Você está na página 1de 203

Livro

Temas & Modelos


Rodney C. Bassanezi

Ttulo: Temas & Modelos


Autor: Rodney C. Bassanezi

Santo Andr,

Sumrio

1 Etapas de uma modelagem


1.1 Escolha de temas . . . . . . . . . . . . . . . . . . . . . . .
1.2 Coleta de dados . . . . . . . . . . . . . . . . . . . . . . .
1.3 Anlise de dados e formulao de modelos . . . . . . . .
1.4 Validao . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.5 Convergncia e Estabilidade . . . . . . . . . . . . . . . .
1.6 Clculo do Valor Assinttico Mtodo de Ford-Walford
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.7 Variaes . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . 26
. . . . . . . . . 29

2 Equaes de Diferenas Lineares


2.1 Equao de diferenas de primeira ordem . . . . . . . .
2.1.1 Equao de diferenas linear de segunda ordem .
2.2 Sistemas de Equaes de diferenas lineares . . . . . . .
2.2.1 Estabilidade de equaes de diferenas . . . . . .
2.3 Sistema discreto no linear . . . . . . . . . . . . . . . .

.
.
.
.
.

36
38
41
45
53
56

.
.
.
.
.

60
62
64
65
67
72

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

3 Equaes diferenciais
3.1 Equao geral de primeira ordem . . . . . . . . . . . . . . . . . . . .
3.2 Problema de valor inicial . . . . . . . . . . . . . . . . . . . . . . . . .
3.3 Equao diferencial fundamental . . . . . . . . . . . . . . . . . . . .
3.4 Equaes diferenciais autnomas . . . . . . . . . . . . . . . . . . . .
3.5 Modelos Matemticos com equaes diferenciais de primeira ordem

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

9
10
12
15
16
17

4 Ajuste de curvas
78
4.1 Ajuste linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
4.2 Ajuste Linear de crescimento exponencial . . . . . . . . . . . . . . . . . 81
4.2.1 Clculo do valor de Euler e: . . . . . . . . . . . . . . . . . . . . . 85

Sumrio
4.3

Ajuste Linear do Modelo Exponencial Assinttico


. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.4 Ajuste linear de uma curva logstica . . . . . . . . .
4.4.1 Modelo logstico discreto . . . . . . . . . .
4.4.2 Equao Logstica Contnua . . . . . . . . .
5

Propagao da Podrido em Mas


5.0.3 O problema . . . . . . . .
5.0.4 M1 - Modelo Contnuo . .
5.0.5 Modelos Discretos . . . . .
5.0.6 Modelo Fuzzy . . . . . . .

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

87
91
93
95

.
.
.
.

103
. 104
. 105
. 107
. 120

6 Esporte
141
6.1 A corrida dos 100 metros . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
7 Criminalidade no ABCD

163

8 Fabricao de papel
179
8.1 Bobina de papel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 180
8.1.1 Modelo 1 - Comprimento do papel bobinado . . . . . . . . . . . 181
8.1.2 Peso de uma bobina . . . . . . . . . . . . . . . . . . . . . . . . . 183
8.1.3 Controle de micro organismos na fabricao do papel . . . . . . 185
8.1.4 I. Relao entre bactericida utilizado e produo / gramatura. 187
8.1.5 Poluio [13] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 195

Introduo

A maior dificuldade que notamos para a adoo do processo de modelagem, pela


maioria dos professores de matemtica, a transposio da barreira naturalmente
criada pelo ensino tradicional onde o objeto de estudo apresenta-se quase sempre
bem delineado, obedecendo a uma sequncia de pr-requisitos e que vislumbra um
horizonte claro de chegada tal horizonte muitas vezes o cumprimento do programa
da disciplina.
Na modelagem, o incio apenas o tema de estudo escolhido onde ainda no se tem
idia do contedo matemtico que ser utilizado. Nesse estgio, colocamos para os
iniciantes que quando no se tem nenhuma idia do que fazer, comece contando ou
medindo com este procedimento, natural aparecer uma tabela de dados e isto
pode ser o comeo da modelagem. A disposio dos dados em um sistema cartesiano
e um bom ajuste dos seu valores, facilitar a visualizao do fenmeno em estudo,
propiciando tentativas de propostas de problemas, conjecturas ou leis de formao
A formulao de modelos matemticos simplesmente uma consequncia deste
processo. A situao colocada desta forma pode dar a falsa impresso que aprender
modelagem matemtica como aprender o contedo de uma disciplina bem estruturada. Entretanto, o aprendizado de modelagem no se restringe ao aprendizado de
tcnicas padronizadas ou procedimentos sequenciais tal como um protocolo cirrgico.
Da mesma forma que s se pode aprender a jogar futebol, jogando, s se aprende
modelagem, modelando! - O tcnico pode aprimorar o comportamento de um jogador e ensaiar jogadas mais efetivas mas o resultado final depende exclusivamente
da criatividade e habilidade deste jogador; ainda assim, em cada partida sua atuao
e rendimento podem ser bastante diferenciados, dependendo do comportamento da
equipe adversria. O mesmo se d em todas as atividades que exigem alguma dose
de criatividade - a pintura um exemplo tpico: o indivduo pode aprender todas as
tcnicas de uma pintura e saber misturar todas as cores, pode inclusive reproduzir
alguma obra de outro pintor mas no ser um bom artista se no aliar uma boa dose
de criatividade s suas habilidades tcnicas.

Sumrio
A atividade de aplicar matemtica to antiga quanto prpria matemtica. sabido
que muitas idias em matemtica surgiram a partir de problemas prticos. Tambm
verdade que o uso de matemtica em outras reas do conhecimento tem crescido
substancialmente a ponto de se esperar que ela venha a resolver todos os tipos de situaes. Apesar disso, por mais que se treine um matemtico com o estudo de teorias,
evidente que grande parte deles no demonstre habilidades para empregar matemtica em outras reas. O que entendemos por habilidades neste contexto, consiste em
tomar um problema definido em alguma situao prtica relativamente complexa,
transform-lo em um modelo matemtico e procurar uma soluo que possa ser reinterpretada em termos da situao original.
Um esquema simples deste processo dado por McLone:

Fig.1-Esquema simplificado de modelagem


Entretanto, tal esquema no sugere como se pode desenvolver habilidades de matemtico aplicado nem tampouco como adquir-las, o que nos leva ao questionamento:
possvel ensinar modelagem matemtica?
Sem querer ser demasiadamente simplista na reposta, nem tampouco pernstico
como dono da verdade, diramos que a melhor maneira de se aprender modelagem
matemtica fazendo modelagem, e de preferncia juntamente com algum que j
teve alguma experincia.
Partimos da premissa que no necessariamente o contedo matemtico, mas o estilo e atitudes considerados em um curso de Matemtica Aplicada que proporcionam
condies favorveis para que os estudantes se sintam interessados e motivados pelas
aplicaes.

Sumrio
A atividade de matematizao de situaes reais no diferente em Biologia ou
mesmo em Histria daquela obtida em aplicaes tradicionais como em Fsica, por
exemplo. Um incio de treinamento pode ser realizado quando mudamos a rea de
aplica o e produzimos novos modelos ou usamos modelos conhecidos e os modificamos, introduzindo novas variveis ou hipteses.
importante para aqueles que se dispem a trabalhar com modelagem matemtica estabelecer alguns critrios de qualidade. Os critrios devem ser adequados aos
objetivos que devem ser bem definidos a priori Por exemplo, se vamos utilizar o
processo de modelagem matemtica para motivao de certos contedos matemticos ou valorizao da prpria matemtica, muitas vezes a validao dos modelos no
um critrio fundamental para sua qualificao Neste caso, o alvo o prprio aprendizado de matemtica. Por outro lado, se estamos mais interessados nos resultados
fornecidos pelo modelo para entender a situao modelada ento a sua validao
indispensvel.
Este livro, assim como o primeiro que escrevemos ("ensino-aprendizagem com modelagem matemtica- Edit. Contexto, 2000), tem como objetivo principal introduzir
o leitor no proceso de modelagem matemtica - O conteudo matemtico utilizado
nos exemplo bastante simples e bsico em qualquer curso de cincias exatas ou
mesmo biolgicas. Os modelos apresentados so frutos de cursos de especializao
para professores do ensino mdio e fundamental. Salientamos, entretanto, que a
estratgia de modelagem pode ser adotada em qualquer situao ou ambiente educacional, usando-se, evidentemente, conteudo prprio do estgio da classe. O processo
de modelagem pode seguir os mesmos passos que no ensino superior: medir e/ou
contar, analisar os dados, formular hipteses, propor modelos e valid-los. Este procedimento, em termos de ensino - aprendizagem tem a grande vantagem de propiciar
ao modelador a oportunidade de exercer sua criatividade, no somente em relao s
aplicaes e habilidades matemticas mas, principalmente,na formulao de problemas originais. Muitas vezes, a formulao de um problema mais estimulante que
sua prpria resoluo.1
1A

modelagem como processo de ensino-aprendizagem pode ser utilizada de maneiras diversas se


o ambiente de ensino for diferenciado. Assim, se estamos num ambiente de Iniciao Cientfica
ou cursos de Especializao para professores de matemtica, o programa de conteudos no causa
grandes problemas. Entretanto, se o curso for regular com um programa a ser cumprido o processo
de modelagem deve ser adaptado, considerando temas dirigidos que tenham modelos com caractersticas prprias do conteudo a ser tratado no curso. Neste caso, tambm no se pode deixar de
fazer a formalizao contnua dos objetos matemticos que aparecem nos modelos e desejvel que
o professor j tenha trabalhado anteriormente com o tema para que o desenvolvimento do curso
flua normalmente.

Sumrio

Procedimentos bsicos para modelagem


Alguns procedimentos podem ser considerados gerais em modelagem:
Aquisio de tcnicas bsicas e teoria
Aqui a questo tem duas alternativas: "Faz-se modelagem para aprender matemtica? ou "Aprende-se matemtica para poder aplicar?- Neste caso, a resposta deve ser dada dependendo da situao ou ambiente educacional de cada
um. Entretanto, acredito que ensinar matemtica tendo como pano de fundo
alguma situao real seja muito mais motivador, principalmente quando as situao ou temas forem escolhidos pelos alunos. Ensinar com modelagem mais
atraente. A formalizao do conteudo matemtico vem com o interesse despertado pelo problema, muitas vezes criados pelos alunos e a prendizagem pode
ser reforada com a abstrao de princpios unificadores para certas situaes.
Estudo de problemas clssicos
O estudo de problemas semelhantes aos propostos na modelagem favorecem
o aprendizado. o momento de mostrar que a matemtica uma ferramenta
essencial para o entendimento de situaes diferenciadas mas com desenvolvimentos semelhantes. A apresentao e resoluo de problemas clssicos ajudam
a entender as tcnicas a serem aplicadas nos novos problemas. Modelar, neste
caso, passa a ser uma busca de analogias com situaes conhecidas.
Questionamento ou crtica a respeito da fabilidade de modelos clssicos
Uma maneira de se propor um problema novo perguntar "e se...?"quando se
tem um modelo clssico. Este o primeiro passo de uma modelagem, como
retocar um quadro de outro pintor e, muitas vezes, os resultados so impressionantes, parecendo um quadro completamente novo. Em se tratando de pesquisa
em matemtica este procedimento muito frequente e tem sido um dos fatores
responsveis pelo desenvolvimento desta cincia.
Improvisao de novas tcnicas quando as existentes so inadequadas
Para cada situao existe uma matemtica mais ou menos adequada para descrevla. Vrios modelos alternativos podem ser utilizados para modelar uma mesma
situao. Os pesquisadores sempre esto procura do modelo mais adequado
e com este objetivo muitas vezes se d o aparecimento de novas teorias e a improvisao de novas tcnicas matemticas.

Sumrio
Organizao de material (dados experimentais, bibliogrficos, etc.)
Num processo de modelagem a coleta de dados fundamental e sua sistematizao fornece pistas para se propor os modelos. Muitas vezes uma anlise
estatstica preliminar tambm facilita a modelagem. Trabalhar em cooperao
com especialistas de outras reas muito enriquecedor, proporciona um melhor entendimento do fenmeno e, quase sempre, calibra ou adequa o material
matemtico empregado no modelo que deve ser validado pelo especialista.
Formulao de problemas em termos matemticos
A grosso modo formular um problema fazer a transferncia de caractersticas
prprias de uma situao para a matemtica e vice-versa - como um dicionrio bilingue linguagem usual - matemtica, matemtica - linguagem usual.
Algumas palavras tm tradues imediatas - o caso de proporcional; variaes;
estabilidade; crescimento etc.

Neste texto vamos introduzir alguns recursos bsicos para a iniciao modelagem, no perdendo de vista nosso objetivo principal que o ensino-aprendizagem de
matemtica.
A parte computacional adequada para introduo modelagem, se restringe, invariavelmente, confeco de grficos e ajuste de curvas. Por este fim, propomos
utilizar programas bastante simples que se encontram disponveis em quase todas as
mquinas tais como Excel da Microsoft ou ento o BROficce Calc que uma planilha
eletrnica de livre acesso e compatvel com a anterior.

1 Etapas de uma modelagem

A modelagem o processo de criao de modelos onde esto definidas as estratgias


de ao do indivduo sobre a realidade, mais especificamente, sobre a sua realidade,
carregada de interpretaes e subjetividades prprias de cada modelador. Em nossos
cursos de Especializao ou Reciclagem de professores, temos procurado conjugar a
experincia de ensino com a perspectiva da modelagem, buscando aliar, da melhor
forma possvel, preocupaes tericas, filosficas e metodolgicas especiais - Tais preocupaes levam em conta os recursos humanos disponveis, os interesses partilhados
por professores, alunos e comunidade, o contexto social, poltico, econmico etc. A
utilizao da modelagem na educao matemtica valoriza o saber fazer do cursista, desenvolvendo sua capacidade de avaliar o processo de construo de modelos
matemticos nos diferentes contextos de aplicaes dos mesmos, a partir da realidade
de seu ambiente.
Diferentes concepes de ensino de Matemtica consequncia de diferentes concepes sbre a prpria Matemtica. Quando se assume a viso de Matemtica como
algo presente na realidade, sendo uma estratgia de ao ou de interpretao desta realidade, se est adotando o que caracterizamos como uma postura de etno/modelagem.
Entendemos por etnomatemtica, a matemtica praticada e elaborada por um grupo
cultural e que est presente nas mais diversas situaes. Buscamos tambm resgatar,
num curso de especializao, o conhecimento etnomatemtico, suas interpretaes e
contribuies, atravs de alguma sistematizao matemtica.
Trabalhar com Modelagem Matemtica em tais cursos, no visa simplesmente a
ampliao do conhecimento matemtico dos professores cursistas, mas sobretudo, o
desenvolvimento da forma de pensar e agir destes profissionais - a produo do saber aliado abstrao e formalizao interligadas a fenmenos e processos empricos
encarados como situaes-problema.
A modelagem matemtica simplesmente uma estratgia utilizada para obtermos
alguma explicao ou entendimento de determinadas situaes reais. No processo
de reflexo sobre a poro da realidade selecionamos os argumentos considerados es-

10

1 Etapas de uma modelagem


senciais e procuramos uma formalizao artificial (modelo matemtico) que contemple
as relaes que envolvem tais argumentos. O passo inicial encontrar dados experimentais e/ou inferncias de especialistas relativos ao tema. Em outras palavras,
geralmente, uma modelagem tem incio com uma tabela de valores que pode ser obtida das mais diferentes formas. Atualmente a Internet tem sido a primeira fonte
de informaes, que vo sendo complementadas conforme a exigncia dos modelos no processo de refinamento e aprendizagem. Salientamos que o refinamento dos
modelos constitui a idia bsica da modelagem quando estamos preocupados com
o processo ensino-aprendizagem. Para cada novo modelo, de uma mesma situao,
exige-se novos conhecimentos tanto da rea que se insere o fenmeno analisado como
da prpria matemtica utilizada.
Se em determinadas situaes muito complicado ou mesmo impossvel obter uma
base de valores numricos, mesmo assim se pode formular modelos matemticos coerentes desta realidade ainda que, neste caso, no se possa valid-los.
Nesta seo vamos dar um exemplo abstrato de carter geral de uma modelagem.
O mesmo procedimento pode ser usado em quase todas as situaes analisadas.

1.1 Escolha de temas


O incio de uma modelagem se faz com a escolha de temas Faz-se um levantamento
de possveis situaes de estudo as quais devem ser, preferencialmente, abrangentes
para que possam propiciar questionamentos em vrias direes. Por exemplo, se o
tema escolhido for vinho pode-se pensar em problemas relativos vinicultura, fabricao, distribuio, efeitos do lcool no organismo humano, construo de tonis,
entre outros. Se for abelha, podero surgir problemas de dinmica populacional, disperso de colmias, forma dos alvolos, comercializao do mel, comunicao dos
insetos, interao com plantaes etc. De qualquer modo, se um tema escolhido
for desconhecido ou novo, o professor deve, antes de mais nada, procurar temas
correlacionados e buscar uma analogia entre os fenmenos ou, pelo menos, entre as
tendncias de seus valores.
muito importante que os temas sejam escolhidos pelos alunos que, desta forma, se
sentiro co-responsveis pelo processo de aprendizagem, tornando sua participao
mais efetiva. claro que a escolha final depender muito da orientao do professor
que discursar sobre a exequibilidade de cada tema, facilidade na obteno de dados,
visitas, bibliografia etc.

11

1 Etapas de uma modelagem


Tanto no caso onde haja apenas um tema escolhido como quando os temas so
diversificados, os alunos devem trabalhar em pequenos grupos com problemas especficos do tema comum ao grupo. Assim, o levantamento de problemas deve ser feito
em grupos j definidos o professor no deve propor diretamente os problemas mas
deve atuar como monitor em cada grupo, sugerindo situaes globais que devem ser
incorporadas pelos alunos.
Nas diversas situaes de modelagem que participamos em cursos de Especializao para professores, os temas escolhidos para pesquisa, foram bastante diversificados e muitas vezes excntricos. Segue uma listagem dos temas escolhidos e sua
frequncia:
Agricultura: Milho, Soja, Trigo, Cana-de-accar (2), Seringueira, Urucum, Caf,
Erva-mate, Movimento dos Sem Terras, Irrigao;
Fruticultura: Laranja, Uva (2), Banana, Ma (2);
Horticultura: Aface, Pepino, Hidroponia;
Animais: Suinicultura (2), Apicultura, Ranicultura, Piscicultura (3), Pecuria, Minhocultura; Avicultura (2), Andorinhas, Jacar, Escargot ;
Sade:Doenas (2), AIDS, Medicamentos genricos, Antibiticos, Cefalia, Dengue, Dieta alimentar, Parania, Fumante, Gripe suina;
Lazer: Esporte, Olimpada, conforto, festa do peo, atividades sociais, brincadeiras
infantis, cinema, estilingue, bebidas alcolicas;
Industrializao: Papel, Cerveja (2), Pneu, Embalagem, Estocagem, Mveis, Pisos,
Fermentado lcteo, Vinho, Cermica artstica, Olaria, Tecelagem manual e mecnica,
Latas, Vaca mecnica, Olaria, Coca-cola, Leite, Carroa;
Ecologia: Poluio, gua, Lixo (3), Rio Cuiab, ndice pluviomtrico, Sensoriamento remoto, Reflorestamento;
Transporte: Transporte coletivo (4), Acidentes de trnsito;
Energia Eltrica (2) Usina, Iluminao de ruas, Eletrificao de uma favela;
Outros: Construo civil, Violncia (2), Esoterismo, Madeira, Aquecedor solar, Sabo em p, Cores, Dvida Externa, Minerao de ouro, Misses Jesutas, Super Mercado, Eleio.
A diversidade dos temas por si s j uma demonstrao da abrangncia do programa e muitos serviram como motivao de pesquisa em projetos de Matemtica
Aplicada. Por exemplo, do tema "fabricao de papel"tivemos modelos simples do
controle de bactrias que motivaram posteriormente o estudo de controle de tumores
cancergenos numa tese de doutorado no IMECC-Unicamp [1] . Do tema "Ma", o

12

1 Etapas de uma modelagem


projeto de espalhamento de doenas proporcionou um estudo a posteriori de modelos
alternativos de disseminao de doenas em ambientes fechados onde introduzimos
sistemas dinmicos fuzzy e que iremos apresentar neste texto [2] e [16]. Por outro
lado, alguns temas desenvolvidos em cursos de Especializao assim como o prprio
processo de modelagem motivaram vrias pesquisas em cursos de ps-graduao de
Educao Matemtica.
Para a escolha de um tema a regra bastante simples: no tenha medo e escolha
algo que voc gostaria de entender melhor.

1.2 Coleta de dados


Uma vez escolhido o tema, o prximo passo buscar informaes relacionadas com
o assunto. A coleta de dados qualitativos ou numricos pode ser efetuada de vrias
formas:
Atravs de entrevistas e pesquisas executadas com os mtodos de amostragem
aleatria Neste caso a organizao de um questionrio eficiente e a utilizao
de alguns conceitos bsicos de Estatstica so fundamentais;
Atravs de pesquisa bibliogrfica, utilizando dados j obtidos e catalogados em
livros e revistas especializadas;
Atravs de experincias programadas pelos prprios alunos.
Quando se efetua uma coleta de dados, tendo como pano de fundo o tema escolhido, muitas vezes o resultado obtido bastante inesperado e interessante e
acabamos coletando ou selecionando informaes de outras situaes correlatas
ao tema inicial. Quando buscamos informaes de espalhamento de doenas de
mas encaixotadas, nos deparamos com problemas clssicos de empilhamento
de bolas, conjecturas famosas como a de Kepler e publicaes histricas como
as de Alpoim. Em termos de ensino-aprendizagem de matemtica esta situao bastante favorvel pois proporciona direcionamentos alternativos para se
desenvolver a aprendizagem de algum conteudo.
Os dados coletados devem ser organizados em tabelas que, alm de favorecerem
uma anlise mais eficiente, podem ser utilizadas para a construo dos grficos
das curvas de tendncias. A seguir faremos um exemplo com dados fictcios de
uma suposta modelagem:

13

1 Etapas de uma modelagem


Dados Iniciais
Consideremos que, de alguma situao analisada, obtivemos uma sequncia de valores dados na seguinte tabela (Tabela1):
Tempo
varivel
Tempo
varivel

n
xn
n
xn

0
9,5
8
351,4

1
18,5
9
440,8

2
29,1
10
512,9

3
46,9
11
562,2

4
70,8
12
597,7

5
6
7
121,1 175,3 257,7
13
14
15
629,4 642,3 651,2

Tabela 1.1- Dados fictcios


A tabela de valores (Tabela 1.1) indica a existncia de uma relao entre a varivel xn e o estgio ou tempo n. A curva de tendncia dos valores (Fig1.1) nos
oferece uma idia de como deve se comportar o modelo matemtico, neste caso, traduzido por uma funo discreta xn = f (n).

Fig1.1- Tendncia da sequncia xn


Uma primeira abordagem do problema conseguir mais informaes sbre a dinmica dos pontos da sequncia {xn } , o que pode ser obtido calculando-se a diferena
(ou variao simples) xn = xn+1 xn (Tabela 1.2):

14

1 Etapas de uma modelagem


Tempo varivel

Variao

Modelo
xn
9,5
14,6
22,2
33,9
51,2
76,8
113,6
164,6
231,8
314,0
404,6
492,2
564,1
614,2
644,1
660,0

n
xn
xn+1 xn
0
9,5
9
1
18,5
10,6
2
29,1
17,8
3
46,9
23,9
4
70,8
50,3
5
121,1
54,2
6
175,3
82,4
7
257,7
93,7
8
351,4
89,4
9
440,8
72,1
10
512,9
49,3
11
562,2
35,5
12
597,7
31,7
13
629,4
12,9
14
642,3
9,9
15
651,2
Tabela 1.2 -Dados experimentais e variaes simples
A Figura 1.2 apresenta a tendncia das variaes xn = xn+1 xn em relao aos
valores xn . Uma curva contnua que se ajusta a estes pontos deve ter a concavidade
voltada para baixo e passar por um ponto de mximo.

Fig.1.2- Variaes simples

15

1 Etapas de uma modelagem

1.3 Anlise de dados e formulao de modelos


Buscar um modelo matemtico que expressa a relao entre as variveis , efetivamente, o que se convencionou chamar de modelagem matemtica. Muitas vezes, tais
modelos so dados pela soluo de sistemas variacionais. Desta forma, sempre conveniente entender como a variao das variveis envolvidas no fenmeno analisado
(Fig. 1.2).
Podemos observar na Fig. 1.2 que a variao simples xn = xn+1 xn tem um aspecto
de uma funo quadrtica, positiva e crescente at, aproximadamente, 93, 7 e depois
decresce, tendo sempre uma concavidade para baixo. Ento, podemos considerar
uma curva que ajusta estes pontos na forma de uma parbola. Usando um programa
de ajuste de curvas do Excel, obtemos a parbola, Fig. 1.3,
xn+1 xn = 0, 0008xn2 + 0, 5664xn 7, 4859
O modelo de interao fornece cada valor xn+1 desde que se conhea o valor anterior
xn e, neste caso, temos:
xn+1 ' 0, 0008xn2 + 1, 5664xn 7, 4859

Fig 1.3- Ajuste da curva xn+1 em funo de xn


Por outro lado, se tomssemos diretamente da Tabela 1.2 os valores de xn+1 e xn ,
teramos o ajuste quadrtico

16

1 Etapas de uma modelagem

Fig 1.4b - Campo de direes com


soluo

Fig 1.4a - Campo de direes

xn+1 = 0, 0008xn2 + 1, 523xn + 5, 622

(1.3.1)

ou seja, xn+1 xn = 0, 008xn2 + 0, 523xn + 5, 622


O conceito de ajuste de curvas e o processo de quadrados mnimos esto no Cap. 4.

1.4 Validao
A equao 1.3.1 uma frmula de recorrncia onde cada termo depende do anterior, isto ,

xn+1 = f (xn )

x0 dado

(1.4.1)

- Equaes deste tipo so denominadas equaes de diferenas finitas. A proposta em


casos como este encontrar a soluo da equao, ou seja, determinar a relao existente entre a varivel de estado xn e o estgio n, como veremos no captulo 2.
A validao de um modelo um processo de aceitao ou rejeio do mesmo e
esta anlise condicionada a vrios fatores, sendo preponderante o confronto dos
dados reais com os valores do modelo. Um bom modelo deve servir para explicar os
resultados e tem capacidade de previso de novos resultados ou relaes insuspeitas.
A formulao inicial de um modelo simples fundamental para se entender melhor o problema e diagnosticar quais caractersticas do fenmeno devem ser conside-

17

1 Etapas de uma modelagem


radas no modelo. Entretanto, nem sempre um primeiro enfoque do problema ou um
modelo simplista conduz a bons resultados sendo necessrio sua reformulao que,
geralmente, obtida com modificaes nas variveis ou nas leis de formao previamente estabelecidas. Ainda, no processo de modelagem, a escolha do instrumental
matemtico fundamental principalmente em se tratando de promover o conhecimento matemtico. Assim, num ambiente de estudo do ensino bsico um modelo
simples, mesmo que no reproduza perfeitamente os dados experimentais, pode ser
bastante eficiente no contexto educacional. Um modelo matemtico bom quando
satisfaz algum objetivo e quando o usurio o considera como tal.
O uso de grficos das solues e a confeco de tabelas de dados modelados em
confronto com os dados experimentais, podem facilitar a validao de um modelo
matemtico ou mesmo, sugerir modificaes nos mesmos.

