Imprevisibilidade de Modelos Matemáticos

UNIVERSIDADE DO VALE DO RIO DOS SINOS
CENTRO DE CINCIAS EXATAS E TECNOLGICAS

CURSO DE LICENCIATURA EM MATEMTICA

Rafael Alex Sehnem

IMPREVISIBILIDADE DE MODELOS MATEMTICOS BREVE
INTRODUO AOS SISTEMAS DINMICOS CATICOS

So Leopoldo
2008
1

UNIVERSIDADE DO VALE DO RIO DOS SINOS
CENTRO DE CINCIAS EXATAS E TECNOLGICAS
CURSO DE LICENCIATURA EM MATEMTICA

Rafael Alex Sehnem

IMPREVISIBILIDADE DE MODELOS MATEMTICOS BREVE
INTRODUO AOS SISTEMAS DINMICOS CATICOS

Trabalho de Concluso de Curso apresentado
Universidade do Vale do Rio dos Sinos
(UNISINOS) como requisito parcial para obteno
do ttulo de Licenciado em Matemtica.

Orientador: Prof. Dr.Luis Paulo Luna de Oliveira

So Leopoldo
2008
2

Meus sinceros e humildes agradecimentos...

...ao professor Luiz Paulo Luna de Oliveira, por orientar este trabalho, pela pacincia,
conselhos e esprito crtico;
...aos meus pais, Francisco e Ilone, e minha irm, Luana, pela compreenso nos momentos
crticos e pelo amor, nem sempre retribudo de forma justa;
...aos demais professores da Unisinos, em especial, professor Rogrio Ricardo Steffenon,
professor Josu Huff Jung, professora Rosane Wolff e professora Maria Ceclia Bueno
Fischer;
...aos Valetes;
...s pessoas que contriburam de forma indireta para este trabalho, a saber: familiares,
amigos, colegas da Prefeitura Municipal de Tupandi, ex-professores do Ensino Fundamental e
Mdio ex-colegas professores, amigos e a todas as pessoas que fizeram ou fazem parte da
minha vida.

3

A coisa mais bela que o homem pode experimentar o mistrio. essa
emoo fundamental que est na raiz de toda cincia e toda arte.

(Albert Einstein)

4

Resumo: O estudo dos sistemas dinmicos caticos, em especial quanto a propriedade da
sensibilidade s condies iniciais, mostra a imprevisibilidade de modelos matemticos que
representam sistemas e fenmenos em diversas reas da cincia. Este trabalho focado em
dinmicas de tempo discreto, e na modelagem da dinmica populacional, principalmente
atravs da famlia das equaes logsticas. O objetivo do trabalho, sob o ponto de vista
epistemolgico, questionar as interpretaes quantitativas feitas a partir de modelos
matemticos com regime catico nos fenmenos onde so aplicados. Num primeiro momento
o caos a tragdia, no tanto para a matemtica, mas para as cincias que fazem uso da
matemtica como ferramenta de modelagem, uma vez que impossibilita previses futuras a
partir de padres observados no passado. Esperando que tais concluses possam ser
estendidas a diversas reas da matemtica e a qualquer rea do conhecimento humano e
cientfico, procuramos mostrar que o caos existe na natureza; que existe ordem no caos; que
leis simples podem apresentar uma dinmica complexa e que muitas vezes as melhores
previses que podemos fazer sobre determinado fenmeno so de ordem qualitativa, (por
exemplo: ter conscincia de que no possvel fazer previses quantitativas, j uma
previso qualitativa).

Palavras-chave: Sistemas Dinmicos Caticos. Imprevisibilidade. Dinmica Populacional.

5

LISTA DE FIGURAS

Figura 1.1: Grfico Temporal da rbita de f
n
(x) = 2x
2
1 com x
0
= 0,489.............................09
Figura 2.1: Grfico Cobweb da rbita de f
n
(x) = 2x(1 x) com x
0
= 0,12..............................15
n
(x) = 2x(1 x) com x
0
= 0,12............................16
n
(x) = 1 - x com x
0
= -0,5 ou x
0
= 1,5...................17
n
(x) = 2x(1 x) com trs x
0
distintos...................18
n
(x) = 3,2x(1 x) com x
0
= 0,27...........................19
n
(x) = 2x 1 com x
0
= 0,941 e x'
0
= 0,942........22
n
(x) = 2x 1 com x
0
= 0,941 ............................22
n
(x) = 2x 1 com x'
0
= 0,942............................23
Figura 2.9: Grfico Temporal da diferena em mdulo das rbitas de f
n
(x) = 2x 1 com x
0
=
0,941 e x'
0
= 0,942....................................................................................................................24
Figura 3.1: Dinmica de Populaes I (Grfico Temporal)....................................................28
Figura 3.2: Dinmica de Populaes II (Grfico Temporal)...................................................28
Figura 3.3: Dinmica de Populaes III (Grfico Temporal)..................................................30
Figura 3.4: Dinmica de Populaes IV (Grfico Temporal)..................................................31
Figura 3.5: Dinmica de Populaes V (Grfico Temporal)...................................................32
Figura 3.6: Bifurcaes I.........................................................................................................34
Figura 3.7: Diagrama de Bifurcaes......................................................................................35
Figura 3.8: Grfico Temporal - modelo presa-predador perodo 2.........................................38
Figura 3.9: Grfico Temporal - modelo presa-predador perodo 4.........................................40
Figura 3.10: Grfico Temporal - modelo presa-predador catico I........................................41
Figura 3.11: Grfico Temporal - modelo presa-predador catico II.......................................41
Figura 3.12: Grfico Temporal - modelo presa-predador catico III......................................41
Figura 3.13: Bacias de Atrao no Caos Transiente...............................................................44
Figura 4.1: Grfico Temporal f(x) = 1,72x - 1...................................................................48
Figura 4.4: Grfico Temporal f(x) = 1,8x - 1.....................................................................48

6

LISTA DE TABELAS

Tabela 2.1: Iteraes de f
n
(x) = 3x (1 x) com x
0
= 0,5...........................................................13
Tabela 2.2: Iteraes de f
n
(x) = 3x mod 1, com x
0
= 0,25 e x
0
= 0,2501.................................25

7

SUMRIO

1- INTRODUO...................................................................................................................08
2- SISTEMAS DINMICOS CATICOS...........................................................................12
2.1- SISTEMAS DINMICOS................................................................................................12
2.2- REPRESENTAO GRFICA.......................................................................................13
2.3- PONTOS FIXOS E PONTOS PERIDICOS..................................................................16
2.4- SISTEMAS DINMICOS CATICOS...........................................................................19
2.5- SENSIBILIDADE S CONDIES INICIAIS..............................................................21
3- SISTEMAS DINMICOS NA MODELAGEM DE FENMENOS NATURAIS.......26
3.1- UM MODELO DISCRETO PARA DINMICA POPULACIONAL.............................26
3.2- EXEMPLOS COM MAPA LOGSTICO.........................................................................28
3.3- BIFURCAES DO MAPA LOGSTICO......................................................................33
3.4- MODELO PRESA-PREDADOR......................................................................................36
3.5- FRONTEIRAS DE BACIAS DE ATRAO COMPLEXIDADE E CAOS...............42
4- DISCUSSES A RESPEITO DA MATEMTICA COMO FERRAMENTA DE
MODELAGEM DE FENMENOS NATURAIS................................................................45
4.1- EFEITOS DA IMPREVISIBILIDADE.............................................................................45
4.2- NOVA INTERPRETAO..............................................................................................47
5- CONCLUSO.....................................................................................................................50
REFERNCIAS BIBLIOGRFICAS..................................................................................52
APNDICE..............................................................................................................................54

8

1- INTRODUO

A humanidade constantemente tenta entender os fenmenos naturais atravs das
relaes entre causa e efeito. Isso engloba vrios campos da cincia como Biologia,
Astrologia, Fsica, Qumica, etc. Questes como: De onde viemos? Para onde vamos? Por que
choveu ontem? O que a morte? Por que a bolsa de Valores despencou? Como posso ter alto
ndice de colesterol se no como carne? Essas, e outras tantas outras perguntas, rendem
inmeras discusses e teorias cientficas. As perguntas mais precisamente elaboradas e as
respostas mais objetivas costumam ser as mais aceitas pela comunidade cientfica. Por isto,
geralmente so as que geram discusses de maior nvel. Somente assim, possvel se obter
respostas menos ambguas (pelo menos para aquela circunstncia).
A matemtica uma cincia fundamentada e estruturada em axiomas, podendo ser
caracterizada pela grande objetividade, rigor, e preciso lgica. Para isto, freqentemente se
baseia na abstrao. Por isto, uma das melhores maneiras de se sistematizar o conhecimento
cientfico, aumentando o rigor das teorias que a utilizam, principalmente no que tange aos
aspectos quantitativos. De fato, desde os primrdios, a matemtica usada no entendimento
de fenmenos naturais cclicos como as fases da lua, e o movimento das estrelas e planetas.
At as mais primitivas civilizaes eram providas de sofisticados calendrios para prever as
estaes e de regras astronmicas para prever eclipses (Stewart, 1989).
A matemtica se firmou ento como um mtodo de busca de respostas aos mistrios
do mundo. Como j dizia a Escola Pitagrica: Tudo nmero. Ou seja, segundo Pitgoras,
tudo pode ser modelado (ou representado) matematicamente. Levando isto ao extremo, todas
as dvidas da humanidade poderiam ser respondidas atravs do raciocnio lgico, se fosse
possvel equacionar e representar tudo no Universo em linguagem matemtica. Infelizmente,
o problema da representao dos fenmenos naturais pela matemtica mais delicado do que
poderia supor Pitgoras. Com efeito, como se constatar neste trabalho, o fato de se ter um
modelo matemtico, mesmo que perfeito, para um fenmeno, no nos propicia domnio
integral do mesmo. Isto decorre da complexidade dinmica que pode emergir dos modelos
matemticos, mesmo nos mais simples. o que chamamos de caos: a complexidade na
simplicidade.
Obviamente, nem todos os sistemas dinmicos so caticos. Sistemas com um grande
nmero de equaes, no necessariamente apresentaro um comportamento complexo
9

(catico). Dinmicas caticas podem ser observadas em sistemas muito simples. Considere a
Figura 1.1. O grfico nela representada foi obtido da funo quadrtica f(x) =2x - 1, iterando-
a sucessivamente a partir de um valor inicial x
0
=0,489. Note a complexidade (caoticidade) da
seqncia dos valores encontrados. Obviamente, a maioria das equaes dinmicas dos
fenmenos do Universo, sero muito mais complexas do que uma equao quadrtica.
A presena do caos, de certa forma, compromete a viso objetiva que a matemtica se
prope a dar dos fenmenos do Universo, pois, como veremos mais tarde, traz consigo a
imprevisibilidade quantitativa. Entretanto, seu entendimento terico traz uma viso mais
madura dos fenmenos naturais. Por isto, a Teoria do Caos cada vez mais usada na
compreenso de fenmenos em diversas reas do conhecimento. Neste trabalho
consideraremos alguns exemplos.
2x - 1
-1,00
-0,80
-0,60
-0,40
-0,20
0,00
0,20
0,40
0,60
0,80
1,00
0 20 40 60 80 100 120 140 160 180 200 220 240 260 280 300 320 340 360 380 400

Figura 1.1: Representao grfica Temporal da rbita de f(x
n+1
) =2x
n
- 1 para x
0
= 0,489

