)
(3.5)
dy
+ by + cx + d = 0.
dt
(3.6)
y,
(3.7)
b
c
d
y x ,
a
a
a
(3.8)
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)
3.1
Trajet
orias no plano de fase
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
(3.15)
(3.16)
(3.17)
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
(3.18)
(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
f (x, y),
(3.19)
g(x, y),
(3.20)
(b)
(a) y
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)
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
=
=
x + ey ,
y,
(3.24)
(3.25)
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 `a 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 `a 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).
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 `a condicao inicial x0 = x(t0 ), consiste
numa sequencia de pontos xk = x(t = tk ), onde
tk = tk1 + t = t0 + kt,
120
(3.31)
f (x, y),
(3.32)
g(x, y),
(3.33)
3.3.1
= xk + f (xk , yk )t,
= yk + g(xk , yk )t.
(3.34)
(3.35)
f (x, y) = x + ey ,
g(x, y) = y,
(3.36)
(3.37)
(3.38)
(3.39)
(3.40)
(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
3.3.2
Programa em linguagem C
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
0,2
0,1
-0,1
-0,2
-8
-6
-4
-2
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 `a 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)
usando o Mathematica.
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 `a 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
v =
y
dt
ou seja, as solucoes da equacao vetorial
F(v ) = 0.
(3.43)
=
=
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
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)
=
=
0,
0,
(3.48)
(3.49)
wx (t)
wy (t)
(3.52)
(3.53)
f
x
DF(v ) = g (x ,y )
x
(x ,y )
f
y
g
y
(x ,y )
(3.54)
(x ,y )
(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
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
= f = y,
(3.57)
= g = x x2 y,
(3.58)
(3.60)
=
=
T rA = 0,
det A = 1,
(3.61)
(3.62)
2 4 = 4.
(3.63)
+ D
= +i,
(3.64)
1 =
2
D
2 =
= i.
(3.65)
2
132
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)
3.4.2
Exemplos de an
alise pelo diagramas de fase
0, 1x + 5y,
20
+ 0, 1y,
x
(3.66)
(3.67)
0,
(3.68)
0.
(3.69)
A = DF(x = 100, y = 2) =
.
0, 002 0, 1
(3.71)
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
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)
100
50
150
200
x(3 x 2y),
y(2 x y),
(3.81)
(3.82)
y (2 x y )
136
0,
(3.83)
0,
(3.84)
x1 = 0,
y1 = 0.
(3.85)
=
=
3,
2,
(3.86)
(3.87)
y2 = 1.
(3.88)
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 `a 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
3x
,
2
y = 2 x,
y=
(3.96)
(3.97)
1,6
1,2
0,8
0,4
0,5
1,5
2,5
3.5
3.5.1
Hip
oteses do modelo
(3.100)
(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)
dH
dK
+
,
dt
dt
(3.103)
onde
dK
dt
dH
dt
sk Y K,
(3.104)
sh Y H,
(3.105)
3.5.2
Deriva
c
ao das equa
c
oes do modelo
Y
,
AL
K
,
AL
140
H
.
AL
(3.106)
K
H
=
=
=
=
=
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
=
=
=
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)
1
K H
1
Q(
,
, 1, 1) =
Q(k, h, 1, 1).
AL AL AL
AL
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)
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
,
v =
h
141
(3.112)
sh k
( + g + )h
0,
(3.113)
0.
(3.114)
(3.116)
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)
k
,
k
x2
h
.
h
(3.120)
=
=
dx1 dk
1 dk
= ,
dk dt
k dt
dx2 dh
1 dh
=
,
dh dt
h dt
(3.121)
(3.122)
s k k h x
1 x2 ck x1 ,
s h k h x
1 x2 ch x2 .
142
ck x
1 x2 ck x1 ,
ch x
1 x2 ch x2 ,
f1 (x1 , x2 ) = c(x
1 x2 x1 ),
(3.123)
f2 (x2 , x2 ) = c(x
1 x2 x2 ).
(3.124)
k
= 1,
k
x2 =
h
= 1,
h
(3.125)
3.5.4
Diagrama de fase
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)
1
cx
> 0,
1 x2
(3.130)
x2 > 0,
cx1
1
(3.131)
A
x2
B
1
0
0
x1
f2
dx1 > 0,
x1
3.5.5
Estabilidade do equilbrio
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)
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)
= c (1 ) > 0.
(3.141)
(3.142)
=
=
=
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
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
3.6.1
Auto-direc
oes e autovetores
x(t)
y(t)
v0 =
(3.144)
x(t = 0)
y(t = 0)
(3.145)
(3.146)
(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 `a 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)
= x + y,
(3.151)
= 4x 2y,
(3.152)
(3.153)
3.6.2
Es
Eu
u1
O
u2
t 0}, (3.155)
u
Vloc
(v ) = {x U |t (x) v quando t , e t (x) U,
t 0}.
(3.156)
Es
Eu
v*
x
s
t (Vloc
(v )),
(3.157)
u
t (Vloc
(v )),
(3.158)
t0
V u (v ))
t0
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)
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)
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)
y
s
s
E =V
u
V
O
E
(3.168)
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
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)
(a)
(b)
-1
-1
-1
-2
-2
-1
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)
0,5
dr/dt
-0,5
-1
0,5
1,5
-1
-2
-2
-1
3.7.1
Crit
erios para impossibilidade de trajet
orias fechadas
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)
(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)
156
L(x,y)
1
0
1
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
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)
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)
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
g(x, y)
f (x, y)
(3.199)
(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
3.7.3
Crit
erios para exist
encia de trajet
orias fechadas
(a)
(b)
U
P
U
C
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
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
F(x)
0,5
x*3
x*2
x*1
-0,5
-1
-3
-2
-1
-2
-2
164
1
0
-1
-2
2
1
0
-1
-2
-3
0
10
15
20
(a)
V
(b)
v*
v*2
v*1
(c)
u
V
Vs
v*1
v*2
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
=
=
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
orias no plano de fase
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)
y2
x2
x4
+ ,
2
2
4
167
(3.212)
-1
-2
-2
-1
3.8
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
Y
,
L
(3.214)
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)
w
dK
.
=S =Y 1
dt
(3.218)
169
K
,
Y
(3.220)
(3.221)
(3.222)
,
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)
(3.226)
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.
,
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
d ln w d ln
d
ln x =
,
dt
dt
dt
dx/dt
dw/dt d/dt
x
=
=
=w
x
w
(3.230)
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 `a escassez de mao de
obra. Ja numa situacao de grande desemprego (y proximo a zero) os salarios
podem inclusive diminuir em valores reais, devido `a 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.
