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).
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 Figura 2.2: Grfico Temporal da rbita de f n (x) = 2x(1 x) com x 0 = 0,12............................16 Figura 2.3: Grfico Cobweb da rbita de f n (x) = 1 - x com x 0 = -0,5 ou x 0 = 1,5...................17 Figura 2.4: Grfico Cobweb da rbita de f n (x) = 2x(1 x) com trs x 0 distintos...................18 Figura 2.5: Grfico Cobweb da rbita de f n (x) = 3,2x(1 x) com x 0 = 0,27...........................19 Figura 2.6: Grfico Temporal da rbita de f n (x) = 2x 1 com x 0 = 0,941 e x' 0 = 0,942........22 Figura 2.7: Grfico Temporal da rbita de f n (x) = 2x 1 com x 0 = 0,941 ............................22 Figura 2.8: Grfico Temporal da rbita de f 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 4.2: Grfico Temporal f(x) = 1,74x - 1...................................................................48 Figura 4.3: Grfico Temporal f(x) = 1,75x - 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).
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.
Figura 2.8: Representao grfica temporal da rbita de f 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.
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
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.
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.
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
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.
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.
Figura 4.4: Grfico Temporal do mapa de f(x) = 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.
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.