Assim, o homem ainda faz uso da matemtica como ferramenta de interpretao,
modelagem e previso de situaes, fatos e fenmenos reais, concretos. A modelagem
matemtica busca representar esses fenmenos atravs de modelos matemticos. Um modelo
matemtico nada mais do que uma equao ou um conjunto de equaes com suas
respectivas variveis. Os modelos matemticos procuram ento representar determinado
fenmeno, e devem faz-lo da maneira mais precisa possvel, para que assim a matemtica,
como cincia abstrata, tenha sua relao com o mundo real. Partindo de certas experincias
possvel encontrar padres de comportamento, nas mais diversas reas, como por exemplo, na
10

Fsica, na Biologia, na Qumica, na Medicina, na Meteorologia, na Astronomia, na Economia,
etc. A partir dos padres encontrados possvel obter os modelos matemticos, que tero
como base informaes sobre um momento passado. Uma das grandes utilidades da
modelagem matemtica passa ento a ser a previso atravs da simulao de tempos futuros
em tais modelos, uma vez que podemos supor que tais padres encontrados em momentos
passados continuem a aparecer no futuro.
Nesse sentido, buscamos com esse trabalho questionar o uso da matemtica como
ferramenta de modelagem de fenmenos naturais, principalmente no que se refere s
previses quantitativas, uma vez que, os sistemas dinmicos em regimes caticos apresentam
comportamentos que impossibilitam tais previses. Inicialmente, no captulo seguinte,
faremos uma breve introduo aos sistemas dinmicos caticos, dando nfase propriedade
da sensibilidade as condies iniciais, a mais importante, neste estudo. Em seguida, no
captulo 3, apresentaremos exemplos fictcios, mas com modelos que realmente so usados no
estudo da dinmica populacional, mostrando assim efeitos e conseqncias que podem trazer
os sistemas caticos em modelos usados na previso de fenmenos naturais. E, finalmente,
faremos uma discusso a partir de exemplos e situaes apresentadas e a conseqncia disso
na interpretao das previses que os modelos matemticos nos propiciam.
O campo de aplicao dos sistemas dinmicos amplo, optamos, porm por direcionar
nosso estudo nos sistemas dinmicos de tempo discreto, focado dinmica populacional
principalmente pelos seguintes motivos: alguns modelos da dinmica populacional podem ser
aplicados a sistemas dinmicos de tempo discreto (o enfoque em tempo discreto torna o
estudo por ora menos maante, mas nem por isso menos interessante); alguns dos modelos
utilizados nas dinmicas populacionais apresentam uma forma aparentemente simples e
inocente, que, todavia, podem demonstrar um comportamento complexo; julgamos
interessante o estudo dos ecossistemas, do equilbrio ambiental, etc. relacionado com a
matemtica buscando assim abordar questes de interesse da sociedade.
Ressaltamos aqui que os sistemas caticos podem ser apreciados tambm em outras
reas que no sero objeto de estudo neste trabalho. Apenas para exemplificar: a dinmica do
pndulo amortecido forado ou do pndulo duplo; equaes aplicadas a previses
meteorolgicas (onde ficou conhecida o famoso pensamento de Lorenz que O bater das asas
de uma borboleta numa extremidade do globo pode provocar uma tempestade em outra
extremidade do globo.); freqncia dos batimentos cardacos, na Geometria Fractal etc.(ver
Apndice).
O presente trabalho, mesmo sendo resultado do estudo de um aluno do curso de
11

matemtica, no traz demonstraes e por vezes no prioriza o rigor. Isso porque as
demonstraes que porventura pudessem vir a integrar este estudo so demasiadamente
complexas se levarmos em conta nossos objetivos. Apresent-las aqui, traria talvez,
incoerncia ao trabalho. Da mesma forma, este trabalho resultado do estudo de um aluno de
um curso de licenciatura, mesmo assim, no apresentamos aqui atividades para serem
executadas em salas de aula, nem anlises de experincias docentes, embora talvez seja
interessante que se tenha uma viso da matemtica, no somente quantitativa, mas tambm
qualitativa, inclusive nos nveis fundamental e mdio de ensino. Estudiosos de sistemas
dinmicos caticos, provavelmente no encontraro neste trabalho algo de novo. Para aqueles
que nunca ouviram falar em caos, talvez este trabalho apresente aspectos interessantes.
Buscamos redigi-lo de forma acessvel a estudantes de cursos superiores na rea das cincias
exatas.
Finalmente, nestas poucas pginas ser possvel ver simplicidade e complexidade
juntas, resultando em imprevisibilidade. Conceitos que muitas vezes no so apresentados
num curso superior de matemtica, relacionados a simples equaes quadrticas. E ainda, com
um pouco de criatividade e espirituosidade, ser possvel entender que uma vida simples pode
apresentar uma dinmica complexa e mesmo que voc caminhe para um ponto fixo, uma
simples mudana poder levar bifurcaes que transformaro sua vida em caos...

12

2- SISTEMAS DINMICOS CATICOS

2.1- Sistemas Dinmicos

De maneira simples, um sistema dinmico um sistema que varia no tempo. A
principal caracterstica, portanto, a utilizao da varivel tempo nas equaes matemticas
que representam o sistema. A segunda lei de Newton, ou princpio fundamental da dinmica,
nos fornece talvez, o tipo mais clssico de sistemas dinmicos. Dessa forma,
) (t mx F
, onde
cada ponto denota uma derivada no tempo, descreve a variao da posio x(t) no tempo, de
um corpo de massa m sob a ao de uma fora F. Uma vez estabelecido o valor inicial de x
0
(para t = 0), e definidos os parmetros m e F, podemos calcular a posio x(t), para qualquer
instante t.
Quando a varivel tempo assume valores pertencentes a um subconjunto discreto dos
nmeros reais, por exemplo, o conjunto dos nmeros naturais, temos um sistema dinmico
discreto. Da mesma forma quando a varivel tempo for contnua, temos um sistema dinmico
contnuo, como o caso da segunda lei de Newton, citada anteriormente. Um sistema
dinmico discreto (foco deste estudo) pode ser definido a partir da iterao consecutiva de
uma funo
A A f :
, da seguinte maneira: a partir de uma condio (valor) inicial x
0
,
obtm-se a seqncia de valores f(x
0
) = x
1,
f
2
(x
0
) = f(x
1
) = x
2,
e assim sucessivamente. Logo,
em geral, x
n
= f
n
(x
0
), e o nmero n de iteradas de f faz o papel do tempo no sistema dinmico.
Assim, uma rbita uma seqncia x
0
, x
1
, x
2
,... de valores obtidos pelas sucessivas
aplicaes de f a partir do valor inicial x
0.
Por exemplo, tomemos f(x) = 3x(1 - x), e x
0
= 0,5. Calculando a primeira iterada,
teremos f(x
0
) = 0,75, que o nosso x
1
, que inserido novamente na funo. Na segunda
iterada teremos f(x
1
) = x
2
= 0,5625. Agora inserimos x
2
na funo, para ento obter x
3
e assim
por diante. A Tabela 2.1 apresenta alguns valores para nosso sistema dinmico.

13

N f
n
(x)
0 0,5
1 0,75
2 0,5625
3 0,73828125
4 0,579666137
5 0,730959919
6 0,58992546
7 0,725714822
8 0,597158456
9 0,721680702
Tabela 2.1: iteraes de f
n
(x) =3x (1 - x), x
0
= 0,5 at n = 9.

O procedimento realizado para x
0
= 0,5 poderia ser aplicado a qualquer outro valor,
para ento se obter a rbita a partir da condio inicial referente nova condio inicial. A
aplicao
A A f :
que define um sistema dinmico denominada mapa. Em geral, tem-se
n
A
e, neste caso, o sistema dito de dimenso n. O exemplo anterior , portanto
unidimensional.

2.2- Representao grfica

A representao grfica muito til na compreenso de diversos conceitos em
diversas reas da matemtica. Nesse trabalho faremos uso da representao grfica, e nessa
seo apresentaremos as formas como esta representao pode ser feita. Em particular,
falaremos aqui de duas formas de representao grfica, a primeira bastante til na
interpretao de sistemas unidimensionais e a segunda podendo ser aplicada a sistemas de
qualquer dimenso.
Num plano cartesiano, plotamos o grfico da funo f em questo, no eixo horizontal
temos os valores de x e no eixo vertical os valores da f(x). Como estamos lidando com um
14

sistema dinmico, a partir de um x
0
inicial, obtemos a f(x
0
) que passa a ser x
1
. Em seguida,
aplicando novamente a funo, temos f(x
1
) = x
2
, e assim sucessivamente. Dessa forma, o que
temos um x
n
no eixo horizontal, associado ao x
n+1
, representado no eixo vertical. Ora, como
podemos observar a imagem da funo, ser o domnio, na iterada seguinte, ou seja, os
valores de sada passam a ser os novos valores de entrada. Por esse motivo comum
representarmos graficamente no mesmo plano a funo identidade (y = x).
Procedemos da seguinte forma: Partindo de x
0
obtemos a f(x
0
), em seguida,
paralelamente ao eixo x, traamos um segmento de reta que passa pelo ponto de coordenadas
(x
0,
f(x
0
)), at a reta da funo identidade, ou seja, mantemos nossa segunda coordenada
(f(x
0
)). O ponto que intersecta o grfico da funo identidade tem coordenadas (f(x
0
), f(x
0
)),
afinal este ponto pertence funo identidade. Podemos agora, de modo similar, obter a f(x
1
).
Como f(x
1
) = f(f(x
0
)), basta traar um segmento de reta paralelo ao eixo y, uma vez que iremos
manter nossa primeira coordenada (f(x
0
) ou x
1
). Esse segmento de reta passa pelo ponto de
coordenadas (f(x
0
), f(x
0
)), que nossa referncia atual, e intersecta agora, o grfico da funo
f. O ponto de interseco possui coordenadas (f(x
0
), f(x
1
)). Assim procedendo, de forma
sucessiva, obtemos uma seqncia de segmentos de retas horizontais e verticais que
representam graficamente o sistema. Tal grfico chamado cobweb. Como podemos ver, num
grfico cobweb, a reta que representa a funo identidade faz uma espcie de converso
geomtrica dos valores do eixo vertical para o eixo horizontal, uma vez que x
n+1
o nosso x
n

na iterada seguinte.
Note que, na verdade, a rbita num grfico cobweb, formada apenas pelos pontos
que resultam das projees dos segmentos das retas verticais a partir do eixo dos x.
Entretanto, mais fcil compreender a dinmica de um sistema unidimensional quando se
olha o grfico cobweb completo, isto , com todos os segmentos paralelos aos eixos ligando
os pontos do grfico de f e da funo identidade.

15

x
y

Figura 2.1: Representao por grfico cobweb da rbita de f
n
(x) = 2x (1 x) tomando x
0
= 0,12.