Substituindo (3.232) em (3.230) temos
x
=
dx/dt
= + y ,
x
(3.233)
3.8.2
=
=
[( + ) + y]x,
x
1
y.
( + n) +
v
v
(3.234)
(3.235)
Soluc
oes de equilbrio e sua estabilidade
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)
(a2 + b2 x )y
0,
(3.242)
0,
(3.243)
e (x , 0) e uma quarta nao-trivial,(x , y ), onde:
x
a2
= 1 ( + n)v,
b2
+
a1
=
.
b1
(3.244)
(3.245)
b2 y
(a2 + b2 x )
b2 ab11
b1 ab22
0
. (3.247)
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)
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*
3.8.3
Diagrama de fase
=
=
b1 (y y)x,
b2 (x x )y,
(3.252)
(3.253)
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
=
=
a1 ln y + b1 y
a2 ln x b2 x + C
(3.256)
(3.257)
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
y,
x x3 ,
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
y + ax(x2 + y 2 )
x + ay(x2 + y 2 )
ar3
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
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
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
M=
M11
M21
..
.
M12
M22
..
.
..
.
M1N
M2N
..
.
MN 1
MN 2
MN N
(4.1)
u1
u2
u = . ,
(4.3)
..
uN
181
..
.
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)
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
Distributividade II: (c + c )v = cv + c v,
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)
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 `a 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
(4.9)
(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 `a
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:
T= .
..
.. .
..
..
.
.
.
uN 1 uN 2 uN N
Como um exemplo, considere a matriz
1 1
,
A=
4 2
(4.14)
(4.15)
(4.16)
(4.18)
4.1.5
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
ei f h
1
gf di
=
dh ge
hc ib
ai gc
gb ah
bf ce
dc af ,
ae db
(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
F1 (x1 , x2 , xN ),
F2 (x1 , x2 , xN ),
..
.
FN (x1 , x2 , xN ).
(4.25)
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)
(4.28)
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
(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)
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)
(4.39)
que est
a associada `
a exponencial da matriz pela relacao (vide o Problema 3):
etA = V(t)V( 0)1 .
(4.40)
4.3
Solu
c
oes de equilbrio e sua estabilidade
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)
(4.44)
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
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)
(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
`a 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
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)
2 > 0,
N > 0,
0
0
1
..
.
..
.
a2k6
(4.52)
ak
0
0
0
..
.
(4.53)
(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)
<
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)
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)
(4.63)
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)
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)
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
4.4.1
Tr
es autovalores reais e distintos
1 0 0
J = 0 2 0 ,
0 0 3
(4.74)
(4.75)
e1
0
0
e 2 t
0 .
eJt = 0
(4.76)
0
0
e 3 t
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
(4.77)
(4.78)
z(t) T1 .w(t),
(4.79)
(4.80)
Definindo o vetor
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)
=
=
=
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
4.4.2
0
0 ,
(4.86)
J=
0 0 3
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
198
t
e cos(t) et sin(t)
0
0 ,
(4.87)
eJt = et sin(t) et cos(t)
3 t
0
0
e
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)
=
=
=
(4.89)
(4.90)
(4.91)
=
=
(4.93)
4.4.3
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)
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)
= e z2 (0)
= e3 t z3 (0)
(4.98)
(4.99)
(4.100)
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
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
(4.101)
(4.102)
w(t) =
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
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
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)
4.5.1
Variedades invariantes
t 0},
(4.110)
u
Wloc
(v ) = {x U |t (x) v quando t , e t (x) U,
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
E
E
c
u
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
4.6
(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)
Er
E
> 0,
(Y T )
E
< 0,
(r e )
(4.117)
(4.118)
(4.119)
(4.120)
rp
r
> 0,
Y
r
> 0.
p
(4.121)
(4.122)
ex
ogenos (M = M
Neste esprito, podemos reescrever a equacao
(4.119) como
dY
= [E(Y, p, e ) Y ].
(4.123)
dt
208
d
dp/dt
= (ln p),
p
dt
(4.124)
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)
= [E(Y , p , e ) Y ],
= p [(Y YE ) + e ] ,
= (Y YE ).
(4.131)
(4.132)
(4.133)
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)
#
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)
(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)
=
=
=
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)
(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
(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.
y(0) = z(0) = 5, 0
(4.158)
/* 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;
/* vetor auxiliar r2 */
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;
/* vetor auxiliar r3 */
kx3 = f(xk+(kx2/2),yk+(ky2/2),zk+(kz2/2))*delta;
213
ky3 = g(xk+(kx2/2),yk+(ky2/2),zk+(kz2/2))*delta;
kz3 = h(xk+(kx2/2),yk+(ky2/2),zk+(kz2/2))*delta;
/* vetor auxiliar r4 */
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
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):
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.
20
15
z
10
10
10
5
5
0
-5
0
-10
5
0
x
-5
-10
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
y
0
-5
15
z 10
5
0
-5
0
x
5
10
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)
usando o Mathematica.
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
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
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
221
e as equacoes din
amicas resultantes, s
ao as seguintes:
1. O produto e dinamicamente ajustado `a demanda total:
dq
= e(qd q),
dt
(4.159)
(4.160)
(4.164)
(4.165)
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 `a 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 `as 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
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)
n
,
h(1 sk )
(4.175)
n
,
h
q2 =
n
.
h(1 sc)
(4.176)
(4.177)
(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
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
1 = f h,
(4.190)
1 = f sn,
(4.191)
2 = f h(1 sc),
(4.192)
2 =
f sn
.
1 sc
(4.193)
= 0,
i
det[J(vi I] = i
(4.194)
i
0
0 (1) b
(4.195)
a0 = 1,
a1 = i (1) b,
(4.196)
a3 = (1) eni b,
(4.197)
a2 = eni + i (1) b,
i (1) b
>
0,
(4.198)
>
0,
(4.199)
>
0.
(4.200)
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
4.8.3
Exemplo num
erico
8, 0
10, 0
v1 = 0, 3 , v2 = 0, 5 ,
(4.203)
0
4, 0
1 = 0, 3f
2 = 0, 70035
2 = 0, 15f.
1 = 0, 052164
2 = 0, 10948
1 = 0, 12f
2 = 0, 24f
w(0) = 1, 0
k(0) = 0, 1.
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
4.9
Problemas
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
2
A= 0
1
1
2
0
3
0 ,
0
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.
C+
(0, 0, 0)
p
p
( b(r 1), b(r 1), r 1)
p
p
( b(r 1), b(r 1), r 1)
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
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
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)
(5.3)
onde e s
ao n
umeros reais. O modelo discreto (5.2) corresponde `a 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
=
=
=
(5.4)
=
=
=
=
f (xt1 ) = xt1 +
(xt2 + ) + = 2 xt2 + (1 + )
..