1.5 Convergncia e Estabilidade

Fig 1.5 - Rua de - S. Miguel (Aores)


A formulao matemtica depende da escolha que se faz em relao continuidade ou no das variveis observadas. Variveis so grandezas que se modificam durante o processo. Quando se tem um conjunto finito de dados observados, dizemos
que este conjunto discreto corresponde uma sequncia finita de valores {xn }1nk =

18

1 Etapas de uma modelagem


{x1 , x2 , ..., xk } . Se a varivel x pode assumir todos os valores reais intermedirios entre
os valores discretos da sequncia dizemos que x uma varivel contnua.
Uma sequncia real um conjunto discreto dado por uma funo real definida num
subconjunto A N :

f :ANR

n f (n) = xn
Se a funo f puder ser extendida ao intervalo [a, b] onde a = min { x A} e b =
max { x A} , ento a varivel de estado xn dita contnua.
Por exemplo, dada a sequncia f (n) = n1 , com N, a imagem da funo f um
n
o
conjunto discreto 1, 12 , 13 , ..., n1 , ... porm, a funo f : [1, ) R, dada por f (x) = 1x ,

x 1 1, est definida para todos os pontos de [1, ) e f/N


= f (a funo extendida f
coincide com f no conjunto N).
No processo de modelagem quando se tem uma tabela de dados (experimentais ou
no) xn , isto , valores da varivel xn , o que se procura essencialmente, determinar
a funo f de modo que xn = f (n). A busca desta funo que relaciona o estgio
n com um valor experimental xn , nem sempre simples quando desejamos fazer
previses do fenmeno (simular valores que no so dados experimentais) e, neste
caso devemos, via de regra, fazer uso de certos artifcios matemticos como anlise
de convergncia da sequncia {xn }nN e variaes de xn . A convergncia da sequncia
{xn }nN nos garante a estabilidade da varivel no futuro:
Uma sequncia convergente para x e escrevemos xn x , se
xn se aproxima de x quando n for muito grande.
Esta frase, do ponto de vista de um matemtico, est longe da exatido que ele
busca quase sempre, pois palavras como "se aproxima" ou "muito grande" podem
ser consideradas mais subjetivas que determinsticas. A definio formal do que se
convencionou chamar limite de uma sequncia obtida fazendo-se a traduo de tais
palavras:
Defininio 1. Uma sequncia {xn }nN convergente para x e escrevemos xn x se,
para cada nmero positivo existe um nmero natural n0 tal que se n > n0 ento |xn x | <.
Dizemos que x o limite de {xn }nN e escrevemos
lim xn = x

ou

19

xn x

1 Etapas de uma modelagem


Exemplos 1) Seja


1
.
{xn }nN = 1 +
n nN
Vamos mostrar que xn 1.
De fato, para cada
basta considerar o nmero natural n0 > 1 e
 > 0 arbitrrio,

teremos |xn 1| = 1 + n1 1 = n1 . Logo, se n > n0 = n1 < n10 < , o que completa a
prova.
Em palavras, 1 + n1 se aproxima do valor x = 1 quando n cresce.
2) Seja
n
{xn }nN = (1)
n+1




1 2 3
n n
= , , , ..., (1)
, ...
2 3 4
n+1
nN

.
Vamos mostrar que {xn }nN no converge.
n
n
Suponhamos (por absurdo) que (1)n n+1
seja convergente, isto , (1)n n+1
x
. Ento, se considerarmos = 12 , deve existir um nmero natural n0 tal que se n >




n
1

n0 devemos ter (1)n n+1
x < 1 e tambm (1)n+1 n+1
n+2 x < 2 .
Por outro lado, temos




2

2 + 4n + 1




n
n
+
1
n
+
1
n
2n
+
4n
+
1
2n
= (1)n

(1)n+1


(1)n
n + 2 n + 1 = (n + 2)(n + 1) > n2 + 3n + 2 > 1

n+2
n + 1
para todo n N pois


2n2 + 4n + 1 2n2 + 4n + 1
> 1 2n2 + 4n + 1 > n2 + 3n + 2 n2 + n > 1
2
=
n + 3n + 2 n2 + 3n + 2
o que verdadeiro para todo n 1 1.
Ento, teremos




n n
n+1 n + 1
n n
n+1 n + 1

= (1)

(1)
x + x (1)
1 < (1)
n
+
2
n
+
1
n
+
2
n
+
1


1 1



n+1 n + 1
n n

< (1)
x + (1)
x < + = 1.
n+2
n+1
2 2
Estas duas desigualdades levam a uma contradio e, portanto, a sequncia no
converge.
n
o
n
Observe que a subsequncia {xn }n = n+1
, onde o conjunto dos nmeros
n
n
o
n
pares, converge para x = 1 e a subsequncia dos mpares n+1
converge para
n

20

1 Etapas de uma modelagem


x = 1 (mostre!).

n
Fig 1.6-A sequncia (1) n+1
divergente.

Exemplo
Seja A1 um quadrado de lado a, logo sua rea vale a2 . Considere agora o quadrado
A2 , contido em A1 , cuja diagonal a metade da diagonal de A1 (veja Figura 1.7).
A rea de A2 14 da rea de A1 .

De fato, se d1 a diagonal de A1 ento d12 = a2 + a2 = 2a2 = d = a 2.


A diagonal de A2 d2 = 22 a (metade de d1 ). Portanto, o lado b de A2 dado por
 2
2
d2 = 22 a = 24 a2 = b2 + b2 = 2b2 = b2 = 41 a2 .
Analogamente, se construirmos uma sequncia de quadrados {An }nN da mesma
forma como foi construido A2 , teremos suas reas dadas por
1
rea de An = da rea de An1
4

Fig 1.7- Quadrados encaixantes

21

1 Etapas de uma modelagem


Seja Sn = rea de An ento podemos formar a sequncia {Tn }nN onde, Tn definido
como sendo a soma das reas dos quadrados Aj com j n.
Tn =

n
X

Sj

j=0

Agora, vamos mostrar que {Tn }nN convergente:


De fato, temos que

1 2
Tn = a2 + 41 a2 + 16
a + ... + 212n a2

n
P

= a2 212j ;
j=0

Por outro lado, se considerarmos a sequncia {Bn }nN onde, Bn = Sn Sn1 =

P
, n > 1, temos que a2 =
Bj (verifique).

3 2
a
22n

j=1

Logo
a2 =

Bj = 3a2

j=1

Logo,
lim Tn =

X
j=0

X
X
1
1
1
=
=
22j
22j 3
j=1
j=1



4
1
Sj = a2 1 +
= a2
3
3

Sequncias definidas como somas de outras sequncias so denominadas sries.


Uma condio necessria para que uma srie seja convergente que a sequncia que
compem seus fatores seja convergente, a recproca pode no ser verdadeira. De fato,
P 1
se xn = n1 temos limn xn = 0 e yn =
n = + (divergente).
No exemplo dos quadrados encaixantes temos limn Sn = 0 e limn Tn = 34 a2 .
Para uma funo f : R R podemos tambm definir o limite no infinito de modo
anlogo ao definido para sequncias:
Defininio 2. Dizemos que L o limite de f (x), quando x tende a + se, dado um valor
arbitrrio > 0, podemos determinar um nmero real positivo M, tal que se x > M ento
|f (x) L| < .
Notao: limx f (x) = L
Exemplos 1) Seja f (x) = 2x+1
x , vamos mostrar que limx+ f (x) = 2.
necessrio provar que para todo > 0, a seguinte desigualdade


2x + 1 2 <
x

22

1 Etapas de uma modelagem


ser verdadeira desde que se tenha x > M, onde M determinado com a escolha de
.





1
2x+1




1x < que verdadeiro para

2
=
e
portanto,

2
<

Temos que 2x+1


x
x
x
todo |x| > 1 = M. Ento, dado um > 0 arbitrrio, para todo x R tal que |x| > 1 = M,
tem-se que |f (x) 2| < .

Fig 1.8-A funo f (x) = 2x+1


x estvel no pontox = 2

2) Seja f (t) = 3 2e0,3t .


Vamos mostrar que limx+ f (x) = 3.




1
De fato, |f (t) 3| = 2e0,3t < 2 e0,3t
<;


1
< 2t se t > 6. Assim,
Agora, observamos que e0,3t > t se t > 6 (verifique) = 2 e0,3t
n
o
dado > 0, basta tomar M = max 2 , 6 e teremos |f (t) 3| < se t > M.
Observao: Quando temos limx+ f (x) = L, dizemos que a reta y = L, paralela ao
eixo-x, uma assntota horizontal da funo f ou que a funo f se estabiliza no ponto
y=k.
De modo anlogo podemos definir uma assntota vertical x = k , de f (x) quando
lim f (x) =

xk

significando que quando x se aproxima do valor k, o valor da funo |f (x)| cresce sem
limitao. Em outras palavras,
Defininio 3. Dado um valor arbitrrio N > 0, existe um valor > 0 tal que se |x k| <
ento |f (x)| > N .
Exemplo Seja f (x) = 1x e consideremos k = 0. Dizer que x 0, significa que x pode
se aproximar de zero tanto quanto se queira e, quanto mais prximo |x| estiver de

23

1 Etapas de uma modelagem



zero, maior ser o valor de 1x . Por exemplo, seja N = 10000, ento basta considerar

1
1
= 10000
e teremos |f (x)| = 1x > 10000 = N , desde que |x 0| = |x| < 10000
.
Logo,.
1
lim =
x0 x
Podemos observar que se x se aproxima de zero por valores positivos, ento 1x tambm positivo e crescente. Se x se aproxima de zero por valores negativos, ento 1x
tambm negativo e decrescente. Este fato pode ser denotado por
1
= + (limite direita)
x0 x
1
e lim
= (limite esquerda)
x0 x
lim+

Dizemos ento que f (x) =

1
x

no limitado num intervalo que contem o ponto x = 0.

De qualquer maneira, x = 0 uma assntota vertical da funo f (x) = 1x .

Fig 1.9 - Assntotas da funo f (x) = 1x

Propriedades dos limites infinitos


1. Se limxa f (x) = + e limxa g(x) = k, ento
a) limxa [f (x) + g(x)] =+

+ se k > 0
b) limxa [f (x).g(x)] =

se k < 0

24

1 Etapas de uma modelagem


Se k = 0, necessrio uma anlise mais apurada.
2. Se limxa f (x) = e limxa g(x) = k, ento
a) limxa [f (x) + g(x)] =

se k > 0
b) limxa [f (x).g(x)] =

+ se k < 0
P (x)

3. Seja f (x) uma funo racional, isto , f (x) = Q(x) , onde


P
P (x) = nk=0 ak xnk = a0 xn + a1 xn1 + ... + an ; com a0 , 0
P
mk = b xm + b xm1 + ... + b ; com b , 0.
Q(x) = m
0
1
m
0
k=0 bk x
Ento,

0 se n < m;

a0

b0 se n = m
lim f (x) =

+ se [n > m e a0 b0 > 0]

se [n > m e a b < 0]
0 0
1
= .
4) limxk f (x) = 0 limxk f (x)

O comportamento de uma curva para pontos "distantes" da origem nos leva ao


estudo das assntotas inclinadas cuja definio mais geral dada por:
Defininio 4. Seja y = f (x) uma curva do plano e P (x, y) um ponto arbitrrio desta
curva. Seja d a distncia deste ponto P a uma reta r. Dizemos que esta reta r uma
assntota curva se d 0 quando P . Em outras palavras, para todo > 0, existe
p
M > 0 tal que d < se x2 + y 2 > M.
Por esta definio, claro que se limxa f (x) = ento a reta vertical x = a uma
assntota curva y = f (x).
Proposition 1. A reta y = ax + b uma assntota da curva y = f (x) se, e somente se,
limx [f (x) ax b] = 0
Esta proposio segue imediatamente da definio.
Agora, se y = ax + b uma assntota da curva y = f (x), podemos determinar as
constantes a e b da seguinte forma:
"

#
#
"
f (x)
f (x)
b
b
lim [f (x) ax b] = 0 lim x
a
= 0 lim
a
=0
x
x
x
x
x
x
x

25

1 Etapas de uma modelagem

f (x)
=a
x x
Conhecendo o valor de a podemos determinar b tomando
lim

b = lim [f (x) ax]


x

Se um dos limites no existir ento a curva no admite uma reta como assntota.
Tambm claro que se a = 0, a reta assntota ser horizontal se limx f (x) = b.
Example 1. Encontrar as assntotas da curva y =

x2 +x
x1 .

Soluo: (a) Temos que


x2 + x
= + e
lim
x1+ x 1

x2 + x
lim
=
x1 x 1

Ento, x = 1 uma assntota vertical.


(b) Para se ter assntota inclinada ou horizontal necessrio (mas no suficiente)
que
x2 + x
= ,
lim
x x 1
que este caso, uma vez que o grau do polinmio P (x) = x2 + x maior que do polinmio Q(x) = x 1.
Se tiver assntota inclinada ou horizontal y = ax + b, seu coeficiente angular a ser
!
x2 + x 1
x2 + x
= lim 2
=1
x 1 x x+ x x

a = lim

x+

e a constante b dada por:


"
b = lim

x+

#
x2 + x
2x
x = lim
=2
x+ x 1
x1
2

+x
Assim, y = x + 2 uma assntota inclinada da curva y = xx1
.
Para investigar a posio da curva em relao assntota toma-se a diferena

!
x2 + x
2
=
(x + 2) =
x1
x1
Temos, > 0 x > 1.

26

1 Etapas de uma modelagem

Fig 1.10-A curva e suas assntotas


Observamos que para determinar o valor de x = lim f (n) deveramos ter a exn
presso de xn = f (n). Entretanto, se soubermos a priori, atravs das caractersticas
especficas do fenmeno analisado, que a sequncia xn convergente, podemos procurar determinar o valor aproximado de x (veja mtodo de Ford-Walford). O conhecimento do valor limite x essencial para a elaborao de modelos matemticos de
fenmenos caracterizados pela estabilidade.
Em termos matemticos, se tivermos uma sequncia real montona (crescente ou
decrescente) e limitada ento podemos afirmar que ela convergente. Na prtica, as
sequncias finitas muitas vezes so provenientes de medidas peridicas temporais de
alguma varivel evolutiva. Por exemplo, se {xn }, n = 1, 2, . . . , r, so valores da altura
mdia de uma determinada rvore, tomados em k idades sucessivas, podemos afirmar que tal sequncia crescente convergente para o valor mximo da altura desta
espcie. Neste caso, o fato da sequncia ser limitada imposio biolgica do fenmeno analisado pois nenhuma rvore pode crescer sem limitao.

1.6 Clculo do Valor Assinttico Mtodo de


Ford-Walford

Considere um conjunto de dados {(xn , yn )}, n = 1, 2, . . . , k. Vamos supor que temos


a informao sobre a sequncia yn = f (xn ) relativa ao seu crescimento assinttico,

27

1 Etapas de uma modelagem


isto , sabemos a priori que a sequncia {yn } convergente quando xn cresce - Este
conhecimento pode ser induzido porque {yn } montona e limitada ou simplesmente
pelo prprio fenmeno estudado. Ento, devemos determinar o valor limite y de
modo que
y = lim yn
xn

O mtodo de Ford-Walford consiste em determinar inicialmente uma funo g que


ajusta os pares (yn , yn+1 ), isto ,:
yn+1 = g(yn )

(curva ajustada)

e em seguida encontrar seu ponto fixo.


Temos que,
lim g(yn ) = lim yn+1 = lim yn = y

xn

xn

xn

ou seja, a sequncia de pontos do plano {(yn , yn+1 )} converge para o ponto (y , y ) se y


um ponto fixo da funo g :
y = g(y )
Assim, y tal que yn+1 ' yn .
Resumindo, y o valor limite da sequncia {yn } quando
Exemplo

yn+1 = yn = y

y
n+1 = g(yn )

yn = g(yn ) yn um ponto fixo de g

Consideremos os dados da Tabela 1.1, um ajuste quadrtico dos pontos (yi , yi+1 )
nos d
yn+1 = g(yn ) = 0, 0008xn2 + 1, 523xn + 5, 622
A soluo do sistema

yn+1 = 0, 0008yn + 1, 523yn + 5, 622

yn+1 = yn

28

1 Etapas de uma modelagem


fornece o ponto limite yn+1 = yn = y 675

Fig 1.11- Clculo do ponto limite

Em relao ao modelo, em forma de uma curva de previso y = f (t), que pretendemos construir com os dados experimentais da Tabela 1.1, j sabemos que tal curva
deve ser crescente e limitada por y 675, isto , deve satisfazer
lim f (t) = 675

Em outras palavras, a reta y = 675 deve ser uma assntota horizontal de f (t).
Dentre as curvas planas com inibio temos duas clssicas: exponencial assinttica
(Fig. 12a) e de crescimento inibido com ponto de inflexo (Fig 1. 12b).

Fig 1.12a - Funo exponencial


assinttica

Fig 1.12b - Crescimento inibido com


ponto de inflexo

Uma funo exponencial assinttica geral tem a expresso


f (x) = y + bex

29

(1.6.1)

1 Etapas de uma modelagem


Uma curva com crescimento limitado e atingindo um valor mximo num ponto intermedirio tambm bastante comum em modelos unidimensionais. Exemplos clssicos deste tipo de funo so as solues dos modelos logstico, de Gompertz e de von
Bertalanffy:
logstico :

f (x) =

y
bex + 1
"

Gompertz:

von Bertalanffy:

f (x) = y

x0
y

#ebx

f (x) = y 1 e

3x

3

Essencialmente o que difere nestes modelos a posio do ponto de inflexo.

fig 1.13-Crescimento inibido com ponto de inflexo

1.7 Variaes
Quando temos uma varivel y dependendo quantitativamente de uma outra varivel independente x podemos, muitos vezes, construir o modelo matemtico ou analisar esta dependncia atravs das caractersticas variacionais destas variveis, ou seja,
o modelo formulado atravs das variaes destas grandezas. Entretanto, o termo va-

30

1 Etapas de uma modelagem


riao pode ter diferentes formulaes em matemtica e para cada situao podemos
escolher o tipo mais apropriado para o modelo.
Tipos de Variaes
As variaes podem ser formuladas em termos gerais, considerando-se as variveis
x e y (discretas ou contnuas):
Considere a funo real f definida em A v R,
y = f (x),

x A.

Sejam x1 , x2 elementos de A, ento definimos:


a) Variao Simples (ou absoluta) de y:
y = f (x2 ) f (x1 )

(1.7.1)

a diferena da varivel dependente y em dois estgios da varivel independente x.


b) variao mdia (ou taxa de variao mdia):
y f (x2 ) f (x1 )
=
x
x2 x1

(1.7.2)

a proporo entre as variaes de y e de x. A variao mdia mostra quanto variou


y por unidade de x.

Fig.1.14-Variao mdia y /x
y
, geometricamente, mede o coeficiente angular (ou inclinao) da reta que liga
x
os pontos (x1 , f (x1 )) e (x2 , f (x2 )).

31

1 Etapas de uma modelagem


c) Variao relativa:
!
f (xi+1 ) f (xi ) 1
1 yi
=
yi xi
xi+1 xi
yi

(1.7.3)

mostra a variao de y por unidade de x, relativa ao estgio inicial y = yi .


As varies simples, mdia e relativa nem sempre so satisfatrias quando o processo envolve variveis contnuas. Em muitas situaes, o conhecimento da variao
em um ponto necessria.
d) Variao instantnea A variao instantnea ou derivada de uma funo y =
f (x), num ponto x , dada pelo valor do limite:
lim

x0

f (x + x) f (x)
= f 0 (x )
x

(1.7.4)

quando tal limite existir.

Fig 1.15-convergncia da sequncia de variaes mdias


Em outras palavras
se a sequncia {xn } converge para x esto a sequncia das vari)
(
yn y
aes mdias
converge para f 0 (x ).
xn x
Observamos que se y = f (x) uma funo contnua em (a, b) e sua variao mdia
tambm contnua ento existe f 0 (x) para todo x (a, b) .
Exemplo Seja P (t) a densidade populacional dada pela curva logstica
P (t) =

1
2e0,4t

32

+1

1 Etapas de uma modelagem


Ento, a variao simples nos dois primeiros anos
P (2) P (0) = 0, 193354
A variao mdia nestes dois anos
4P =

P (2) P (0)
= 0, 096673
20

A variao instantnea no tempo mdio t = 1



dP
= 0, 097882
dt t=1
Exemplo-Variao populacional: Seja N o nmero de indivduos da populao
brasileira (dado em milhes de habitantes), nos censos oficiais:
Perodo

Censo demog.

1940

41,236

1950

51,944

1960

70,992

1970

93,139

1980

119,003

1991

146,825

1996

156,804

2000

170,143

2010

192,040

Tabela 1.2 - Censo demogrfico brasileiro


Fonte:www.ibge.gov.br/home/estatistica/populacao/censohistorico/1940_1996.shtm

Considerando que a populao N varia com tempo t, podemos induzir que N seja
uma funo de t, isto ,
N = f (t)
Sejam t1 e t2 dois instantes com t2 > t1 . Ento, a diferena
N = N2 N1 = f (t2 ) f (t1 )

33

1 Etapas de uma modelagem


a variao total (ou simplesmente, variao) do tamanho da populao no intervalo
de tempo de t1 a t2 .
Observamos que se N > 0 ento a populao aumenta em tamanho neste intervalo
de tempo Se N < 0, a populao decresce e se N = 0, a populao permanece
inalterada, em tamanho, neste intervalo de tempo.
Por exemplo, para a populao brasileira, tivemos um aumento absoluto (variao
simples) de
N = 192, 04 170, 143 = 21, 897 milhes
entre os anos de 2000 e 2010.
Para analisamos com que rapidez o tamanho da populao varia, devemos levar
em considerao o tempo transcorrido entre as medidas de N1 = f (t1 ) = 170, 143 e
N2 = f (t2 ) =.192, 04
Seja t = t2 t1 = 10 (tempo transcorrido de t1 a t2 ) .
A proporo
N N2 N1
=
= 2, 19
t
t2 t1
mostra quanto varia a populao por unidade de tempo Este valor fornece a variao mdia por unidade de tempo ou taxa mdia de variao (ou simplesmente taxa de
variao).
A populao brasileira, entre 2000 e 2010 aumentou, em mdia, 2,19 milhes por
ano por ano.
Outro tipo interessante de medida variacional, muito utilizada em dinmica populacional, a taxa de variao relativa ou taxa de crescimento interespecfico.
Esta taxa fornece uma medida de variao, relativamente populao que originou
tal crescimento e sua expresso analtica depende do modelo populacional utilizado.
Os casos mais usados para este tipo de taxa so:
(a) Taxa de variao mdia relativa (linear) que dada por:
=

N N1
N
= 2
N1 t
N1 t

2, 19
= 0, 01287
170, 143
Neste caso, dizemos que a taxa de crescimento populacional, entre 2000 e 2010, foi
de 1, 287% ao ano.
Com os dados anteriores temos =

34

1 Etapas de uma modelagem

(b) Taxa de variao malthusiana, proveniente de um crescimento exponencial em


cada unidade de tempo.
Nt+1 Nt = Nt
Nt+2 Nt+1 = Nt+1

Nt+t Nt+t1 = Nt+t1


(+)
Nt+t Nt = (Nt + Nt+1 + + Nt + t 1) = Nt [1 + (1 + ) + + (1 + )t1 ]

(1 + )t 1
Nt+t Nt
=
= (1 + )t 1
Nt

e portanto, r

Nt+t
1.
Nt
Por exemplo, tomando t = t2 t1 = 10, temos N2 = Nt1 +t = 192, 04 e N1 = Nt1 =
170, 143, temos
=

r
=

10

N2
1 = 0, 01218
N1

ou seja, a populao cresceu (em mdia) 1,218% ao ano, relativamente proporo


existente em cada ano, durante os 10 anos (de 2000 a 2010).
As variaes de xn podem, muitas vezes, proporcionar modelos na forma de equaes variacionais cujas solues so as funes objetos de nossa procura. O tipo de variao empregada determinado pelas caractersticas do fenmeno analisado e pelo
ambiente onde o estudo est sendo realizado. Entretanto, os resultados obtidos com
diferentes formas de variaes so, quase sempre, bastante prximos.
Projeto Estude a dinmica da populao brasileira subdividida por sexo (Tabela
1.3)

35

1 Etapas de uma modelagem


Ano

Homens

Mulheres

1940 20614088 20622227


1950 25885001 26059396
1960 35055457 35015000
1970 46331343 46807694
1980 59123361 59879345
1991 72485122 74340353
1996 77442865 79627298
Tabela 1.3- Censo demogrfico brasileiro por sexo.
a) Complete a tabela com os ltimos censos;
b) Formule modelos discretos e contnuos e faa previses para as populaes em
2050.

36

2 Equaes de Diferenas Lineares

Reflorestamento em Aores
A varivel x dita contnua se pode assumir todos os valores reais intermedirios entre os valores discretos da sequncia {xi }, i = 1, 2, . . . , n. Por exemplo, se x1 =
26, 0; x2 = 59, 5; . . . ; x9 = 488, 2 so os valores dados do peso de algum peixe, sabemos que qualquer valor x entre 26,0 e 488,2 pode ser assumido no intervalo [26,0;
488,2]. Logo a varivel peso do peixe contnua neste intervalo. Se a varivel no
for contnua, ser dita discreta o que significa que somente pode assumir valores em
um conjunto discreto. Lembrando que um conjunto A discreto se existe uma correspondncia biunvoca entre seus elementos e um subconjunto dos nmeros naturais.
Existem situaes em que as equaes variacionais discretas ou equaes de diferenas so mais apropriadas para uma modelagem alm de serem mais simples do
ponto de vista computacional.
Uma equao de diferenas dita de primeira ordem se for do tipo

yn+1 yn = f (yn , n)

y0 dado

37

(2.0.1)

2 Equaes de Diferenas Lineares


ou, simplesmente,

yn+1 = F(yn , n)

y0 dado

(2.0.2)

Desta forma, uma equao de diferenas de primeira ordem uma sequncia {yn }nN
dada por uma frmula de recorrncia, isto , cada termo yn+1 depende do anterior yn .
Uma soluo para 2.0.2 uma funo yn = g(n) que satisfaz 2.0.2 para todo n N.

Exemplos 1)

Pn Pn1 = 6

P1 = 3

P2 =
P3 =
P4 =
........
Pn =

P1 + 6
P2 + 6 = P1 + 2 6
= Pn = 6n3 para
P3 + 6 = P1 + 3 6
.................................
P1 + 6(n 1)

n 1 1.

2)

An An1 = 6n

A0 = 1

A0 =
A1 =
A2 =

An =

1
1+6 =
A0 +6 1
7 + 12 =
A1 +6 2 = A0 +6 1 + 6 2

An1 +M n = A0 +6 1 + 6 2 + ... + 6n
= A0 +6(1 + 2 + 3 + ... + n)

Logo,
n(n + 1)
= 1 + 3n(n + 1) para n 1 0.
2
Nem sempre podemos explicitar analiticamente a soluo geral de uma equao de
diferenas quando a equao no for linear e, neste caso, devemos procurar solues
aproximadas por meio das equaes lineares associadas. Isto faz com que um estudo
das equaes lineares seja imprescindvel.
As equaes lineares de ordem (n m) so da forma:
An = 1 + 6

yn = n1 yn1 + n2 yn2 + + m ym ,
ou
yn =

m
X

i yi

com i constantes, m < n e (n m) condies iniciais.

i=n1

38

(2.0.3)

2 Equaes de Diferenas Lineares

2.1 Equao de diferenas de primeira ordem


Uma equao linear de primeira ordem se (n m) = 1. Se o segundo membro da
equao s depende do termo anterior dizemos que ela autnoma. Assim, uma
equao de diferenas de 1a ordem, linear autnoma da forma

yn = yn1

y0 dado

(2.1.1)

O processo recursivo fornece:


y1 = y0
y2 = y1 = 2 y0
................................
yn = yn1 = n y0
E portanto,
yn = y0 n

(2.1.2)

a soluo de (2.1.1), satisfazendo a condio inicial y0 dada.


Uma maneira alternativa para resolver a equao (2.1.1) a seguinte:
Suponhamos que yn = kn seja uma soluo geral de (2.1.1). Substituindo esta
expresso em (2.1.1), temos:

kn = kn1

=0

n1
k
[ ] = 0
ou

Desde que, para n = 0 devemos ter y0 = k0 ,ento k = y0 .


Logo,

se y0 = 0
0
yn =

y0 n se y0 , 0

(2.1.3)

relativamente fcil verificar que a soluo da equao linear no autnoma

39

2 Equaes de Diferenas Lineares

yn+1 = ayn + b

y0 dado

(2.1.4)

yn = y0 + bn
se a = 1

1 an

yn = y0 an + b
se a , 1
1a

(2.1.5)

dada por:

Uma equao linear de primeiro ordem com coeficientes variveis do tipo

yn+1 = a(n)yn + b(n)

y0 dado
Neste caso obter uma soluo explcita pode ser complicado e no faremos aqui um
mtodo geral. Um exemplo deste tipo de equao dado no Exemplo 2.
Uma aplicao imediata das equaes lineares de primeira ordem pode ser encontrada em problemas de capitalizao e financiamento.
Exerccios 1) Considere um capital inicial C0 aplicado a uma taxa mensal (juros) r.
Encontre o valor do resgate depois de passados k mses, supondo que o rtegime de
juros seja:
a) simples: Cn+1 = Cn + rC0 ;
b) composto: Cn+1 = Cn + rCn .
2) Resolva a equao de diferenas
yn+1 = yn+1 + yn

( , 1),

Mostre que:
se = 0 yn = y0 constante;
se 0 < 2 yn divergente;
se < 0 ou > 2 yn convergente.
3) - Oramento familiar

40

com y0 dado.