Vejamos um exemplo: tomemos f
n
(x) = 2x (1 - x), no mesmo plano plotamos o grfico
da referida funo e da funo identidade, como mostra a Figura 2.1. Escolhemos um valor
inicial para x, digamos, x = 0,12. Para obter o valor de f(x
0
) basta traar uma reta paralela ao
eixo y, at o grfico da f. O ponto de interseco possui coordenadas (0,12; 0,2112). O passo
seguinte converter graficamente o ponto que representa f(x
0
) em x
1,
para isso, usamos a reta
da funo identidade atravs do ponto (0,2112; 0,2112) que pertence a esta reta. A partir desse
ponto, encontramos a f(x
1
), no grfico da funo.
A grande vantagem da representao cobweb a facilidade que se tem de deduzir
propriedades gerais acerca da dinmica do mapa considerado. Por exemplo, pode-se notar da
Figura 2.1 que a rbita mostrada tende ao valor 0,5. Mais ainda, sem fazer contas, pode-se
deduzir geometricamente que esta tendncia universal, valendo para qualquer condio
inicial tomada no intervalo aberto (0, 1). Pode-se concluir tambm que toda rbita com
condio inicial fora do intervalo [0, 1] tende ao .
Usaremos tambm outra forma de representao grfica, mais geral do que a
representao cobweb, pois serve para sistemas de dimenso arbitrria. Dessa vez, o nmero
de iteraes n representado no eixo horizontal e o x
n
no eixo vertical. Portanto, neste grfico,
x
0
a imagem do n = 0, f(x
0
) = x
1
a imagem de n = 1, f(x
1
) = x
2
a imagem n = 2, e assim
por diante. Se o sistema for n-dimensional, faz-se um grfico desses para cada uma das n
variveis. Tais grficos podem ser facilmente obtidos atravs de alguns softwares como o
Microsoft Office Excel, Matlab, Mathematica, Gnuplot, etc. Chamaremos esta representao
16

de temporal.
Como exemplo, a mesma rbita representada no grfico da Figura 2.1 aparece
representado na Figura 2.2, com este novo mtodo. Novamente, como estamos falando em
sistemas discretos, a rbita mostrada na figura se constitui exclusivamente dos pontos, que
so ligados apenas para facilitar a visualizao. Assim como ocorre na representao cobweb,
fica evidente da Figura 2.2, que a rbita da funo f
n
(x) = 2x (1 - x), com x
0
= 0,12, tende a
0,5. Como j falamos anteriormente a inteno principal deste trabalho no demonstrar
rigorosamente os fatos e constataes aqui apresentadas. Por isso, fazendo alguns testes,
possvel evidenciar o que j constatamos geometricamente na representao cobweb: que a
rbita tende a 0,5 para qualquer valor de x
0
pertencente ao intervalo aberto (0, 1).

Iteraes de f(x) = 2x (1 - x)
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0 1 2 3 4 5 6 7 8 9 10 11
nmero de iteraes

Figura 2.2: Representao grfica temporal da rbita de f
n
(x) = 2x (1 x) tomando x
0
= 0,12

2.3- Pontos fixos e pontos peridicos

Consideremos um sistema dinmico definido por um mapa f. Se f(x) = x, dizemos que
x um ponto fixo de f. Por exemplo, na funo, f (x) = 3x (1 - x), x = 0 e x = 2/3 so pontos
17

fixos, uma vez que f (0) = 0 e f (2/3) = 2/3 respectivamente. A representao cobweb de cada
uma dessas rbitas simplesmente um ponto, enquanto que a representao temporal de cada
uma delas uma reta horizontal.
Quando em um sistema dinmico temos f
p
(x) = x, para algum p natural, dizemos que x
um ponto peridico de f de perodo p. Por exemplo, f(x) = 1 x, x = -0,5 e x = 1,5 so
pontos peridicos, pois se x = -0,5 ento f (x) = 1,5 e se x = 1,5 ento f (x) = -0,5. Nesse caso o
perodo 2, porque f
2
(x) = x. A rbita oscila entre dois valores, como possvel visualizar na
Figura 2.3.
Note que todo ponto fixo peridico de perodo p = 1. Por isto, quando nos referirmos
aos pontos peridicos, estaremos incluindo ai os pontos fixos. Tambm importante ressaltar
que quando falarmos em perodo ser considerado apenas o menor perodo, uma vez que
pontos peridicos de perodo n possuem tambm perodo 2n, 3n, 4n,...

x
y

Figura 2.3: Dinmica de f(x) =1 x; x
0
=-0,5 e x
0
= 1,5 so pontos peridicos.

Os pontos peridicos podem ser classificados como hiperblicos e no hiperblicos.

Definio 2.1: Seja um ponto peridico x de perodo p. O ponto x dito hiperblico se
|(f
n
)(x)| 1. Caso contrrio dito no hiperblico. O nmero (f
p
)(x) chamado o
multiplicador do ponto peridico. Os pontos hiperblicos podem ainda ser classificados como
atratores ou repulsores, segundo a seguinte definio.

18

Definio 2.2: Seja x um ponto peridico hiperblico de perodo p. Se |(f
p
)(x)| < 1, ento x
chamado de ponto peridico atrator. Quando p = 1, tal ponto chamado de poo. De forma
anloga, diz-se que x um ponto repulsor se |(f
n
)(p)| > 1. Quando p = 1, tal ponto chamado
de fonte.

Os pontos atratores, ao longo do tempo (iteraes) tm as rbitas vizinhas tendendo a
ele. Podemos dizer que x* atrator do mapa f: A A quando existe uma vizinhana de x* em
A tal que, para todo x nessa vizinhana f
n
(x) tende a x*. De forma anloga, um ponto fixo x*
dito repulsor quando para todo x numa vizinhana de x*, f
n
(x) se afasta de x*.
Analisando novamente a Figura 2.2, que mostra a rbita de f (x) = 2x(1- x), para x
0
=
= 0,12 e considerando o domnio da f entre (0, 1), observemos que 1/2 um atrator do
sistema, pois para qualquer x
0
pertencente a esse intervalo, a rbita atrada para este ponto.
Da mesma forma 0 um ponto repulsor, pois para qualquer x
0
diferente de 0 a rbita se afasta
desse ponto. Podemos tomar x to prximo de 0 quanto quisermos que f
n
(x), se afastar de 0
medida que n crescer.

x
y

Figura 2.4: Grfico cobweb de f(x) =2x(1-x), com trs condies iniciais distintas: 0 < x
0
< 0,5 (em preto);
0,5 < x
0
< 1 (em vermelho); x
0
< 0 ou x
0
> 1 (em azul) . O ponto 0,5 considerado um atrator do sistema
enquanto que 0 considerado repulsor do sistema e ambos so pontos fixos.

Se x
0
pertence ao intervalo (0, 1/2), a rbita da f se afasta do ponto 0 e ao mesmo
tempo atrada pelo ponto 1/2. Se x
0,
pertence ao intervalo (1/2, 1) teremos, da mesma forma
a rbita se aproximando do ponto 1/2, e se x
0
for menor do que 0, ou maior do que 1 a rbita
ser repelida pelo ponto 0, tendendo ao infinito negativo. A Figura 2.4 mostra um exemplo da
19

dinmica da f em cada um dos casos apresentados acima num grfico cobweb.

x
y

Figura 2.5: Representao grfica cobweb do mapa da funo f(x) =3,2x(1 x) com x
0
=0,27.

Na Figura 2.5 temos exemplificado um sistema com dois pontos peridicos atratores.
A funo usada foi f(x) = 3,2x(1 x) para x
0
= 0,27. O ponto de interseco do grfico da f
com o grfico da funo identidade, de coordenadas (0,6875, 0,6875) um ponto fixo
repulsor do sistema. possvel verificar geometricamente que para qualquer condio inicial,
diferente de x
0
= 0,6875, por mais prxima que seja de x
0
= 0,6875, o sistema se afasta de
0,6875, tendendo aos atratores de perodo 2.

2.4- Sistemas Dinmicos Caticos:

Definidos alguns conceitos bsicos sobre sistemas dinmicos, falaremos a partir de
agora em sistemas dinmicos caticos. A grosso modo um sistema dinmico pode ser
considerado catico quando for determinstico e imprevisvel. Isso quer dizer que o sistema ao
mesmo tempo deve ser modelado matematicamente de maneira relativamente simples, e
apresentar um comportamento complexo, levando imprevisibilidade. O movimento retilneo
uniforme, por exemplo, determinstico, sendo modelado por funes lineares, que no
apresentam comportamento complexo, sendo possvel prever a posio dos corpos em
momentos futuros. Assim, trata-se de um sistema simples e previsvel, e, portanto no catico.
20

O lanar de um dado apresenta comportamento imprevisvel, mas no determinstico, uma vez
que este evento pode ser considerado aleatrio, porque no h funo (ou pelo menos no h
um sistema relativamente simples de funes) que modele tal evento. Apesar de sua
imprevisibilidade, este sistema no determinstico e, portanto tambm no catico.
Robert L. Devaney, formulou a seguinte definio para caos em mapas discretos:

Definio 2.3: Um mapa
V V f :
definido em um conjunto compacto V R
d
dito
catico quando satisfaz as seguintes condies:
i) f apresenta sensibilidade s condies iniciais.
ii) f topologicamente transitiva.
iii) O conjunto dos pontos peridicos de f denso em V.

Dizer que um sistema possui sensibilidade s condies iniciais, dizer que existe >
0 tal que, para qualquer x pertencente a V e qualquer vizinhana N de x, onde existe y
pertencente a N e n 0 tal que | f
n
(x) f
n
(y)| > (Devaney, 1989). Isso significa que num
sistema catico, mesmo tomando x e y muito prximos, depois de um determinado nmero n
de iteraes de f, conseguiremos tornar a distncia entre f
n
(x) e f
n
(y) maior do que certo .
Na prtica, isso implica que, a partir de pequenos erros de preciso cometidos na
determinao das condies iniciais ou ao longo dos clculos dos pontos de uma rbita, erros
grandes sero gerados, impossibilitando assim qualquer tipo de previso.
Dizemos que f topologicamente transitiva se para quaisquer conjuntos abertos X, Y
V, k > 0 tal que f
k
(X) Y , ou seja, existem pontos numa vizinhana de um x
qualquer que aps k iteraes, movem-se para pontos numa vizinhana de um y qualquer.
Como os conjuntos X e Y so arbitrrios, isto significa que rbitas partindo de qualquer lugar
de V passeiam por todo V. Uma conseqncia da transitividade topolgica que, se uma
rbita de f visita uma vizinhana de um ponto x
0
, por menor que seja, a mesma rbita,
depois de um certo nmero de iteraes, tornar a visitar esta mesma vizinhana. A isto se
chama recorrncia.
Finalmente a terceira condio expressa que, em qualquer vizinhana de qualquer
ponto de V, existe um ponto peridico de f. Em outras palavras, os pontos peridicos de f,
esto por toda parte.

21

2.5 Sensibilidade s condies iniciais:

Levando em considerao os objetivos deste trabalho, a sensibilidade s condies
iniciais, a propriedade que mais merece destaque. Ento, esta seo ser focada no estudo
desta condio. Como j vimos, quando o sistema sensvel s condies iniciais, duas
condies iniciais distintas, mesmo que muito prximas, geram rbitas completamente
distintas. Para exemplificar isso, veremos aqui as rbitas de uma mesma funo, com uma
pequena diferena nas condies iniciais. Tomamos f(x) = 2x - 1, e as rbitas, obtidas por
sucessivas iteraes, primeiramente com x
0
= 0,941 e depois com x
0
= 0,942, ou seja, valores
que podem ser considerados relativamente prximos. Salientamos que, a funo que
representa o sistema apenas uma funo quadrtica e os valores tomados inicialmente
distam apenas um milsimo de unidade.
Neste caso, ocorre que se x
n
for um valor qualquer entre -1 e 1, x
n
2
ser um valor entre
0 e 1 e 2x
n
ser um valor entre 0 e 2. Subtraindo uma unidade, teremos ento 2x
n
- 1 = x
n+1
novamente como um valor entre -1 e 1. Quanto maior o valor absoluto de x
n+1
, maior ser o
valor x
n+1
e 2 x
n+1
e menor ser o valor absoluto 2x
n+1
- 1. Ou seja, ao longo do tempo, a
rbita da funo , esticada e dobrada de forma alternada, porm com uma dinmica
aparentemente aleatria.
As rbitas esto plotadas em grficos temporais. Na Figura 2.7 e Figura 2.8 temos a
representao das primeiras quatrocentas iteraes das rbitas, para x
0
= 0,941 e x
0
= 0,942,
respectivamente. Na Figura 2.6, uma espcie de zoom dos grficos da Figura 2.7 e da
Figura 2.8, transferidos para a mesma imagem, com apenas vinte e quatro iteraes. O mtodo
de construo e leitura desse grfico similar a exemplos j citados anteriormente.
At a dcima segunda iterada as rbitas se mantm relativamente prximas, mas
depois disso passam a se distanciar e se aproximar sem que haja um padro visvel ou
facilmente determinvel. Isso mostra que de certa forma as rbitas possuem certa
independncia, no se correlacionando, o que caracteriza a sensibilidade s condies iniciais.
No grfico apresentamos apenas as vinte e quatro primeiras iteraes, porm, o
comportamento das rbitas segue dessa forma, aparentemente aleatria, independente do
nmero de iteraes.