.
t x0 + (1 + + 2 + . . . + t1 ).
(5.5)
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
(5.8)
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
,
(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)
(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)
x2
(a)
t+1
(b)
t+1
x = xt
t+1
x = xt
t+1
x1
x0
x1
x2
(a)
x
t+1
(b)
t
x = xt
t+1
x*
x
x0
x*
x1
0 1 2 3 4 5
x2
(1) (x0 x ) + x = x0 ,
2
(1) (x0 x ) + x = x0 ,
5.2
5.2.1
Vers
ao tradicional
(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)
pt1 ,
(5.16)
pt =
b
b
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
5.2.2
Expectativas adaptativas
(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
(5.23)
(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 .
(5.25)
=
= 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)
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
(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.
1
xb = 1 .
r
(5.35)
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
..
.
=
=
xt
(5.36)
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
=
=
=
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 `a
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
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 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.
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
(5.40)
(5.41)
f (x + t1 ) = f (x ) + t1
+
+ . . . , (5.42)
dx x=x 2 t1 dx2 x=x
|| < 1
|| = 0
|| > 1
|| = 1
x e est
avel
x e super-est
avel
x e instavel
o criterio de linearizacao falha
convergencia monotonica a x ,
convergencia oscilat
oria a x ,
divergencia monotonica de x ,
divergencia oscilat
oria de x ,
.
(5.43)
dx x=x
t |f (x ) + t1 x | = |t | ,
(5.44)
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
(5.45)
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
x2 = f (x1 ),
(5.47)
(5.48)
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
(5.50)
=
=
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)
T (3/5) = 4/5,
T (4/5) = 2/5,
T (2/5) = 4/5,
5.6.1
Estabilidade das
orbitas peri
odicas
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
m1
m1
(5.57)
m2
=
,
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
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))
(5.60)
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.
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: `a 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
=
=
=
=
r2 + 2r + 4.
251
(5.69)
5.7
5.7.1
Solu
c
oes num
ericas
Uso de planilhas eletr
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)
(5.71)
(5.72)
(5.73)
(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
(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
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)
5.7.2
(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
256
5.7.3
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
:=
:=
:=
:=
:=
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]);
(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
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
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
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
(a)
(b)
Figura 5.23: (a) Funcao demanda generica. (b) Funcao demanda linear.
5.8.1
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)
(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
5.8.2
(5.86)
(5.87)
(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
(a)
(b)
S(p)
_
O
x
_
pe
pe
Figura 5.25: (a) Curva de oferta sigmoide. (b) Curva de oferta do tipo arcotangente
St Ot O,
xt pet pe ,
(5.93)
(a)
(b)
1
S(x)
S(x)
-1
-1
-2
-2
-1
-2
-2
-1
=
=
(1 w)x + w
b
b
b
b
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
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
(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 `a 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 `a 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)
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)
(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)
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
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)
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
i < 1.
1 < h
2
w
2
b 1 + (x )
(5.106)
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
b 1 + 2 (ci )
i = ,
(5.109)
5.9
Problemas
276
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
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
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)
(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
(6.7)
(6.8)
(I A) v
A v + B,
B.
(6.10)
(6.11)
(6.12)
ent
ao existe a matriz inversa, dada por
(I A)
1
(1 a)(1 d) bc
1d
c
b
1a
=
=
=
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
(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)
=
=
=
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)
(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
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
se
t .
(6.27)
se
t .
(6.28)
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)
(6.34)
=
=
A (u),
A u = 2 u,
..
.
t u.
(6.35)
(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
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)
(6.43)
=
=
c1 2t + 8c2 (4) ,
t
3c2 (4) .
(6.45)
(6.46)
=
=
c1 + 8c2 ,
3c2 ,
(6.48)
(6.49)
c1
c2
(6.50)
(6.51)
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 `a 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
2
(6.56)
yt
u2
-1
-2
-4
-2
xt
tal que
xt
yt
=
=
c1 2t + c2 (3) ,
(6.59)
(6.60)
c1 2 4c2 (3) .
=
=
c1 + c2 ,
c1 4c2 ,
(6.61)
(6.62)
cuja solucao e
c1
c2
4x0 + y0
,
5
x 0 y0
,
5
(6.63)
(6.64)
yt
u2
-1
-2
-2
-1
xt
1
= xt1 ,
2
= 3xt1 + 2yt1 ,
0
2
(6.67)
(6.68)
(6.69)
(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
5c1 ,
(6.74)
y0
6c1 + c2 ,
(6.75)
c1
c2
(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
=
=
0,
0.
(6.81)
(6.82)
(6.84)
ou ainda
x(t)
y(t)
=
=
c1 1t ,
c2 .
(6.85)
(6.86)
=
=
x0 1t ,
y0 .
(6.87)
(6.88)
6.2.3
Autovalores complexos
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
ao as solucoes da equacao
matricial
a
b
b
a
(A I)u
ux
uy
=
=
0,
(6.94)
0
0
(6.95)
0,
(6.96)
0,
(6.97)
(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)
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
(6.105)
c1 rt eit + c2 rt eit ,
t it
ic1 r e
t it
ic2 r e
(6.106)
.
(6.107)
c1 + c2 ,
(6.108)
y0
ic1 ic2 ,
(6.109)
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)
sin
eit + eit
,
2
eit eit
,
2i
(6.114)
(6.115)
=
=
(6.116)
(6.117)
yt1 ,
(6.118)
yt
xt1 ,
(6.119)
0 1
1 0
(6.120)
02 + 11 = 1
1
arctan
= arctan() = rad.
0
2
(6.121)
(6.122)
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
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
(6.127)
yt
1
1
xt1 + yt1 ,
2
2
1
1
xt1 + yt1 ,
2
2
(6.128)
(6.129)
1/2
1/2
293
1/2
1/2
(6.130)
yt
-1
-2
-3
-4
-2
xt
= 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
yt
yt
3
xt1 2yt1 ,
2
3
2xt1 + yt1 ,
2
294
(6.135)
(6.136)
yt
-2
-4
-4
-2
xt
com coeficientes
A=
3/2
2
2
3/2
(6.137)
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
(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
assintoticamente est
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)
|1,2 | = a2 + b2 .
(6.143)
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
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
= 1 2
(6.149)
6.4
6.4.1
Hip
oteses e equa
c
oes do modelo
(6.150)
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)
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)
=
=
=
Ct + It + Gt = Ct + It + 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)
yt1 ,
(6.158)
xt1 + (1 + )yt1 + G,
(6.159)
6.4.2
1
(1 + )
B=
(6.160)
= (I A) B,
v =
y
(6.161)
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)
1
=
1
1 (1 + )
299
1
1
(6.164)
1
G
1
.