2 Equaes de Diferenas Lineares


Consideremos uma famlia cuja renda mensal rn proveniente de um salrio fixo
r0 , mais o rendimento da caderneta de poupana pn do ms anterior.
Suponhamos tambm que o consumo mensal cn desta familia seja proporcional
sua renda mensal.
O modelo que estabelece relaes entre as variveis renda, poupana e consumo dependentes do tempo, tomados em meses, dado por:
a) poupana: pn+1 = (poupana do ms anterior n) + (sobra do ms n + 1)
pn+1 = pn + (rn+1 cn+1 )

(2.1.6)

b) renda: rn+1 = (salrio) + (rendimento da poupana do ms anterior)


rn+1 = r0 + pn ,
onde o juro da poupana.
c) consumo:
cn+1 = rn+1

(0 < < 1)

(2.1.7)

(2.1.8)

Usando as trs equaes escreva a equao de diferenas para poupana


pn+1 = F(pn )
e encontre as solues pn = f1 (n); rn = f2 (n) e cn = f3 (n).
4) - Financiamento
Na compra de uma casa feito um financiamento do valor c0 que deve ser pago em
15 anos, em parcelas mensais fixas e iguais a k.
Determine o juro mensal cobrado neste empreendimento:
Considere c0 a dvida inicial ento, a dvida cn num ms n dada pela dvida corrigida do ms anterior menos a parcela paga no ms, ou seja,
cn+1 = cn + cn k = (1 + )cn k

41

(2.1.9)

2 Equaes de Diferenas Lineares

2.1.1 Equao de diferenas linear de segunda ordem


Uma equao linear de diferenas, de 2a ordem da forma:
yn = ayn1 + byn2

com

y0 e y1

dados

(2.1.10)

Soluo:
Considerando que yn = kn (como no caso de 1a ordem) seja uma soluo de
(2.1.10), temos
kn2 [2 a b] = 0

kn akn1 bkn2 = 0

logo, = 0 ou 2 a b = 0
Para = 0 yn = 0 para todo n (soluo trivial) que s tem sentido se y0 =
y1 = 0.
Se , 0, P () = 2 a b
o polinmio caracterstico de (2.1.10) e suas razes
1,2 so denominadas auto-valores,
2 a b = 0 =

a a2 + 4b
(2.1.11)
1,2 =
2
1,2 so univocamente determinadas pelos valores dos coeficientes a e b.
Para as equaes lineares vale o princpio da superposio, isto , se temos vrias
solues, ento a combinao linear entre elas tambm uma soluo. Como 1 e 2
foram determinados, justamente com a promessa de kn1 e kn2 serem solues de
(2.1.10), podemos concluir que
yn = A1 n1 + A2 n2

(2.1.12)

tambm uma soluo de (2.1.10).


A expresso (2.1.12) ser a soluo geral de (2.1.10) se 1 , 2 , isto , se a2 + 4b ,
0. Neste caso, as constantes A1 e A2 so determinadas univocamente atravs das
condies iniciais y0 e y1 :
Para n = 0 y0 = A1 + A2
Para n = 1 y1 = A1 1 + A2 2
O sistema

42

2 Equaes de Diferenas Lineares

A1 + A2 = y0

1 A1 + 2 A2 = y1
admite como soluo os valores
A2 =

1 y0 y1
1 2

A1 = y0

1 y0 y1
1 2

(2.1.13)

Observaes:
a
Quando os autovalores da equao (2.1.11) so iguais, isto , 1 = 2 = , ento a
2
soluo geral de (2.1.10) dada por
 n
a
yn = (A1 + nA2 )
2
e as constantes A1 e A2 so obtidas por:

(verifique!)

y0 = A1

2y1
2y
a

A2 = 1 y0
y1 = (A1 + A2 ) y0 + A2 =
2
a
a

(2.1.14)

(2.1.15)

Se os autovalores 1 e 2 so complexos, isto ,

1 = + i = re

2 = i = re

, onde r = 2 + 2 e = arctg .

Ento, a soluo geral real de (2.1.10) dada por:


yn = c1 r n cos n + c2 r n sen n
De fato, usando a frmula de Euler: ei = cos + isen, temos
n1 = ( + i)n = (rei )n = r n (cos + isen)n = r n (cos n + isenn)
Portanto
yn = A1 n1 + A2 n2 = A1 ( + i )n + A2 ( i)n
= A1 r n (cos n + isenn) + A2 r n (cos n isen n)
= B1 r n cos n + iB2 r n senn

43

(2.1.16)

2 Equaes de Diferenas Lineares


Agora, como a equao linear, tanto a parte real
un = B1 r n cos n
quanto a parte imaginria
vn = B2 r n sen n
so solues da equao (2.1.10). Logo, pelo princpio da superposio, obtemos a
soluo geral real:
yn = c1 un + c2 vn = r n (c1 cos n + c2 sen n); c1 e c2 reais

(2.1.17)

Neste caso, a sequncia dos pontos yn peridica com amplitude igual a r n e


1
frequncia .

Se r > 1 yn crescente
Se r < 1 yn decrescente
Exemplo - A equao de diferenas
yn+2 + yn = 0

com

y0 = 0

y1 = 1

(2.1.18)

tem polinmio caracterstico dado por:


2 + 1 = 0 1 = i

2 = i

(a = 0 e b = 1)

Ento,

r = a2 + b2 = 1

= arctg

b
= /2
a

A soluo real da equao (2.1.18)


n
n
+ c2 sen
2
2
Usando as condies iniciais, obtemos c1 = 0 e c2 = 1, ento
yn = c1 cos

n
2
a soluo real particular da equao (2.1.18).
yn = sen

Exemplo - A equao de diferenas

44

(2.1.19)

(2.1.20)

2 Equaes de Diferenas Lineares

yn+2 2yn+1 + 2yn = 0

com

y0 = 0

y1 = 1

(2.1.21)

tem como soluo


 
n

yn = ( 2) sen n
(verifique)
4

Neste caso, a amplitude r n = ( 2)n crescente (Figura 16) e a frequncia = /4.

Fig 2.1- A soluo uma sequncia divergente

Exemplo 12- A equao de diferenas

yn+2 2ayn+1 + 2a2 yn = 0

com

y0 = 0

y1 = 1

tem o polinmio caracterstico dado por


2 2a + 2a2 = 0
cujas razes so complexas
1 =

2a + 2ai
= a(1 + i)
2

2 = a(1 i)

Ento,

r =a 2

A soluo real que satisfaz as condies iniciais

45

a > 0.

(2.1.22)

2 Equaes de Diferenas Lineares


 
n

yn = (a 2) sen n
4

(2.1.23)

Agora, como 1 sen n 1, ento yn ter oscilaes decrescentes quando r =


4

a 2 < 1.


Fig 2.2- A soluo

2
3

2n sen

4n

uma sequncia convergente

2.2 Sistemas de Equaes de diferenas lineares


Uma equao linear de 2a ordem
yn+2 + ayn+1 + byn = 0

(2.2.1)

Pode ser transformada num sistema linear de duas equaes de 1a ordem, considerando a mudana de variveis zn = yn+1 :

yn+1 = zn

zn+1 = azn byn

(2.2.2)

Reciprocamente, um sistema linear de ordem 2

yn+1 = a11 yn + a12 zn

zn+1 = a21 yn + a22 zn

(2.2.3)

Pode ser convertido na equao linear de 2a ordem


yn+2 (a11 + a22 )yn+1 + (a22 a11 a12 a21 )yn = 0

46

(2.2.4)

2 Equaes de Diferenas Lineares


A matriz

a11

J =

a21

a12

a22

(2.2.5)

denominada matriz Jacobiana do sistema (2.2.3). Os autovalores desta matriz so


valores tais que det(J I) = 0, onde I a matriz identidade, ou seja,

a11

det(J I) =

a21




= 0
a22
a12

2 (a11 + a22 ) + (a22 a11 a12 a21 ) = 0

(2.2.6)

P () = 2 (a11 + a22 ) + (a22 a11 a12 a21 ) o polinmio caracterstico de (2.2.4);


= a11 + a22 = trao da matriz J
= a11 a22 a12 a21 = determinante de J
2 4 = discriminante de J. 1
Modelo: Crescimento populacional de escargots

Vamos usar, na dinmica do crescimento populacional de escargots, 3 estgios distintos: vos, jovens e adultos, considerando que no h mortalidade em nenhum
estgio.
1 Para

um desenvolvimento maior da teoria das equaes de diferenas e aplicaes, veja:


Goldberg, S Introduction to Difference Equations, Dover, N. York, 1986 [7].

47

2 Equaes de Diferenas Lineares


Consideraes:
a) Todo escargot adulto desova e o faz a cada 4 meses; Seja c quantidade de ovos
viveis em uma desova ento,
Cn = An c a quantidade de ovos viveis num estgio n, onde An a quantidade de
escargots adultos em n.
b) Um escargot jvem torna-se adulto em 8 meses;
Sejam Bn a quantidade de jvens em cada estgio n; Cada estgio n corresponde
a 4 meses.
Ento:
Cn = (ovos provenientes da desova dos adultos) + (ovos provenientes da desova dos jvens
que chegaram fase adulta)
Cn = cAn1 + cBn1

(2.2.7)

An = (adultos no est agio


(n 1)) + (j ovens
que chegaram a` f ase adulta)
An = An1 + Bn1

(2.2.8)

Bn = Cn1

(2.2.9)

An = An1 + Bn1

Bn = Cn1

C = cA
n
n1 + cBn1

(2.2.10)

Bn = (ovos do est agio


n 1)

O sistema

com as condies iniciais A0 = a; B0 = C0 = 0 pode ser transformado numa equao


linear de segunda ordem.
De fato, da segunda equao de 2.2.10 temos Bn1 = Cn2 e da terceira e primeira
equaes de 2.2.10 vem Cn = cAn1 + cBn1 = cAn1 + c(An An1 ) = cAn . Logo, An =
An1 + Bn1 = An1 + cCn2 = An1 + cAn2 .Assim, obtemos uma nica equao de
diferenas:

An+1 = An + cAn1

(2.2.11)

A0 = A1 = a
Podemos observar que se c = 0 , isto , se no h ovos no sistema ento An+1 An =
0 = An = A0 (constante) para todo n 1 1.

48

2 Equaes de Diferenas Lineares


Se c , 0, o polinmio caracterstico de 2.2.11 P () = 2 c , cujos autovalores
so

1 + 1 + 4c
= |1 | > 1
1 =
2

3
1 1 + 4c
1 + 4c 1
= |2 | =
<10<c<
2 =
2
2
4
Logo, a sequncia soluo geral {An }n11 dada por
An = K1 n1 + K2 n2
e a soluo particular determinada com os coeficientes obtidos do sistema:

K1 + K2 = a

K1 1 + K2 2 = a
Como K1 > 0 e 1 > 1 ento, a sequncia {An }n11 crescente e sem limitao, isto ,
limn An = +.
Exerccio: Considere que a taxa de mortalidade dos adultos seja de 20% em cada
estgio n, n 2; Como se reflete esta informao na equao 2.2.11 ? Resolva o novo
modelo e verifique em que condio sobre o parmetro c este sistema estvel.
Sugesto: Considere que no estgio n+1 h 80% dos adultos que haviam no estgio
n.
Curiosidade: Sequncia de Fibonacci e retngulos ureos

L.Fibonacci (1170-1250)
Se, na equao 2.2.11 considerarmos c = 1 e as condies iniciais forem A0 = A1 = 1

49

2 Equaes de Diferenas Lineares


, temos uma equao de Fibonacci*2

An+1 = An + An1

A0 = A1 = 1

(2.2.12)

onde, cada termo da sequncia, (n 2), igual soma dos dois termos anteriores e,
neste caso, um dos autovalores de 2.2.12

1+ 5
1 =
2

(2.2.13)

denominado nmero ureo.


Curiosamente, se considerarmos a razo dos temos sucessivos de 2.2.12 teremos
uma nova sequncia que convergente para o nmero ureo, isto ,

An+1
1+ 5
Bn =

An
2
Temos que:
=
a sequncia {Bn }n11 limitada pois Bn = AAn+1
n
An1 < An ;
Vamos supor que {Bn }n11 seja convergente e
seja = lim Bn > 0
n

An +An1
An

= 1 + AAn1
< 2 desde que
n

1
An
1
= lim
= lim
n Bn n An+1

Agora, como An satisfaz equao 2.2.12, ento


An+1
A + An1
A
1
= lim n
= 1 + lim n1 = 1 +
n An
n
n An
An

= lim

Logo, o valor do limite de Bn deve satisfazer equao

2 Leonardo

de Pisa (1175-1250) matemtico e comerciante da Idade Mdia considerado um dos matemticos mais criativos do mundo cristo medieval conhecido como Fibonacci (filho de Bonacci),
publicou em 1202 o livro Liber Abaci (Livro de bacos) onde encontra-se o problema que deu origem sua famosa sequncia numrica Quantos coelhos haver em um ano, comeando com um s
casal, se em cada ms cada casal adulto gera um novo casal, o qual se tornar produtivo em dois meses?
Este livro contm tambm uma grande quantidade de assuntos relacionados com a Aritmtica e
lgebra da poca e realizou um papel importante no desenvolvimento matemtico na Europa pois
por meio deste livro que os europeus vieram a conhecer os algarismos hindus, tambm denominados arbicos.

50

2 Equaes de Diferenas Lineares

1
= 1+

Como > 0, ento

ou

1 5
= + 1 = =
2
2

(2.2.14)

1+ 5
=
= 1, 61803...
2

ou seja,

An+1 1 + 5
lim
=
n An
2

(nmero ureo)

Observamos que a raiz positiva da equao (2.2.14), isto ,


2 = + 1
O nmero

= 1+

1
1

= 1

1
denominado seo urea 3

1
= 1 = 1, 61803 1 = 0, 61803 . . .

A seco urea est relacionada com a diviso de um segmento AB, obedecendo a


seguinte proporo:
AB
AC

AC
CB

(2.2.15)

consideremos AB = medida de (AB) = 1 (unidade de medida) e


AC = medida de (AC) = x;
De (2.2.15) temos
x
1
=
x2 = 1 x
x 1x
Cuja soluo positiva a seo urea:

1 + 5
2
1
x=
=
= = 0, 61803 . . .
2
1+ 5
Um retngulo ureo aquele cujos lados a, b obedecem divina proporo
3 Acredita-se

que foi Kepler (1571-1630)


o primeiro a estabelecer a relao entre a sequncia de Fibo
1+ 5
nacci e o nmero ureo =
, analisando o crescimento de determinadas plantas.
2

51

2 Equaes de Diferenas Lineares

a=

1
b b = a.

(2.2.16)

Para os gregos o retngulo ureo representava a lei matemtica da beleza e do


equilbrio e era frequente em sua arquitetura clssica.
Um retngulo ureo tem a propriedade de poder ser subdividido em infinitos retngulos ureos:
1
Seja R1 o retngulo de lados a1 =
e b1 =

1
Se retirarmos de R1 o quadrado de lado obtemos um novo retngulo R2 de lados

!
1
1
1
b2 = e a2 = 1
.

1
1 1
= = 2 , ento
Como, 1 =


1
a2
1
= 1 =
b2 2

Portanto, R2 tambm um retngulo ureo.


E assim, sucessivamente, formamamos uma sequncia de retngulos ureos Rn de

lados bn = n1 e an = n .

Fig 2.3-Retngulo ureo

A rea do retngulo inicial R1 conhecida: A(R1 ) = 2 1 . Por outro lado, A(R1 ) =


soma das reas de infinitos quadrados distintos, formado pelos lados menores dos

52

2 Equaes de Diferenas Lineares


sub-retngulos Rn , ou seja,

X 1
1
1
1
1
+ 2 6 + ... + 2 2n + ... = 2
A(R1 ) = 2 + 2
4

2n
2

n=1

donde se conclui que

X
1
1
=
2n

n=1

Podemos construir uma sequncia de Fibonacci yn = y(n) geral, considerando seus


valores iniciais y1 = a e y2 = b e satisfazendo, para todo n N,
yn+2 = yn+1 + yn
Obteremos ento o conjunto de valores:
{a, b, a + b, a + 2b, 2a + 3b, 3a + 5b, 5a + 8b, 8a + 13b, ...}
Fica fcil observar que se xn = x(n) a sequncia usual de Fibonacci ento
yn+2 = axn + bxn+1
As diferenas entre as sequncias {xn } e {yn } esto relacionadas com a questo da
convergncia das razes de seus termos gerais pelos respectivos antecedentes, mas o
valor exatamente o mesmo em qualquer caso.
Exerccios:

X
1
converge para 2 .
1. Mostre que a srie geomtrica
n

n=0
2. Mostre que se R um retngulo ureo de lados a, b ento, o retngulo R com
lados a, b tambm um retngulo ureo.
3. Seja P um paraleleppedo de lados , , . Dizemos que P ureo se o retngulo
p
de lados e e o retngulo de lados e d = 2 + 2 forem ureos.
Seja R o retngulo ureo de lados e - Determine o valor de para que o paraleleppedo de lados , e seja ureo.
4. Seja {xn } uma sequncia de Fibonacci, mostre que:
a)
n
X
xj = xn+2 1
j=1

53

2 Equaes de Diferenas Lineares


b)
2n1
X

x2j+1 = x2n

j=0

Outros exemplos interessantes e curiosidades sobre a sequncia de Fibonacci o leitor pode encontrar em [4] e [5].

2.2.1 Estabilidade de equaes de diferenas


Um sistema de equaes de diferenas linear de segunda ordem

yn+1 = a11 yn + a12 zn

zn+1 = a21 yn + a22 zn


pode ser convertido na equao linear de 2a ordem
yn+2 (a11 + a22 )yn+1 + (a22 a11 a12 a21 )yn = 0
e sua soluo geral dada por

n
n

yn = A1 1 + B1 2

zn = A2 n1 + B2 n2
onde, i (auto valores) so as razes do polinmio caracterstico
P () = 2 (a11 + a22 ) + (a22 a11 a12 a21 ).
Um ponto de equilbrio do sistema linear o par (y , z ) que satisfaz

yn+1 = yn = y

zn+1 = zn = z
Assim, o nico ponto de equilbrio de um sistema linear o ponto trivial (y , z ) =
(0, 0).


O ponto de equilbrio ser estvel se, e somente se, tivermos 1,2 < 1.
Salientamos que se o sistema linear de ordem m qualquer, os resultados so anlogos aos sistemas de ordem 2.

54

2 Equaes de Diferenas Lineares


Exemplos 1. Considere o sistema

yn+1 = zn
com a condio inicial

zn+1 = yn

y0 = 1

z0 = 2

Podemos escrever tal sistema como uma nica equao linear de segunda ordem

yn+2 = yn

y0 = 1 e y1 = z0 = 2
O polinmio caracterstico desta equao
2 = 1 = = 1
A soluo geral dada por

A + B se n par
n
n
yn = A.1 + B(1) =

A B se n impar
A soluo particular obtida fazendo-se uso das condies iniciais:

y0 = 1 = A + B = 1
A= 2
=

z0 = 2 = y1 = A B = 2
B = 1
2
Logo, a soluo do problema original

yn = 1 se n par
zn = 2 se n par
=

yn = 2 se n impar
zn = 1 se n impar
Observamos que, neste caso, temos || = 1 e a soluo oscilante (peridica).
2) Considere o sistema

yn+1 = 2yn + zn
com a condio inicial

zn+1 = yn zn

55

y0 = 0

z0 = 1

2 Equaes de Diferenas Lineares


Tal sistema linear pode ser dado na forma de uma equao de segunda ordem

yn+2 yn+1 3yn = 0

y0 = 0 e y1 = 1
O polinmio caracterstico dado por:

12
2 3 = 0 = 1,2 =
1,2 > 1.
2
A soluo geral

#n
#n
"
1 + 12
1 12
yn = A
+B
2
2
"

Usando as condies iniciais obtemos A = 1 e B = 1 ; Ento, a soluo particular


12
12

#n
#n
"
"
1 + 12
1
1 1 12
yn =

2
2
12
12
zn = yn+1 2yn
Tal soluo composta de duas sequncias divergentes.
3. Considere o sistema

yn+1 = yn + 2zn
com a condio inicial

zn+1 = yn + zn

y0 = 1

z0 = 0

O polinmio caracterstico do sistema linear dado por


P () = 2 2 + 3

Cujas razes so os nmeros complexos 1 = 1 + 2i e 2 = 1 2i.


A soluo geral

 n
n
yn = A 1 + 2i + B 1 2i
Considerando agora a condio inicial y0 = 1, obtemos A + B = 1. Por outro lado, da
primeira equao do sistema, temos

 

y1 = A 1 + 2i + B 1 2i = y0 + 2z0 = 1

56

2 Equaes de Diferenas Lineares


Portanto, os coeficientes da soluo particular so dados pela soluo do sistema

A + B =1 
 

A 1 + 2i + B 1 2i = 1
Ou seja, A = B = 12 .
Os valores das sequncias {yn }nN e {zn }nN so:
{yn }nN = {1; 1; 1; 7; 11; 31; 65; 37; 121; ...}
{zn }nN = {0; 1; 3; 2; 5; 16; 17; 14; 79; ...}
Neste caso, as sequncias {yn }nN

5 > 1.

 2

q

e {zn }nN so divergentes pois 1,2 = 1 + 2 =

Exerccios - Estude a estabilidade dos sistemas e determine suas solues particulares com as condies iniciais y0 = z0 = 1
1)

yn+1 = yn + zn

zn+1 = yn 0, 5 zn
2)

yn+1 = yn + 0, 5zn

zn+1 = yn zn
3)

yn+1 =

zn+1 =

2
1
2 yn + 3 zn
2
3 yn + zn

2.3 Sistema discreto no linear


Um sistema discreto

Xn+1 = F(Xn )

Xn Rm

(2.3.1)

no linear se, pelo menos uma das funes componentes de F = (f1 , f2 , ..., fm ) no for
linear.

57

2 Equaes de Diferenas Lineares


) de 2.3.1 um ponto fixo de F, isto ,
Um ponto de equilbrio P = (x1 , x2 , ..., xm

Xn+1 = F(Xn ) = X

(2.3.2)

O tratamento do processo de estabilidade de modelos discretos no lineares equivalente ao estudo dos sistemas de equaes diferenciais autnomos no lineares:
considera-se um sistema linear associado e verifica-se os mdulos de seus auto valores. Para o interesse imediato deste texto vamos analisar somente um exemplo de
um sistema no linear de primeira ordem: equao logstica discreta (veja 4.4.6):
xn+1 = f (xn ) = rxn (k xn ) com r > 0

(2.3.3)

Os pontos de equilbrio de 2.3.3 so dados pelos pontos fixos de f , ou seja,


f (x ) = x = rx (k x )
Logo,
rx2 x (rk 1) = 0 x [rx (rk 1)] = 0
Desta forma, obtemos os pontos de equilbrio:
x1 = 0 e x2 =

1
rk 1
=k
r
r

Do ponto de vista analtico, a estabilidade de um ponto de equilbrio x pode ser


determinada pelo valor do mdulo do auto valor do sistema linear associado:
"

df (xn )
=
dxn

#
xn =x

o coeficiente angular da reta tangente curva xn+1 = f (xn ) no ponto x e,


a) Se 0 < || < 1, x localmente assintoticamente estvel, isto , se xn est prximode x ento xn x (xn converge para x ). Ainda, se 0 < < 1 ento a convergncia montona; se 1 < < 0, a convergncia oscilatria;
b) Se || > 1, o ponto de equilbrio x instvel (repulsor);
c) Se || = 1, o ponto de equilbrio neutramente estvel, ou simplesmente estvel.
Neste caso, a sequncia xn , a partir de algum n, oscila em torno do ponto x que
denominado centro de um ciclo limite [?].

58

2 Equaes de Diferenas Lineares


No caso da equao logstica 2.3.3 os auto valores so dados por
"

df (xn )
dxn

#
xn =x

= [rk 2rxn ]xn =x

Para x1 = 0 temos 1 = rk;


Para x2 = k 1r , 2 = 2 rk.
Ento,
-Se |rk| < 1 0 < rk < 1, o ponto de equilbrio trivial x1 = 0 assintoticamente
estvel;
-Se |2 rk| < 1 1 < rk < 3, o ponto de equilbrio x2 = k 1r assintoticamente
estvel;
-Se rk = 1, os auto valores so iguais 1 = 2 = 1 e h somente um ponto de equilbrio x1 = x2 = 0 que o centro de um ciclo limite.
-Se rk = 3 temos 2 = 1 e, neste caso, aparecem oscilaes de perodo 2, isto ,
satisfazem o sistema

xn+1 = f (xn )

xn+2 = xn
ou seja,
xn+2 = f (xn+1 ) = f (f (xn )) = xn
e x2 um ponto fixo da funo composta f f = f 2 :
x2 = f (f (x2 ))

Exemplo Em 4.4.6 obtivemos uma equao logstica discreta


xn+1 = f (xn) = 0, 0008xn2 + 1, 54xn
Para o ponto de equilbrio x1 = 0, o auto valor 1 dado por
i
h
d 0, 0008xn2 + 1, 54xn

1 =

dxn
Logo, x = 0 instvel.
Para o ponto x2 = 675,

59

= 1, 54 > 1
xn =0

2 Equaes de Diferenas Lineares

"
2 =

df (xn )
dxn

#
xn =x

i
h
d 0, 0008xn2 + 1, 54xn

dxn

= 0, 0016xn + 1, 54]x

n =675

xn =675

= 0, 46

Logo, 0 < 2 < 1 e portanto, o ponto x = 675 assintoticamente estvel (Fig 2.4).

Fig 2.4-Convergncia assinttica.

Os modelos discretos passaram a desempenhar um papel importante em Biomatemtica a partir dos trabalhos desenvolvidos por Robert M. May, em 1975, que os
utilizou para estudar a dinmica de populaes de insetos cujas geraes so peridicas [[14]].
Exerccio Faa um estudo completo do modelo discreto de May


Pn
Pn+1 = Pn exp r(1 )
k

60

3 Equaes diferenciais

Por-do-Sol em Fernando de Noronha.


As equaes de diferenas utilizam variaes discretas e podem ser resolvidas por
meio de processos indutivos ou utilizando programas computacionais elementares,
sendo bastante adequadas para modelagem no ensino mdio. As Equaes Diferenciais constituem um tpico vastssimo na Matemtica que pode ser abordado de maneiras diversas, dependendo do objetivo proposto. No caso especfico deste texto, que
pretende ser bastante simples, daremos apenas alguns enfoques preliminares deste
assunto e alguns modelos clssicos. Aqui, nosso objetivo principal considerar situaes que podem ser modeladas tanto por equaes de diferenas como por equaes
diferenciais bastando trocar as formulaes variacionais.
Um problema real no pode ser representado de maneira exata em toda sua complexidade por uma equao matemtica ou um sistema de equaes. Um modelo
deve ser considerado apenas como um retrato ou uma simulao de um fenmeno e

61

3 Equaes diferenciais
sua validao depende muito da escolha das variveis e das hipteses formuladas.
muito frequente em se tratando de modelar um fenmeno ou um experimento, obtermos equaes para descrever as "variaes"das quantidades (variveis de estado)
presentes e consideradas essenciais. Desta forma, as leis que regem tal fenmeno so
traduzidas por equaes de variaes. Quando estas variaes so instantneas, a
dinmica do fenmeno se desenvolve continuamente e as equaes matemticas so
denominadas equaes diferenciais.
Dois teoremas bsicos do Clculo esto ligados soluo da Equao diferencial
mais simples
dy
= f (x)
(3.0.1)
dx
A soluo ou funo incgnita y(x) de 3.0.1, uma vez conhecida a sua derivada f (x),
obtida via Teorema Fundamental do Clculo
Zx
y(x) =
f (z)dz.
(3.0.2)
0

O Teorema do Valor Mdio assegura que todas as solues podem ser escritas na
forma
Zx
f (z)dz
(3.0.3)
y(x) = C +
0

De uma maneira geral, podemos dizer que temos uma equao diferencial (ou um
sistema de equaes diferenciais) se na equao (ou em cada equao do sistema)
esto envolvidas funes incgnitas e suas derivadas.
Uma equao diferencial dita ordinria (EDO) se a funo incgnita depender
apenas de uma varivel. Se depender de mais de uma varivel ser denominada
equao diferencial parcial.
A ordem de uma equao diferencial indicada pela maior ordem de derivao que
aparece na equao. Uma EDO de ordem n tem como expresso geral ( forma normal):
dy
d n1 y
d ny
=
f
(x,
y,
,
...,
)
dxn
dx
dxn1

(3.0.4)

A soluo de uma EDO, no intervalo I = (a, b) , uma funo y = (x) que, juntamente com suas derivadas, satisfaz a equao 3.0.4. Assim, resolver uma EDO 3.0.4,
encontrar uma funo y = (x), definida e derivvel at a ordem n no intervalo I,
que satisfaz a equao 3.0.4.