22

Sensibilidade s condies iniciais
-1,0
-0,8
-0,6
-0,4
-0,2
0,0
0,2
0,4
0,6
0,8
1,0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

Figura 2.6: Representao grfica temporal das rbitas de f
n
(x) = 2x - 1 para x
0
= 0,941 (em preto) e x
0
=
0,942 (em azul)

Sensibilidade s condies iniciais II
-1,0
-0,8
-0,6
-0,4
-0,2
0,0
0,2
0,4
0,6
0,8
1,0
0 40 80 120 160 200 240 280 320 360 400

n
(x) = 2x - 1 para x
0
= 0,941

23

Sensibilidade s condies iniciais III
-1,0
-0,8
-0,6
-0,4
-0,2
0,0
0,2
0,4
0,6
0,8
1,0
0 40 80 120 160 200 240 280 320 360 400

n
(x) = 2x - 1 para x
0
= 0,942

Para ter uma idia mais clara deste comportamento, representamos na Figura 2.9 um
grfico que representa o valor absoluto (mdulo) da diferena entre as duas rbitas para um
mesmo n. Note que, apesar da diferena inicial ser de 0,001 (um milsimo) aps algumas
iteraes, essa diferena passa a oscilar por todo intervalo de 0 a 2. Recorrendo a estatstica
podemos notar que a diferena entre os pontos com o mesmo n, de cada uma das rbitas
superior a 0,1 (que representa um erro 100 vezes maior do que o erro inicial) em mais de 85%
dos valores de n. Ainda, a distncia do ponto f(x
n
) para f(x
n
), para um mesmo n, ser maior
do que 0,5, que equivale a (um quarto) do intervalo que representa a imagem da funo
|f(x
n
) - f(x
n
)|, em mais da metade dos valores de n (54%). Embora os percentuais apresentados
neste exemplo possam variar um pouco se mudarmos as condies inicias, a sensibilidade
ser notada para quaisquer valores iniciais de x pertencentes ao intervalo aberto entre (0,1).

24

Sensibilidade s condies iniciais IV
0,00
0,25
0,50
0,75
1,00
1,25
1,50
1,75
2,00
0 40 80 120 160 200 240 280 320 360 400
Figura 2.9: Representao grfica temporal do mdulo da diferena entre f
n
(x) = 2x - 1 para x
0
= 0,942 e
f
n
(x) = 2x - 1 para x
0
= 0,941

Podemos ver outro exemplo (extrado de Alligood, Sauer e Yorke p.26), com uma
simples equao linear, tomando a funo f(x) = 3x mod 1, ou seja, o valor de sada
equivalente parte decimal do triplo do valor de entrada. Podemos pensar tal sistema como
tendo domnio e imagem num crculo de circunferncia igual a 1. Tomaremos como valor
inicial, x
0
= 0,25. Sendo assim, teremos f(x
0
) = 0,75, f(x
1
) = 0,25, (pois 3 x 0,75 = 2,25 e 2,25
mod 1 = 0,25), f(x
2
) = 0,75 e assim por diante. Paralelo a isso, tomemos como valor inicial, x
0

= 0,2501, e iterando da mesma forma, na mesma funo teremos: f(x
0
) = 0,7503, f(x
1
) =
0,2509, f(x
2
) = 0,7527 e assim por diante. Na Tabela 2.2 temos os valores das dez primeiras
iteraes de nossa f, tanto para x quanto para x. possvel notar que as rbitas de f(x
n
) e f(x
n
)
ora esto prximas, ora esto distantes, mas no existe correlao entre elas.

25

N f
n
(x) f
n
(x)
0 0,25 0,2501
1 0,75 0,7503
2 0,25 0,2509
3 0,75 0,7527
4 0,25 0,2581
5 0,75 0,7743
6 0,25 0,3229
7 0,75 0,9687
8 0,25 0,9061
9 0,75 0,7183
10 0,25 0,1549
Tabela 2.2: iteraes de f
n
(x) = 3x mod 1, com x
0
= 0,25 e x
0
= 0,2501

Tendo apresentado os conceitos bsicos sobre sistemas dinmicos caticos, partiremos
para o capitulo seguinte onde usaremos estes conceitos na exemplificao de modelos
matemticos na compreenso dos fenmenos naturais. Faremos isso por meio de exemplos
em modelos aplicados dinmica de populaes.

26

3- SISTEMAS DINMICOS NA MODELAGEM DE FENMENOS
NATURAIS

3.1- Um modelo discreto para dinmica populacional

Como mencionado anteriormente, a matemtica utilizada por diversas reas como
ferramenta de modelagem de fenmenos naturais. A dinmica de algumas populaes de
animais em determinados meios pode ser modelada matematicamente. O nmero de
indivduos de uma espcie animal num ambiente sofre influncia de vrios fatores como
nmero de nascimentos, expectativa de vida, disponibilidade de alimentos, exposio a
predadores, vulnerabilidade a doenas, etc. Alguns modelos propostos trouxeram um
considervel entendimento sobre certas dinmicas populacionais, e por isto passaram a ser
considerados por bilogos, cientistas e outros estudiosos, no estudo de populaes.
Interessam-nos aqui, modelos de tempo discreto, sendo assim, temos que considerar
populaes que apresentem um comportamento de reproduo relativamente peridico. Esse
tipo de comportamento de fato, pode ser apreciado na natureza em alguns peixes (como o
salmo), em bisontes, em alguns pingins, aves migratrias, alguns insetos, e em outras
espcies animais que se reproduzem apenas em determinada poca (geralmente uma vez ao
ano). No convm entrar em detalhes aqui, quanto aos motivos de tal comportamento, mas
sabemos que determinadas espcies migram, outras hibernam, em outras espcies a fmea
apenas entra no cio uma vez por ano, etc. Tal comportamento sazonal, contrrio a outras
espcies, como os seres humanos, que podem se reproduzir em qualquer poca, apresentando
nesse caso, uma dinmica contnua.
Temos nesse sentido o modelo proposto por Verhulst, que considera apenas uma
espcie inserida num meio:

N(t
1
) = rN(t
0
)(1 N(t
0
)/K)

Onde:
N(t) representa o nmero de indivduos de uma populao em certo instante t;
27

K representa a capacidade de sustentao do meio para com a espcie;
r representa a taxa de crescimento da populao juntamente com as demais
informaes relevantes a respeito de cada espcie em particular.
Notemos que a taxa de crescimento r, enquanto fator de N(t) contribui positivamente
para o crescimento da populao. Por outro lado, como fator de N(t
0
)/K, a taxa de
crescimento r contribui negativamente para o crescimento populacional. Assim quanto maior
for a populao, menor ser seu crescimento. fato que, quanto maior for o nmero de
indivduos num ambiente, menor ser a disponibilidade de alimentos e maior ser a
disseminao de doenas. Indivduos sem alimentos e doentes, se reproduzem menos, se
tornam mais vulnerveis a predadores, vivem menos, ocasionando o decrscimo da
populao. Obter o valor correto de r tem grande importncia, uma vez que este deve levar
em considerao todas as caractersticas que influiro no sistema. Tambm necessrio
conhecer a capacidade mxima do ambiente(K). Uma vez conhecido o valor de r, basta fazer a
contagem dos indivduos (N(t)) e o modelo ento pode ser usado para fazer previses ou
projees da populao depois de um certo tempo t.
Os valores que inserirmos para K e N(t
0
) podem se referir a qualquer unidade de
medida de quantidade de indivduos. Assim, falar em N(t
0
) = 1, pode significar que o nmero
de indivduos num instante t igual a uma unidade, ou que igual a uma centena, ou que
igual a um milhar, e assim por diante. Para generalizar, podemos considerar u(t
0
) = N(t
0
)/K,
ao invs de N(t
0
), temos dessa forma, no um valor absoluto, quantitativo, do nmero de
indivduos, mas sim um valor qualitativo obtido pela razo entre o nmero de indivduos e a
capacidade mxima do ambiente. Usaremos este tipo de quantificao ao longo de todo
trabalho. Sendo assim u(t) ser sempre um valor racional entre 0 e 1, e o modelo passa a ter a
seguinte forma:

u(t
1
) = ru(t
0
)(1 u(t
0
))

Este modelo apresenta a forma f(x) = cx (1 x) que tambm conhecida por famlia
logstica e cada membro dessa famlia (cada valor de c) conhecido por mapa logstico.
Apresentaremos a seguir, alguns exemplos do que seria uma aplicao deste modelo em
situaes reais.

28

3.2- Exemplos com mapa logstico

Os exemplos apresentados a seguir retratam situaes fictcias.
Exemplo 1: Supondo que um grupo de bilogos deseje saber qual ser a populao de
uma espcie de pingins depois de trinta anos, em determinado ambiente. A espcie em
questo reproduz-se apenas uma vez por ano. Vamos supor que o modelo apresentado
anteriormente seja ideal ao sistema, que o valor da constante r deva ser 1,9 (esse valor
representa a taxa de crescimento da populao). Supomos tambm, que o ambiente suporte no
mximo dois mil pingins e, no momento vivem trezentos pingins no local, ou seja, a
condio inicial x
0
= 0,15. Inserimos no modelo, o valor da constante r e o nmero de
pingins no momento atual, obtendo assim a rbita que est representada graficamente na
Figura 3.1. No eixo x deste grfico temos representado o tempo em anos, e no eixo y a razo
entre a populao e a capacidade mxima do ambiente.

Dinmica de Populaes I
0,00
0,05
0,10
0,15
0,20
0,25
0,30
0,35
0,40
0,45
0,50
0 5 10 15 20 25

Figura 3.1: Dinmica de uma populao fictcia de
pingins em 30 anos.

Dinmica de Populaes II
0,00
0,05
0,10
0,15
0,20
0,25
0,30
0,35
0,40
0,45
0,50
0 5 10 15 20 25

Figura 3.2: Dinmica de uma populao fictcia de
pingins em 30 anos, simulao de uma catstrofe
que atinja a populao no ano 20.