=
1
1
1
1
(6.165)
=
D
trA = (1 + ),
(6.167)
det A = .
2
(1 + )
.
2
(6.168)
(6.169)
2 (1 + ) 4
0,
4,
(1 + )
4
(1 + )
2,
(6.170)
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)
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
B
ponto de sela
1
n estvel
n instvel
A
foco instvel
0,5
foco estvel
4
(1 + )
2,
B:=
1
.
6.5
=
=
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)
6.5.1
(6.179)
Pontos fixos
,
(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
=
=
(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)
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
v2 = F(v1 ),
(6.190)
(6.191)
(6.192)
(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)
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
yt
(6.197)
(6.198)
a (a x2 + by) + bx,
g(f (x, y), g(x, y)) = f (x, y) = a x2 + by.
=
=
(6.199)
(6.200)
x =
0 =
0 =
(6.201)
a x2
,
1b
(6.202)
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)
(6.204)
=
=
1,
(1 b) = 1 + b,
(6.206)
(6.207)
2
2a + a (1 b) = a + (1 b) ,
304
(6.208)
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)
6.6.1
1 + A1
+$D$1 B1 B1 + $D$2 C1
B1
305
6.6.2
#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
(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.
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
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)
=
=
g(xt1 , yt1 )
=
=
f (x + xt1 , y + yt1 ),
(6.218)
f
f
+ yt1
+ ,
f (x , y ) + xt1
xt1 (x ,y )
yt1 (x ,y )
=
=
f (x , y ),
g(x , y ),
(6.220)
(6.221)
(6.224)
J(v ) =
f
xt1
g
xt1
(x ,y )
(x ,y )
f
yt1
g
yt1
(6.225)
(x ,y )
(6.226)
(x ,y )
(6.227)
(6.228)
1 + + > 0.
(6.229)
onde
6.7.2
trJ(v ),
(6.230)
(6.231)
det J(v ),
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
J(v+
)=
,
1 0
T 1
e
(6.236)
p
D
4
=
= 0, 4 0, 632.
(6.237)
1,2 =
2
2
Como os autovalores s
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
+ 0, 4 = 0, 60 0, 76,
1,2 =
2
2
,
(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)
v+
,
(1 b) + 4a > 0,
(6.243)
v
.
(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)
(6.247)
=
=
(6.248)
(6.249)
=
=
f (x , y ) = x + x y ,
g(x , y ) = y + x 2 ,
(6.250)
(6.251)
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
{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:
m
Y
J(vk ),
(6.255)
k=1
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
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)
Como os autovalores s
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)
(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)
>
0,
3b(b 2),
3
[1 + b(b 2)] a1 ,
4
(6.270)
<
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
x2t1 ,
(6.272)
(6.273)
f (x , y ) = x + x y ,
g(x , y ) = y + x ,
(6.274)
(6.275)
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
6.9
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=
(x, y) =
1/3
(6.281)
6.10
Direc
oes e curvas invariantes
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 `a 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)
(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
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 `as 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)
s
s
E (0,0) = W (0,0)
u
W (0,0)
u1
u
E (0,0)
0
u2
x20
2(t1)
2
0,
(t 0).
6.11
Determinac
ao num
erica de pontos fixos e
sua estabilidade
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)
1
(x + y ) ,
2
4 cos(x ),
(6.291)
(6.292)
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)
(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];
abs2 := abs(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)
df x2 :=
0.500000000
3.383621359
0.5000000000
0.
(6.298)
6.12
(6.299)
(6.300)
20
1+2
f(u)
15
10
(6.301)
=
=
e
e
),
t1
+ c(1 + 2 eut1 + (a 1)t1
e
ut1
),
[1 + c(a 1)]t1 + c(1 + 2 e
(6.303)
(6.306)
(6.307)
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
=
=
(6.310)
a ),
(6.311)
bm ba e
= m a e ,
b
(6.312)
u b(m 1 2 e
De (6.311) temos
1 + 2 eu =
c(a 1) e + c(m a e ),
cm,
(6.313)
1 + 2 eu
eu
m am = m(1 a),
m(1 a) 1
.
2
(6.314)
,
(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)
1,
(6.319)
c2 eut1 ,
(6.320)
b,
(6.321)
1 b2 eut1 ,
(6.322)
1 c2 eu
1 c|1 |
J=
=
,
b 1 b|1 |
b 1 b2 eu
(6.323)
trJ = 2 b|1 |,
(6.324)
(6.325)
(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 `a 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)
(2 + b|1 |)
b |1 | 4b|1 |
2
b |1 |
4b|1 | 4bc|1 |,
4(2 c)
.
|1 |
(6.332)
(6.333)
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 < b < b2 , e um no instavel se b > 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
4
4
=
1, 28,
|1 |(c 2)
2, 5 (2 0, 75)
(6.336)
6.13
Problemas
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
(mod2), yt = yt1 + yt1
+ cos(xt1 ),
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
funca
o demanda linear: Dt = a bpt , com a > 0, b > 0;
equilbrio do mercado: Dt = Ot ;
332
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
=
=
=
=
(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)
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
(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)
(7.11)
(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
1 0
0 1
I= . . .
..
.. ..
0
22
..
..
.
.
AN 1
AN 2
0
0
..
.
1
(7.15)
..
.
= 0,
A1N
A2N
..
.
AN N
(7.16)
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.
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.
7.2.1
Crit
erio de Jury
(7.19)
|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)
(7.26)
(7.27)
(7.28)
(7.29)
<
>
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
(7.33)
<
>
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)
<
>
>
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)
= (a24 1) (a1 a4 a3 ) ,
340
(7.52)
(7.53)
|(a24
|a24 1|
>
1) (a1 a4 a3 ) |
>
7.2.2
>
|a1 a4 a3 |,
(7.54)
(7.55)
2
Crit
erio de Schur
(7.56)
..
.
..
.
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)
(7.61)
(7.62)
(7.63)
(7.64)
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)
>
0,
(7.69)
1 a1 + a2
>
0,
(7.70)
e que s
ao as condicoes de estabilidade (6.145)-(6.147).
342
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
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
(7.75)
(7.76)
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
M0 (21) + M0 (31),
M0 (2)
M0 (3)
=
=
M0 (12) + M0 (32),
M0 (13) + M0 (23).