62

3 Equaes diferenciais
Soluo geral de uma EDO o conjunto de todas as suas solues. Nas aplicaes,
geralmente estamos interessados em solues particulares que satisfaam uma dada
condio inicial, ou condies complementares. 1 .

3.1 Equao geral de primeira ordem


Uma equao diferencial ordinria de primeira ordem na forma normal
dy
= f (x, y)
dx

(3.1.1)

onde, f uma funo definida num aberto A de R2 com valores em R. A soluo de


3.1.1 uma funo y = (x) com x (a, b) , derivvel e satisfazendo:
(1) (x, (x)) A
(2)

d
dx

= f (x, (x))

A equao 3.1.1 estabelece uma relao entre as coordenadas de um ponto e o coeficiente angular da reta tangente ao grfico da soluo, em cada ponto. Portanto,
uma equao deste tipo define um campo de direes, ou de inclinaes. As solues
de 3.1.1 so chamadas curvas integrais e tm a propriedade que a direo das retas
tangentes, em cada ponto, coincide com a direo pr-estabelecida do campo naquele
ponto. o lugar geomtrico dos pontos onde cada tangente curva integral preserva
uma direo constante so linhas chamadas isclinas.
Obtemos a equao de uma isclina considerando
dy
= f (x, y) = k
dx
onde, k uma constante (inclinao da tangente).
Exemplo 3.3 Dada a equao
dy
= y x2
dx

1 O material utilizado nesta seo faz parte de um texto que escrevemos para o curso BC&T da UFABC

(2011) e que disponibilizado gratuitamente aos alunos daquela universidade [[13]]. Aos leitores
interessados em se aprofundar mais no assunto sugerimos buscar aquele texto.

63

3 Equaes diferenciais
o campo de direes obtido, considerando-se as isclinas
y x2 = k
dy

que, neste caso, so parbolas. Agora, para cada valor de k temos dx = k em cada
ponto da isclina, e desta forma, obtemos o campo de direes (Fig 3.1)

fig 3.1-Campo de direes da equao diferencial do exemplo 3.3


Exemplo 3.4 O campo de direes da equao
dy y
= (x , 0)
dx x
pode ser observado na Fig 3.2

64

3 Equaes diferenciais

Fig 3.2-Campo de direes


Observe que as isclinas so as retas y = kx, (k , 0 constante).
Em cada ponto (x, y) R2 com x , 0, o coeficiente angular da reta tangente curva
y
integral igual a x , coincidindo com o mesmo valor do coeficiente angular da reta
isclina que sai da origem e passa pelo ponto (x, y) . neste caso, as curvas integrais so
da forma Y (x) = Cx, C , 0, uma vez que estas retas coincidem em toda parte com a
direo do campo.
Exerccio 3.1 Determine o campo de direes e isclinas da equao diferencial:
dy
x
= (y , 0)
dx
y

3.2 Problema de valor inicial


Os campos de direes, alm de contribuirem para um melhor entendimento das
equaes diferenciais, tambm constituem um mtodo grfico para conhecer suas solues aproximadas. Alm deste mtodo grfico-geomtrico, dispomos dos Teoremas
de Existncia e Unicidade de solues para problemas de valor inicial (T.E.U.), tambm conhecidos por problema de Cauchy:

dy

dx = f (x, y)

y(x0 ) = y0

(3.2.1)

Em geral, estes teoremas se referem existncia e unicidade de solues locais para


o problema de Cauchy, isto , solues definidas em alguma vizinhana do ponto x0 ,

65

3 Equaes diferenciais
isto , num intervalo (x0 , x0 + ) R.
Teorema 1. Teorema de Existencia e Unicidade de Soluo para o Problema de Cauchy .
Suponha que em 3.2.1 temos:
1) f (x, y) seja uma funo contnua em um disco aberto D, de raio r, centrado no ponto
(x0 , y0 ) ,
n
o
D = (x, y) : (x x0 )2 + (y y0 )2 < r
f (x,y)

2) y = g(x, y) exista e seja contnua em D.


Ento, existe uma funo y = (x) definida num intervalo (x0 , x0 + ) que satisfaz
o problema de Cauchy 3.2.1. Ainda mais, se y = (x) outra soluo de 3.2.1 no intervalo
(x0 , x0 + ) ento, (x) = (x) no intervalo (x0 , x0 + ) (x0 , x0 + ) . Portanto,
s existe uma nica soluo local para o problema de Cauchy.
Observao: Para a existncia de soluo basta a primeira hiptese.
Lembramos que o ponto (x0 , y0 ) denominado valor inicial da soluo e (x0 ) = y0
a condio inicial da soluo.

3.3 Equao diferencial fundamental


Dada uma funo y = f (x), podemos definir uma nova funo z = A(x), que representa a rea sob o grfico de f (x) num intervalo [x0 , x] , onde o extremo inferior x0
fixo. O que Newton (1642-1727) percebeu, resume-se em : A variao da funo rea
A(x) com relao ao ponto x igual, em cada ponto x = x , ao valor da funo original
neste ponto. Mas isto significa que A(x) a antiderivada de f (x). Isto constitui o que se
convencionou chamar de Teorema Fundamental do Clculo.
" #
Zx
dA

= f (x ) A(x) =
f (x)dx
dx x=x
a

66

3 Equaes diferenciais

Fig 3.3-Esboo do Teorema Fundamental do Clculo


A equao diferencial mais simples exatamente o problema fundamental do Clculo Diferencial e Integral e consiste no seguinte: dada uma funo contnua f (x)
definida no intervalo (a, b) , determinar todas as funes derivveis y(x), definidas em
(a, b) , tais que
dy
= f (x)
(3.3.1)
dx
Este problema pode ser facilmente resolvido considerando que
dy
= f (x) y(x) =
dx

f (x)dx + C

(3.3.2)

x0

Assim, a soluo geral consiste de infinitas solues "paralelas". Observe, entretanto,


que se queremos uma soluo y = (x) que satisfaa a condio inicial (x0 ) = y0 ,
basta considerar C = (x0 ).
Observamos que se a funo f (x) definida e contnua no intervalo (a, b) ento
f
satisfaz s condies do T.E.U pois, neste caso, y = 0.
Exemplo 3.1 Resolver o problema de valor inicial

dy

dx = cos x

y(0) = 2
Temos que a soluo geral determinada por uma simples integrao:
dy
= cos x dy = cos xdx y(x) =
dx

67

Z
cos xdx = senx + C

3 Equaes diferenciais
Agora, usando a condio inicial, vem:
y(0) = 2 2 = cos(0) + C = C = 1
Assim, a soluo particular, que passa pelo ponto (0, 2) y = (x) = sin x + 1

Fig 3.4-Solues da equao diferencial

3.4 Equaes diferenciais autnomas


Uma equao diferencial do tipo
dy
= f (y)
dx

(3.4.1)

onde a varivel independente no comparece na definio do campo de direes,


dita autnoma.
Utilizando a manipulao formal introduzida por Liebnitz (1646-1716), podemos
escrever a equao 3.4.1 na forma
1
dx
=
dy f (y)

(3.4.2)

cuja resoluo obtida, como na seco anterior, isto ,


Zy
x(y) = x(y0 ) +

1
dy
f (y)

(3.4.3)

y0

Para justificar a equao 3.4.3 necessitamos que

1
f (y)

seja bem definida no intervalo

de interesse A, onde f (y) , 0 e que seja contnua neste intervalo A. Pois, como

68

dx
dy

3 Equaes diferenciais
1
f (y)

, 0 em A, o Teorema da Funo Inversa garante que existe uma funo inversa da

funo x(y), isto , y = F(x) tal que dF


dx = f (y) em A, o que justifica o procedimento
formal.
Portanto, a soluo do problema de condio inicial

dy

dx = f (y)

y(x0 ) = y0

(3.4.4)

dx
1

dy = f (y)

x(y0 ) = x0

(3.4.5)

obtida pela soluo do problema

e com a inverso da funo x(y).


Com as hipteses de que f (y) contnua e no se anula em A e que y0 A, concluimos que o problema 4.4.1 tem soluo, e nica em A (T.E.U.).
Observamos que o intervalo A no pode incluir pontos onde f (y) se anula. Os
pontos y onde f (y ) = 0 so denominados pontos estacionrios. O problema 4.4.1 com
condio inicial y(x0 ) = y , tem como soluo y = (x) = y (constante), denominada
soluo de equilbrio.
As equaes autnomas aparecem na formulao de uma grande quantidade de
modelos. Sempre que uma lei de formao afirma que: "a taxa de variao de uma
quantidade y(t) proporcional a esta mesma quantidade", temos uma equao autnoma
da forma
dy
= ky
(3.4.6)
dx
Como, f (y) = ky ,ento f (y ) = 0 se y = 0. Assim, y = y a soluo de equilbrio de
4.2.5. Agora, de acordo com os argumentos anteriores, devemos procurar solues
separadamente nos dois intervalos < y < 0 e 0 < y < +.
Consideramos inicialmente o problema de Cauchy

dy

dx = ky

y(x0 ) = y0 , 0

(3.4.7)

1
dx

dy = ky

x(y0 ) = x0

(3.4.8)

e seu problema inverso =

69

3 Equaes diferenciais
cuja soluo dada por
Zy
Z



i
1
1 h
1 y
1


= x0 +
x(y) =
dy + C
dy = x0 + ln y ln y0 = x0 + ln
ky
k
k
y0
y0 ky
x(y0 )=x0
ou seja,



y
ln = k (x x0 ) y = y0 ek(xx0 ) para x R
y0

Fig 3.5-Solues de 3.4.7

Exemplo 3.2 Considere a equao autnoma


dy
= ky + a
dx
sua soluo geral, para

y , ka , obtida considerando-se sua forma diferencial

1
dy = dx
ky + a

1
dy =
ky + a

Z
dx = x =


1
ln ky + a + C
k

Portanto,

i
1h
a
a + ek(xC) , y ,
k
k
a
Neste caso, y , k a soluo de equilbrio.
ky + a = ek(xC) = y =

Exemplo 2.7 Encontre todas as solues da EDO autnoma


dy
y2 1
= f (y) =
dx
2
y 2 1

(3.4.9)
df

A funo f (y) = 2 contnua em todo R assim como dy = y. Logo pelo T.E.U.


sabemos que, dado um ponto qualquer (x0 , y0 ) R2 , existir sempre uma soluo

70

3 Equaes diferenciais
nica y = (x) de 3.4.9, satisfazendo y0 = (x0 ).
y 2 1
Como f (y) = 2 = 0 y = 1 ou y = 1, ento as funes constantes (x) = 1 e
(x) = 1 so solues de equilbrio de 3.4.9.
Agora, para y , 1, podemos escrever 3.4.9 na forma diferencial
dy
dx
=
2
y2 1

(3.4.10)

Integrando membro-a-membro a equao 3.4.10, obtemos as solues de 3.4.9 na


forma implcita


y 1

= x + C (C uma constante arbitrria)
ln
y + 1
ou seja,



y 1 = Kex onde, K = eC
y + 1

(3.4.11)

Para explicitar as solues, devemos considerar as trs regies do plano separadas


pelas solues de equilbrio:
n

R1 =

o
(x, y) R2 : 1 < y < 1
n
o
= (x, y) R2 : y < 11

R2 =
R3

y1
a) Em R1 , temos que y+1 =

o
(x, y) R2 : y > 1

y1
y+1 .

Logo,
y 1
= Kex
y +1

Resolvendo para y temos:

Kex + 1
1 Kex
Observamos que (x) converge para 1 quando x , isto ,
y = (x) =

Kex + 1
=1
x 1 Kex
lim

Ainda,

Kex + 1
= +
x

xln K1 1 Ke
lim

71

(3.4.12)

3 Equaes diferenciais

y1
y1
b) Em R2 , temos y+1 = y+1 = Kex =

1y
y+1 .

1 Kex
Kex + 1

y = (x) =
Neste caso, temos

Logo,

1 Kex
lim
= 1
x+ Kex + 1

1 Kex
=1 e
lim
x Kex + 1
c) Em R3 , como no caso a) :
y = (x) =

Kex + 1
1 Kex

e os limites so dados por:


Kex + 1
= 1 e
x+ 1 Kex
lim

Kex + 1
=
x
+
xln K1 1 Ke
lim

Fig 3.6- Solues da equao autnoma

72

3 Equaes diferenciais
Exerccios 3.2: 1. Estude a equao diferencial
dy
2
= 2
dx x 4
2. (Desintegrao radioativa): Seja m = m(t) a massa do material radioativo, no instante t. Este material se desintegra proporcionalmente a sua massa em cada instante.
a) Sabendo-se que a vida mdia de um determinado material radioativo de 6000
anos, determine depois de quanto tempo sua massa ser 15 da massa inicial.
b) Se 100 miligramas de trio234 so reduzidos a 97,21 miligramas em cada dia,
calcule a taxa de desintegrao deste material e sua vida mdia.
3. Estude a equao autnoma
dy y 2
= 2
dx
y
4. Resolva os problemas de Cauchy
n

dy
dx

= y(1 y)

para
a) y(0) = 0, 2;
b) y(0) = 1, 2.

3.5 Modelos Matemticos com equaes diferenciais


de primeira ordem
Antes de prosseguirmos com novos tipos de equaes diferenciais e seus mtodos
de resoluo vamos apresentar algumas aplicaes relevantes do que j vimos.
Modelo 3- Absoro de drogas Um problema fundamental em Farmacologia
saber como cai a concentrao de uma droga no sangue de um paciente. O conhecimento deste fato permite estabelecer a dosagem a ser ministrada e o intervalo de
tempo de cada aplicao. O modelo mais simples obtido quando supomos que a
taxa de variao da concentrao proporcional concentrao existente na corrente
sangunea em cada instante. Em termos matemticos, se C = C(t) a concentrao de

73

3 Equaes diferenciais
droga no sangue, ento seu decaimento dado por:
dC
= kC
dt

(3.5.1)

onde k > 0 uma constante determinada experimentalmente e depende do medicamento utilizado.


Suponhamos que seja ministrada uma dose inicial igual a C0 , absorvida pelo sangue instantaneamente. Salientamos que o tempo de absoro da droga geralmente
muito pequeno se comparado com o tempo entre as aplicaes das doses.
A soluo de 3.5.1 dada por:
C(t) = C0 ekt
Suponhamos que depois de um tempo T uma segunda dose, de mesma quantidade
C0 , seja administrada. Teremos ento,
C(t) = C0 ekt se 0 t < T
C(T ) = C0 ekT :quantidade de droga no sangue imediatamente antes da 2a dose
C(T+ ) = C0 ekT + C0 :quantidade de droga no sangue imediatamente depois da 2a dose
Assim, C(T+ ) passa a ser a concentrao (inicial) de droga que comea a decair aps o
tempo T . Portanto, para T t, teremos:
h
i
C(t) = C0 ekT + C0 ek(tT ) = C0 (1 + ekT )ek(tT ) para T t < 2T
Continuando o tratamento, administrando outra dose de concentrao C0 no instante
2T ,teremos:
C(2T ) = C0 (1 + ekT )ekT
C(2T+ ) = C0 (1 + ekT )ekT + C0 = C0 (1 + ekT + e2kT )
C(t) = C0 (1 + ekT + e2kT )ek(t2T ) se 2T t
Depois da n-sima aplicao, a quantidade de droga no sangue ser
C(nT+ ) = C0 (1 + ekT )ekT + C0 = C0 (1 + ekT + e2kT + ... + enkT )
C(t) = C0 (1 + ekT + e2kT + ... + enkT )ek(tnT ) se nT t

74

(3.5.2)

3 Equaes diferenciais

Fig 3.7-A droga decai exponencialmente em cada intervalo entre as aplicaes


As expresses em 3.5.2 estabelecem as concentraes de droga administrada periodicamente. Observamos que a expresso
(1 + ekT + e2kT + ... + enkT )
a soma de uma progresso geomtrica de (n+1) termos, com o primeiro termo igual
a 1 e a razo igual a ekT . Logo, podemos escrever
C(nT+ ) = C0

1 e(n+1)kT
1 ekT

Desta forma, se o tratamento for por tempo ilimitado, ou seja, com n muito grande,
podemos estabelecer o nvel de saturao da droga
1 e(n+1)kT
C0
Cs = lim C0
=
kT
n
1e
1 ekT

(3.5.3)

Exerccios 3.3 (a) Conhecidos os valores de C0 e de Cs , determine o intervalo de


aplicao T ;
(b) Calcule a dosagem C0 quando so conhecidos Cs e T ;
(c) Se a um paciente dada uma dose inicial igual a Cs e, depois de um tempo T
administrada uma dose de concentrao C , de modo que a concentrao retorna ao

75

3 Equaes diferenciais
nvel inicial, mostre que para este tratamento peridico necessrio que
C = Cs (1 ekT ) = C0
(d) Se a primeira dose C0 , a segunda C20 , a ensima Cn0 , ento como devem ser
os intervalos de tempo de administrao da droga para que se atinja o mesmo nvel
de saturao com dosagens iguais?
Modelo 4Dinmica Populacional: Modelo Malthusiano Modelo Malthusiano
Seja P o nmero de indivduos em uma populao animal ou vegetal. Este nmero
dependente do tempo e assim podemos escrever
dP
= F(t)
dt

(3.5.4)

Na realidade, P (t) assume somente valores inteiros sendo pois uma funo discreta
de t. Entretanto, quando o nmero de indivduos suficientemente grande, P (t) pode
ser aproximado por uma funo contnua, variando continuamente no tempo.
Admitimos que a proporo de indivduos reprodutores permanece constante durante o crescimento da populao. Admitimos tambm que as taxas de fertilidade n
e de mortalidade m sejam constantes. Estas hipteses so realsticas em uma populao grande que varia em condies ideais, isto , quando todos os fatores inibidores
do crescimento esto ausentes (a espcie tem recursos ilimitados e no interage com
competidores ou predadores).
Temos que = n m (coeficiente de natalidade menos o de mortalidade) a taxa de
crescimento especfico da populao P (t), aqui considerada constante. Assim,
P (t + 1) P (t)
= n m = .
P (t)

(3.5.5)

Esta formulao matemtica indica que a variao relativa da populao constante


ou, em outras palavras, que a variao da populao proporcional prpria populao
em cada perodo de tempo.
O modelo discreto (tempo discreto) de Malthus dado por
P (t + 1) P (t) = P (t).

(3.5.1)

Considerando dada a populao inicial P (0) = P0 , a soluo de (3.5.1) obtida por recorrncia da expresso:

76

3 Equaes diferenciais

Pt+1 = (1 + )Pt

P (0) = P0

(3.5.2)

ou seja,

Pt = ( + 1)t P0

(cf. pargrafo 2.4)

(3.5.3)

Assim, dados dois censos P0 e Pt , a taxa de crescimento demogrfico em t anos obtida de


(3.5.3), fazendo

r
t

( + 1) = P t /P 0

=t

Pt
1
P0

(3.5.4)

Por exemplo, se a populao do Brasil de 1940 era P0 = 41.236.351 e, dez anos depois,
P10 = 51.944.397, ento a taxa de crescimento populacional mdia (relativa), entre 1940 e
1950 foi de:

r
=

10

51944397
1 = 1, 0233539 1 = 0, 0233539
41236351

ou, aproximadamente, 2,3% ao ano.


Se consideramos as populaes entre os censos de 1940 e 1991 quando a populao era de
146.825.475
r habitantes, dada por

51

146825475
1 = 0, 0252131, o que nos permite afirmar que a populao brasi41236351

leira cresceu a uma taxa mdia de, aproximadamente, 2,5% ao ano nestes 51 anos.
Lembrando que Pt = (1 + )t P0 pode ser escrito na forma exponencial

Pt = P0 eln(1+)t

(3.5.5)

Podemos comparar a soluo do Modelo de Malthus discreto (3.5.2) com a soluo


do o modelo contnuo correspondente, considerando que
P (t + t) P (t)
dP
= lim
dt t0
t
e que P (t + t) P (t) = P (t)t (modelo discreto).
Assim, podemos escrever o modelo contnuo por:

dP

= P (t)

dt

P (0) = P0

77

(3.5.6)

3 Equaes diferenciais
cuja soluo dada por
P (t) = P0 et
Portanto, os modelos discreto (com taxa ) e contnuo (com taxa ) fornecem a mesma
soluo quando
= ln(1 + ).
Se considerarmos o modelo Malthusiano para projetar a populao brasileira, teremos
= 0, 0252131 para o modelo discreto e = 0, 0249 para o contnuo.
A equao
P (t) = 41, 236e0,0249t
fornece a populao (em milhes de habitantes) em cada ano t.

78

(3.5.7)

4 Ajuste de curvas

Fernando de Noronha
Uma regresso ou ajuste de curvas sempre um recurso formal para expressar
alguma tendncia ou relao entre a varivel dependente xn e a independente n, ou
seja, um mecanismo que fornece uma relao funcional xn = f (n) quando se tem
alguma relao estatstica.
Fazer um ajuste de curvas significa simplesmente determinar os coeficientes de
uma funo, dada genericamente a priori, de modo que, no intervalo de valores considerado, esta funo e os dados estatsticos sejam prximos. Dependendo do que
entendemos por proximidade entre funo ajustada e os dados experimentais teremos diferentes solues para f (n). De qualquer forma, s podemos garantir a proximidade entre a curva de regresso e os pontos dados no intervalo limitado onde tais
pontos foram tomados. Fazer previses de valores futuros o objetivo principal de
uma modelagem e um ajuste dos valores conhecidos nem sempre pode servir para
tal. Entretanto, como modelos parciais os ajustes so fundamentais no processo de
modelagem global.
Um dos mtodos mais usados para estimao dos parmetros de uma funo
conhecido como mtodo dos quadrados mnimos:

79

4 Ajuste de curvas
Considere um conjunto den dados observados {xn }nN e uma funo
xn = f (n, a1 , a2 , ..., aj ), onde aj (j = 1, 2, 3...) so parmetros - O Mtodo
dos mnimos quadrados consiste em determinar estes parmetros de
modo que minimize o valor de
n
n
X
X
2
(xi xi ) =
[f (n, a1 , a2 , ..., aj ) xi ]2
S=
i=1

i=1

isto , devemos minimizar a soma dos quadrados dos desvios entre os


valores xn observados e os valores ajustados xn = f (n, a1 , a2 , ..., aj ).

4.1 Ajuste linear


Um ajuste linear se for da forma
y(x) = f (x; a, b) = ax + b

(equao de uma reta)

Neste caso, devemos encontrar os valores dos parmetros a e b que tornam mnimo
o valor da soma dos quadrados dos desvios:
S = S(b, a) =

n
X

(b + axi y i )2

(4.1.1)

i=1

Tais valores devem satisfazer, necessariamente, s condies de minimalidade de S:

Pn
S

=0

i=1 2(b + axi y i ) = 0

Pn
S

=0

i=1 2xi (b + axi y i ) = 0


a

(4.1.2)

P P
P
P

n xi y i xi y i
xi y nxy

P 2i 2
P
P
a
=
=

2
2

n xi ( xi )
xi nx

P 2P
P P
P

xi y i xi xi y i
y

P 2 P 2
b = n i a nxi = y ax
b=

(4.1.3)

ou seja,

xi ( xi )

onde x (respectivamente y) a mdia dos valores xi (respectivamente y i ).


Quando fazemos um ajuste linear para relacionar duas variveis no sabemos a

80

4 Ajuste de curvas
priori se a reta encontrada de fato o melhor modelo de ajuste. A verificao da
existncia e do grau de relao entre variveis objeto do estudo da correlao.
A correlao linear mede a relao existente entre as variveis x e y atravs da
disposio dos pontos (xi , yi ) dados, em torno de uma reta ajustada y = ax + b.
O coeficiente de correlao de Pearson R um instrumento de medida da correlao
linear obtido atravs do teste de hipteses H0 sobre a aceitao ou no do coeficiente
angular de reta., dado por:
P
P
( xi )( yi )
n
P
P
( xi )2 P 2 ( yi )2 1/2
][
y

i
n
n ]}

P
R= P
{[ xi2

xi yi

ou

R= P

(xi x)(yi y)
P
(xi x)2 (yi y)1/2

(4.1.4)

O intervalo de variao de R [1, 1], isto ,


1 R 1
A correlao ser tanto mais forte quanto mais prximo R estiver de 1 ou de 1 ,
ser tanto mais fraca quanto mais prximo estiver de zero. Se R = 1 ou 1, ento a
correlao entre as variveis perfeita. Se R = 0, ento no existe nenhuma correlao
entre as variveis ajustadas.
O sinal de R o mesmo sinal do coeficiente angular da reta ajustada.1
Observao importante: Um ajuste linear pode ser realizado tambm somente com
uma rgua, basta desenhar uma reta, passando prxima dos pontos situados num
grfico de tendncia e procurando deixar quantidades iguais de pontos inferiores e
superiores reta. Com o desenho da reta pode-se obter os parmetros:
a = tangente do ngulo formado pela reta e o eixo-x;
b = ponto onde a reta corta o eixo-y
Exemplo: Consideremos os valores dados na inicial Tabela 1.1 e vamos relacionar os
valores posteriores xn+1 com os anteriores xn . Para visualizar esta relao, repetimos
a Tabela1 com a coluna dos valores posteriores:
Tabela 4.1: tabela 1.1 ampliada

1 Nos programas de ajuste de curvas mais comuns (Excel ou BrOffice Calc), o coeficiente de correlao

dado na forma quadrtica R2

81

4 Ajuste de curvas
Tempo
varivel

n
xn
xn+1
Tempo
n
varivel xn
xn+1

0
9,5
18,5
8
351,4
440,8

1
18,5
29,1
9
440,8
512,9

2
29,1
46,9
10
512,9
562,2

3
4
46,9
70,8
70,8 121,1
11
12
562,2 597,7
597,7 629,4

5
121,1
175,3
13
629,4
642,3

6
175,3
257,7
14
642,3
651,2

7
257,7
351,4
15
651,2

Um ajuste linear entre as variveis xn+1 e xn , (1 n 14), nos d os valores dos


parmetros a = 1, 0001 e b = 42, 493 da reta
xn+1 = axn + b

Fig 4.1-Ajuste linear dos valores xn+1 e xn da Tabela 1


Exerccio Use apenas os 7 ltimos valores da Tabela 1 ampliada para ajustar os
pontos xn+1 e xn . Verifique se o valor do coeficiente de correlao maior do que
aquele obtido com o ajuste de todos os pontos - Explique o motivo.
Faa, neste caso, um ajuste no olhmetro e compare com aquele obtido com o mtodo dos mnimos quadrados.

4.2 Ajuste Linear de crescimento exponencial


As curvas esboadas nas Figuras 4.2a e 4.2b so do tipo exponencial
y(x) = beax ,

82

b>0

(4.2.1)

4 Ajuste de curvas

Fig 4.2- Elenco de funes tpicas

Se considerarmos a mudana de varivel z = ln y, teremos a equao (4.2.1) na


forma de uma reta:
z = ln y = ax + ln b

( = a e

= ln b)

(4.2.2)

Se a > 0, a exponencial ser crescente e se a < 0, decrescente.


Exemplo 2 - Poupana: A segunda coluna da Tabela 4.2 fornece a evoluo do
capital em uma caderneta de poupana, em um ano.

83

4 Ajuste de curvas
ms - xi

zi = ln yi

capital - yi

xi2

zi2

xi zi

1000.0

6.90775528

47.717083

1009.7

6.91740854

6.91740854

47.8505409

1021.8

6.92932106

13.8586421

48.0154903

1032.2

6.93944773

20.8183432

48.1559347

1045.3

6.9520592

16

27.8082368

48.3311272

1056.9

6.96309537

25

34.8154769

48.4846972

1065.8

6.97148097

36

41.8288858

48.6015469

1077.1

6.98202752

49

48.8741927

48.7487083

1089.7

6.99365771

64

55.9492617

48.9112481

1110.1

7.01220538

81

63.1098484

49.1710243

10

1121

7.02197642

100

70.2197642

49.3081529

11

1132.2

7.03280077

121

77.3608084

49.4602866

= 83.6232359 =506 =384.20006 =582.75584


Tabela 4.2: Rendimento da poupana em um ano e dados auxiliares
Se considerarmos o modelo exponencial para o ajuste dos dados, seu clculo ser
facilitado se acrescentarmos dados auxiliares na tabela com a mudana de varivel
zi = ln yi (terceira coluna), juntamente com os componentes da frmula (4.1.3):
P

xi zi xin zi 461, 54 6683,62


1, 63
12
P 2 =
= 0, 0114
=
= P
2
( x)
143
506 66
(xi )2 n i
12
P

e portanto,
P
66
zi
xi 83, 62

=
0, 0114
= 6, 9058
=
n
n
12
12
A equao da reta ajustada dada por:
P

z = 0, 0114x + 6, 9058
Como = ln b e = a, ento a curva exponencial ajustada ser
y = beax = 998, 04e0,0114x

para x 0

Observao 1: Como ax = ex ln a , temos que


e0,0114x = ex ln(1,011465) = 1, 011465x

84

4 Ajuste de curvas
Portanto, o ajuste exponencial pode ser escrito na forma
y = 998, 04 1, 011465x = 998, 04 (1 + 0, 011465)x
A expresso (1 + 0, 011465) indica que para cada unidade de tempo (ms) h um
acrscimo de 0, 011465, ou seja, a sua taxa mdia mensal de crescimento ou juro, no
perodo, de 1,1465% ao ms.