Como podemos observar a populao apresentar um crescimento considervel nos
quatro primeiros anos, se estabilizando nos anos seguintes. A partir do sexto ano, a populao
ficar estagnada, e podemos prever que, permanecendo as condies atuais que influenciam
na dinmica populacional, a populao de pingins em trinta anos ser 0,4737... da
capacidade mxima do ambiente, ou seja, aproximadamente 947 indivduos (vamos
29

considerar 947, nmero inteiro, pois estamos falando nmero de indivduos).
Podemos observar tambm que, independente do nmero atual de pingins, em alguns
anos a populao se estabilizar em 947 indivduos. bvio que quando nos depararmos com
este tipo de situao real, podemos no encontrar os 947 pingins em determinado momento.
Talvez tenhamos em certo momento 960, talvez em outro momento 930, enfim, este nmero
no representa a populao exata em qualquer momento. O que podemos afirmar que
mantida a taxa de crescimento, o nmero de indivduos tender a aproximadamente 947
pingins. De fato, o valor 0,4737... um atrator do sistema, isso quer dizer que mesmo que
haja por exemplo, uma tragdia entre os pingins, e que a populao diminua de forma
drstica (sem se extinguir) se for possvel restabelecer as condies para que a taxa de
crescimento r continue sendo igual a 1,9, a populao de pingins crescer e tender
novamente a 947 indivduos.
O grfico representado na Figura 3.2, retrata uma situao em que por alguma
influncia externa o nmero de pingins se reduza de forma drstica no ano 20. Apesar da
diminuio da populao, se for possvel restabelecer a taxa de crescimento tal qual antes da
catstrofe, o modelo mostra que a populao se recupera nos anos seguinte e tende novamente
ao mesmo valor de forma natural.

Exemplo 2: Vamos considerar agora a populao de certa espcie de borboletas em
determinado ambiente, cuja dinmica, vamos supor, tambm possa ser modelada segundo o
mapa logstico. Temos o modelo, falta-nos apenas inserir o parmetro r e a populao em
determinado instante. Aps muitos estudos sobre o comportamento, disponibilidade de
alimentos, predadores, etc., das borboletas naquele ambiente, os bilogos, juntamente com
alguns matemticos concluram que o valor de r igual a 3,7. O ambiente suporta no mximo
10 mil borboletas. Foi feita ento a contagem dos indivduos, apontando para o nmero de
3567 borboletas naquele ambiente. Este nmero representa 0,3567 da capacidade mxima do
ambiente.
A Figura 3.3 mostra a dinmica da populao de borboletas para 30 anos, novamente o
tempo aparece representado no eixo x e a razo entre o nmero de indivduos e a capacidade
mxima do ambiente, no eixo y. Como podemos notar, a populao mostra aparentemente
uma dinmica irregular, sem apresentar alguma tendncia clara (peridica). A partir dos
resultados apresentados pelo modelo, os bilogos envolvidos no estudo esperaram por uma
reduo no nmero de indivduos em 8, 11, 14 e 26 anos. Da mesma forma, previu-se que
haveria uma grande populao de borboletas em 7, 10, 13 e 25 anos.
30

Dinmica de Populaes III
0,00
0,25
0,50
0,75
1,00
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

Figura 3.3: Dinmica prevista para uma populao fictcia de borboletas em 30 anos.

Passados 7 anos, as previses se confirmaram e realmente a populao de borboletas
aumentou visivelmente. No ano seguinte, novamente as previses foram confirmadas e a
populao caiu de forma drstica. Naquele momento, julgou-se que o modelo realmente
poderia ser usado em previses, pois trazia resultados satisfatrios. A prxima previso
relevante, indicava uma superpopulao no ano 10, seguida novamente de um considervel
decrscimo no ano posterior. Todavia, no foi observado um crescimento to grande no ano
10, nem um decrscimo forte no ano 11. Apesar de no terem acontecido mudanas drsticas
no ambiente ou no comportamento da espcie, a previso obtida do modelo apresentou leves
discordncias com o que de fato ocorreu. Numa situao real, a estas alturas, a capacidade de
previso do modelo seria questionada e haveria a necessidade de rever, talvez os parmetros
do modelo. Mas estamos supondo que no houve mudanas drsticas nos fatores que
influenciam a taxa de crescimento da populao, portanto, no haveria sentido em modificar
os valores dos parmetros.
Para aqueles que acreditavam no modelo, o pior ainda estava por vir. Entre os anos 11
e 13, a previso a partir do modelo e a realidade esto em flagrante discordncia. De fato,
31

enquanto o modelo prev um forte crescimento populacional, a realidade que se tem um
forte decrescimento populacional. Com efeito, enquanto a previso indicava algo em torno de
9700 indivduos no ano 13, foi constatada uma populao inferior a 2400 indivduos. Isto no
s invalida a previso neste perodo de tempo, mas tambm para o futuro. Este o reflexo da
sensibilidade do sistema s condies iniciais, a principal propriedade dos sistemas dinmicos
caticos.

Dinmica de Populaes IV
0,00
0,25
0,50
0,75
1,00
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

Figura 3.4: Grfico temporal da rbita real (preto) e da rbita prevista (azul) para o sistema que
representa a dinmica de certa populao fictcia de borboletas.

O problema na previso encontrado neste exemplo no est no modelo em si, mas sim
no fato do modelo ser catico e por isso, apresentar sensibilidade s condies iniciais.
Qualquer erro na contagem inicial de indivduos apresentar um erro entre a populao real e
aquela que o modelo previu. Por exemplo, imaginemos que a real populao de borboletas no
momento da primeira contagem no era de 3567 e sim de 3552 indivduos (diferena de 15
indivduos, o que equivale a menos de 0,5% da populao). Se levarmos em conta os mtodos
e a dificuldade prtica de se fazer uma contagem de borboletas em determinado ambiente, o
erro que supomos, pode ser considerado pequeno. Mesmo assim, a diferena entre o nmero
32

real e o previsto, no ano 4 ser superior a 100 indivduos, no ano 6 ser superior a 600
indivduos e no ano 13 ser de exatamente 7400 indivduos. A Figura 3.4 exibe, no mesmo
grfico, a rbita real (na cor preta) e a rbita segundo a contagem inicial equivocada (na cor
azul) do exemplo das borboletas, para 30 anos.
Vamos agora supor que o modelo seja ideal e que sabemos que realmente existem no
momento inicial 3552 borboletas. Como trabalhamos com a razo entre a populao e a
capacidade mxima do ambiente, como valor inicial, o modelo nos apresenta como populao
um nmero racional que representa 1/10 000, do nmero de indivduos. Ora, o modelo ir nos
retornar frequentemente, um valor com mais de 4 casas decimais, por isso se quisermos saber
o nmero real, absoluto de borboletas em determinado instante devemos arredondar o valor
obtido no modelo at a quarta casa decimal. Como j falamos anteriormente a propriedade da
sensibilidade s condies iniciais, reflete, no somente os erros cometidos na determinao
das condies iniciais mas tambm qualquer erro que venha a ser cometido posteriormente.
Imaginemos que para o mesmo exemplo, algum resolva aplicar o modelo e arredondar para a
quarta casa decimal aps cada iterao. O resultado est traado no grfico da Figura 3.5,
novamente temos na cor preta a dinmica real da populao e na cor azul, a previso
equivocada ao fazer um arredondamento at a quarta casa decimal.

Dinmica de Populaes V
0,00
0,25
0,50
0,75
1,00
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

Figura 3.5: Comparativo entre a estimativa da populao de borboletas calculada arredondando-se at a
4 casa decimal (na cor azul) e a populao real que na verdade foi calculada com arredondamento na
12 casa decimal, portanto no real de borboletas (na cor preta)
33

Aps 21 anos, a diferena entre o nmero real de borboletas e o previsto pelo modelo
seria de mais de 7200 indivduos. Alis, esta constatao faz com que os prprios valores
apresentados como reais neste trabalho, sejam falsos. Isso porque nossos clculos apresentam
uma preciso de apenas 12 casas decimais, o que com certeza no o suficiente para a
natureza.
Como vimos, na prtica a nica diferena entre o 1 e o 2 exemplo o valor do
parmetro r. Este valor, no entanto, no mapa logstico fundamental para que o sistema
apresente, ou no comportamento catico.

3.3- Bifurcaes do mapa logstico

Bifurcaes como chamamos as transies sofridas por um sistema quando se varia
um ou mais de seus parmetros. Em particular, chamamos de bifurcaes do mapa logstico as
transies desse tipo de sistema quando variamos o parmetro c.
O mapa logstico (f(x) = cx (1 x)) com o parmetro c > 1, apresenta sempre os pontos
fixos x
a
= 0 e x
b
= (c 1)/c. Como c menor do que 1, o ponto x
b
pertence ao intervalo aberto
entre 0 e 1. O ponto x
a
= 0 sempre repulsor. Quando 1 < c < 3, o ponto x
b
ser atrator do
sistema, e para qualquer condio inicial entre 0 e 1, a rbita tender a x
b
. Para as demais
condies iniciais a rbita tender a -. Quando c > 3, x
b
ser repulsor do sistema.
O parmetro c = 3 um valor crtico para os mapas logsticos. A partir deste valor
x
b
perde sua estabilidade, e surgem outros dois pontos peridicos de perodo 2, estveis. Tem-
se ento uma rbita de perodo 1 instvel e uma de perodo 2 estvel. A Figura 3.6 mostra o
grfico temporal das rbitas para c = 2,9, c = 3 e c = 3,1, com a mesma condio inicial x
0
=
0,1294. Com c = 2,9 vemos que a rbita atrada pelo ponto x
b
= 1,9/2,9 = 0,65517.... Depois
disso, quando aumentarmos o valor de c para 3 e 3,1, a rbita passa a oscilar entre dois pontos
peridicos.
medida que o parmetro c for crescendo, os pontos estveis vo se distanciando, at
perderem sua estabilidade e darem origem a dois novos pontos cada um, desta vez de perodo
4 e estveis. Temos agora os 3 pontos instveis de perodos 1 e 2, e 4 pontos estveis de
34

perodo 4. Temos tambm duas rbitas instveis (de perodo 1 e 2) e uma estvel (de perodo
4). Essa duplicao passa a ocorrer cada vez mais rpido, em relao ao parmetro c, at que
o nmero de rbitas instveis seja infinito e nesse momento que temos o caos. Aps um
primeiro momento de regime catico, o sistema passa a ter novamente uma rbita estvel
(passa a ser no-catico), mas que em seguida perde novamente a estabilidade e o processo de
bifurcaes recomea. No mapa logstico, quando 3 < c < 4 o sistema alterna seu
comportamento entre catico e no catico.

Bifurcao I
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
0 10 20 30 40
c = 2,9
c = 3
c = 3,1

Figura 3.6: Bifurcao I, rbita do mapa logstico para mesma condio inicial, porm com 3 parmetros
diferentes para c.

A Figura 3.7, conhecida por diagrama de bifurcaes, apresenta as bifurcaes do
mapa logstico quando variamos o parmetro c no intervalo de (2, 4). No eixo horizontal,
temos representado o valor de c, e no eixo vertical os pontos fixos e/ou peridicos. possvel
observar como ocorrem as seqncias de duplicaes de perodos com c > 3, cada vez mais
rpido (em relao a c) at que se estabeleam regimes caticos. interessante observar que,
na medida em que c evolui de 3 para 4, o mapa logstico alterna regimes caticos e regulares
(no caticos).
35

O diagrama de bifurcaes pode ser obtido da seguinte forma: Primeiramente, (a)
escolhe-se um conjunto suficientemente grande de condies iniciais no interior do
intervalo aberto de (0, 1), depois (b) obtm-se as rbitas de cada uma dessas condies
iniciais iterando-se f
c
(x) um grande nmero de vezes, digamos 1000 vezes. Todas essas
rbitas tendero ao mesmo atrator. Finalmente (c) descarta-se um grande nmero de pontos
iniciais de cada uma das rbitas obtidas, digamos 900 pontos. Ficaremos assim, neste caso
com os ltimos 100 pontos. Estes pontos nos daro uma idia do atrator, uma vez que ao
eliminarmos um grande nmero de pontos, obtidos nas primeiras iteraes, corrigimos
erro existente entre os pontos inicias das rbitas e os pontos peridicos. De fato, dependendo
da condio inicial que tomarmos, pode acontecer de demorar mais ou menos tempo
(iteraes) para que fique evidente qual o conjunto atrator da rbita. Eliminando-se os
primeiros pontos das rbitas, teremos bem definido para onde convergem as mesmas.
A maneira de obteno do grfico, de fato, no absolutamente rigorosa, afinal
grande um tanto impreciso. Nem sempre ser possvel dizer exatamente quanto este
grande. Ele deve ser apenas, suficiente de modo que se o aumentarmos, o grfico continua
sendo o mesmo.