(7.78)
=
=
m(21) + m(31),
m(12) + m(32),
(7.79)
(7.80)
m(3)
m(13) + m(23),
(7.81)
(7.82)
Mt (2)
Mt (3)
=
=
(7.83)
(7.84)
=
=
Xt (3)
(i = 1, 2, 3)
(7.86)
Yt (2)
Yt (3)
=
=
onde definimos
m(ii)
H(1)
H(2)
H(3)
(i = 1, 2, 3)
(7.90)
(7.91)
(7.92)
(7.93)
(7.94)
Yt (1)
vt = Yt (2) ,
Yt (3)
(7.95)
H(1)
B = H(2) .
H(3)
(7.96)
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
onde
=
=
a(11)
a(12)
=
=
a(13)
a(21)
=
=
a(11)
a(23)
=
=
a(31)
a(32)
=
=
a(33)
det(I A)
(7.100)
(7.101)
(7.102)
(7.103)
(7.104)
(7.105)
(7.106)
(7.107)
(7.108)
(7.109)
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)
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)
a2
a3
=
=
Tr A,
c2 ,
det A,
(7.115)
(7.116)
(7.117)
=
=
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)
=
=
=
7.3.3
(7.124)
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))
(7.126)
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)
7.4
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)
7.5
An
alise da estabilidade em alguns casos
(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)
7.5.1
Tr
es autovalores reais e distintos
1 0 0
(7.133)
J = 0 2 0 ,
0 0 3
(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)
(7.138)
(7.139)
1 0 0
(7.140)
Jt = 0 2t 0 ,
0 0 3t
1
z1t
z2t = 0
0
z3t
z10
0 0
2t 0 z20 ,
z30
0 3t
(7.141)
=
=
1t z10 ,
2t z20 ,
(7.142)
(7.143)
z3t
3t z30 ,
(7.144)
7.5.2
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)
=
=
z3t
3t z30 ,
(7.148)
(7.149)
(7.150)
t1
7.5.3
0
0 ,
(7.151)
J=
0 0 3
u1
u2
u3
1
i ,
0
1
i ,
0
0
0 ,
1
352
(1 = + i),
(7.152)
(2 = i),
(7.153)
(3 ),
(7.154)
r cos ,
(7.155)
r sin ,
(7.156)
tal que
r=
2 ,
b
.
= arctan
a
(7.157)
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
=
=
(7.160)
(7.161)
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)
=
=
=
(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
7.6
7.6.1
Modelos multidimensionais n
ao-lineares
Pontos fixos e
orbitas peri
odicas
(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)
(7.175)
vi+1
v1
=
=
F(vi )
F(vm
).
(i = 1, 2, . . . m 1),
(7.176)
vm
, temos
vm
= F(vm1
) = F(F(vm2
)) = F(F(F(vm3
))) = . . . F[m] (vm
),
(7.177)
7.6.2
wt =
(w1 )t
(w2 )t
..
.
(wN )t
(7.178)
(x1 )t x1
(x2 )t x2
..
.
(xN )t xN
(7.179)
(w1 )t + x1
x2
(w2 )t +
..
.
(wN )t +
xN
=
=
(7.181)
(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
(v )
(v )
J(v ) =
..
..
..
.
.
.
FN
FN
...
x1
x2
(7.184)
(v )
(v )
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
7.6.4
Variedades invariantes
u
Vloc
(v )
onde a notacao F[ n](v) indica a n-esima iterada do mapa, ou seja, F(F( F(v))).
357
V (v ))
u
F[t] (Vloc
(v )),
t0
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
7.7.1
Vari
aveis e hip
oteses do modelo
(7.186)
(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)
7.7.2
(7.190)
(7.191)
Obtenc
ao do modelo din
amico
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)
7.7.3
(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
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)
(7.203)
2,
(7.204)
2,
(7.205)
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))
(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.
0
1
2 c(1)(qt1 (2)+qt1 (3))
1
1
0
1
1
2
(7.207)
(7.214)
1
c(1)(qt1 (2)+qt1 (3))
1
1 .
1
1
1
1
0
2 c(1)(q (2)+q (3))
2 c(1)(q (2)+q (3))
1
1
1
0
1 .
1
1
0
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)
=
=
=
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)
=
=
0
0
(7.222)
onde definimos
P
D
AC + BC + AB,
2ABC.
(7.223)
(7.224)
(7.225)
(7.226)
1 + P D < 0
|D2 1| > |P|,
(7.227)
(7.228)
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)
q (2) = 0, 006,
q (3) = 0, 059,
(7.230)
1
= 4, 484.
q (1) + q (2) + q (3)
B = 0, 487,
P = 0, 439 < 0,
C = 0, 35,
D = 0, 324,
7.8
Exerccios
1
A= 6
1
2
1
2
1
0 ,
1
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)
N
X
j=1,j6=i
N
X
M0 (ij)
j=1,j6=i
365
366
Parte II
Din
amica N
ao-Linear e
Caos
367
Captulo 8
Bifurca
co
es em modelos
contnuos unidimensionais
8.1
.
.
x
(a)
.
x
(b)
.
x
(c)
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
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
(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,
.
.
x
.
x
(a)
.
x
(b)
(c)
(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)
(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)
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)
(8.11)
(a)
(b)
estavel
instavel
estavel
instavel
8.2.1
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.
Ls = [c2 (w c) ]
(8.13)
=
=
=
n
o
2
[c2 (w c) ] (r w) ,
c2 w2 + 2wc c2 r + w ,
f (w, r) = w2 + ( + 2c)w r.
(8.15)
(w ) + ( + 2c)w r = 0,
ou seja,
w1,2
=
+ 2c
(8.16)
q
2
( + 2c) 4r
2
(8.17)
4r
( + 2c) ,
( + 2c)
4
(8.18)
+ 2c
=c+
.
2
2
(8.19)
(8.20)
fw (w1,2
, r)
=
=
2c ( + 2c) 4r + + 2c,
q
2
( + 2c) 4r
(8.21)
w1*
7
6
w*
w
w2*
3
2
1
0
r*
10
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)
(8.23)
.
.
x
(a)
.
x
(b)
.
x
(c)
(a)
(b)
instavel
estavel
estavel
r
instavel
=
=
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
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 )
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
avel e instavel trocados.
379
8.4
(8.31)
(8.32)
onde > 0. Podemos verificar que essa forma alternativa tambem satisfaz `as
condicoes de Inada
d
dk
d2
dk 2
=
=
> 0,
1+k
2 < 0,
(1 + k)
(8.33)
(8.34)
(8.35)
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
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)
.
.