Observao 2: Os modelos que so formulados com a proposio:A variao de y


proporcional a y sempre nos conduzem s formas exponenciais.
O exemplo anterior (poupana) poderia ser expresso como: A variao mensal do
capital proporcional ao capital que se tem no incio de cada ms.
Seja y(x) o capital no incio do ms x (x = 0, 1, 2, . . . 11) com y(0) = 1000; ento,
y = [y(x + 1) y(x)]
a variao do capital em dois mses consecutivos.
A traduo (formulao) matemtica da expresso para crescimento de capital ento dada por
y(x + 1) y(x) = y(x)

y(x + 1) = ( + 1)y(x)

(4.2.3)

onde o juro mdio mensal ( = 0, 011465).


A soluo de (4.2.3) pode ser obtida por recorrncia, ou seja,
y(1) = y(0)(1 + )
y(2) = y(1)(1 + ) = y(0)(1 + )2
y(3) = y(2)(1 + ) = y(0)(1 + )3
e continuando o processo, teremos o modelo discreto de juro composto
y(x) = y(0)(1 + )x

85

(4.2.4)

4 Ajuste de curvas

4.2.1 Clculo do valor de Euler e:

L. Euler (1707-1783)

O modelo discreto (mensal) de juros compostos pode ser aproximado por um modelo
contnuo (o tempo variando continuamente):

onde a taxa mensal.


Suponhamos que a taxa de juros seja diria, isto , '
30
Ento, de (4.2.4) temos


30x
y(x) ' y(0) 1 +
30
onde o capital cresce dia-a-dia (30 vezes em cada mes) Podemos pensar ainda em
computar o capital n vezes em cada dia, de tal forma que se n for muito grande, o
tempo entre os clculos ser muito pequeno.
Assim, o modelo discreto (tempo discreto) deve se aproximar de um modelo contnuo:


nx
,
y(x) ' y(0) 1 +
n

com n grande

Consideremos, para efeito de clculo, a seguinte mudana de varivel

1
= , ento
n h



1 hx
y(x) = y(0) 1 +
h
Temos que se n cresce ento

1
tende a zero, e o mesmo se d com quando h
n
h

86

4 Ajuste de curvas
1
cresce. Vamos calcular aproximadamente o valor de 1 +
h
limitao.


1
1+
h1

h1 = 1

h
quando h cresce sem

!h1
=2


1 10
1+
= 2, 59374246
10


1 100
= 2, 704813829
1+
100


1 1000
= 2, 716923932
1+
1000
10000

1
1+
= 2, 718145927
10000
(1, 00001)100000 = 2, 718268237


h2 = 10
h3 = 100
h4 = 1000
h5 = 10000
h6 = 100000


 i
1 10
Temos que a sequncia i = 1 + i
montona, crescente e limitada e por10
tanto convergente, ou seja,


1 h
um valor real, aproximadamente, igual a 2,7182 (rro de 104 ).
lim 1 +
h
h
Tal valor irracional o nmero de Euler e.
Assim, o modelo contnuo que aproxima o modelo discreto dado por

y(x) ' y(0)e

' y0 1 +
n


nx
,

com n suficientemente grande!

Ajuste Quadrtico
Os modelos quadrticos so parbolas
y(x) = a + bx + cx2

87

(4.2.5)

4 Ajuste de curvas

Fig 4.3-Parbolas

Sua caracterstica principal possuir pontos extremos (mximo ou mnimo) para a


varivel independente y em um intervalo limitado de variao de x.
A determinao dos parmetros a, b e c tambm feita mediante a aplicao do
mtodo dos mnimos quadrados, minimizando a expresso
f (a, b, c) =

n
X
i=1

n
X
(yi y) =
[yi (a + bxi + cxi2 )]2
2

i=1

As condies necessrias para o mnimo de f so:


f
f
f
= 0,
=0
e
=0
a
b
c
Estas equaes fornecem o sistema de ajustamento para o clculo de a, b, c:
P
P
P

yi = na + b xi + c xi2

P
P
P
P
xi yi = a xi + b xi2 + c xi3

P x2 y = a P x2 + b P x3 + c P x4
i i
i
i
i

(4.2.6)

Observao: Muitos programas computacionais j tm este ajuste como opo de


linha de tendncia (Excell, Matlab, Mathematica etc)

4.3 Ajuste Linear do Modelo Exponencial Assinttico

Quando existe uma tendncia de estabilidade dos dados dizemos que a curva soluo tem um comportamento assinttico e uma curva tpica para ajuste (Fig. 4.2c)

88

4 Ajuste de curvas
dada pelo modelo exponencial assinttico:
y = y aebx

(y > 0

b < 0)

(4.3.1)

Neste caso consideramos a mudana de variveis


z = ln(y y )

se a < 0

ou z = ln(y y)

se a > 0,

e obtemos a reta:
z = ln |a| + bx
Observao: Nos modelos assintticos um dos ingredientes mais importantes o
valor assinttico da varivel independente, tambm denominado valor de equilbrio
ou de estabilidade. Para se efetuar um ajuste assinttico (tipo exponencial assinttico)
necessrio conhecer a priori o valor de equilbrio que, na verdade, o valor limite da
tendncia de y quando x cresce, ou seja,
lim y = lim (y aebx ) = y

x+

(modelo exponencial assinttico)

x+

Em muitos casos prticos a estimao do valor de equilbrio pode ser realizada pelo
mtodo de Ford-Walford (veja seo 1.6). Lembrando que o mtodo de Ford-Walford
consiste em determinar inicialmente uma funo g que ajusta os pares (yn , yn+1 ), isto
,:
yn+1 = g(yn )

(curva ajustada)

e em seguida encontrar seu ponto fixo:


lim g(yn ) = lim yn+1 = lim yn = y

xn

xn

xn

Dentre as curvas planas com inibio temos duas clssicas: exponencial assinttica
(Fig. 4.2c) e crescimento inibido com ponto de inflexo (Fig. 4.2d). Faremos os dois
casos para o nosso problema.
Modelo Exponencial Assinttico Da curva de tendncia (Fig. 1a) podemos observar que se considerarmos apenas os pontos, a partir de (8; 351), eles se aproximam de
uma curva exponencial assinttica (Veja Fig. 30). Usando o mtodo de Ford-Walford,

89

4 Ajuste de curvas
obtemos o ponto limite
yn+1 = yn = y 675.

Em relao ao modelo, em forma de uma curva de previso y = f (t), que pretendemos construir com os dados experimentais da Tabela 1, j sabemos que tal curva deve
ser crescente e limitada por y 675, isto , deve satisfazer
lim f (t) = 675

Em outras palavras, a reta y = 675 deve ser uma assntota horizontal de f (t).
tempo

yn

tempo

yn

y y

modelo

351,4

351,4

323,6

334,7

440,8

440,8

234,2

443,3

10

512,9

10

512,9

162,1

517,3

11

562,2 =

11

562,2

112,8

567,7

12

597,7

12

597,7

77,3

601,9

13

629,4

13

629,4

45,6

625,2

14

642,3

14

642,3

32,7

641,1

15

651,2

15

651,2

23,8

651,9

Tabela 4.3 - Dados para ajuste assinttico

Fig 4.4 -tendncia dos pontos finais da Tabela 4.1


A curva exponencial assinttica pode ser obtida diretamente na forma y = y aebx
quando se usa algum programa do tipo Matlab para ajustar os parmetros. Entretanto, do ponto de vista do favorecimento da prendizagem, um programa mais sim-

90

4 Ajuste de curvas
ples pode ser mais eficiente. Assim, se usarmos o Excell por exemplo, ele no fornece em seu menu uma funo do tipo exponencial assinttico e devemos pois fazer
alguma artimanha para utilizar seu ajuste exponencial: Fazemos a mudana de variveis: zi = y yi e ajustamos os pontos zi por uma exponencial auxiliar z = aebx e
portanto y yi = aebx = y = y aebx
y = 675 7373, 8e0,3845x para x 1 8

Fig 4.5 - Curva exponencial auxiliar

(4.3.2)

Fig 4.6 - Modelo Parcial

Observamos que o modelo 4.3.2 somente ajusta os pontos para x 1 8 sendo pois um
modelo parcial. Entretanto, como os pontos considerados so os ltimos da Tabela 6,
tal modelo poderia ser til para previses futuras, isto , para valores superiores a x =
15. Para os pontos x < 8, poderamos simplesmente considerar um ajuste exponencial
y = 10, 955e0,4647x para 0 6 x < 8.
O modelo completo, neste caso, ento dado por duas curvas:

y = 10, 955e0,4647x para 0 6 x < 8

y = 675 7373, 8e0,3845x para x 1 8

91

4 Ajuste de curvas

Fig 4.7-Curva discreta do modelo completo


Nosso objetivo agora procurar um modelo completo dado por uma nica expresso. Para tal necessitamos de um ajuste da curva logstica.

4.4 Ajuste linear de uma curva logstica


A curva logstica foi proposta, inicialmente, para modelar a dinmica de populaes pelo matemtico belga P. F. Verhurst em 1837 e pode ser visualizada na Fig.
28(d)
As caractersticas fundamentais da curva logstica so:
i) A tendncia da varivel independente y de estabilidade, isto ,
y y

quando x cresce.

y denominado valor mximo sustentvel ou Capacidade Suporte.


ii) Considerando y0 o valor inicial da sequncia montona dos yi , isto , y = y0
quando x = 0, tem-se
y crescente se y0 < y
y decrescente se y0 > y
iii) A taxa de crescimento relativo de yi linear, isto ,
i =

yi+1 yi
yi

pode ser ajustada por uma reta: = ay + b

92

4 Ajuste de curvas
y
y
(iv) Se y0 < 2 , a curva y(x) muda de concavidade quando y = , o que implica na
2
existncia de um ponto de inflexo na curva.
A expresso terica da curva logstica
y=
onde,

a = y ,

b=

y
1
y0

(4.4.1)

bex + 1

= y a taxa de reprodutividade m-

xima.
Uma estimativa dos parmetros da curva logstica pode ser feita, por meio de um
ajuste linear, usando a mudana de variveis:
y/a
z = ln
1 y/a

!
(4.4.2)

ou seja,

z = ln

1
1+bex
1 1+be1 x




= ln 1+bex = ln 1 ex

bex
b
1+bex

e obtemos a equao de uma reta


z = x ln b
No nosso exemplo com os pontos dados na Tabela 1.1, temos
z = 0, 5124x 4, 1103
O valor de a = y pode ser estimado pelo mtodo de Ford-Walford, visto anteriormente. Para se obter um valor razovel de y conveniente considerar somente os
valores de yi que, na curva de tendncia, so superiores ao valor de inflexo da curva.
y
ento deveQuando no temos um nmero de dados suficientes yi superiores a
2
mos estimar y por outros mtodos. Assim, considerando y = 675, obtemos a curva
logstica
675
y=
1 + 60, 96e0,5124x

93

4 Ajuste de curvas

Fig 4.8-Modelo logstico contnuo

4.4.1 Modelo logstico discreto


No incio do processo de modelagem, fazendo ajustes quadrticos das variaes
discretas, obtivemos as parbolas
xn+1 ' 0, 0008xn2 + 1, 56xn 7, 4859
xn+1 ' 0, 0008xn2 + 1, 523xn + 5, 622

(4.4.3)

Como uma das razes da parbola bem prxima de zero, podemos consider-la
na forma de uma equao logstica discreta
xn+1 xn = axn2 + bxn = xn (k xn )

(4.4.4)

A diferena entre os dois ajustes est basicamente no coeficiente da varivel linear


xn quando consideramos valores de xn maiores. Tomemos ento, por simplicidade, a
= 1, 54 e a equao autnoma da forma logstica ??, que nos d o
sua mdia 1,56+1,52
2
processo iterativo entre os valores antecedentes e consequentes:
xn+1 ' 0, 0008xn2 + 1, 54xn

(4.4.5)

A equao 4.4.5 uma frmula de recorrncia ou equao de diferena no linear


de primeira ordem cuja soluo bastante complicada. Entretanto, podemos determinar facilmente os valores xn preditos no modelo a partir de uma condio inicial x0 .
Assim, se x0 = 9, 5 o modelo 4.4.5 fornece o valor x1 = 14, 558 ' 14, 6 que, por sua vez,

94

4 Ajuste de curvas
serve para determinar o valor de x2 = 28, 2 e sucessivamente obtemos todos os valores que esto na quinta coluna da Tabela 4.1. Um grfico destes valores pode mostrar
claramente como o modelo de predio e os valores observados esto prximos (Veja
Fig 4.9).

Fig 4.9-Modelo logstico contnuo

Lembrando que o objetivo do curso o aprendizado de Matemtica, neste ponto


devemos explorar o contedo de equaes de diferenas conforme [3]. Por exemplo,
estudar a convergncia da sequncia {xn } cujos valores so dados pelo modelo 4.4.5.
Dada a frmula de recorrncia
xn+1 = f (xn) = 0, 0008xn2 + 1, 54xn

(4.4.6)

a estabilidade ou pontos de equilbrio do modelo so obtidos quando no ocorre variao do estgio n para o estgio sucessivo (n + 1), isto ,
xn+1 = xn = x

(4.4.7)

Da equao 4.4.6, tem-se um ponto de equilbrio x se, e somente se, a funo f (x)
tem um ponto fixo, isto , quando
f (x ) = x = 0, 0008(x )2 + 1, 54x

95

(4.4.8)

4 Ajuste de curvas
ou
0, 0008(x )2 + 0, 54x = 0

(4.4.9)

De 4.4.9 tiramos que x = 0 ou x = 675. Lembramos que este procedimento para


determinar pontos de equilbrio ou convergncia de sequncias o Mtodo de FordWalford que consiste em encontrar a soluo do sistema:

xn+1 = f (xn)
,

xn+1 = xn

(4.4.10)

conforme vimos anteriormente.

4.4.2 Equao Logstica Contnua


Observamos que a obteno do modelo de predio para varivel discreta fez uso
somente de matemtica simples, podendo ser realizado tranquilamente no Ensino
Mdio. Agora, no interesse de estudar outras formas de modelos matemticos para
a mesma situao, podemos modificar o conceito de variao simples y n = y n+1 y n
dy
para variao instantnea dx , considerando a varivel x contnua. Uma analogia com
o modelo discreto permite formular o modelo contnuo na forma de uma equao
diferencial:

dy

dx = ay(k y)
(4.4.11)

y0 dado
O modelo obtido uma equao diferencial autnoma no linear de primeira ordem, denominada equao logstica e que tem servido de paradigma na modelagem
de dinmica populacional.
Integrando ambos os membros em ?? e explicitando a varivel y(x), temos
y(x) =

ky0
k
=
akx
k
y0 + (k y0 )e
1 + ( y0 1)eakx

(4.4.12)

Podemos observar que na soluo 4.4.12 de 4.4.11 temos


lim y(x) = k e lim y(x) = y0

x+

x0

ou seja, quando x cresce muito ento a varivel y(x) tende a ao ponto de equilbrio
y = k (assntota horizontal) e, para x = 0 temos a condio inicial y(0) = y0 . No nosso

96

4 Ajuste de curvas
exemplo, k = 675 e y0 = 9, 5.

O primeiro modelo que relaciona a taxa de crescimento populacional foi formulado por Pierre F. Verhurst em 1837. Tal modelo contempla o fato de que uma populao, vivendo num
determinado meio, deve crescer at um certo limiar (capacidade suporte do meio) e tende a se
estabilizar quando o tempo aumenta. A equao considera a diminuio da taxa de crescimento
da populao que deve estar sujeita a algum fator inibidor como alimentao, espao, condio
ambiental, doena etc. A taxa de crescimento proporcional populao em cada instante.
R. Pear e L. Reed, no incio do sculo XX, utilizaram o modelo de Verhurst para estudar a
dinmica populacional americana e o resultado foi bastante satisfatrio. O modelo logstico
continua sendo ainda usado nas mais diversas situaes e tem servido como paradgma para
modelos alternativos unidimensionais com populaes inibidas. Sejam P a capacidade suporte, P0 = P (0) o valor inicial de uma populao e r a taxa de crescimento relativo de uma
populao P , o modelo de Verhurst ento dado por




P
dP

= rP 1

dt
P

P (0) = P0 , r > 0

(4.4.13)

Observamos que P (t) 0 e P (t) P so solues da equao diferencial 4.4.13. A soluo


analtica de 4.4.13 obtida por integrao aps a separao das variveis, isto ,

dP
=
P (1 PP )

Z
rdt;

Usando a tcnica das fraes parciais para resolver a integral do 1o membro, obtemos
1
1
A
B
1
P
+
+
=
=
P (1 PP ) P 1 PP P 1 PP

Logo,

dP
=
P (1 PP )

Z


1
1


P
+
dp = ln |P | ln 1
P

P
P
1 P

E portanto


ln


P (t)
= rt + c
1 P (t)/P

97

4 Ajuste de curvas
Usando a condio inicial P (0) = P0 , podemos determinar o valor da constante de integrao

c:

Ou seja,







P0
P0 P
P0 P


= ln
= rt + ln

c = ln
P P0
P P0
1 PP0


P (P P0 )

= rt
ln
P0 (P P )

P
P0
=
ert
P P P P0

Explicitando P (t), temos

P (t) =

( PP0

P
P P0
=
1)ert + 1 (P P0 )ert + P0

(4.4.14)

A curva logstica o grfico da expresso 4.4.14, e podemos observar que

a) Se P0 < P ento P0 < P (t) < P e P (t) tende a P , crescendo pois dP


dt > 0; b) Se P0 > P ento

P (t) tende a P , decrescendo (verifique que, neste caso,


que

dP
< 0); c) Da equao (4.4.13) temos
dt

P2
dP
= rP r
dt
P
dP
, como funo de P , uma parbola com concavidade voltada para baixo (veja
dt
fig. 36) e cujas razes P = 0 e P = P so os pontos de equilbrio ou solues de equilbrio da
dP
equao diferencial (4.4.13), pois
= 0 nestes pontos.
dt
ou seja,

Fig 4.10- Curva logstica e sua variao

98

4 Ajuste de curvas
dP
P
P
crescente se 0 < P (t) <
e decrescente se
< P (t) < P . O
dt
2
2

dP
P
valor mximo de
, relativamente a P , atingido quando P =
, isto , quando a populao
dt
2
P
, podemos
for igual metade da populao limite; e) Se considerarmos em (4.4.14), P (t) =
2
determinar o instante tm em que a populao atinge a mxima variao:
d) Como r > 0, temos que

P
P0 P
=
2
(P P0 )ert + P0
e portanto

tm =
considerando que P0 <

i)

ert =

P P0
P0

1 P P0
ln
,
r
P0

(4.4.15)

P
. Assim, para t = tm temos:
2
P (tm ) =

P
2

(4.4.16)

P
r
dP
P
ii)
|t=tm = r 1 2 = P > 0
dt
2
P
4


d 2P
dP
P
dP 2r dP
iii)
P
=r
|t=tm = r
1 2
=0
dt P dt
dt
P P =P
dt 2

(4.4.17)

P
tm = 0. .Se
2
a curva no tem ponto

Logo t = tm um ponto de inflexo de P (t). Desta forma, .Se P0 =

P
< P0 < P
2

a curva no tem ponto de inflexo. .Se P0 > P


de inflexo e decresce para P .

Em muitos casos estudados o prprio fenmeno indica que a funo de previso


deve ser crescente e limitada mas a curva de tendncia obtida com os dados observados no apresenta mudana de concavidade. Nestes casos, uma modelagem mais
simples sugerida inicialmente - Uma funo exponencial assinttica pode ser um
bom modelo.
A equao diferencial cuja soluo uma funo exponencial assinttica dada
por:

dx

dt = a(k x)
(4.4.18)

x0 dado

99

4 Ajuste de curvas
De fato, separando as variveis e integrando membro-a-membro, obtemos
Z

dx
=
kx

Z
adt , ou seja, - ln |k x| = at + C

Se k > x0 k x = (k x0 )eat = x(t) = k (k x0 )eat


Se k < x0 x k = (x0 k)eat = x(t) = k (x0 k)eat
Se k = x0 = x(t) = x0 para todo t.
Observamos que o nico ponto de equilbrio de 4.4.18 x = k onde
Ainda, a funo exponencial assinttica
x(t) = k C0 eat , com C0 > 0 e a > 0.

dx
dt

= 0.

(4.4.19)

tem as seguintes propriedades:


at > 0 se C = k x > 0 = x(t) crescente; Se x > k = x(t)
dx
0
0
0
dt = aC0 e
decrescente.
2
ddt2x = C0 eat < 0 se a > 0 e C0 > 0 = a concavidade de x(t) para baixo; Se
x0 > k =a concavidade de x(t) para cima.


limt x(t) = limt k C0 eat = k.
Observamos que os dois modelos analisados, logstico e exponencial assinttico,
aparecem com muita frequncia quando se trabalha com situaes reais. O motivo
disto que so os modelos mais simples de crescimento inibido e portanto, so os
primeiros a serem formulados, podendo ser modificados ou substituidos depois por
outros modelos alternativos mais coerentes com a realidade. Salientamos que, no modelo logstico o ponto de inflexo da curva est exatamente na metade da capacidade
suporte. Esta propriedade muito forte para a maioria das situaes e a colocao
diversificada do ponto de inflexo, fornece ento uma primeira possibilidade entre as
alternativas de mudanas dos modelos unidimensionais com inibio.
Exerccios Construa modelos discretos e contnuos para os dados das seguintes ta-

100

4 Ajuste de curvas
belas

(1)

Tempo
n

varivel
xn

44,8

51,3

56,2

59,7

62,9

64,2

65,1

66,0

(2)

Tabela 4.4a- Dados observados

Idade

comprimento

peso

23,4

52

31,2

120,1

37,5

210,8

42,1

382,4

46,6

522,7

49,9

722,2

52,1

839,3

53,7

926,3

54,2

975,7

54,8

1010,1

Tabela 4.4b- Crescimento da tilpia

Em nosso exemplo terico de modelagem partimos de uma coleta de dados e procuramos "modelar"ou formular equaes matemticas que, de alguma maneira, sintetizam ou explicam o fenmeno analisado. Geralmente, em uma modelagem, buscase tambm entender a evoluo do sistema e as equaes so usadas para "previses"futuras ou mesmo passadas e, neste caso, o tempo sempre figura como a principal varivel independente de equaes variacionais. Em tais modelos dinmicos o
conceito de variao fundamental e pode ser utilizado com formalismos distintos,
dependendo tanto do ambiente educacional como do tipo de varveis integrantes.

101

Casos Estudados

A influncia cientfica da nossa viso de mundo no se limita


a ideias abstratas. Pelo contrrio, nossa percepo da realidade
determinada por inovaes tecnolgicas. Ao entender os mecanismos
da natureza, o homem poder erguer-se, sem medo, perante a criao".
........................................................Marcelo Gleiser

102

4 Ajuste de curvas
Acreditamos que a melhor maneira de aprender algum processo fazendo. Assim
como s se aprende a pescar, pescando - o mesmo acontece com modelagem matemtica. De qualquer forma, sempre um elenco de exemplos pode facilitar a caminhada
pois cada situao analisada tem suas caractersticas prprias e uma analogia com
situaes novas sempre pode ser interessante. Assim, mostraremos alguns casos estudados com a inteno de orientar o eleitor na busca de seus prprios modelos.

103

5 Propagao da Podrido em Mas

O problema que iremos abordar neste texto surgiu em cursos de Especializao


para professores de Matemtica realizados em Palmas e Guarapuava (1988-89).
Nestes cursos cada grupo de 4 a 6 cursistas escolhem um tema de pesquisa que
desenvolvido durante todo o programa que, normalmente, corresponde a 8 disciplinas num total de 360 horas. A parte inicial da pesquisa feita atravs da etnografia
que realizada por grupos de alunos com o levantamento de campo, baseado na experincia dos especialistas da rea e intimamente ligado ao contexto social peculiar
de sua cultura especfica. Em seguida passa-se anlise dos dados obtidos ou etinologia. Este processo de aprendizagem e coleta de dados necessita, invariavelmente, de
outros retornos ao campo. O levantamento de problemas relacionados com o tema
escolhido consequncia dos dados coletados. Outros problemas mais abrangentes e
gerais so incentivados pelos instrutores uma vez que, um dos objetivos de tais cursos
ampliar o horizonte matemtico destes professores cursistas.

104

5 Propagao da Podrido em Mas


Com o tema Ma vrios problemas foram abordados, lembrando que nestes cursos
toda matemtica bem vinda, comeando com o clculo do volume da fruta (Geometria) at a construo e uma esteira ideal para o tanque de resfriamento (Equaes Diferenciais), passando por processos de plantio (Estatstica), de armazenamento (Clculo Diferencial) etc (veja [16] e [2]). O problema que vamos tratar aqui se relaciona
com a propagao da doena podrido da ma quando a fruta est acondicionada em
caixas (bins).

5.0.3 O problema
A armazenagem das mas feita em cmaras frigorficas onde so depositadas
em caixas de madeira (bins) sobrepostas que comportam, aproximadamente, 3000
frutas. Quando alguma ma est contaminada com podrido, a doena se propaga
rapidamente contaminando as outras frutas ao seu redor - estima-se que em 12 dias,
80% das mas da caixa so contaminadas, comprometendo posteriormente todo o
estoque. A modelagem matemtica, neste caso, visa analisar a dinmica da doena.
Dados e variveis
M = M(t) a quantidade de mas contaminadas no instante t;
t = tempo de propagao (dias);
T = quantidade total de mas em um bin  3000 frutas;
Se o processo de disperso da doena se inicia com 1 ma ento, M0 = M(0) = 1
(condio inicial);
Quando a doena se inicia com uma fruta infectada ento em 12 dias 80% das
ma do bin estaro podres, isto , M(12) = 0, 8T .
Hiptese:
"A velocidade de propagao da doena proporcional proximidade
(encontro) entre mas sadias e contaminadas ".
A velocidade de propagao pode ser entendida como a variao (aumento), em
relao ao tempo, da quantidade de mas podres.

105

5 Propagao da Podrido em Mas

5.0.4 M1 - Modelo Contnuo


Se usarmos um modelo contnuo para a variao populacional, devemos traduzir
tal variao por derivada, isto ,
dM
representa a velocidade de propagao
dt
Como a populao total constante T ento a populao de frutas sadias S(t)
dada por S(t) = T M(t).O encontro entre frutas contaminadas e sadias pode ser
modelado, tendo-se em considerao a lei de ao de massas, ou seja, E = MS = M(T
M).
Da hiptese formulada para a epidemia, podemos escrever o seguinte modelo:
dS

dt = SM

dM

dt = SM

M = 1 e S +M = T
0

(5.0.1)

onde, a taxa de contaminao, ou fora de infeco, prpria de cada doena.