Figura 3.7: Diagrama de Bifurcaes do mapa logstico com 2 < c < 4 (extrado de
<http://sprott.physics.wisc.edu/fractals/bookfigs/fig1-01.gif>).

36

3.4- Modelo presa-predador

Nesta seo apresentaremos um exemplo de modelo para uma situao onde
relevante a relao de presa-predador entre duas espcies que vivem num mesmo ambiente.
Este tipo de modelo pode ser usado em situaes onde o crescimento da populao de
predadores afetar diretamente o crescimento da populao de presas, e vice-versa. Ora, na
relao presa-predador, se tivermos uma populao considervel de presas, os predadores
tero abundncia de alimentos. Isso algo positivo para o crescimento da populao de
predadores. Com o passar do tempo porm, a populao de predadores se tornar alta,
aumentando seu ndice de abate de presas, fazendo com que essas diminuam perigosamente.
Neste momento, a populao de predadores comear a sofrer com a escassez de alimentos.
Teremos ento uma dinmica inversa: os predadores se tornaro fracos e a populao sofrer
um decrscimo. Ento, as presas, mesmo com uma populao baixa, tero novamente mais
oportunidade de se reproduzir e, com poucos predadores, tenderem a crescer novamente.
Assim teremos uma relao direta entre as duas populaes.
O modelo que aqui ser apresentado foi extrado do trabalho de Grafton & Silva-
Echenique. Originalmente o modelo foi construdo para ser usado de forma contnua, mas no
mesmo trabalho, aparece sua verso adaptada para tempo discreto, segundo Gumowski &
Mira. O modelo composto por duas equaes e, portanto, bidimensional:

x
n+1
= a
1
x
n
(1 x
n
) b
1
x
n
y
n
(1)
y
n+1
= a
2
y
n
(1 y
n
) + b
2
x
n
y
n
(2)

Onde:
x
n
representa o nmero de presas num instante n;
y
n
representa o nmero de predadores num instante n e
a
1,
a
2,
b
1
e b
2
so parmetros que representam a taxa de crescimento e como se da a relao
entre uma espcie e outra.
Notemos que a primeira parte de cada uma das equaes, nada mais do que a famlia
logstica, j apresentada neste captulo. A segunda parte das equaes representa a relao
entre as espcies. Podemos observar aqui, que a
1
e

a
2
dizem respeito s caractersticas
37

intrnsecas de cada espcie. O parmetro b, entretanto, quantifica a relao entre presa e
predador, contribuindo positivamente para os predadores, e negativamente para as presas. De
fato, quanto maior a interao entre as espcies, pior ser para as presas e melhor para os
predadores. Novamente aqui, os valores de interesse para x e y so nmeros reais entre 0 e 1,
que correspondem a razo entre a populao e a capacidade mxima do ambiente.
Quando a influncia externa for irrelevante para as populaes, pode ocorre que estas
variem de forma peridica (estamos considerando tempo discreto, por exemplo, a cada ano).
Teramos um sistema dinmico bidimensional, onde cada uma das variveis (x e y) teria uma
rbita peridica de perodo p. Quando p = 1, as populaes permaneceriam constantes.
Quando p = 2, haveria alternadamente instantes com uma populao maior seguido de um
instante com populao menor, tanto de presas quanto de predadores (descrevemos um pouco
dessa dinmica na pgina anterior). Essa periodicidade pode ter ainda estgios intermedirios,
ou seja, podemos ter p = 3, p = 4, p = 8, etc. O regime do sistema ser determinado pelos
valores dos parmetros e poder inclusive ser catico. A seguir, apresentamos exemplos
fictcios de como isso pode ocorrer.

Exemplo 3: Imaginemos a populao de certa espcie de pingins predadora de uma
espcie de peixe, cuja relao pode ser equacionada segundo o modelo apresentado
anteriormente. Vamos supor tambm que no instante n = 0, a populao de peixes seja de
0,326 e a populao de pingins seja de 0,118 e consideremos neste caso os seguintes
parmetros:
a
1
= 3,4
a
2
= 3,3
b
1
= 0,6
b
2
= 0,45
38

Presa-Predador (dinmica estvel de perodo 2)
0,00
0,20
0,40
0,60
0,80
1,00
0 5 10 15 20 25 30 35 40 45 50
y - predador
x - presa

Figura 3.8: Dinmica estvel e peridica de perodo 2 da populao (presa-predador) fictcia de pingins
(em azul) e peixes (em preto) em 50 anos.

A dinmica da populao prevista para 50 anos pode ser observada na Figura 3.8.
Notemos que, quando o comportamento das espcies envolvidas obedece aos parmetros
apresentados acima, temos um regime peridico de perodo 2. Na prtica, as presas, quando
em alto nmero, provocariam um crescimento do nmero de predadores no mesmo ano. Os
predadores por sua vez, quando em alto nmero, provocariam uma diminuio do nmero de
presas no ano seguinte. Conseqentemente, um baixo nmero de presas acarretaria
diretamente uma diminuio do nmero de predadores.
interessante notar que atribumos condies iniciais relativamente distantes dos
atratores. Fica evidente a periodicidade das rbitas a partir de t=12, ou seja, passados 12 anos.
Assim, o nmero inicial de presas foi de 0,326, que mais tarde passa a se estabilizar, em
valores prximos a 0,37 e 0,67, alternadamente. Da mesma forma o nmero inicial de
predadores que era de 0,118, a partir do 12 ano, passa a se tornar peridico alternadamente
prximo aos valores 0,54 e 0,91.
No vamos aqui discutir a possibilidade de tais valores serem reais ou no, sob o ponto
de vista ecolgico. Dizemos isso pois, poderia ser questionado se realmente o numero de
predadores pode ser maior do que o nmero de presas, como mostra o modelo, mas isto
39

apenas um detalhe, resultado dos parmetros inseridos inicialmente.

Exemplo 4: Continuamos com o mesmo exemplo, mudamos agora os parmetros da
seguinte forma:
a
1
= 3,8
a
2
= 2,2
b
1
= 0,4
b
2
= 0,2
A Figura 3.9, mostra dinmica para estes parmetros. possvel notar que agora temos
rbitas peridicas de perodo 4. Graficamente essa periodicidade mais evidente nas presas,
cuja populao apresenta uma variao maior. Embora o nmero de predadores seja menos
oscilante, ele possui um ciclo de mesmo perodo. Ao contrrio dos outros exemplos,
estendemos nosso grfico para t = 70 anos, pois a periodicidade demora um pouco mais para
aparecer. No caso deste exemplo so necessrias mais de 30 iteraes para que seja possvel
definir quais valores pertencem os atratores do sistema.
Como se trata de um modelo derivado do mapa logstico, observamos as bifurcaes,
mostradas anteriormente. Essas bifurcaes de perodos nos levaro novamente ao caos que
mostraremos no exemplo seguinte. Ressaltamos aqui que pequenos erros na determinao das
condies iniciais ou ao longo das iteraes no provocaro grandes erros ao longo do tempo
nos exemplos 3 e 4. Portanto, no h sensibilidade as condies iniciais e no h caos.
Apenas para exemplificar, simulamos computacionalmente um erro de 0,001 na
contagem inicial do nmero de predadores. Aps mil iteraes, a maior diferena entre a
previso do modelo e o nmero real de predadores (calculado com preciso de 12 casas
decimais) ser de 0,185429... para t = 34 anos.
40

Presa-Predador (dinmica estvel de perodo 4)
0,00
0,20
0,40
0,60
0,80
1,00
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70
y - predador
x - presa

Figura 3.9: Dinmica prevista para uma populao fictcia de presas e predadores O sistema peridico
de perodo 4 e se estabiliza depois de um certo numero de iteraes.

Exemplo 5: Finalmente, vamos considerar no mesmo exemplo, as mesmas condies
iniciais e os seguintes parmetros:
a
1
= 3,8
a
2
= 3,3
b
1
= 0,6
b
2
= 0,45
Deseja-se prever qual ser o nmero de pingins nos prximos 50 anos (n o tempo
em anos). A dinmica das populaes, com os parmetros apresentados ter comportamento
catico, o que pode ser facilmente verificado atravs da sensibilidade as condies iniciais.
Vamos supor que a contagem dos pingins tenha sido exata, perfeita, porm houve um erro de
0,001 (0,1% da capacidade mxima) na contagem dos peixes, presas dos pingins. O
comparativo entre a populao real e a populao prevista, dos pingins nos 50 anos
seguintes, pode ser observado na Figura 3.10.
Percebemos que o modelo prev de maneira relativamente aceitvel at o 11 ano. Sob
o ponto de vista quantitativo o modelo passa a apresentar discrepncias quando dobra a
41

diferena entre a populao real e a prevista do 11 ano para o 12 ano. Sob o ponto de vista
qualitativo o modelo apresenta um erro relevante do 12 ano para o 13 ano, quando se
esperava um decrscimo da populao e na verdade ocorre um crescimento da populao.
Para os anos seguintes as previses tornam-se ainda mais imprecisas. interessante notar que
no instante n = 19 anos a diferena entre o real e o previsto ultrapassa 0,6 que representa 60%
da capacidade do ambiente.
Presa-Predador I
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
0 5 10 15 20 25 30 35 40 45 50
y - predador
(previso)
y - predador
(nmero real)

Figura 3.10: Grfico temporal - comparativo entre a previso e o nmero real de pingins (predadores)
em 50 anos.

Presa-Predador previso do modelo (dinmica catica)
0,00
0,20
0,40
0,60
0,80
1,00
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70

Figura 3.11: rbita da previso do nmero de
presas (em preto) e predadores (em azul)

Presa-Predador - nmeros "reais" (dinmica catica)
0,00
0,20
0,40
0,60
0,80
1,00
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70

Figura 3.12: rbita real do nmero de presas
(em preto) e predadores (em azul)

42

Essa diferena se torna relativamente maior se observarmos que, considerando a partir
do ano 1 at o ano 1500 (ou seja, para 0 < n < 1500), o valor mnimo para o nmero de
indivduos ser superior a 0,27. Deste modo, como a imagem da funo est restrita a um
intervalo menor a partir da 1 iterada, a diferena constatada representa, na verdade mais de
82% do valor mximo e mnimo possvel para a populao de pingins. O que torna a
dinmica do sistema ainda mais interessante que 4 anos depois de verificarmos uma
contradio absurda entre o nmero real e o previsto, as rbitas tornam a se aproximar.
As Figuras 3.11 e 3.12 mostram respectivamente a populao prevista (com o mesmo
erro apresentado acima) e a populao real(calculada com preciso de 12 casas decimais) de
presas e predadores para 0 < t < 70. Como podemos verificar as rbitas, tanto das presas
quanto dos predadores no se correlacionam.
Pela importncia na discusso que o trabalho se prope a fazer, a propriedade da
sensibilidade s condies iniciais, recebeu total ateno nestes exemplos. As outras
propriedades dos sistemas dinmicos caticos, tambm podem ser observadas nos mesmos
exemplos, onde aparece caos. possvel notar que, dado um ponto visitado pela rbita do
sistema, depois de certo nmero de iteradas, a mesma rbita visitar outro ponto prximo ao
anterior. Da mesma forma, pode-se notar que os pontos peridicos aparecem por toda parte
ao longo do tempo.