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)
8.5
Bifurcac
oes do tipo forquilha
(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)
(a)
(b)
instavel
estavel
estavel
estavel
instavel
instavel
r
r
estavel
instavel
=
=
fx (x2,3 , r)
r 3x2 ,
r,
2
r 3( r) = r 3r = 2r,
(8.44)
(8.45)
(8.46)
(8.47)
(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)
= 0, r ) a 6= 0,
1
fxxx (x1 = 0, r ) b 6= 0.
6
(8.52)
(8.53)
(8.54)
(a)
(b)
estavel
instavel
instavel
instavel
estavel
r
estavel
r
instavel
estavel
(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
8.6
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
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)
(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
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 `a
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
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)
r < r*
0,5
r > r*
r = r*
-0,5
-1
-4
-2
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
389
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
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)
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 `a 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.
=
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
#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);
/* calculo das iteracoes */
if (n > trans) /* descontamos transientes */
{
fprintf(fp,"\% f \% f \n", r, x_n);
/* imprime resultados no arquivo de saida */
}
}
}
fclose(fp);
/* fecha o arquivo de dados */
}
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 `aquela 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
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
9.2
Tipos de bifurcac
oes em modelos discretos
unidimensionais
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)
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 `a 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
p<p
p
p=p
p>p
(9.3)
(b)
(a)
(c) estvel
0,8
0,8
instvel
estvel
0,4
0,4
0,2
0,2
xt
0,6
xt
0,6
xt-2
xt-2
estvel
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
avel de perodo 2.
400
) (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.
|fp (x )| = |pex |.
(9.10)
(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
) (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
9.2.3
Bifurcac
ao transcrtica
(fpB ) (x ) = +1.
(9.13)
(a)
(b)
estavel
instavel
estavel
instavel
(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
(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
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, `a 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)
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
(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)
9.3.1
Universalidade
-1
-2
0,5
1,5
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
407
dn
m
d n+1
r
rn Rn
R
n+1 n+1
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)
(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 `a 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).
x
, R1 .
(9.20)
x
x
, R1 f [4]
,
R
2 .
2
410
(9.21)
x
, R2 ,
2
(9.22)
(9.23)
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 `a funcao universal gi (x):
x
n
gi (x) = lim n f [2 ]
,
R
.
(9.25)
n+i
n
n
1
.
g(1)
411
(9.28)
(9.29)
1
= 2, 365
1 1, 5276 + 0, 1048
9.5
Exerccios
w
aw
arctan(xt1 ) + (1 w)xt1 +
,
b
b
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;
/* declaracoes de variaveis */
double xnew,xold,x0,tol,dif,der;
points = 100;
/* numero total de iteracoes */
x0 = 0.0;
/* condicao inicial */
xold = x0;
/* inicializa o valor de x_n */
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);
}
/* especifica a equacao */
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
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 `as condicoes iniciais. Vamos
discutir em separado cada uma delas.
10.1.1
Aperiodicidade
(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.
(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
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 `as 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
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)
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)
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
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
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
10.2.1
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
423
x t1
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, `a 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
10.2.3
Derivada Schwarziana
Vamos retornar, mais uma vez, `a 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)
10.3
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, `a 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
Figura 10.8: Serie temporal para o modelo logstico discreto quando r = 3, 8284,
salientando as duracoes dos intervalos laminares.
427
(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
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
(10.15)
-5
xt
-10
-15
-20
10
20
30
40
50
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 `a condicao inicial seguinte e
repetimos o processo.
O programa abaixo, em linguagem C, implementa este algoritmo
430
(10.16)
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
10000
()
1000
100
10
0
2000
4000
6000
8000
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
}
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)
crise
(a) x
crise
(b)
estavel
instavel
0
0
3,82 r J3
3,87
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
10.4
Expoente de Lyapunov
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)
(10.18)
(10.19)
10.4.2
C
alculo do expoente de Lyapunov
(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
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)
(10.25)
1X
ln |f (xi )|,
t t
i=0
= lim
(10.26)
10.4.3
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
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
{
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;
/* condicao inicial */
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
10.5.2
Uso do Mathematica
10.5.3
Uso do Matlab
10.5.4
Diagrama de bifurca
c
ao de Lyapunov
x
1
3,1
3,3
443
1
1
ln |m | =
ln 1 = 0.
m
m
(10.32)
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 `as 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
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
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
Estudamos, no captulo 5, um exemplo de modelo discreto unidimensional naolinear descrevendo uma teia de aranha com as seguintes caractersticas:
446
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)
(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
(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
(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
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
450
(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
452
6
5
4
xn
3
2
1
0
-1
-2
0,15
0,3
0,45
0,6
0,75
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 `a 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:
1. fa,b,w, tem um ponto fixo globalmente est
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
orbita de perodo 2 est
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
10.7.1
O deslocamento de Bernoulli
(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 `as 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
(10.38)
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 `a 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) =
[2]
[0, 010111...]2 ,
[3]
[0, 10111...]2 ,
B (x)
B (x)
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 `as 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
(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
2/2.
(mod1)
(10.41)
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 `as 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 `a 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
=
=
=
=
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 `a 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
tenda
xt+1 = T (xt ) =
2xt
2(1 xt )
se 0 xt 12 ,
se 12 < xt 1,
(10.42)
(10.43)
(2 2x)
2
(10.45)
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
10.8
Densidade de probabilidade
10.8.1
N
os dizemos que a densidade de probabilidade P (x) e invariante no sentido
dela ter um valor constante em relacao `as 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
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)
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
10.8.2
xt = f [t] (x0 )
(10.54)
(10.55)
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 `a media e
x2
=
=
(10.59)
(10.61)
(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
3
,
4
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]
3
,
4
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
b2 s2 + 2s 2b + 4rt
4a
Mostre que f e g s
ao linearmente conjugados pelo homeomorfismo
h(x) =
a
bs
x+
r
2r
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]
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)
11.1
Diagrama de bifurcac
ao para o modelo de
H
enon
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
(11.5)
= 0, 3 0, 09 + a,
x+, = y+,
=
2
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
(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)
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
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 `a 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
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
(11.9)
(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
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)
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
(11.13)
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)
(11.19)
=
=
(11.20)
(11.21)
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
=
=
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)
11.3.1
Atratores pontuais
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
2
1
0
-1
-22
1
0
-1
-2
10
20
30
40
50
60
70
80
90
100
(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
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
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
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
(11.28)
=
=
(by, x),
F3 (by, x)
(11.29)
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
v t
v0
v 0
v0
vt
x
Figura 11.10: Evolucao temporal da distancia entre duas orbitas num modelo
bidimensional
(11.31)
(11.32)
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 |
(11.36)
i (v0 ) = lim
(11.37)
11.5.2
f (xt1 ),
(0 x 1)
yt
g(xt1 , yt1 )
(11.41)
(11.42)
(11.43)
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
2 (xtk , ytk )
k=1 1 (xtk , ytk )
,
0
Qt
1
0
(11.46)
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)
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)
3
p exp[b(xt1 ) ]yt1 + yt1
,
(11.50)
(11.51)
yt1
2
2
2pb (x ) exp[b(xt1 ) ]yt1
484
0
2
2
p exp[b(xt1 ) ] + 3yt1
2,
(11.52)
2
p exp[b(xt1 ) ] +
2
3yt1
.