O sistema 5.0.1 pode ser reduzido a um problema de condio inicial com apenas
uma equao diferencial uma vez que S = T M:

dM

dt = M(T M)

M0 = 1

(5.0.2)

Observamos que o modelo 5.0.2 uma equao logstica contnua cuja soluo analtica obtida pelo mtodo da separao de variveis (veja 4.4.14).
M(t) =

KT eT t
1 + KeT t

Considerando agora a condio inicial M0 = M(0) = 1 , podemos obter o valor da


constante arbitrria K :
M(0) = 1 = 1 + K = KT = K =

1
1
' ' 0, 00033
T 1 T

A soluo particular pode, ento ser dada por:


M(t) =

eT t
T eT t
T
=
=
1 + T1 eT t T + eT t T eT t + 1

106

5 Propagao da Podrido em Mas


Considerando que M(12) = 0, 8T , determinamos a taxa de contaminao :
0, 8T

e12T

= ln

12T

+1

= 0, 8T e12T = 0, 2

1
1
1
= =
ln
0, 000261
4T
12T
4T

Portanto a equao determinstica que permite fazer previses de mas contaminadas em cada instante
3000
M(t) =
(5.0.3)
3000 e0,783t + 1
Por outro lado, se quisermos fazer previses do tempo necessrio para cada porcentagem de frutas contaminadas, devemos ter t em funo de M = pT . Assim, substituindo este valor na equao de M(t), obtemos
pT

T
T

eT t

+1

= pT eT t + p = 1 = eT t =

1p
pT

!
!
1p
1p
1
= T t = ln
= t =
ln
pT
T
pT
1
1
Considerando o valor = 12T
ln 4T

obtemos

1p
12
ln
t=
1
pT
ln 4T

!
com

0<p<1

(5.0.4)

Por exemplo, se quisermos o tempo transcorrido para que metade das mas estejam contaminadas, basta tomar p = 0, 5. Assim, em um bin de 3000 mas teremos
 
metade contaminada quando t = 121 ln T1 = (1, 277) (8, 006) = 10, 224 dias.
ln 4T
Para saber quando toda caixa de ma estar estragada dever-se-ia tomar a equao do tempo com o valor p = 1 o que no possvel uma vez que tal equao no
est definida para este ponto. O que podemos fazer tomar um valor de p bastante
aproximado de 1, por exemplo p = 0, 99 e obter
t = (1, 277) ln

0, 01
16, 092 dias
0, 99T

107

5 Propagao da Podrido em Mas

Fig 5.1- Propagao da podrido

Crtica: Na equao contnua de propagao consideramos que a "proximidade "ou


encontro entre as frutas sadias e doentes modelado como sendo proporcional ao
produto delas (E = SM). Isto uma aproximao um tanto grosseira da realidade,
uma vez que cada fruta pode encostar em um nmero reduzido de outras frutas.
Neste caso, um modelo discreto poderia ser mais interessante e realstico!

5.0.5 Modelos Discretos


Para formular um modelo de propagao discreto devemos pensar na unidade de
tempo como sendo cada interao efetuada. Tambm um bin ser considerado uma
Assim, como uma caixa contm,
caixa cbica cuja unidade de medida = 1maa.

aproximadamente, 3000 mas ento seus lados valem 3 3000 ' 14, 5.Assim, podemos pensar que as mas estejam distribuidas em 14 ou 15 camadas planas dentro
da caixa. Inicialmente podemos pensar num modelo de propagao em uma camada
central, ou seja, no plano.

108

5 Propagao da Podrido em Mas

Fig 5.2- Propagao no plano

1. Propagao discreta no plano Modelo da primeira camada


Estamos imaginando cada ma como sendo esfrica e, portanto, se comearmos
com uma ma podre, em torno dela ter exatamente 6 frutas sadias (considerando
que os espaos sejam preenchidos de maneira otimizada). Este fato se d porque um
crculo pode ser tangenciado por, no mximo, 6 crculos iguais a ele, uma vez que
os centros de tais crculos so vrtices de um hexgono de lado igual ao dimetro do
crculo (Fig. 5.3a).
Observamos que o nmero mnimo de crculos iguais que se tangenciam 4. De
2
2
2
2
fato, na Fig. 5.3b o segmento BC tal que BC = BA + AC = 2AB = BC =

2 AB.Por outro lado, BC = AB + K, logo AB + K = 2 AB. Segue que K = ( 2 1)AB <

109

5 Propagao da Podrido em Mas


AB , onde AB o dimetro do crculo. Isto implica que , entre os crculos de centros
C e B no cabe outro crculo de mesmo dimetro AB.

Fig 5.3 - (a) tangenciamento mximo

(b) tangenciamento mnimo

Assim, a propagao da doena, no plano, obedece formao de hexgonos encaixantes (Fig. 5.3), isto , em cada estgio (interao) o nmero de mas que apodrecem sempre mltiplo de 6 (no caso de tangenciamento mximo). No caso de
tangenciamento mnimo o nmero ser mltiplo de 4.
Vamos supor que a quantidade inicial de mas podres seja M0 =1 e est situada no
centro da regio plana, ento a propagao da doena neste plano ser: M1 = 6; M2 =
12; M3 = 18; ...; Mn = 6n. No caso especfico do nosso problema temos 1 n 7 pois
com 7 interaes temos as primeiras mas podres atingindo a parede da caixa que
tem lado aproximadamente igual a 14. Depois da 7a interao a taxa de propagao
da doena modificada pois as podres so barradas pelas paredes da caixa.
Podemos agora calcular a soma de mas contaminadas para n 7 :
Seja An o total de frutas contaminadas at o estgio n, ento temos:

An = An1 + 6n

A0 = 1

(5.0.5)

= An = A0 + 3n(n + 1) para 1 n 7(veja soluo no Exemplo 2 em seguida);.


Tomando A0 = 1 , temos

110

5 Propagao da Podrido em Mas

An = 1 + 3n(n + 1) para 1 n 7

(5.0.6)

que uma frmula de previso de transmisso da doena quando as mas esto


situadas no plano. No caso das frutas estarem limitadas num quadrado de lado 14
este modelo vale para 1 n 7.
Um valor expressivo em modelos epidemiolgicos e que pode ser analisado aqui
a taxa basal de reprodutividade R0 que d o nmero de frutas contaminadas por uma
fruta. No caso do modelo empregado, o valor desta taxa
R0 (n) =

6(n + 1)
2
Mn+1
=
'
com n 0
An
1 + 3n(n + 1) n

(5.0.7)

Podemos observar que, mesmo com este modelo simples com propagao no plano,
a taxa de reprodutividade varia com o tempo (estgio).
Modelo da segunda camada
Se tivermos uma camada de mas distribuidas conforme a Fig 5.3 ento uma camada "plana"sobreposta e uma camada inferior devero ter as frutas encaixadas nos
espaos compreendidos entre cada 3 mas da camada inicial (Fig. 5.4):

Fig 5.4 - Camada sobreposta ou camadas mpares

111

5 Propagao da Podrido em Mas


Esta camada comea a se formar no estgio 1, pois temos 3 mas que esto em
contato com a ma podre M0 = 1 inicial da camada central.
A sequncia de frutas podres nesta camada superior dada por: P1 = 3; P2 = 9; P3 =
15; P4 = 21; .... A frmula de recorrncia de tal sequncia

Pn = Pn1 + 6
para 2 n 7

P1 = 3

(5.0.8)

Pn = 3(2n 1) para 1 n 7

(5.0.9)

cuja soluo dada por

Como vimos, se 1 n 7, podemos computar a totalidade de mas podres em


cada camada:
Para a camada central, em cada estgio n temos
An = 1 + 3n(n + 1)
Para as camadas adjascentes central devemos ter
Qn =

n
X
j=1

Pj =

n
X

3(2n 1) = 3n2

(5.0.10)

j=1

Modelo Parcial Espacial Discreto Como condio inicial supomos que h uma
fruta podre situada no centro de uma caixa.Vamos considerar as frutas dispostas
neste bin como se estivessem em camadas sobrepostas e cujas configuraes so dadas
pelas formaes das camadas estudadas anteriormente (Fig 5.4 e Fig 5.4).
Devemos procurar uma frmula que d a soma das frutas podres para um estgio
n quando 0 n 7.
Seja Sn a soma de todas as frutas podres para um estgio n.Devemos pensar que em
cada estgio n apodrecem frutas que esto situadas em camadas adjacentes quelas
onde j existem frutas podres

112

5 Propagao da Podrido em Mas


n
0
1
2
3
4
5
6

Sn
M0
S0 + 2P1 + M1
S1 + 2A1 + 2P2 + M2
S2 + 2Q2 + 2M2 + 2P3 + M3
S3 + 2A2 + 2P3 + 2M3 + 2P4 + M4
S4 + 2Q3 + 2M3 + 2P4 + 2M4 + 2P5 + M5
exerccio

S0
S1
S2
S3
S4
S5
S6
S0
S1
S2
S3
S4
S5
S6

=
A0
=
A1 + 2Q1
=
A2 + 2Q2 + 2A1
=
A3 + 2Q3 + 2A2 + 2Q2
=
A4 + 2Q4 + 2A3 + 2Q3 + 2A2
= A5 + 2Q5 + 2A4 + 2Q4 + 2A3 + 2Q3
=
exerccio

A soma das frutas contaminadas Sn ,em cada estgio n, depende da estrutura da


camada sobreposta ltima camada que contm fruta podre. A dinmica de propagao se repete a cada 2 estgios e por este motivo vamos considerar separadamente
os estgios pares e mpares:

S2n+1 = A2n+1 + 2

2n
X

Aj + 2

j=n+1

S2n = A2n + 2

2n1
X
j=n

Aj + 2

2n+1
X

Qj

(5.0.11)

j=n+1
2n
X

Qj

j=n+1

Usando este modelo podemos calcular quantas mas apodreceram em cada estgio:

113

5 Propagao da Podrido em Mas

Fig 5.5- Propagao por camada


Observamos que esta dinmica vale para at 7 estgios quando as primeiras frutas
contaminadas atingem as paredes da caixa. Assim, teremos um total de S7 frutas
podres no 70 estgio dado por:
S7 = A7 + 2(A6 + A5 + A4 ) + 2(Q7 + Q6 + Q5 + Q4 )
Considerando que
An = 1 + 3n(n + 1)
Qn = 3n2 = Qn+1 = An + 3n + 2
= S7 = 1483.
Salientamos que o "bolo"de mas podres que cresce at atingir as paredes aproximadamente esfrico.
Observao: Se tivermos uma esfera inscrita em um cubo, isto , tangenciando
todas as paredes do cubo ento, a relao entre seus volumes dada por:
Volume da esfera Ve = 43 r 3 ;

114

5 Propagao da Podrido em Mas


Volume do cubo Vc = (2r)3 = 8r 3 = VVce = 6 0, 5236.
Considerando 7 estgios para as frutas contaminadas atingirem as paredes, ento
pressupe-se que se tenha 2996 frutas na caixa. Agora, pensando na propagao de
mas podres como uma "esfera que se expande "com centro fixo, deveramos ter
para S7 um valor da ordem de 0, 5236 2996 = 1568, que no difere muito do valor
encontrado pelo modelo (erro de r = 15681483
= 0.028 ou 2, 8%).
2996
Dinmica da propagao nos cantos da caixa
Se a propagao fosse contnua este problema poderia ser resolvido geometricamente e teramos vrias situaes interessantes para modelagem. Quando o primeiro
crculo de expanso atinge as paredes o seu raio 7. O crculo de raio 8 deve ser
considerado somente uma parte, a que est interna s paredes da caixa (Fig. 6.5);

Fig 5.6 -Expanso dos crculos de mas em cada camada

O crculo interno tem rea 49 2 . O crculo expandido tem rea a = 64 2 . O anel


compreendido entre estes crculos tem rea igual a 152 .
A rea do crculo expandido que fica fora da caixa pode ser obtida considerando
que sua equao
x2 + y 2 = 64
Suas interseces com a reta y = 7 sero: x2 = 64 49 = 15 = x = 3, 873. Portanto, a
rea do crculo externa caixa pode ser dada por
Z

3,873

64 x2 dx R8

2
0

Onde R8 a rea do retngulo interno ao crculo, isto , R8 = 7 7, 746 = 54, 22.

115

5 Propagao da Podrido em Mas

x = 8sen
Considerando a mudana de varivel
, na integral, podemos resolver

y = 8 cos
Z

Z
64 x2 dx =

Z
(8 cos ) (8 cos d) = 64

cos2 d

Por outro lado,

2
2

1
sen + cos = 1
= cos2 = (1 + cos 2)

2
2
cos sen = cos 2
2
Logo,
Z

1
cos d =
2
2

1
1
1
(1 + cos 2) d = ( + sen2) = ( + sen cos )
2
2
2

Portanto,
Z

3,873
r
2

1
x
x

64 x2 dx = 64 (arcsen + x 1 )
8 8
64

3,873

2
0

= 64 [(0, 5 + 0, 42)] = 59, 09


Portanto, a rea do crculo todo que est externa s paredes da caixa 4 vezes a
diferena entre a integral e a rea do retngulo R8 :
T8 = 4(59, 09 54, 22) = 19, 482
Temos que se todo o anel estivesse interno caixa ele comportaria 48 mas pois
M8 = 6 8. Em termos de rea, teramos apenas 19, 48 frutas a menos na dinmica
de contaminao para a primeira camada que atinge a parede. Entretanto, no espao
interno caixa onde o anel est contido tambm existe espaos que no comportam
nenhuma fruta.
Continuando o processo, no estgio n = 9,teremos
Z

5,657

T9 = 4(2

81 x2 dx R9 ) = 4(94, 69 79, 198) 622

Como M9 = 54 < 64 no podemos usar este artifcio de clculo de reas para estabelecer a dinmica pretendida. Uma tentativa de "resolver"este problema simplesmente

116

5 Propagao da Podrido em Mas


contar em cada estgio n 8, quantas mas so contaminadas, usando as figuras
iniciais (Fig. 5.2 e Fig. 5.4).
A seguinte matriz mostra estes valores

C7
C6
C5
C4
C3
C2
C1
C0
C1
C2
C3
C4
C5
C6
C7
Total

E0

E1

E2

E3

E4

E5

E6

E7

E8

E9

E10

E11

E12

E13

Total

48

27

33

39

45

196

37

24

30

36

42

20

12

204

27

21

27

33

39

45

196

19

18

24

30

36

42

20

12

204

12

15

21

27

33

39

45

196

12

18

24

30

36

42

20

12

204

15

21

27

33

39

45

196

12

18

24

30

36

42

20

12

204

15

21

27

33

39

45

196

12

18

24

30

36

42

20

12

204

12

15

21

27

33

39

45

196

19

18

24

30

36

42

20

12

204

27

21

27

33

39

45

196

37

24

30

36

42

20

12

204

48

27

33

39

45

196

12

44

96

170

264

380

516

524

450

327

168

38

2996

Tabela 5.1 : Total de mas podres em cada estgio e camada (modelo geomtrico)
Nas linhas da Tabela 8 esto as Camadas Cj e nas colunas as incidncias nos estgios
En , isto , o nmero de novas frutas contaminadas em cada estgio..
OBS.: Consideramos na matriz 15 linhas ou camadas simplesmente para se ter uma
matriz simtrica, da a soma ter dado 2996 3000 mas no total.
A quantidade total de mas podres em cada estgio, obtida com clculos parciais anteriores, ser denominado modelo discreto-geomtrico D1 e aqui dado pelos
valores:
Sn =

Pn

j=0 Ej

= {1, 13, 57, 153, 323, 587, 967, 1483, 2007, 2457, 2784, 2952, 2990, 2996}

A Figura 5.7 a seguir, mostra a propagao da doena em relao ao estgio n e a


Figura 5.9 o grfico do total de frutas podres em cada estgio.

117

5 Propagao da Podrido em Mas

Fig 5.7: Evoluo da doena por


estgios (casos novos)

Fig 5.8: Modelo geomtrico da


propagao (Modelo D1 )

A transformao de estgio n em tempo obtida considerando o seguinte dado:


"em 12 dias 80% das frutas esto podres ". Assim, 80% de 2996 2397 mas e este
valor atingido entre os estgios 8 e 9 com S8 = 2007 e S9 = 2457. Neste caso, cada
estgio corresponde a 1, 364 dias e portanto, n = 8, 8 equivale a 12 dias.
Modelo discreto D2 - Equao de diferenas A vantagem da modelagem que podemos, para um mesmo fenmeno, considerar modelos diversos e depois optar por
aquele que parece mais coerente. Vamos considerar agora um modelo discreto supondo a mesma lei de formao usada no modelo contnuo: "A velocidade de propagao da doena proporcional proximidade (encontro) entre mas sadias e contaminadas
". Assim, considerando a variao discreta podemos formular o seguinte modelo:
Sn+1 Sn = kSn (T Sn)

(5.0.12)

onde, Sn o total de frutas infectadas e T o total de frutas no bin.


Tomando os valores do modelo geomtrico-discreto anterior, podemos determinar
o valor da taxa de infecciosidade k, considerando o valor mdio de
kn =

Sn+1 Sn
Sn (T Sn)

para n > 3 e obtemos k = 0, 000311


Os valores para St podem ser obtidos facilmente da frmula de recorrncia

Sn+1 = kSn (T Sn) + Sn

S3 = 170

118

(5.0.13)

5 Propagao da Podrido em Mas


Observamos que a frmula de recorrncia 5.0.22 distinta da encontrada no modelo discreto-geomtrico anterior D1 mas os valores dos dois modelos so bem prximos quando se toma n 1 3.

Fig 5.9 - Modelo discreto com equao de diferenas


Clculo dos coeficientes de contaminao do modelo contnuo
Podemos melhorar a performace do modelo contnuo M1 5.0.2 , cuja soluo
KT
M(t) = K+e
T t , desde que consideremos, por exemplo, como condio inicial M(8) =
970 em lugar de M(0) = 1. Assim teremos:
970 =

970e8T
KT

K
=
T 970
K + e8T

Por outro lado, sabemos que M(12) = 0, 8T =


0, 8T =

12T
KT
K = 4ee
12T
K +e

Das duas equaes tiramos que


(T 970) 4ee

12T

= 970e8T = e4T = 8, 371 = T = 0, 5312

Para o valor de K temos:


K = 4e120,5312 = 0, 006819

119

5 Propagao da Podrido em Mas


Temos que a soluo geral do modelo contnuo M2
M(t) =

20, 456
0, 006819 + e0,5312t

(5.0.14)

KT
e12T

K
=
4e
K + e12T
FALTA UMA FIGURA AQUI ?????
Tabela 5.2 - Comparao entre os modelos
A comparao visual entre os quatro modelos dada na seguinte figura (Fig. 5.10)
0, 8T =

Fig 5.10- Comparao entre os 4 modelos


Podemos observar que o nico modelo que difere mais dos outros o primeiro
modelo contnuo M1 .
5. Outros modelos para crescimento nos primeiros estgios (n 7)
Para a fase inicial do processo de propagao quando as frutas infectadas ainda no
atingiram as paredes da caixa, poderamos pensar em modelos simples de equaes
de diferenas cujas solues se aproximam razoavelmente dos valores Sn (total de
fruta podre no estgio n) e En (total de novas infecciosas em cada estgio n), obtidos
nos modelos discretos anteriores.
Consideramos a hiptese: "O apodrecimento de novas mas, em cada estgio,
proporcional quantidade de frutas podres no estgio anterior". Os modelos discretos
que traduzem esta hiptese, tanto para Sn como para En so:

120

5 Propagao da Podrido em Mas

Sn+1 Sn = Sn

S0 = 20

En+1 En = En

E0 = 20

As solues explcitas destes modelos so obtidas facilmente por recorrncia:


St = 20(1 + )t = 20eln(1+)t e

Et = 20(1 + )t = 20eln(1+)t

Para obter as taxas de crescimento e usamos os valores, respectivamente, de Sn


e de En dos modelos discretos anteriores, ajustando-os pelas funes exponenciais
St = 20, 44e0,6406t = ln(1 + ) = 0, 6406 = = 0, 8976
e
Et = 20, 86e0,4822t = ln(1 + ) = 0, 4822 = = 0, 6196

Fig. 5.11- Crescimento exponencial de Sn e En nos estgios iniciais

5.0.6 Modelo Fuzzy


Como pode-se notar a escolha do modelo matemtico determinante para se ter
uma previso de algum fato. Modelos determinsticos de um mesmo fenmeno podem prever resultados diferentes. Isto acontece invariavelmente porque nem sempre
possvel dispor de todas as variveis que atuam no fenmeno. Neste sentido, por
mais exata que seja a matemtica, por mais determinsticos que sejam os modelos,
sempre teremos solues aproximadas de alguma realidade. Assim, o uso de uma

121

5 Propagao da Podrido em Mas


matemtica menos determinstica e mais grosseira pode ser muitas vezes to eficaz
para previses quanto s obtidas pelos processos clssicos. No temos a pretenso de
desenvolver neste texto toda a teoria subjetiva proveniente da lgica fuzzy, simplesmente queremos apresentar outras formas de modelagem matemtica utilizadas no
cotidiano, muitas vezes, de maneira intuitiva.
Vamos agora examinar o problema da transmisso de podrido em mas com o
auxlio dos conjuntos fuzzy e de uma base de regras fornecida por especialistas (vamos considerar os dados do modelo contnuo M2 como auxiliares para a montagem
da base de regras). O objetivo fazer inferncias sobre o estado de evoluo da doena
sem a ajuda de equaes matemticas e, em cada estgio, prever o seguinte utilizando
apenas uma frmula de recorrncia - um modelo obtido deste modo denominado
modelo p-fuzzy.
Um conjunto fuzzy aquele que valoriza seus elementos, isto , se x A, devemos conhecer tambm com que grau de pertinncia x est em A. Desta forma, um
conjunto fuzzy A dado pela sua funo de pertinncia A . Por exemplo, se a quantidade de mas podres em uma caixa de 3000 frutas inferior a 10, dizemos que a
"Populao de Contaminadas Muito Baixa "e denotamos por Pbi . Para o conjunto Pbi
podemos definir a funo de pertinncia de seus elementos por
Pbi (x) =

600 x
se 0 x < 600 e Pbi = 0 caso contrrio
600

Definir funes de pertinncia na forma triangular muito comum nas aplicaes da


teoria fuzzy.
Conjuntos fuzzy para nveis de mas contaminadas
Populao de Contaminadas, muito baixa : Pbi , com Pbi = 600x
600 se 0 x < 600
e Pbi = 0 caso contrrio;
Populao de Contaminadas, baixa: Pb , com Pb = x300
450 se 300 x < 750 ; Pb =
1200x
450 se 750 x < 1200 e Pb = 0 caso contrrio;
Populao de Contaminadas, mdia: Pm , com Pm = x900
450 se 900 x < 1350; Pm =
1800x
450 se 1350 x < 1800 e Pm = 0 caso contrrio;
Populao de Contaminadas, mdia alta: Pma , com Pma = x1500
500 se 1500 x <
2000; Pma = 2400x
400 se 2000 x < 2400 e Pma = 0 caso contrrio;
Populao de Contaminadas, alta: Pa , com Pa = x2200
300 se 2200 x < 2500; Pa =
2800x
300 se 2500 x < 2800 e Pa = 0 caso contrrio
Populao de Contaminadas, muito alta: Pat , com Pat = x2800
200 se 2800 x <

122

5 Propagao da Podrido em Mas


3000; Pat = 1 se p 3000 e Pat = 0 se x < 2800.
As funes de pertinncia dos subconjuntos fuzzy, usados para modelar a contaminao e aqui estabelecidas como funes triangulares, podem ser visualizados na
figura 5.12:

Fig - 5.12 Funes de pertinncia da contaminao de mas

Observamos que para cada valor de x , a funo de pertinncia da densidade de


infestao P pode pode ser dada por at dois valores. Seno vejamos, seja x um valor
dado no intervalo [900, 1200) . O processo de fuzzificao de x nos leva aos valores de
P :
x900
Se 900 x < 1050 ento P (x) pode ser dada por P (x) = 1200x
450 e por Pm = 450 .
h
i b
x900
x900

Denotamos P (x) por 1200x


= 1200x
450 baixa + 450 media
450 /Pb + 450 /Pm . Observamos que nesta notao, usada para conjuntos fuzzy discretos, o sinal + significa
apenas que x tem graus de pertinncia em dois conjuntos distintos, sendo 1200x
450 ao
x900
conjunto "populao de contaminadas, baixa"e grau 450 ao conjunto "populao de
contaminadas, mdia".
200
Por exemplo, se x = 1000, ento Pb (1000) = 450
= 0, 444, isto , 1000 mas podres
tem grau de pertinncia 0, 444 no subconjunto fuzzy contaminao baixa Pb . Tambm, P m (1000) = 100
450 = 0, 222 o grau de pertinncia de 1000 ao subconjunto fuzzy
contaminao mdia Pm . De maneira anloga obtemos P (x) para outros valores de x.
Variao da populao contaminada ou incidncia da doena
Os subconjuntos fuzzy, modelados por funes de pertinncia de incidncia da do-

123

5 Propagao da Podrido em Mas


ena, podem ser visualizados na figura 5.13:

Fig5.13 Funes grau de pertinncia da variao de P


Denotamos por:
V0 : incidncia baixssima;
Vbi : incidncia muito baixa;
Vb : incidncia baixa;
Vm : incidncia mdia;
Va :incidncia alta;
Vat :incidncia muito alta.
As funes graus de pertinncia das incidncias de doenas P so dadas por:
p
100p
Se 0 p < 100 ento P (p) = 100 /V0 + 100 /Vbi ;
200p
p100
Se 100 p < 200 ento P (p) = 100 /Vbi + 100 /Vb ;
p200
300p
Se 200 p < 300 ento P (p) = 100 /Vb + 100 /Vm ;
400p
p300
Se 300 p < 400 ento P (p) = 100 /Vm + 100 /Va ;
p400
500p
Se 400 p < 500 ento P (p) = 100 /Va + 100 /Vat ;
Se 500 p ento P (p) = 1/Vat ;
A base de regras fornece o entendimento do fenmeno e da forma SE....ENTO...
Para o fenmeno analisado parece coerente a seguinte base de regras:

1.
2.
3.
4.
5.
6.

SE
Pbi
Pb
Pm
Pma
Pa
Pat

ENTO
Vbi
Vm
Va
Vat
Va
Vbi

Tabela 5.3

124

5 Propagao da Podrido em Mas


O mtodo de inferncia que vamos adotar aqui o de Mandani que d como sada
um conjunto fuzzy da forma
M(x, u) =

{Aj (x) Bj (u)}

1jn

No nosso caso especfico este conjunto bem simples de ser obtido.


No exemplo anterior tomamos x = 1000 mas podres que corresponde ao conjunto
fuzzy P (1000) = 0, 444/Pb + 0, 222/Pm . Pela inferncia da Tabela 3, teremos como
sada o conjunto fuzzy P cuja funo de pertinncia P (u) = 0, 444/Vm + 0, 222Va .
O que devemos fazer agora defuzzificar este conjunto de incidncia de doena, isto
, tomar alguma medida deste conjunto. Isto pode ser feito, por exemplo, considerando
h
i
Pb (x) max Vm + [P m (x) max V a ] 0, 444 300 + 0, 222 400
P (u) =
=
= 222
Pb (x) + P m (x)
0, 444 + 0, 222
Ento, pelas regras, quando tivermos 1000 frutas podres, teremos no prximo estgio
1222 frutas podres. O modelo dinmico proposto para previso da doena

Sn+1 = Sn + n

S0 = 1
O processo iterativo pode ser feito mo ou usando o Toolbox do Matlab e o resultado
final de previso ou soluo pode ser visualizado na Fig 5.14

Fig 5.14- Soluo do modelo fuzzy

125

5 Propagao da Podrido em Mas


Uma outra forma de contemplar subjetividades em sistemas dinmicos considerar os coeficientes e/ou condio inicial de uma equao diferencial como sendo
nmeros incertos, dados por subconjuntos fuzzy de R. O modelo logstico M1 com
b pode ser representado por :
taxa de contaminao fuzzy

dP
b (T P )

dt = P S = P

P0 dado

(5.0.15)

A soluo de 5.0.15 um conjunto fuzzy do plano, formado pelas solues do sistema determinstico, onde cada elemento (soluo determinstica) tem o mesmo grau
de pertinncia do parmetro determinstico de partida. Em outras palavras, em cada
instante t a soluo dada por um intervalo onde, cada ponto tem um grau de credibilidade de ser soluo (veja Fig 5.15).

Fig5.15 Soluo equao diferencial fuzzy 5.0.15


Projetos
O mais interessante neste fenmeno estudado que no se tem condies de saber qual modelo o melhor. Seria necessrio ter dados experimentais da propagao
da doena para decidir esta questo. A modelagem nem sempre pressupe que se
tenha dados reais, a intuio ou bom senso pode guiar as formulaes dos modelos.
Do ponto de vista do ensino-aprendizagem de Matemtica o "melhor modelo " secundrio pois sempre se pode fazer um melhor do que o anterior e sempre se pode

126

5 Propagao da Podrido em Mas


imaginar situaes diferentes para o mesmo fenmeno. Neste sentido, deixamos alguns projetos tendo como cenrio o mesmo objeto de estudo baseado na transmisso
de doena em mas.
Projeto 1 Considere a distribuio das mas na caixa, com o mnimo contato possvel entre elas (Fig. 5.12) e faa um estudo completo da evoluo da doena. Coloque
a primeira ma podre no centro da caixa.