3.5- Fronteiras de bacias de atrao Complexidade e caos

Algumas dinmicas apresentam um comportamento no-catico segundo a definio
de Devaney, mas com uma particular sensibilidade, observada apenas para condies iniciais
muito particulares. o que chamamos de caos transiente(que pode tambm aparecer em
sistemas, juntamente com o caos de Devaney(assinttico)). importante lembrar que no caos
que vimos at agora, qualquer erro por menor que seja, em qualquer instante t, ir nos trazer
um erro relativamente grande, mais cedo ou mais tarde, que no acontece necessariamente em
todo sistema catico transiente.
Dependendo das condies iniciais e dos parmetros estabelecidos, o sistema ter suas
rbitas tendendo para um atrator (que pode ser um ponto fixo ou um conjunto de pontos
43

peridicos, se esse conjunto for composto por infinitos pontos peridicos, teremos caos) ou
tendendo para o infinito. Em alguns sistemas (por exemplo no mapa logstico), como vimos
no captulo anterior (exemplo da Figura 2.4), para um determinado intervalo todas as
condies iniciais tendem a um mesmo atrator. O intervalo que contm todas as condies
iniciais tendendo a um mesmo atrator chamado bacia de atrao.
Uma caracterstica particular do caos transiente a estrutura complexa da fronteira
entre as diferentes bacias de atrao. Condies iniciais muito prximas, convergem para
diferentes atratores. Nesta fronteira, as bacias de atrao se misturam de forma intrincada,
fractal. Num pequeno intervalo, nestas fronteiras, encontramos infinitos pontos tendendo a
diferentes atratores.
Lpez-Ruiz e Fournier-Prunaret apresentam em seu trabalho um modelo presa-
predador que possui esse tipo de comportamento para alguns parmetros. O modelo definido
pelas seguintes equaes:

(3)
(4)

Neste modelo x e y representam o nmero de predadores e presas, enquanto que
representa a taxa de crescimento. Na Figura 3.13, extrada do mesmo trabalho, temos a
representao grfica do que acontece quando = 1,09. O grfico mostra para onde
convergem as rbitas, dadas as condies iniciais de x
n
, representada no eixo horizontal, e y
n
,
representada no eixo vertical.
Na cor vermelha temos todas as condies iniciais que so atradas para o ponto P
4
. Na
cor amarela esto representadas as condies iniciais que tendem ao atrator composto pelas
regies A
31
, A
32
e A
33
e na cor branca as condies iniciais nas qual o sistema tende ao
infinito. Para qualquer condio inicial contida nas regies A
31
, A
32
e A
33,
o sistema apresenta
uma dinmica catica dentro destes intervalos. Como podemos perceber algumas fronteiras
das bacias de atrao so bastante complexas. Olhando para a Figura 3.13a, temos a
impresso que as regies A
31
, A
32
e A
33,
so estruturas simples, mas na verdade, como
podemos ver na Figura 3.13b, trata-se de uma forma complexa e fractal. Isso faz com que o
sistema seja catico, no apenas da forma assinttica mas tambm transiente. Dado um ponto
p pertencente, por exemplo a regio A
33
,

possvel encontrar um ponto q, arbitrariamente
44

prximo de p que est na regio amarela. Isto faz com que em determinadas regies,
condies muito prximas pertenam a diferentes bacias de atrao.

Figura 3.13: Representao grfica extrada de Lpez-Ruiz e Fournier-Prunaret, que mostra a bacia de
atrao para o intervalo de condies iniciais de x
n
e y
n
, entre 0 e 1.

Se observarmos a Figura, veremos que em determinadas regies, difcil notar se um
ponto qualquer pertence a regio branca, ou a regio vermelha ou ainda a regio amarela.
Fazendo uma comparao, no mapa logstico, temos um grupo de rbitas peridicas, outro
grupo de rbitas caticas, outras rbitas tendendo ao infinito, mas todas elas, de certa forma
organizadas e agrupadas. possvel definir com clareza intervalos onde para qualquer
condio inicial o sistema apresente um comportamento semelhante. No exemplo apresentado
aqui, as rbitas peridicas, as caticas e as que tendem ao infinito esto dispostas de uma
forma aleatria, complexa(como se fosse um sistema duplamente catico), sendo assim
impossvel definir, por exemplo, todos os pontos ou todos os intervalos de condies inicias
que tendem ao mesmo atrator (pois estes sero infinitos).

45

4- DISCUSSES A RESPEITO DA MATEMTICA COMO
FERRAMENTA DE MODELAGEM DE FENMENOS NATURAIS

4.1- Efeitos da Imprevisibilidade

O estudo dos sistemas dinmicos caticos traz tona problemas que colocam em
questo a relevncia e preciso dos modelos matemticos que buscam a previso de
fenmenos naturais. Diversas reas do conhecimento fazem uso da matemtica. Se algum
fenmeno for determinstico ele pode ser equacionado, ou seja, podemos represent-lo atravs
da linguagem matemtica, de modelos matemticos, e aplicar neste modelo todo e qualquer
conhecimento matemtico que dispomos. A Fsica, a Biologia, a Qumica, a Medicina, a
Meteorologia, a Geologia, e muitas outras reas fazem uso e dependem dos resultados e das
respostas apresentadas pela matemtica. Para que um modelo matemtico, realmente seja til
ele deve representar perfeitamente o fenmeno que est sendo estudado, deve levar em
considerao todas as variveis envolvidas e responder de forma precisa aos questionamentos
propostos. Obter este modelo pode ser uma tarefa com alto grau de dificuldade. O modelo
perfeito, que representa fielmente um fenmeno pode ser composto por muitas equaes, de
vrias variveis. Ou ainda, caso o modelo seja relativamente simples, (como a famlia
logstica), ser muito difcil determinar os valores corretos para os parmetros.
Vale lembrar que equaes estudadas no Ensino Mdio, ou at no Ensino Superior
costumam levar em considerao condies triviais, raras ou utpicas para grande parte do
que acontece de fato no mundo real. Por exemplo: Para calcular a posio de um corpo ao
longo do tempo, os modelos que dispomos e que nos so apresentados nestes nveis de ensino
levam em considerao velocidade constante ou uniformemente varivel, acelerao
constante, vcuo, etc. Condies que na prtica, muito raramente ocorrem.
Para sermos precisos, seria necessrio termos o modelo perfeito. Vamos supor que este
modelo exista, e que realmente conseguimos obt-lo. Como j falamos anteriormente, um
modelo bastante complexo, composto por muitas equaes e variveis. Neste momento, para
fazermos as previses desejadas, basta inserirmos os devidos coeficientes e valores atuais das
variveis em questo, e exatamente aqui que reside nosso primeiro problema. Mesmo
dispondo do modelo perfeito, se ele for catico, qualquer erro na determinao das condies
46

iniciais provocar erros considerveis nos instantes seguintes. Na prtica, estes erros
realmente existem. Basta pensar, por exemplo, num modelo de previso meteorolgica.
Coletar dados, como temperatura, umidade relativa do ar, presso atmosfrica, uma tarefa
difcil quanto a preciso. Isso porque pequenas distores podem ocorrer, mesmo em locais
muito prximos devido a forte influncia, neste caso, de fatores externos.
Alm disso, qualquer erro de clculo em qualquer instante, por menor que seja,
resultar, mais cedo ou mais tarde em erros relativamente grandes, ou seja, nosso segundo
problema que a preciso de que necessitamos tende ao infinito. Ora, se tivermos o modelo
perfeito, as condies iniciais precisas, mesmo assim no poderemos fazer previses, se o
modelo apresentar regime catico, isso porque no teremos a nossa disposio computadores
suficientemente precisos para efetuar os clculos. As ferramentas mais usadas atualmente em
programao, trabalham com uma preciso de 28 casas decimais, um erro na 29 casa
decimal, trar imprevisibilidade ao sistema.
Num primeiro momento, a matemtica perde, aparentemente, sua funo e utilidade
como ferramenta de modelagem e previso de fenmenos naturais. A descoberta e o estudo
dos sistemas dinmicos caticos, feitos a partir do final do sculo XIX, principalmente por
Poincar, e do sculo XX, levantam uma questo delicada a respeito da aplicao da
matemtica no mundo real. Se for possvel encontrar caos em sistemas modelados por simples
equaes de 2 grau de uma varivel, qual ser a dimenso da complexidade que
encontraremos em sistemas de vrias equaes e vrias variveis? E no mundo real, que tipo
de fenmeno ser possvel modelar com simples equaes lineares?
A modelagem matemtica ento, no passaria de mera cincia abstrata, sem aplicao
concreta, uma vez que no seria confivel em sua principal utilidade, a previso. Teriam
razo, aqueles que sempre questionaram a importncia da matemtica, para o mundo real. Os
sistemas dinmicos caticos seriam responsveis por uma grande depreciao da matemtica
como ferramenta de modelagem.

47

4.2- Nova interpretao

Na verdade, os sistemas dinmicos caticos, trouxeram uma nova forma de ver e
entender a matemtica. Aparece a matemtica qualitativa, no lugar da quantitativa.
Analisando o exemplo 2 do captulo anterior, podemos tirar sim, muitas concluses
qualitativas sobre a dinmica da populao de borboletas, embora seja impossvel fazer
previses de ordem quantitativa. Ser difcil afirmar que o nmero de borboletas depois de t
anos ser igual a um valor x. Mas podemos tirar concluses como, por exemplo, que o
nmero de indivduos oscilar por todo intervalo, mas jamais ultrapassar a capacidade
mxima do ambiente e jamais ser extinto (obviamente, no consideramos aqui, influncias
externas). Se nos deparando com um sistema dinmico catico, tivermos conscincia de que
ser impossvel fazer previses, isso por si, j uma previso correta.
Podemos ainda, no contexto do estudo das dinmicas populacionais e considerando os
modelos aqui apresentados tirar outras concluses. Por exemplo, no captulo anterior foi
apresentado um exemplo de uma populao fictcia de pingins que se estabiliza em um
determinado nmero depois de algum tempo. Mesmo que haja interferncias externas e que o
nmero de pingins venha a diminuir ou aumentar de forma drstica, se for possvel manter
os parmetros, a rbita que representa a populao tender novamente ao mesmo atrator. O
entendimento dessa dinmica pode auxiliar, por exemplo, no estudo da sustentabilidade de
ecossistemas que sofrem interferncias externas, como do homem. Em sistemas como o mapa
logstico, cuja rota para o caos se d por bifurcao de perodos, observamos que s vezes
pequenas mudanas nos parmetros tornam o sistema catico ou peridico. Nesse sentido, a
questo da sustentabilidade de um ecossistema pode estar condicionada a pequenas mudanas
em parmetros que afetam a taxa de crescimento de uma populao.
Exemplificamos isso nas figuras abaixo onde esto representadas as rbitas da funo
f(x) = cx
2
1, para trs valores distintos, porm relativamente prximos, de c. O mapa em
cada um dos casos foi iterado cem vezes e possui o mesmo x
0
= 0,227. Podemos observar que
h uma mudana significativa no comportamento do sistema quando variamos o valor da
constante c de 1,74 para 1,75. Quando c = 1,74, observamos um comportamento
aparentemente aleatrio, sensvel s condies iniciais. Para c = 1,75 vemos que o sistema se
torna peridico, de perodo 3, aps um determinado nmero de iteraes.