(11.53)
1X
ln 2 = ln 2,
t t
1 (v0 ) = lim
(11.54)
k=1
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)
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
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)
r1 r2 = (e1 t )(e2 t )
e(1 +2 )t 2 = A0 e(1 +2 )t .
(11.62)
(11.63)
(11.64)
(11.65)
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 `as
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
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
(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)
2x0
1 + 4x20
(11.75)
FILE *fp;
void main()
{
double a,b,xold,xnew,yold,ynew,x0,y0;
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;
/* inicializando vari
aveis */
yold = y0;
for(t=1;t<trans;++t)
/* transientes */
{
xnew = a -xold*xold + b*yold;
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;
u2xnew = J11*u2x+J12*u2y;
u2ynew = J21*u2x+J22*u2y;
/* 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 */
xnew = a -xold*xold + b*yold;
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 `a 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
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
g1
|g1 |
2.
(11.77)
(u2 g1 )g1
|g1 |
(11.78)
(11.79)
r2,t1 = |u2 |.
(11.81)
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 = 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;
/* inicializando vari
aveis */
yold = y0;
for(t=1;t<trans;++t)
/* transientes */
{
xnew = a -xold*xold + b*yold;
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 */
u1xnew = J11*u1x+J12*u1y;
u1ynew = J21*u1x+J22*u1y;
u2xnew = J11*u2x+J12*u2y;
u2ynew = J21*u2x+J22*u2y;
/* 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
2 1, 61,
11.7
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
(11.84)
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)
(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
V11
V0
V1
V 00
110
V100
V111
V101
V10
V000 V011
V001 V010
V01
H 100
H
10
H101
H111
11
H 110
H 010
H011
01
H 001
H 000
00
F (D)
F (D)
F(D)
[2]
F(D)
[2]
F (D)
F (D)
[n]
F (D)
n=3
2n faixas horizontais
F[n] (D)
F[2] (D)
F1 (D)
+
\
F[n] (D).
(11.89)
n=
11.7.2
Din
amica simb
olica
(11.90)
11.8
Emaranhado homoclnico
11.8.1
Dire
c
oes e curvas invariantes
(11.91)
W u (p)
(11.92)
11.8.2
Determinac
ao num
erica das curvas invariantes
E (p)
[2]
F (I)
F(I)
u
E (p)
E (p)
F (J)
[2]
F (J)
E (p)
y+,
b1
(b 1) + 4a
2
e a jacobiana correspondente e dada por (6.232) como
2x b
.
J(p ) =
1
0
(11.94)
(11.95)
(11.96)
(11.97)
(11.98)
0.
(11.99)
2 = 0, 125
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
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];
/* inicializando vari
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];
/* inicializando vari
aveis */
yold = y0[i];
fprintf(fp,"%f %f\n", 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,"%f %f\n", xold, yold);
503
xold = xnew;
yold = ynew;
}
}
x0[0] = xpm;
/* condi
co
~es iniciais */
y0[0] = ypm;
xold = x0[0];
/* inicializando vari
aveis */
yold = y0[0];
fprintf(fp,"%f %f\n", xold, yold);
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];
/* inicializando vari
aveis */
yold = y0[i];
fprintf(fp,"%f %f\n", 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,"%f %f\n", xold, yold);
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];
/* inicializando vari
aveis */
yold = y0[0];
fprintf(fp,"%f %f\n", xold, yold);
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];
/* inicializando vari
aveis */
yold = y0[i];
fprintf(fp,"%f %f\n", xold, yold);
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;
fprintf(fp,"%f %f\n", xold, yold);
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
y0[0] = ypm;
xold = x0[0];
/* inicializando vari
aveis */
yold = y0[0];
fprintf(fp,"%f %f\n", xold, yold);
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];
/* inicializando vari
aveis */
yold = y0[i];
fprintf(fp,"%f %f\n", xold, yold);
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;
fprintf(fp,"%f %f\n", xold, yold);
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 `as direcoes
correspondentes no ponto fixo.
505
(a)
(b)
h
W (p)
W (p)
s
W (p)
W (q)
W (p)
W (q)
q
[3]
F (h)
W (p)
u
W (p)
[2]
F (h)
p
1
F (h)
h
F(h)
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 `as 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
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
11.9
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
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 `a 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
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
11.11
11.11.1
Defini
c
oes b
asicas
(11.101)
Ut
,
Lt
(11.102)
20
+
1 2
15
f(u)
10
1
-5
11.11.2
(11.105)
Curva de Phillips
(11.107)
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)
11.11.3
(11.110)
Construc
ao do modelo
(11.112)
= 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
=
=
+ 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 `as 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
a2
2 b|1 |
(11.122)
1 b|1 |(1 c)
(11.123)
>
>
>
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<b<b
ponto fixo
(u*, )
taxa de equilibrio
2
oscilacoes subamortecidas
no estavel
b <b<b
1
2
oscilacao superamortecida
no instavel
b>b
1
t
Figura 11.28: Classificacao dos pontos fixos quanto `a sua estabilidade linear
11.11.5
Diagrama de bifurca
c
oes
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
2,15
ponto fixo
2,1
2,05
= m
2
1,95
1,9
tempo
0
10
20
30
40
11.11.6
Atrator ca
otico
2,5
rbita de perodo 2
1,5
tempo
0
10
20
30
40
3
rbita de perodo 4
2,5
1,5
3
0
10
20
30
4
40
519
divergem
evoluem juntas
2,5
1,5
10
20
30
40
x0 = 2.100
x0 = 2.101
50
60
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 `a 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
3,5
atrator
caotico
fronteira
fractal de
bacia
0,5
0,5
3,5
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
521
x
y
(11.127)
tal que
E(F(v))
H(E(v))
(11.128)
C F(v)
H(A v).