Fig 5.16- Distribuio com o mnimo de contato entre mas


As camadas sobrepostas podem ser consideradas tambm idnticas camada central.
Projeto 2 Considere o mesmo fenmeno analisado no texto e no Projeto 1, tomando
agora a primeira ma podre num dos "cantos "da caixa.
Sbre Empilhamento e Empacotamento de bolas
Os problemas matemticos provenientes do processo de empacotamento e empilhamento de bolas bem antigo e sempre atraiu grandes pesquisadores. Em seu livro
De nive sexangula (Sbre os seis lados do floco de neve) de 1611, Kepler insinua que
o empacotamento em 3D mais adequado (otimizado) semelhante ao processo efetuado com frutas "chacoalhas"numa caixa, tornando o espao vazio o menor possvel (o
processo denominado face-centred cubic packing by crystallographers). Esta proposio no foi elaborada por ele com qualquer preciso ou rigor matemtico mas

127

5 Propagao da Podrido em Mas


passou a ser chamada de Conjectura de Kepler e mostrou ser extremamente difcil
sua verificao.
O empacotamento hexagonal em 2D bem mais simples porm levou em torno de
300 anos para ser provado pelo matemtico noruegus Axel Thue.
se sobrepoem,

N enhum mosaico no plano, f ormado por discos que nao


tem densidade maior que o mosaico hexagonal (Teorema de Thue)
A demora se deveu principalmente, para se entender que uma assero "bvia"requer
uma prova! Outro sculo se passou antes que uma prova fosse dada para 3D por
Thomas Hales. Uma abordagem bastante interessante deste assunto o leitor pode
encontrar em [?, ?]
No plano podemos pensar em posicionamento dos crculos de densidade mxima
e mnima.

Fig 5.17-Posicionamento hexagonal


A densidade mxima obtida quando a rea da figura entre os crculos for a menor
possvel. No caso do posicionamento hexagonal esta rea vale Ah = Ap Ac onde, Ap
a rea do paralelogramo cujos vrtices esto centrados em quatro crculos vizinhos
e Ac a rea do crculo.



Ah = Ap Ac = 2rh r 2 = 2r 2 3 r 2 = r 2 2 3

128

5 Propagao da Podrido em Mas


A densidade do espao vazio medida por Dh =

Ac
Ah ,

ou seja,




r2 2 3
1
2 3
=
1
=
Dh

r 2

(5.0.16)

No caso de posicionamento quadrtico a rea intercirculoar dada por Aq = A Ac


onde, A a rea do quadrado cujos vrtices so os centros de quatro crculos vizinhos
(Fig. 5.18)

Fig 5.18-Posicionamento quadrtico


1
A Ac 4r 2 r 2 4
=
=
= 1
Dq
Ac

r 2

(5.0.17)

fcil observar que qualquer outro posicionamento de crculos no plano tem densidade compreendida entre Dq e Dh . Tambm simples verificar que Dq < Dh , qualquer
que seja o raio r do crculo:

1
2 3
4
1
=
1 < 1 =
= Dq < Dh
Dh

Dq

(5.0.18)

Nos panfletos publicados por Kepler em 1611 tambm pode-se ver que o empilhamento de bolas era um tema de discusso da poca (Fig. 5.19)

129

5 Propagao da Podrido em Mas

Fig.5.19-Panfleto publicado por Kepler em 1611


Curiosamente este problema de empilhamento de bolas de canho foi tambm tratado por Alpoim em seu livro Exame de artilheiros de 1744 [11]. A histria da matemtica escolar no Brasil muito interessante e vrios trabalhos foram realizados nos
ltimos anos, no sentido de trazer estas informaes para um pblico maior.

130

5 Propagao da Podrido em Mas


Fig 5.20- Frontispcio do livro de Alpoim
para resoluo do problema de empilhamento de bolas

No livro de Alpoim a soluo apresentada em casos particulares (exemplos) sem


a preocupao de se dar uma frmula geral.
Resoluo do problema de empilhamento de bolas formando uma pirmide de
base triangular O empilhamento de bolas pode ser encarado como um processo
iterativo, conforme Fig. 5.22

Fig 5.21-Formao da base de uma pirmide de lado 4 (bolas)


Se a "pirmide"tem o lado da base formado por n bolas ento a base ter

Bn = n + (n 1) + .... + 2 + 1 =

j=n
X
j=1

j=

n(n + 1)
2

Pj=n1
A camada de bolas imediatamente superior base ter Bn1 = j=1 j =
E assim, sucessivamente at o "vrtice"que ter uma bola (Fig 2.22)

Fig 5.22-Formao de uma pirmide de bolas superpostas

131

(5.0.19)

(n1)n
2

bolas.

5 Propagao da Podrido em Mas


A soma de todas as bolas empilhadas ser
T =

n
X

Bj =

j=1

n
X
j(j + 1)
j=1

1X
=
(j + j 2 )
2

(5.0.20)

j=1

Para se ter uma frmula geral devemos antes determinar uma expresso para a soma
de quadrados. Vamos mostrar que
n
X
j=1

j2 =

n(n + 1)(2n + 1)
6

verdadeira.
De fato, se n = 1 ento 5.0.21 vale;
P
Suponhamos vlida para n = k, isto , kj=1 j 2 =
para n = k + 1
k+1
X

j2 =

j=1

k
X
j=1

k(k+1)(2k+1)
,
6

(5.0.21)

vamos mostrar que vale

h
i
(k + 1) 2k 2 + k + 6k + 6
k(k
+
1)(2k
+
1)
j 2 + (k + 1)2 =
+ (k + 1)2 =
6
6

(k + 1)(k + 2)(2k + 3) (k + 1) [(k + 1) + 1] [2(k + 1) + 1]


=
6
6

Portanto, a frmula 5.0.21 vale para todo n N.


Agora podemos calcular o total de bolas de uma pirmide:
"
# 1 n(n + 1)(n + 2)
n
6
1X
1 n(n + 1) n(n + 1)(2n + 1)
2
T =
+
=
(j + j ) =
2
2
2
6

(5.0.22)

j=1

Bolas e Pirmide - um problema

Certa vez estava em Dourados (MT) em um Encontro de Matemtica e recebi, via


email de algum que no conhecia, o seguinte problema:

"Empilhando bolas iguais de raio r elas estaro contidas numa pirmide regular de base triangular.
Determine o volume do espao existente entre as bolas e as faces da pirmide".

132

5 Propagao da Podrido em Mas


Mais tarde perdi seu endereo e nem pude lhe responder e agradecer - Fica aqui
meus agradecimentos a este amigo desconhecido. Na ocasio no tinha idia que
este problema tambm fazia parte da conjectura de Kepler e, intuitivamente, como
fazem os feirantes para empilhar e expor suas laranjas, imaginei uma pilha de bolas
conhecida dos qumicos como "empilhamento cbico de face centrada"(face-centered
cubic packing).
Bem, parte da resoluo do problema era encontrar a frmula 5.0.22 pois uma "pirmide de lado com n bolas"tem o volume dado por


1
4
VBn = r 3 n(n + 1)(n + 2)
3
6

(5.0.23)

Para determinarmos o volume de uma pirmide que tangencia a "pirmide de bolas",


fazemos os clculos passo-a-passo, tambm usando o processo iterativo, lembrando
que o volume de uma pirmide regular de base triangular VP = 13 AH onde, A a
rea da base e H a altura da pirmide.

Fig 5.23-Pirmide de base triangular


(a) Comeamos com apenas uma bola (n = 1), de raio r

Fig 5.24-Base da pirmide de uma bola

133

5 Propagao da Podrido em Mas


Neste caso devemos ter

r
1
tg = = = a = 3r
3 a
Sejam H a altura da pirmide e h a altura do tringulo da base, ento

h2 + a2 = L21 = h = a 3 = 3r

3
3
2
b =
h eh=
L1 = b =
L1
3
2
3
r

2
6
2
2
2
L1 = H + b = H1 =
L1 =
L
3
3 1
com

L1 = 2a = 2 3r

Portanto, o volume da pirmide circunscrita bola de raio r dado por

"
#r


1
1 1
1 1 3 2
2
2
VP1 = A1 H1 =
L1 h H1 =
L1
L1 =
L
3
3 2
3 2 2
3
12 1
Ento, o volume em funo do raio da bola

VP1 =

2 h i3
2 3r
12

(b) Pirmide com 4 bolas (n = 2):

Fig 5.25-Base da pirmide de 4 bolas

134

5 Propagao da Podrido em Mas

b =
A =
H2 =
L2 =

2
3
3
heh=
L2 = b =
L
3
3 2
2
1
3 2
L2 h =
L
2
4 2 r
2
L22 b2 = H =
L
3 2

2a + 2r = 2 3r + 2r

Portanto,
VP2
VP2

!r
1 3 2
2
2 3
1
AH2 =
L2
L2 =
L
=
3
3 4
3
12 2
ou

i3
2h
=
2 3r + 2r
12

(c) Pirmide com 10 bolas (n = 3):

Fig 5.26-Base da pirmide de 10 bolas


Neste caso,

L3 = 2a + 4r = 2 3r + 4r

e, usando os mesmos argumentos anterioresobtemos

V P3 =

i3
2h
2 3r + 4r
12

135

5 Propagao da Podrido em Mas


Uma frmula geral do volume para uma pirmide que tem n bolas no lado da base
ento (verifique por induo):

Vpn =

i3
2h
2 3r + 2(n 1)r
12

(5.0.24)

Relao entre volumes


Dado um valor fixo r do raio de cada bola, podemos ver facilmente que os volumes
VBn e VPn aumentam com n (Fig. 5.27)

Fig 5.27Tendncia do crescimento dos volumes das bolas empilhadas e respectivas pirmides circunscritas

A diferena entre os volumes Dn = VPn VBn est bem prxima de uma funo
exponencial, ou seja,
Dn = 0, 4468n2,7262

136

5 Propagao da Podrido em Mas

Fig 5.28-Diferena entre os volumes[ VPn VBn ]


A razo Rn =

VPn
VBn

bastante interessante pois tende a se estabilizar com n , isto

,
VPn
n VB
n
lim

lim

h
2
12 2 3r

+ 2(n 1)r

i3

n 4 r 3 1 n(n + 1)(n + 2)
3
6

h
i3
2 3
r
2
3
+
2(n

1)
12

lim

n 4 r 3 1 n(n + 1)(n + 2)
3
6
h
i

2
3
2
8n
12
12 8

lim

n 4 1 n3
3
6

i = lim

h i ' 1, 35

n 4 1
3
6

O ponto de estabilidade pode ser obtido de maneira aproximada pelo mtodo de


Ford-Walford, ou seja,
lim Rn = k = lim [Rn Rn1 ] = 0 = Rn Rn1 para n suficientemente grande

Assim, se resolvermos o sistema

Rn = f (Rn1 )

Rn = Rn1

137

5 Propagao da Podrido em Mas


onde, f uma funo que ajusta os pares (Rn1 , Rn ) fornecidos na Tabela 10, teremos
o ponto de equilbrio da equao
Rn = f (Rn )
n

total

V Pn

VBn

Dn

bolas

bolas

pirmide

bolas

VPn VBn

Rn
VPn
VBn

4,90

4,19

0,71

1,170

19,23

16,76

2,47

1,147

10

49,01

41,89

7,12

1,170

20

99,90

83,78

16,13

1,192

35

177,56

146,61

30,96

1,211

56

287,65

234,57

53,08

1,226

84

435,82

351,86

83,96

1,239

120

627,73

502,66

125,07

1,249

165

869,03

691,15

177,88

1,257

10

220

1165,39

921,54

243,86

1,265

Tabela 5.4
Ajustando os valores entre Rn e Rn1 , n > 2, obtemos um bom ajuste com a equao
da reta
Rn = 0, 847Rn1 + 0, 2
A soluo do sistema nos d o ponto limite ou valor de estabilidade:

Rn = 0, 847Rn1 + 0, 2
= R = 1, 307

Rn = Rn1 = R
Podemos ento propor um modelo mais simples que aproxima a relao Rn =

138

VPn
V Bn

5 Propagao da Podrido em Mas


n

Rn

R Rn

1,170

0,137

1,147

0,160

1,14732

1,170

0,137

1,17188

1,192

0,115

1,19266

1,211

0,096

1,21025

1,226

0,081

1,22513

1,239

0,068

1,23772

1,249

0,058

1,24837

1,257

0,050

1,25739

10

1,265

0,042

1,26502

Modelo

Tabela 5.5
Se considerarmos os valores (R Rn ), podemos notar que se comportam satisfatoriamente como uma curva exponencial - Um ajuste neste sentido fornece
R Rn = 0, 223e0,167n
Logo,
Rn = 1, 307 0, 223e0,167n

Fig 5.29-Modelo de crescimento da razo

139

VPn
VBn

5 Propagao da Podrido em Mas


Projetos
1. Considere um tetraedro de lado fixo. Como deve ser a sequncia dos raios{rn }nN
das esferas (de volume mximo), encaixantes neste tetraedro? Supondo que n a
quantidade de bolas que formam o lado do tringulo da base.
Sugesto: Determine rn = g(L) por recorrnciaL
Se n = 1, r1 =
2 3
L
Se n = 2, r2 =
2 3+2

L
Se n = k, rk =
2 3 + 2(k 1)
Mostre que o volume
das pirmides formadas com o empilhamento destas bolas con
2
verge para VP = 12 L,quando n .
2. Resolva o problema de difuso da doena ("podrido da ma") quando a ma
podre inicial se encontra num dos cantos da caixa (Fig. 5.30)

Fig 5.30-A doena comea num canto da caixa


3. Suponha uma caixa cbica de lado fixo L. Como deve ser a sequncia {Sn }nN de
esferas, de volume mximo, que se pode acondicionar nesta caixa? Veja Fig 5.31.

140

5 Propagao da Podrido em Mas

Fig 5.31-A doena comea num canto da caixa


Obs.: Este problema desafio bem difcil e muitos matemticos j penaram com
ele mas no desanime antes, pelo menos com os primeiros valores de n vale a pena
resolver. Boa Sorte!

141

6 Esporte

O tema Esporte foi desenvolvido por 3 cursistas (Cristiano Bezerra, Flvia Diniz
e William Kfouri) num programa de Especializao para professores realizado na
UFABC em 2008. Em sua monografia final apresentaram o seguinte resumo: "Este
trabalho teve como objetivo investigar se a Modelagem Matemtica seria uma alternativa
vivel para o ensino e aprendizagem de Matemtica na Educao Bsica, abordando o tema
Esportes, dentre eles a corrida do 100 metros rasos e a maratona.
Abordamos a evoluo dos recordes mundiais, masculino e feminino, criando modelos
que servem para prever as novas quebras. Tambm foi considerado o estudo cinemtico da
velocidade e acelerao dos atletas na corrida dos 100 metros. Durante o desenvolvimento
deste curso, surgiram outras idias e questionamentos em relao s idades dos atletas.
Como modelo geomtrico, foi muito interessante estudar o posicionamento inicial de cada
atleta numa pista de corrida. Aproveitamos a Olimpada de 2008, realizada na China para

142

6 Esporte
testar nossos modelos.
Apresentamos tambm alguns caminhos que a Modelagem pode proporcionar para trabalhar com Matemtica na sala de aula, baseados nos esportes de corrida, de modo diferente e
atraente para os alunos. Procuramos eliminar o estgma de que a Matemtica considerada
difcil por muitos, desinteressate por outros e at inacessvel para a maioria"[15].

6.1 A corrida dos 100 metros


Modelos
Recorde Masculino A primeira edio da corrida de 100 metros rasos ocorreu em
1896, nos jogos olmpicos de Atenas e, posteriormente, passou a ser a prova mais
importante das corridas de velocidade. Dura em torno e 10 segundos e os vencedores
so considerados os homens mais rpidos do mundo. No percurso de 100 metros um
atleta d, em mdia, 50 passos enquanto uma pessoa comum faz o mesmo percurso
com o dobro de passos.
De 1908 a 2008 (cem anos) o recorde foi batido 19 vezes. Os anos em se tem quebra
de recorde esto cada vez se tornando mais prximos (Veja Tabela 12). Vamos mostrar
inicialmente o estudo realizado com os recordes masculinos a partir do ano 1908. A
Tabela 12 apresenta os recordes mundiais da corrida de 100 metros rasos com seus
vencedores, suas nacionalidades, as datas e as localidades dos eventos.

143

6 Esporte
Atleta

Pas de origem

Local

Reginald Walker

frica do Sul

Londres

Donald Lippincott

Estados Unidos

Estocolmo

Charles Paddock

Estados Unidos

Percy Williams

Data

Ano

Recorde

1908

10,8

06/junho

1912

10,6

Redlands

23/abril

1921

10,4

Canad

Toronto

09/agosto

1930

10,3

Jesse Owens

Estados Unidos

Chicago

20/junho

1936

10,2

Willie Williams

Estados Unidos

Berlim

03/agosto

1956

10,1

Armin Hary

Alemanha

Zurique

21/junho

1960

10,0

Jim Hines

Estados Unidos

Cidade do Mxico

14/outubro

1968

9,95

Calvin Smith

Estados Unidos

Colorado Springs

03/agosto

1983

9,93

Carl Lewis

Estados Unidos

Seul

24/setembro

1988

9,92

Leroy Burrell

Estados Unidos

New york

14/junho

1991

9,90

Carl Lewis

Estados Unidos

Tquio

25/agosto

1991

9,86

Leroy Burrell

Estados Unidos

Lausane

06/julho

1994

9,85

Donavan Bailey

Canad

Atlanta

27/julho

1996

9,84

Maurice Greene

Estados Unidos

Atenas

16/junho

1999

9,79

Tim Montgomery

Estados Unidos

Paris

14/setembro

2002

9,78

Asafa Powel

Jamaica

Atenas

14/junho

2005

9,77

Asafa Powel

Jamaica

Rieti

09/setembro

2007

9,74

Usain Bolt

Jamaica

New York

31/maio

2008

9,72

Tabela 6.1: Dados sbre os recordes da corrida de 100 metros


Em 2008 tivemos a Olimpada de Pequim o que motivou tambm a construo de
modelos relacionados com os jogos olmpicos e especialmente com corridas. A Tabela
6.1 um resumo da tabela 12 onde consideramos uma mudana de varivel para relacionar a poca da quebra de recorde com um valor real mais simples. Consideramos
como ano inicial 1908 e o relacionamos com o nmero 8, isto , tomamos n = y 1900,
onde y a poca da quebra de recorde (consideramos simplesmente os valores inteiros dos anos, sem os respectivos mses e no caso do recorde ser batido no mesmo
ano, foi considerado somente o valor menor do tempo). Considerar os valores exatos das pocas de quebra de recorde pode ser um exerccio interessante, por exemplo
27/07/1988 seria 88, 787 - deixamos isto como um projeto para os interessados melhorarem nossos modelos.

144

6 Esporte

Fig 6.1 - Vitria de Usain Bolt na Olimpada de Pequim (2008)


A proposta inicial procurar um modelo matemtico que possa fornecer informaes sbre a evoluo dos tempos registrados nos recordes de uma corrida de 100
metros. Os dados da T abela 4 podem ser visualizados numa curva de tendncia (Fig.
6.2)

145

6 Esporte
Ano

ano*:n

Recorde:R(n)

1908

10,8

1912

12

10,6

1921

21

10,4

1930

30

10,3

1936

36

10,2

1956

56

10,1

1960

60

10,0

1968

68

9,95

1983

83

9,93

1988

88

9,92

1991

91

9,86

1994

94

9,85

1996

96

9,84

1999

99

9,79

2002

102

9,78

2005

105

9,77

2007
2008
16/08/08

107

9,74

108

9,72

108, 85

9, 69

Tabela 6.2 Valores dos recordes mundiais da corrida de 100 metros rasos e o record de Usain Bolt em 16/08/2
A proposta inicial procurar um modelo matemtico que possa fornecer informaes sbre a evoluo dos tempos registrados nos recordes de uma corrida de 100
metros. Os dados da T abela 4 podem ser visualizados numa curva de tendncia (Fig.
12)

146

6 Esporte

Fig.6.2- Valores observados dos recordes da corrida de 100 metros rasos

Temos que a sequncia de valores dos tempos de recordes decrescente e, por outro lado, sabemos tambm que as limitaes do ser humano no permitem que tal
sequncia tenda a zero. Logo, deve existir um limiar inferior para o tempo gasto em
tal modalidade de corrida. Em outras palavras, se {R(n)}nN a sequncia de tempos
de recordes ento {R(n)}nN R > 0. Usando o mtodo de Ford-Walford (Fig 6.3),
obtemos

Fig.6.3- Mtodo de Ford-Walford para determinar o valor limiar de um recorde

Rn+1 = 0, 8111Rn + 1, 8342


= Rn+1 = Rn = R = 9, 7099

Rn+1 = Rn

(6.1.1)

Observamos que este estudo foi realizado em julho de 2008 e em agosto tivemos a
Olimpada de Pequim. Esta proximidade dos jogos olmpicos deu uma motivao

147

6 Esporte
maior ainda para o processo de modelagem que estava acontecendo no curso de Especializao e serviu para testar nossos modelos.
Consideramos a sequncia formada pelos elementos xn = Rn R = Rn 9, 7099 =
limn xn = 0.
As caractersticas da sequncia {R(n)}nN nos leva a buscar um ajuste para a sequncia {R(n) 9, 7099}nN na forma exponencial, pelo menos como uma primeira aproximao e tambm por ser tal funo um elemento de estudo importante no Ensino
Mdio.

Fig.6.4-Curva exponencial auxiliar para ajustar {R(n) 9, 7099}nN

Desta forma, obtemos um modelo do tipo exponencial assinttico para previso de


recordes
R(t) = 1, 3295e0,021t + 9, 7099
com t = a 1900, a : ano

148

(6.1.2)

6 Esporte

Fig.6.5-Modelo de previso e valores observados dos recordes dos 100m rasos.

Em 16 de agosto de 2008 Usain Bolt bateu o recorde com um tempo de 9, 69 segundos, o que contrariou nosso valor limite de 9s7099. Isto nos motiva a procurar melhorar o modelo de previso considerado inicialmente. O leitor interessado pode ajustar
melhor nosso modelo 6.1.2, usando tambm o recorde de Bolt. Em 16/08/2009 no
Campeonato Mundial de Atletismo realizado no Estdio Olmpico de Berlim, Bolt bateu seu prprio record fazendo a corrida em 9s58 e prognosticou que o record nunca
seria inferior a 9s4. Os demais tempos e atletas desta competio esto listados a
seguir:
1. Usain Bolt- Jamaica: 9s58
2. Tyson Gay- Estados Unidos: 9s71
3. Asafa Powell- Jamaica: 9s84
4. Daniel Bailey- Antigua e Barbuda: 9s93
5. Richard Thompson- Trinidad e Tobago: 9s93
6. Dwain Chambers- Gr-Bretanha: 10s00
7. Marc Burns- Trinidad e Tobago: 10s00
8. Darvis Patton- Estados Unidos: 10s34
Projeto 2.1: Corrida dos 100 metros rasos - feminino A primeira corrida de 100
metros rasos em jogos olmpicos para mulheres aconteceu em Amsterd em 1928 e
a partir de ento os recordes foram se sucedendo - Os valores observados esto na
Tabela 14:

149

6 Esporte
Atleta

Pas de origem

Local

Ano

Recorde

Elisabeth Robinson

Estados Unidos

Amsterd

1928

12,20

Stanislava Alasiewicz

Polnia

Los ngeles

1932

11,90

Stanislava Alasiewicz

Polnia

Varsvia

1934

11,70

Stanislava Alasiewicz

Polnia

Berlim

1937

11,60

Fanny Blankers-Koen

Holanda

Amsterd

1948

11,50

Marjorie Jackson

Austrlia

Helsinki

1952

11,40

Shirley Strickland

Austrlia

Varsvia

1955

11,30

Wilmar G. Rudolph

Estados Unidos

Stuttgart

1961

11,25

Wimia Tyus

Estados Unidos

Tkio

1964

11,20

Irena K. Szewinska

Polnia

Praga

1965

11,10

Wimia Tyus

Estados Unidos

Colorado Springs

1968

11,08

Chi Cheng

China

Wenen

1970

11,00

Renate Stecher

Alemanha

Munique

1972

10,95

Renate Stecher

Alemanha

Ostrava

1973

10,90

Renate Stecher

Alemanha

Dresden

1973

11,80

Evelyn Ashford

Estados Unidos

Colorado Springs

1983

10,79

Evelyn Ashford

Estados Unidos

Zurique

1984

10,76

Florence Griffith

Estados Unidos

Indianpolis

1988

10,49

Tabela 6.3: Recordes femininos mundiais na corrida de 100 metros


Exerccio: Encontre modelos para previses de recordes na corrida de 100 metros
para mulheres.
(a) Faa inicialmente um modelo exponencial assinttico, seguindo os mesmos passos do modelo para homens e compare as curvas de previses de ambos.
Resposta:
R(n) = 10, 29 + 3, 37e0,0221a
(b) Faa um modelo exponencial assinttico e, no ajuste dos parmetros, no utilize
o recorde de Florence Griffith (10, 49seg) e verifique qual modelo est mais coerente
com os resultados de Pequim.
Modelos da dinmica da corrida A corrida de 100 metros rasos apresenta quatro
fases caractersticas da prova (veja [?]):
(1) Perodo de reao que corresponde ao tempo de reao inicial do atleta - o
intervalo de tempo entre o tiro de partida e o momento em que o atleta deixa o bloco

150

6 Esporte
de partida. Um atleta leva, em mdia, 0, 18 segundos para iniciar a corrida aps o
disparo enquanto que uma pessoa normal levaria cerca de 0, 27 segundos; O atleta
tem tambm um treino especial para a respirao - Inspiram na largada, expiram e
inspiram novamente na metade da corrida e s voltam a expirar outra vez no fim da
corrida;
(2) Fase de acelerao positiva - Aps a sada o corredor aumenta sua velocidade
com o aumento da frequncia e da amplitude das passadas, atingindo a velocidade
mxima entre 43 e 60 metros, cerca de 6 segundos aps a largada [[17]];
(3) Fase da velocidade constante - O corredor tenta manter a velocidade bem prxima da mxima e chega a correr de 20m a 30m nesta fase;
(4) Fase de acelerao negativa - Devido s prprias restries do organismo, o
atleta no consegue manter a velocidade mxima e comea a desacelerao. Isto
ocorre nos 20m a 10m do final.
A grosso modo, uma corrida de 100m segue o seguinte esquema (Fig. 3.5)

Fig.6.6-Modelo de previso e valores observados dos recordes dos 100m rasos.

As informaes anteriores fornecem as caractersticas bsicas de uma corrida de


100 metros. Devemos procurar um modelo matemtico que traga embutidos estes
dados.
Modelo 1
Comeamos com um modelo mais simples e vamos usar as unidades metro para
distncia e segundo para o tempo. Os dados iniciais so:
Velocidade inicial v0 = v(0) = 0 m/s e espao inicial s0 = s(0) = 0 m;
Consideramos as variveis bsicas da cinemtica (espao s, velocidade v e acelera-

151

6 Esporte
o a) como funes do tempo:
Z
ds
v =
: velocidade a variao do espao por unidade de tempo = s(t) = v(t)dt
dt
Z
dv
: acelerao a variao da velocidade por unidade de tempo = v(t) = a(t)dt
a =
dt
Com os dados de cada fase (V. Fig. 16) podemos pensar numa funo para modelar a
velocidade, do tipo
v(t) = tet
(6.1.3)
Podemos observar que tal funo 6.1.3 satisfaz: v(0) = 0 e v(t) > 0 se t > 0. Ainda,
a(t) =

dv
= tet + et = et (t + 1)
dt

(6.1.4)

Logo, v(t) tem um ponto de mximo para t = 1 pois a(t) > 0 0 0 t < 1 .
O espao percorrido num instante t dado por:

t Zt

1
e d = et e d
s(t) =
v(t)dt
(6.1.5)


0
0
0

!t
!
i
1 t

1
1

t
= te 2 e d = e
t+
+ 2 = 2 (t + 1) et + 1

0
Z

Para o clculo dos parmetros e , vamos considerar as seguintes hipteses:


H1 : A velocidade maxima (acelerao nula) quando o atleta percorreu metade
da prova, isto , s(t) = 50.
De 6.1.4 temos
a(t) = 0 t =



1

2
1
s( ) = 50 = e1 + 2 = 2 + 1

Logo,
=

50 2
50 2

=
= 189, 237 2
2
2
1 e
1 e

H2 : O tempo gasto na corrida de 10 segundos, isto , s(10) = 100.

152

(6.1.6)

6 Esporte
De 6.1.5, obtemos
50
50 10
e
(10 + 1) +
=
2
1 e
1 2e
100
e10 (10 + 1) + 1 =

189, 237
e10 (10 + 1) = 0, 4716 = = 0, 1771 (verif ique)
100 =

Substituindo o valor de = 0, 1771 em 6.1.6, obtemos = 5, 9286 e com estes valores


temos os modelos de s(t), v(t) e a(t)

Fig.6.7-Velocidade do atleta numa corrida de 100 metros

Salientamos que a rea da figura limitada pela curva v = v(t) e pela reta t = t
o espao percorrido s(t) (Veja Fig. 3.6). Neste modelo a velocidade mxima vM
atingida quando t = 1 = 5, 646, ou seja, vM = 12, 315m/s ou 44, 334Km/h.
O grfico da curva s = s(t) dado pela Fig. 6.8,

153

6 Esporte
Fig.6.8-Espao percorrido pelo atleta em cada instante

Pelo grfico da curva da acelerao pode-se ver bem suas propriedades.