48

1,72x - 1
-1,0
-0,8
-0,6
-0,4
-0,2
0,0
0,2
0,4
0,6
0,8
1,0
0 10 20 30 40 50 60 70 80 90 100

Figura 4.1: Grfico Temporal do mapa de f(x) =
1,72x
2
- 1

1,74x - 1
-1,0
-0,8
-0,6
-0,4
-0,2
0,0
0,2
0,4
0,6
0,8
1,0
0 10 20 30 40 50 60 70 80 90 100

1,74x
2
- 1

1,75x - 1
-1,0
-0,8
-0,6
-0,4
-0,2
0,0
0,2
0,4
0,6
0,8
1,0
0 10 20 30 40 50 60 70 80 90 100

1,75x
2
- 1

1,8x - 1
-1,0
-0,8
-0,6
-0,4
-0,2
0,0
0,2
0,4
0,6
0,8
1,0
0 10 20 30 40 50 60 70 80 90 100

1,8x
2
- 1

Se, por exemplo, tivermos a dinmica de uma populao sendo modelada por um
sistema que apresente tais caractersticas, alm do problema da sensibilidade as condies
iniciais, teremos tambm, ainda, a instabilidade de determinados parmetros. Vamos supor,
que uma populao tenha uma dinmica estvel e peridica, como esta, que podemos observar
na Figura 4.3. Quando modelamos um problema supomos sempre que os valores que
representam constantes, de fato, no sofram alteraes ao longo do tempo. Mas como a
natureza vulnervel a interferncias externas, como do homem, pode acontecer que
determinada ao, venha a modificar o valor de algum parmetro. Alm de alterar
quantitativamente a populao, poder ser alterada tambm a dinmica, de forma qualitativa,
uma vez que o sistema pode tornar-se catico ou convergir para um atrator prximo a 0 (o que
indicaria uma forte tendncia a extino da espcie).
importante perceber que tal concluso, torna efetivamente importante o estudo
aprofundado do sistema e da ferramenta que esta sendo usada, ao invs de apenas utilizar suas
respostas. Se uma populao possui uma dinmica estvel, importante que seja estudado se
49

essa estabilidade no se encontra prxima, por exemplo, de uma bifurcao e posteriormente
do caos. Nesse contexto, pode ser avaliado, por exemplo, qual o limite da pesca de uma
determinada espcie sem comprometer a estabilidade populacional da mesma espcie em seu
habitat. Em algumas circunstancias o homem age diretamente sobre os coeficientes que
representam o crescimento de uma populao, encontrar o limite, at que ponto a interferncia
humana sobre os ecossistemas no malfica para a preservao das populaes pode ser
possvel atravs do estudo qualitativo dos sistemas dinmicos.
Imaginemos ainda uma situao em que, constantemente e de forma aleatria ao longo
do tempo, certa praga afete determinada produo agrcola. Uma maneira de combater a
praga, sem fazer uso de produtos txicos e nocivos ao meio ambiente e a sade humana,
inserir no meio, um predador natural daquela praga. Temos aqui a relao presa-predador.
Novamente um estudo do comportamento das espcies pode dar indcios de como deve ser e
qual deve ser o predador que faa com que a dinmica das populaes tenha um regime
estvel. Talvez no seja interessante que a praga (presa) seja praticamente extinta, pois isso
acarretaria em momentos posteriores uma reduo drstica no numero de predadores. A
reduo dos predadores pode gerar em momentos futuros uma exploso populacional das
presas. O estudo qualitativo, onde o homem procura ento encontrar constantes em que ocorra
uma estabilidade torna-se possvel.
Este trabalho no um trabalho de biologia. Muitas das suposies feitas aqui, talvez
sejam inviveis, sob o ponto de vista ecolgico. O objetivo, no entanto, mostrar que
determinadas reas da matemtica (como os sistemas dinmicos caticos), merecem uma
ateno diferenciada, onde ao contrrio de outras reas, a resoluo de problemas depende
tambm do estudo qualitativo. Os sistemas no-lineares chamam a ateno pelo fato de que,
perguntas feitas com um erro nulo, traro respostas com um erro igualmente nulo. Todavia,
perguntas, onde os dados apresentam um erro muito pequeno (prximo a zero), podem
apresentar respostas com um erro relativamente grande.
50

5- CONCLUSO

O estudo dos sistemas dinmicos caticos comeou com Poincar no final do sculo
XIX, e se desenvolveu substancialmente at meados do sculo XX.. Entretanto, foi somente
na segunda metade do sculo XX, com a inveno e o desenvolvimento dos computadores,
que se tornou possvel popularizar seu uso no estudo dos fenmenos naturais. Cientistas
puderam aumentar a preciso de seus modelos bem como a sofisticao de suas anlises. Foi
ento que muitos cientistas puderam constatar o papel da sensibilidade s condies inicias
nos seus modelos, quando em regimes caticos. Foi possvel, ento entender que as respostas
dadas pelo seu computador baseadas no seu modelo certamente no coincidiriam com as
observadas na realidade. Por outro lado, compreenderam tambm que essa complexidade
exibida por seu modelo deve ter um paralelo com o fenmeno em si, isto , o fenmeno deve
ter uma complexidade (caos) implcita.
As conseqncias da Teoria do Caos abrangem no somente a matemtica, mas
tambm diversas reas, nas explicaes dos mais diversos fenmenos naturais. Segundo
Francis Galton Quanto maior a multido e maior a anarquia aparente, mais perfeita sua
variao. a lei suprema da Desrazo. (Stewart, 1989). Em outras palavras, do complexo
pode advir um comportamento emergente simples. O caos justamente o caminho inverso: do
simples pode haver a complexidade. Neste sentido, pode-se ver a complexidade e a
simplicidade como dois lados de uma mesma moeda.
Embora haja ainda, muito para ser estudado, j se sabe hoje que comportamentos
complexos no derivam necessariamente de leis complexas. Mostramos neste trabalho que
possvel observar comportamentos complexos a partir de leis simples. Questionamos o uso da
matemtica, no pela matemtica, mas por outras reas que a utilizam como ferramenta. A
matemtica por si, traz as respostas corretas, mas a insuficiente disponibilidade de
instrumentos de medio, clculo, etc. faz com que as respostas que obtemos atravs de
modelos no sejam absolutamente confiveis.
O fato das respostas obtidas pelos modelos serem imprecisas sob o ponto de vista
quantitativo, se deve ento, a complexidade do sistema. Os efeitos dessa complexidade
podero ser vistos na dilatao dos erros ao longo das iteraes. Erros, inicialmente
irrelevantes se tornaro relativamente grandes, gerando distores entre a previso e a
realidade. Mesmo que o desenvolvimento do trabalho d a entender que a matemtica intil,
51

na verdade ocorre o contrrio. A matemtica como cincia exata e precisa, consegue refletir a
complexidade implcita de determinados fenmenos naturais (atravs das rbitas caticas de
sistemas dinmicos), mesmo que esta se oculte por trs da aparente simplicidade dos prprios
modelos matemticos que representam os mesmos fenmenos naturais.
Finalmente conclumos que, quando um fenmeno natural modelado por um sistema
catico, as repostas relevantes so obtidas por uma anlise qualitativa do sistema. A
matemtica usada como ferramenta, no apontar para respostas corretas de ordem
quantitativa. A matemtica, porm, poder apontar para solues de ordem qualitativa, onde
se faz necessria uma anlise do sistema como um todo. No caos a nica certeza a
imprevisibilidade.

52

Referncias Bibliogrficas

ABDENUR, Flvio; FRANA, Luiz Felipe Nobile. Hiperbolicidade, Estabilidade e Caos
em Dimenso Um. Riod Janeiro: IMPA, 2007.89 p.

ALLIGOOD, Kathleen T.; SAUER, Tim D.; YORKE, James A. Chaos: An introduction to
dynamical systems. 1. ed. New York: Springer, 1996. 603 p.

CAPRA, Fritjof. A teia da vida : uma nova compreenso cientfica dos sistemas vivos. So
Paulo: Cultrix, 1996. 256 p.

DEVANEY, Robert L. An introduction to chaotic dynamical systems. 2. ed. Reading:
Perseus, 1989. 336 p.

GRAFTON, R. Quentin; SILVA-ECHENIQUE, J. How to Manage Nature? Strategies,
Predator-Prey Models, and Chaos. Ottawa, 1997, 17p. Disponvel em:
<http://ageconsearch.umn.edu/bitstream/28141/1/12020127.pdf> Acesso em: 26 mai. 2008.

HOFFMANN, Gustavo Andr; SOBOTKA, Marcelo; de OLIVEIRA, Luis Paulo Luna.
Dinmica Catica: Uma Introduo.

LPEZ-RUYZ. Ricardo; FOURNIER-PRUNARET, Danile. Indirect Allee Effect,
Bistbility and Chaotic Oscillations in a Predator-Prey Discrete Model of Logistic Type.
2004, 20p. Disponvel em: <http://arxiv.org/ftp/nlin/papers/0406/0406019.pdf> Acesso em:
23 mai. 2008.

LORENZ, Edward N. A Essncia do Caos. 1. ed. Braslia: Universidade de Braslia, 1996.
278 p.

MURRAY, J.D. Mathematical Biology. 2. ed. Springer, 1993.

53

de OLIVEIRA, Luiz Paulo Luna. Introduo aos Sistemas Dinmicos e suas Aplicaes a
Sistemas Biolgicos.

STEWART, Ian. Ser que Deus Joga Dados? A nova matemtica do Caos: Traduo de
Maria Luiza X. de A. Borges. Rio de Janeiro: Jorge Zahar Editor, 1991, 336p.

VILLATE, Jaime E. Introduo aos Sistemas Dinmicos Uma abordagem prtica com
Mxima. San Francisco(USA): Creative Commons, 2006, 216p. Disponvel em
<http://fisica.fe.up.pt/pub/maxima/sistdinam.pdf> Acesso em: 20 set. 2007.

54

Apndice Um pouco mais sobre Caos

Devido ao foco do trabalho optamos por um caminho, mesmo assim o caos pode ser
encontrado em outras situaes, onde tambm possvel fazer verificaes interessantes.
Neste Apndice, apresentamos algumas sugestes de links do meio eletrnico com software e
leituras interessantes a respeito do tema.

http://www.microbiologia.ufrj.br/Gloss%E1rio%20de%20Din%E2micaN%E3o-
Linear.pdf Apresenta um Glossrio dos principais termos usados na dinmica no-
linear, alguns deles explicados neste trabalho, outros no. Explica de maneira sucinta e
simples termos necessrios para a compreenso da literatura sobre dinmica no-linear.
<http://www.maths.tcd.ie/~plynch/SwingingSpring/springpendulum.html>
Disponibiliza um software bastante interessante que simula a dinmica de pndulos.
Enquanto mostra os pndulos, apresenta tambm a representao grfica da dinmica do
sistema.
Sobre Fractais, Caos, Atratores, etc.:
http://www.insite.com.br/fractarte/artigos/bibliografia.php
http://www.cefetsp.br/edu/guerato/mat_trab_alunos_poincare.htm
http://www.cefetsp.br/edu/guerato/mat_trab_alunos_caos.htm
http://local.wasp.uwa.edu.au/~pbourke/fractals/lorenz/

Em web sites como a Wikipdia, possvel localizar vrios aspectos e faces da Teoria
do Caos. Na lngua portuguesa o campo de pesquisa um pouco mais restrito, mas
principalmente em ingls possvel encontrar muitos trabalhos, aplicados a diferentes
reas tratando da Teoria do Caos.

Imprevisibilidade de Modelos Matemáticos

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Imprevisibilidade de Modelos Matemáticos

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE DO VALE DO RIO DOS SINOS

CENTRO DE CINCIAS EXATAS E TECNOLGICAS

Você também pode gostar