(11.129)
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
522
y = b(1 ax2 + y)
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);
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
(a)
(b)
12.1.2
Dimens
ao de contagem de caixas
N(r) = 2
r = 1/2
r
N(r) = 4
r = 1/4
N(r) = 8
r = 1/8
N(r) = r
(b)
(a)
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 `a definicao
de dimensao de contagem de caixas, que denotaremos pela letra d, pela relacao
N (r) =
1
= rd .
rd
(12.1)
ln N (r)
.
ln(1/r)
(12.3)
r0
ln N (r)
ln(1/r)
(12.4)
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)
12.1.3
Conjunto de Cantor
=
=
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)
12.1.4
Junta de Sierpinski
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
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
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
-1
-2
-2
-1
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
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.
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
xt1 + w,
mod 1),
(12.11)
yt
(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
yt1
= 1,
= 2 sech 2 yt1 cos(2xt1 ).
(12.14)
(12.15)
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
1
|2 |
(12.19)
12.3
Bacias de atrac
ao
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
(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).
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
<stdlib.h>
<stdio.h>
<stddef.h>
<math.h>
FREE_ARG char*
NR_END 1
PI 3.1415926535
TWOPI 2.*PI
NMAX 5000
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(i=1;i<=Nx;i++) {
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(i=1;i<=Nx;i++) {
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
}
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 `a 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
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 `a 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.
0,2
= (/2)
0,2
0, 870f,
12.5
Crise
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 `a sua colisao simult
anea com uma
orbita peri
12.5.1
Crise de fronteira
,
(12.25)
P (
) = P0 exp
< >
onde
< >=
N0
1 X
i
N0 i=1
(12.26)
(a)
(b)
fronteira de bacia
atrator
atrator
B
B
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)
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 `a
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)
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
12.6
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
20
15
10
transiente caotico
5
-5
t
0
10
20
30
3,5
atrator
caotico
fronteira
fractal de
bacia
0,5
0,5
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.
0, 15
= 1, 14.
1, 03
(12.33)
12.6.2
Fraction of orbits
b - bc = 1E-05
<> = 22650.9
y = 1.0328 exp( -1.034 x )
0,1
0,01
0,001
<>
10
= 0.91869
10
10 -8
10
-7
10
-6
-5
10
10
-4
10
-3
10
p - pc
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
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
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
..
.
(13.1)
onde Fi , i = 1, 2, . . . N s
ao funcoes de todas as variaveis.
555
x1
x2
v(t) = .
..
(13.2)
dv(t)
= F(v(t)),
dt
(13.3)
xN
(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)
13.2
Mapas de Poincar
e
x3
a
C
etc..
= F1 (x1,t1 , y1,t1 ),
(13.6)
x2t
= F2 (x1,t1 , y1,t1 ).
(13.7)
B = F(A) = F(F(B)).
13.3
13.3.1
Caso tridimensional
= F1 (x1 , x2 , x3 )
(13.8)
= F2 (x1 , x2 , x3 )
= F3 (x1 , x2 , x3 )
F (
ndA).
(13.10)
F (
ndA) =
dV F,
F2
F3
F1
+
+
.
x1
x2
x3
(13.11)
(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)
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
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)
=
=
H
y
H
g(x, y) =
x
f (x, y) =
(13.19)
(13.20)
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
`as duas propriedades anteriores.
Estas propriedades dos atratores podem ser entendidas estudando primeiro
exemplos simples.
13.4.1
Atratores pontuais
(a)
(b)
5
2
u1
0
-2
-5
-5
-4
-15
-10
-5
10
15
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)
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
(13.27)
(13.28)
(13.29)
-1
-2
-2
-1
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)
p
1
T rJ
= =
6= 0
2
2
2
(13.31)
13.4.2
Ciclos limite
(13.32)
f (x, y) = x y x3 xy 2
(13.33)
g(x, y) = x + y x2 y y 3
(13.34)
y = r sin
(13.35)
(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)
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)
(13.39)
dy
r2 dr
dr
dx
+y
=
=r
dt
dt
r dt
dt
(13.40)
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)
=
=
x dx y dy
+
r dt
r dt
y dx
x dy
2
+ 2
r dt
r dt
(13.42)
(13.43)
=
=
=
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)
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)
(13.49)
(13.50)
(13.51)
13.5
Expoentes de Lyapunov
13.5.1
Caso tridimensional
F1 (x1 , x2 , x3 )
F2 (x1 , x2 , x3 )
F3 (x1 , x2 , x3 )
(13.52)
=
=
e 1 t
e 2 t
(13.53)
(13.54)
r3 (t)
e 3 t
(13.55)
4 3
(13.57)
=
=
=
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)
(13.59)
(13.60)
(13.61)
(13.62)
13.5.2
Classifica
c
ao dos atratores
(13.63)
13.6
Determinac
ao num
erica do maior expoente
de Lyapunov
q
2
2
(x1 (t) x1 (t)) + (x2 (t) x2 (t)) .
(13.66)
(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
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)
f
g
h
+
+
= ( + 1 + b)
x y
z
(13.72)
13.7.1
=
=
h(x , y , z )
(y x ) = 0
rx y x z = 0
x y bz = 0
(13.73)
(13.74)
(13.75)
= 0
= 0
(13.76)
(13.77)
(13.78)
(13.79)
(13.80)
(13.81)
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
0
(13.83)
J1 = J(v1 ) = r 1 0
0
0 b
0
=0
r
1
0
(13.84)
det(J1 I) =
0
0
b
Expandindo o determinante de terceira ordem obteremos
b b b 2 b 2 3 + rb + r = 0
3 + (b + + 1) 2 + (b + ) + b(1 r) = 0
(13.85)
(13.86)
onde os coeficientes s
ao dados por
a0
a1
=
=
1
b++1
(13.87)
(13.88)
a2
a3
=
=
b+
b(1 r)
(13.89)
(13.90)
(13.91)
(13.92)
(13.93)
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
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)
=
=
=
1
b++1
b(r + )
(13.96)
(13.97)
(13.98)
a3
2b(r 1)
(13.99)
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.
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
programa n
ao est
a escrito de forma otimizada, naturalmente.
577
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
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)
13.7.4
Horizonte de predic
ao
(13.104)
13.7.5
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
j+1
X
i > 0,
i=1
i < 0.
(13.105)
i=1
1
|j+1 |
j
X
i ,
(13.106)
i=1
2 = 0,
3 = 14, 572,
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 2
x + y2 + z2 .
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
J =
1t
0
0
2t
(A.2)
1
1 2 2
t J1 + t3 J31 + . . . ,
2!
3!
583
(A.3)
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)
A.2
(A.8)
(A.9)
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
+ .
584
de modo que
e
A.3
tJ2
=e
1
0
t
1
(A.11)
Autovalores complexos
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!
I
III
II
IV
(A.13)
onde os coeficientes s
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)
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
591