Fig.6.9-Acelerao do atleta na corrida de 100 metros

Exerccio:- Considere os seguintes dados, numa corrida de 100 metros:


s(t) = 0 e v(t) = 0 para 0 t 0, 18;
s(9, 72) = 100 e velocidade mxima vM (5, 3) = 12, 6m/s;
a(t) 0 para 0 t 5, 3 e a(t) 0 para 5, 3 t 9, 72.
Faa um modelo satisfazendo estas condies. Observe que, neste caso, estamos
considerando a fase de reao inicial do atleta.
Performance numa corrida de 100 metros e a idade dos atletas Em um curso
de Especializao, quando se escolhe um determinado tema para trabalhar com modelagem, procura-se verificar todas as possibilidades de relacionamento entre as variveis. No caso especfico das corridas os cursistas, motivados com os resultados
obtidos com a corrida de 100 metros rasos, procuraram verificar a existncia de uma
relao significativa entre a performance dos corredores e suas idades. A questo que
se colocou foi : "existe uma idade ideal para superar o recorde mundial numa corrida
de 100 metros"?
A hiptese de que em cada faixa etria o desenvolvimento do atleta diferenciado
surgiu do fato que existem vrias categorias e normas para as competies:
Categoria Pr-Mirim: atletas com 11 ou 12 anos, no ano da competio;

154

6 Esporte
Categoria Mirim: atletas com 13 e 14 anos, no ano da competio;
Categoria Menor ou Youth: atletas com 15,16 ou17 anos, no ano da competio;
Categoria Juvenil ou Junior: atletas com idades compreendidas entre 16 e 22 anos,
no ano da competio;
Categoria Adulto ou Senior: atletas com 16 anos ou mais, no ano da competio;
Categoria Veterano ou Master: atletas com mais de 36 anos, no ano da competio.
Esta categoria ainda subdividida: M40 (36 a 40 anos), M45 (41 a 45 anos), M50 (46
a 50 anos) etc. No h competies oficiais com menores de 10 anos.

155

6 Esporte
Idade

Tempo T1

Tempo T2

Tempo T3

Tempo T4

Mdia

Mdia mvel

13 a 14

12,01

12,42

12,50

11,20

12,03

12,03

15

11,02

11,18

11,28

12,75

11,56

11,80

16

10,23

10,06

11,05

11,71

10,90

11,50

17

10,52

10,96

11,06

11,27

10,95

11,40

18

9,97

10,01

10,71

11,51

10,55

10,80

19

10,07

10,39

10,59

11,00

10,51

10,67

20

9,92

10,03

10,10

10,82

10,22

10,43

21

9,85

10,03

10,42

10,53

10,21

10,31

22

9,69

9,85

9,92

10,22

9,92

10,12

23

9,69

9,85

9,92

10,22

9,92

10,02

24

9,79

9,99

10,04

10,60

10,11

9,98

25

9,72

9,77

10,01

10,55

10,01

10,01

26

9,88

9,96

10,02

10,50

10,09

10,07

27

9,95

10,01

10,57

11,15

10,42

10,17

28

9,84

9,92

10,00

10,48

10,06

10,19

29

10,02

10,45

10,60

10,76

10,46

10,31

30

9,86

10,02

10,14

10,41

10,11

10,21

31

10,06

10,08

10,19

10,54

10,22

10,26

32

10,02

10,07

10,57

11,01

10,42

10,25

33

10,32

10,40

10,55

11,05

10,58

10,41

34

10,40

11,02

10,33

10,36

10,53

10,51

35

11,20

10,80

11,80

10,33

11,03

10,71

36 a 40

11,20

11,50

10,09

10,60

10,85

10,80

41 a 45

12,04

11,50

10,90

12,00

11,61

11,16

46 a 50

12,40

13,00

14,00

15,00

13,60

12,02

51 a 55

12,40

12,90

14,00

13,20

13,13

12,78

56 a 60

16,00

16,00

17,00

16,00

16,25

14,33

61 a 65

15,40

14,30

17,00

18,00

16,18

15,19

66 a 70

17,50

18,20

18,90

20,00

18,65

17,03

Tabela 6.4 - Tempos de atletas vencedores dos 100 metros em vrias idades Fonte: Caderno
Didtico da IAAF (Intern. Association Ath. Federations)

A Tabela 6.4 fornece os tempos de atletas e elite vencedores da prova em vrias


categorias

156

6 Esporte
Na corrida de 100 metros o desempenho atltico depende de vrios fatores: fora
de exproso, potncia, resistncia fsica, habilidade, controle emocional, massa muscular, capacidade respiratria e resistncia. Os corredores Mirim e Youth ainda no
possuem massa muscular suficiente para uma grande arrancada enquanto que os velocistas veteranos perderam boa parte da resistncia fsica e potncia. Estabeleceu-se
que que o perodo que o atleta velocista consegue um melhor desempenho entre 23
e 30 anos - Uma curva de tendncia com valores da Tabela 6.4 mostra que, se considerarmos a idade entre 12 a 70 anos ento o tempo mdio da prova diminue com a
idade at uma regio de mnimo e depois aumenta ( Fig. 6.10)

Fig.6.10- Curva de tendncia do tempo de uma corrida de 100 metros e a idade do atleta

Um ajuste dos pontos por uma funo quadrtica nos d


T (a) = 0, 0052a2 0, 2796a + 14, 032

(6.1.7)

R2 = 0, 9589
A funo 6.1.7 uma parbola que passa por um mnimo quando
dT
= 0, 0104a 0, 2796 = 0 = a = 26, 88
da
Ento, podemos dizer que, pelo nosso modelo (neste caso, apenas um ajuste de pontos), a idade ideal para esta corrida est em torno de 26 anos e 11 meses. Salientamos
que, neste caso, a preciso matemtica do resultado no coerente com o fenmeno
estudado. De fato, podemos melhorar o resultado se considerarmos uma mdia mvel
de tempos de corrida para velocistas com menos de 30 anos. A Fig. 6.11 mostra que
a curva de tendncia se aproxima bem melhor dos valores observados (R2 = 0, 9864).

157

6 Esporte

Fig 6.11- Ajuste da mdia mvel dos tempos pela idade dos velocistas

Consideramos a mdia mvel das mdias dos tempos (7a coluna da Tabela 6.4),
calculada com 3 elementos, isto ,

i
1 X
MTi =
Ti , i 3
3
i2

Um ajuste quadrtico dos pontos da mdia mvel d


T (a) = 0, 0166a2 0, 83a + 20, 39
Neste caso, o ponto de mnimo obtido de
dT
= 0, 0332a 0, 83 = a = 26, 5.
da
Um modelo real obtido atravs do desenvolvimento fisiolgico de um indivduo
poderia ser mais interessante mas, obviamente, seria muito mais complicado!
A Pista de Atletismo

158

6 Esporte

Fig 6.12- Curva de tendncia do tempo de uma corrida de 100 metros e a idade do atleta

A pista de atletismo gerou uma expectativa e um interesse logo no incio das investigaes realizadas para se conseguir dados que fossem significativos para se trabalhar com
a modelagem matemtica. A sua estrutura geomtrica, suas dimenses, suas marcaes
tcnicas indicavam inicialmente que muito se aproveitaria do estudo [15].
A modelagem esttica que poderia ter sido feita no curso com o estudo da geometria da pista, se restringiu s marcas para uma corrida de 400 metros. Isto porque os
modelos dinmicos estavam parecendo mais interessantes no momento e o tema corrida estava sobrepondo-se ao esporte que fora escolhido inicialmente. A substituio
de um tema mais abrangente por um subtema muito comum no processo de modelagem, quando se trabalha em programas de Especializao. Neste mesmo curso
do ABC o tema doenas foi substituido por AIDS, qualidade de vida por licenas de tratamento de sade e meio ambiente por reciclagem. Estas mudanas so, quase sempre,
motivadas pela ausncia ou restries na obteno de dados.
Marcas de partida de uma corrida de 400 metros

159

6 Esporte
Para que todos percorram exatamente 400 metros na pista onde, cada raia tem um
permetro diferente, necessrio que cada atleta largue em posio que compense as
tais diferenas dos permetros. A pista oficial de atletismo est dividida em 8 raias
cujas larguras podem variar de 1,22m a 1,27m, delimitadas por faixas brancas de
5cm. A linha de chegada perpendicular margem interna da pista. A raia interna,
composta de duas retas e dois anis de semicrculos, tem exatamente 400 metros.
Para descobrir os pontos de partida de cada corredor consideramos ainda os seguintes
dados:
So 8 raias, compostas por duas retas de 84,39m de comprimento e dois anis de
semicirculos concntricos e com raios que aumentam1,22m a partir da raia interna
que a mais prxima do centro - (Veja Fig. 6.13).

Fig 6.13- Curva de tendncia do tempo de uma corrida de 100 metros e a idade do atleta

Para a obteno do modelo fazemos algumas simplificaes, isto , consideramos as


divisrias das raias sem a espessura que seria de 5cm. Isto no compromete o modelo
pois ao invs de considerarmos a largura de uma raia como sendo 1,22 poderamos
tomar 1,27cm.
Se a primeira raia R1 tem comprimento 400m e composta de dois segmentos de
retas de 84,39m ento o que resta (400 2x84, 39) = 231, 22m o comprimento da
circunferncia que completa. Ento, o raio das semicircunferncias da raia R1 dado
por: r1 = 231,22
2 = 36, 8m.

160

6 Esporte
O raio rn da n-sima raia Rn ,1 n 8, dado por
rn = 36, 8 + (n 1)1, 22
O comprimento da raia Rn
cn = 2x84, 39 + 2rn
Portanto, o arco de crculo que deve ser retirado de cada raia Rn para se ter exatamente
400 metros para cada corredor
an = cn 400 = 2rn 231, 22
O modelo que procuramos dado pela posio dos pontos n (de partida), considerando a retirada dos arcos an .
Rn

rn

cn

an

36,80

400,00

0,00

38,02

407,67

7,67

39,24

415,33

15,33

40,46

423,00

23,00

41,68

430,66

30,66

42,90

438,33

38,33

44,12

445,99

45,99

45,34

453,66

53,66

Tabela 6.5- Posies relativas na pista de atletismo


Para obtermos as posies dos pontos de partida necessitamos das coordenadas
polares destes pontos (Fig 6.14):

161

6 Esporte
Fig 6.14- Coordenadas polares dos pontos de partida

xn = rn cos n

yn = rn sin n
O ngulo n depende da raia Rn considerada.
O arco de raio n vale
a
an = n rn n = n
rn
No caso da pista de atletismo os valores dos ngulos e posies cartesianas dos pontos
so dados na Tabela 17
n =

an
rn

xn

yn

0,00

36,80

0,00

0,20

37,25

7,61

0,39

36,28

14,95

0,57

34,10

21,78

0,74

30,90

27,97

0,89

26,89

33,43

1,04

22,24

38,10

1,18

17,12

41,98

Tabela 6.6- Posies dos pontos de partida


Logo, o modelo matemtico dos pontos de partida dado por

xn = rn cos n = [36, 8 + (n 1)1, 22] cos n

yn = rn sin n = [36, 8 + (n 1)1, 22] sin n


Da Tabela 17 podemos ajustar os valores de n por uma funo quadrtica e obtemos
a espiral hiperblica
h
i
xn = [36, 8 + (n 1)1, 22] cos 0, 0053n2 + 0, 2159n 0, 2102
h
i
yn = [36, 8 + (n 1)1, 22] sin 0, 0053n2 + 0, 2159n 0, 2102
cujo grfico dado na Fig. 3.13

162

6 Esporte

Fig 6.15-Tendncia do ndice de criminalidade em Diadema

Fig 6.16- Posio dos pontos de partida na corrida de 400 metros rasos

Projeto 2.3 - Faa um estudo completo da corrida de 200 metros rasos (recordes,
dinmica e pontos de partida).
Projeto 2.4 - Faa um estudo completo da Maratona [15].

163

7 Criminalidade no ABCD

O trabalho que apresentamos nesta seo foi o resultado das pesquisas realizadas
por um grupo de professores de matemtica da rede de ensino, num curso de especializao que organizamos na UFABC em 2009-10 ??. Como parte deste trabalho
desenvolvido um tratamento matemtico dos ndices de homicdios dos quatro municpios da Grande So Paulo: Santo Andr, So Caetano, So Bernardo e Diadema,
com a elaborao de modelos que mostram os possveis nveis de estabilidade nestes
municpios, e um comparativo entre tais ndices.
A motivao para este estudo partiu de sugestes dos professores preocupados com
a formao de cidados, acreditando ser possvel vincular o desejo de aprender modelagem matemtica vontade de interferir na sociedade tendo em vista que o problema, comum a todos do grupo, lecionar em escolas pblicas situadas na periferia
da cidade de So Paulo e nas cidades do ABCD, regio conhecida por seus altos ndices de violncia e criminalidade.

164

7 Criminalidade no ABCD
Os objetivos principais do curso de Especializao em Ensino-Aprendizagem com
Modelagem eram:
a) Aprender a construir modelos matemticos;
b) Formular modelos matemticos dos homicdios dolosos ocorridos nas cidades de
Santo Andr, So Bernardo, So Caetano e Diadema de 1999 at 2007;
c) Compreender para quais nveis de criminalidade est se caminhando, atravs de
uma anlise das tendncias apresentadas;
d) Incentivar e apoiar novos estudos que busquem avanar no conhecimento das
causas da criminalidade.
Para cada um dos municpios foram construdos modelos, considerando-se como
parmetro o "crime de homicdio doloso" por 100.000 habitantes, no perodo de 1999
2007. Este parmetro apresentado como fator de maior peso no clculo do ndice
de criminalidade.
O objetivo dos modelos matemticos do presente trabalho, construdos a partir de
dados oficiais da Secretaria de Segurana Pblica do Estado de So Paulo, teve como
foco principal as previses de nveis de estabilidade do ndice de criminalidade em
cada municpio.
Fatores condicionantes do crime e da criminalidade
1. Densidade populacional e grau de urbanizao local, bem como o tamanho da
comunidade e de suas reas adjacentes;
2. Variao na composio do contingente populacional local, particularmente
quanto prevalncia de estratos populacionais jovens e de indivduos do sexo masculino;
3. Estabilidade da populao no que concerne mobilidade de residentes locais da
comunidade, seus padres dirios de deslocamento e presena de populao transitria ou de no-residentes;
4. Meios de transporte localmente disponveis e sistema virio local;
5. Condies econmicas, incluindo renda mdia, nvel de pobreza e disponibilidade de postos de trabalho;
6. Aspectos culturais, educacionais, religiosos e oportunidades de lazer e entretenimento;
7. Condies da matriz social nuclear, no que concerne o divrcio e coeso do grupo
familiar;
8. Clima local;
9. Efetividade das instituies policiais locais;

165

7 Criminalidade no ABCD
10. nfase diferenciada das polcias locais nas funes operacionais e administrativas da instituio;
11. Polticas, mtodos e processos de funcionamento das outras instituies que
do corpo ao sistema de local de justia criminal, incluindo o Ministrio Pblico,
Poder Judicirio e Autoridade Prisional;
12. Atitudes da cidadania em relao ao crime;
13. Prticas prevalentes de notificao de delitos ocorridos s autoridades policiais.
Observamos que para o processo de ensino-aprendizagem com modelagem, cada
um dos condicionantes citados poderia ser um sub tema para se construir modelos
ou apenas para um estudo estatstico.
Histrico recente da criminalidade do ABCD
Na dcada de 1950, alm das condicionantes da criminalidade citadas, outras puderam ser sentidas no que se refere tipologia das indstrias da regio. Com os
investimentos estatais e a entrada de capital estrangeiro, ocorreu um crescimento no
setor automobilstico, mecnico, metalrgico e de material eltrico. Santo Andr passou a abrigar vrias indstrias de auto-peas. Tal indstria necessitou mo de obra
mais especializada e as mquinas mais produtivas. Neste momento a mo de obra
deixou de ser determinante para o aumento da produo. Na dcada de 1970 houve
um momento de expanso e concentrao da indstria na Grande So Paulo. Foi o
perodo denominado de "milagre econmico". Na dcada seguinte o ritmo de crescimento sofreu um decrscimo, culminando com a recesso dos anos 80. Nos anos
90 a produo industrial continuou desacelerada, com os incentivos fiscais voltados
para outras reas do estado de So Paulo, alm das dificuldades de transporte e o
custo de mo de obra. O ABC e, em especial Santo Andr, perdeu vrias indstrias,
aumentando o nmero de desempregados. Hoje em dia, h um grande esforo do setor pblico e da sociedade para a manuteno das indstrias existentes. Alm disso,
tem-se observado um aumento de atividades nos setores de servios e no comrcio.
O desafio do incio deste sculo 21 est relacionado criao de novas alternativas
para a cidade que vai se transformando, garantindo melhores condies de vida a
seus moradores.

166

7 Criminalidade no ABCD
Dados geogrficos e condies sociais da popula do ABCD
Habitantes
Favelados
D.H.
Casas Populares (4 anos)
Verbas do PAC
Aluguel
Abrigo

Santo Andr
676.723
70.000
24.000
924
172 milhes
3600 famlias
58 famlias

So Berbardo do Campo
729.671
60.000
11.000
3246
60 milhes
945 pessoas

So Caetano do Sul
676.723
0
80.000
0
0
15% dos imveis
0

Diadema
389.271
9.600
12.000
940
73 miles
26 famlias

Tabela 7.1. - Dados sociais das cidades do ABCD.


Santo Andr - Com at trs salrios mnimos tem-se mais de 3600 famlias que
pagam aluguel de casa. O oramento da pasta (em 2008) foi de R$ 151,7 Milhes.
Programas Assistenciais mantm o aluguel-social no valor de R$ 380 e responsvel
pelo abrigo provisrio. O D. H. (dficit habitacional) de Santo Andr de 24000
unidades, ou seja, DH=0,035u/p.
So Bernardo do Campo - Oramento da pasta (em 2008) foi de R$ 40 milhes. O
D. H. (dficit habitacional) de So Bernardo DH=0,015u/p.
So Caetano do Sul - Oramento da pasta (em 2008) foi de R$ 45 Milhes. O
municpio no tem Programas Assistenciais e nem alojamentos provisrios. O D. H.
(dficit habitacional) de So Caetano o mais alto da regio: DH=0,12u/p. Isto ocorre
por ser o municpio menor e mais estabilizado entre os quatro estudados.
Diadema - O Dficit Habitacional de 12 mil unidades lhe d um DH de 0,03. Oramento da pasta (em 2008) foi de 3% do oramento municipal : R$ 20.3 Milhes.
Como Programa Assistencial tem-se a bolsa auxilio aluguel: at R$ 300 por um ano,
renovvel por mais um.
Indice de criminalidade
Nas pesquisas realizadas sobre criminalidade, verificou-se que h alguns ndices
que determinam os nveis de criminalidade e qualidade de vida de uma populao. Esses ndices foram determinados pelo IEME, Instituto de Estudos Metropolitanos, considerando alguns parmetros, estatisticamente comprovados, que favorecem
a criminalidade. Os dados obtidos so da Secretaria de Segurana Pblica do Estado
de So Paulo. Como parmetro oficial toma-se os ndices de crimes por 100 000 habitantes, que um parmetro internacional neste tipo de estudo. Para estabelecer o
ndice de criminalidade, so levados em considerao trs tipos de crime: homicdios,
roubo e Furto de Veculos. O IEME calcula o IC (ndice de Criminalidade) a partir das

167

7 Criminalidade no ABCD
trs variveis: homicdios com peso de 60%, furtos e roubos de veculos com peso de
30% e furtos e roubos gerais com peso de 10%. O IC resultado da mdia ponderada
dos trs tipos de crimes. Como o peso maior do ndice de criminalidade relativo
ao nmero de homicdios muitas vezes, as taxas de criminalidade se atm somente a
este fator de violncia.
Cidade

Estado

Taxa

Mortes

Ranking

Recife

PE

90,5

1375

9o

Belo Horizonte

MG

56,6

99o

Rio de Janeiro

RJ

44,8

205o

Curitiba

PR

44,7

206o

Guarulhos

SP

40,7

265o

porto Alegre

RS

39,5

281o

Belem

PA

37,3

323o

Salvador

BA

36,2

342o

Goinia

GO

36,1

347o

Braslia

DF

33,3

409o

Fortaleza

CE

32,7

430o

Manaus

AM

31,5

479o

So Paulo

SP

31,1

492o

Campinas

SP

27

Tabela 7.2 - Cidades brasileiras com mais de 1 milho de


habitantes mais violentas em 2006Fonte:Folha de So Paulo, Cotidiano 30/01/2008
Cidade

Estado

taxa

homicdios

Ce Sapucaia

MS

107,2

13

Colniza

MT

106,4

13

Itanhang

MT

105,7

Serra

ES

102,4

365

Foz do Iguau

PR

98,7

326

Tailndia

PA

96,2

66

Guara

PR

94,7

22

Jurema

MT

91,3

Recife

PE

90,5

1375

Tunas do Paran

PR

90,1

168

7 Criminalidade no ABCD
Tabela 7.3 - Ranking das cidades brasileiras mais violentas em 2006. Fonte: Folha de
So Paulo, Cotidiano 30/01/2008
Entre as 10 cidades com maior taxa de homicdio Recife a nica capital. O municpio de So Paulo que ocupava a 182a posio no ranking de homicdios passou para
a 492a entre os anos de 2004 e 2006.
Exerccio: Complete a Tabela 18.
Etapas de Construo dos Modelos de Homicdios
Para a construo de modelos matemticos relacionados com o tema em questo
necessrio seguir as seguintes etapas:
1) Obteno dos dados de homicdios, em fonte oficial (Secretaria de Segurana
pblica);
2) Plotar os dados e analisar o comportamento de tendncia dos mesmos;
3) Clculo do valor de estabilidade h a partir do comportamento de tendncia;
4) Ajuste exponencial da curva h h ;
6) Elaborao do modelo exponencial assinttico a partir do ajuste dos dados; e
7) Anlise crtica dos resultados.
Modelagem
No estudo da criminalidade no ABCD destacamos o estudo do ndice de homicdios
dolosos, nos quatro municpios: Santo Andr, So Bernardo do Campo, So Caetano
do Sul e Diadema. No levantamento de dados e durante o processo de modelagem,
verificamos que os quatro municpios apresentaram comportamentos semelhantes
(decrescimento exponencial assinttico), assim o desenvolvimento da lei de formao
dos modelos apresentado de forma generalizada, aps esse desenvolvimento, ser
discutido em suas especificidades em cada um dos modelos.
Lei de formao do modelo exponencial assinttico para o ndice de criminalidade no grande ABCD.
Consideraremos a partir deste ponto, por simplicidade na obteno de dados, apenas a taxa de homicdios dolosos como ndice de criminalidade, embora saibamos que
tal fator corresponde a 60% do IC.
Sejam:
t : tempo em anos;
h: taxa de homicdios (mortes por100.000 habitantes);
h*: valor de estabilidade do ndice de homicdios.

169

7 Criminalidade no ABCD
O modelo exponencial assinttico dado por:
h(t) = h + aebt = h h = aebt
A equao diferencial da lei de formao do modelo exponencial assinttico dado
por:
dh
= b [h h ]
dt
Diadema Dados da criminalidade em Diadema
Ano

tempo

hi :hom/100mil

1999
2000
2001
2002
2003
2004
2005
2006
2007

0
1
2
3
4
5
6
7
8

102,82
76,15
65,79
54,12
44,48
35,39
27,57
20,26
20,55

Tabela 7.4 -Criminalidade em Diadema Fonte:Secretariade Seguranca Pblica SP


Taxa de homicdio IH calculada considerando-se o nmero de assassinatos por
100 mil habitantes/Ano.

Fig 7.1-Tendncia do ndice de criminalidade em Diadema

170

7 Criminalidade no ABCD
O clculo da estabilidade do ndice de criminalidade obtido, via processo de FordWalford, ajustando os pontos hi+1 = f (hi ), e resolvendo o sistema

hi+1 = f (hi )

hi+1 = hi
Considerando um ajuste linear para a funo f , obtemos
hi+1 = f (hi ) = 0, 752hi + 2, 943
Logo, o valor de estabilidade h dado pelo ponto fixo de f , isto ,
f (hi ) = 0, 752hi + 2, 943 = hi = h = 11, 866
Isto significa que se a mesma tendncia de criminalidade por for mantida, o municpio de Diadema deve estabilizar o ndice de homicdios dolosos em h = 11, 86.
O modelo exponencial assinttico para o ndice de homicdios IH de Diadema
obtido com o ajuste exponencial dos dados (hi h ), ou seja, hi h = 97, 559e0,3093t .
Desta forma, considerando o tempo t = 0 para o ano 1999, obtemos os ndices para
cada ano posterior por meio da frmula
h(t) = 11, 866 + 97, 559e0,3093t

Fig 7.2- ndice de criminalidade de Diadema

171

(7.0.1)

7 Criminalidade no ABCD
Pelo modelo podemos calcular em que ano o IH de Diadema ser igual 15 (hom /100mil)
por exemplo, isto , determinar t de modo que h(t) = 15 :
15 = 11, 866 + 97, 559e0,3093t = e0,3093t =

15 11, 866
= 0, 032
97, 559

Logo,
0, 3093t = ln 0, 032 = 3, 438 = t ' 11, 12 anos
Isto deveria acontecer em A = 1999 + 11, 12,ou seja, no ms de fevereiro do ano 2010.
O municpio de Diadema bastante violento quando comparado aos demais municpios analisados, j que em 1999 o ndice de homicdios dolosos por 100.000 habitantes era de 102,82. Verificamos que o ndice apresentou uma considervel reduo,
aps a instituio da lei municipal que determina o fechamento de bares e casas noturnas s 23hs.
O modelo exponencial assinttico do IH de Diadema 7.0.1 pode ser entendido como
a soluo da equao diferencial

dh

dt = a [h h ]

h0 = 102, 82
onde, a a variao relativa constante do IH. Assim podemos afirmar que o ndice de
homicdios dolosos h proporcional diferena entre o ndice de homicdios h e o valor de
estabilidade h*, com constante de proporcionalidade igual a 0, 3093.
Exemplo Determinar quantos assassinatos acontecero nos prximos 10 anos, no
municpio de Diadema.
Soluo: Temos que o nmero de homicdios est para a populao do municpio
assim como o HI est para 100 mil, isto ,
m
IH
1
=
= m(t) =
P (t)h(t)
P
100mil
100000

(7.0.2)

Como j determinamos h(t), devemos saber como o desenvolvimento da populao


P (t) para termos um modelo do nmero de homicdios m(t).

172

7 Criminalidade no ABCD
Ano

tempo:t

Populao/1000

2000

357

2004

384

2005

390

2006

395

2007

387

2008

394

2009

10

398

Tabela 7.5- Populao de Diadema


A figura 7.3 seguinte, mostra a tendncia do desenvolvimento populacional do municpio de Diadema:

Fig 7.3-Desenvolvimento populacional de Diadema


Fonte-Estimativa populacional do IBGE
Como podemos observar, o crescimento populacional de Diadema foi bastante irregular nos 10 anos analisados o que no permite muita segurana nas estimativas
futuras. De qualquer forma, o crescimento linear e o exponencial so bastante parecidos nestes anos e podemos adotar qualquer um deles para um perodo no muito
longo. Estes tipos de crescimento indicam que o municpio relativamente novo e
ainda no no mostra tendncia de estabilidade.
Crescimento linear :

P (t) = 4, 25t + 358

Crescimento exponencial :

P (t) = 358, 5e0,0113t

173

7 Criminalidade no ABCD
Ambas equaes so para t 1 1, considerando-se o tempo t = 1 para o ano 2000.
Ento, podemos considerar da eq.7.0.2 o nmero de mortes m(t) em cada ano como
sendo:
1
1000
P (t)h(t) =
P (t)h(t)
m(t) =
100000
100
Por exemplo, em 2005 (t = 6), o nmero de mortes estimado, usando crescimento
linear da populao, dado por:
m(6) = 0, 01 383, 5 27, 05 = 103, 74
Se usarmos o crescimento exponencial, teremos
m(6) = 0, 01 383, 65 27, 05 = 103, 77
So Bernardo do Campo Dados da Criminalidade em So Bernardo do Campo
Ano

tempo

1999
2000
2001
2002
2003
2004
2005
2006
2007

0
1
2
3
4
5
6
7
8

ndice IH: hi

51,19
52,79
36,94
34,63
34,42
27,56
19,13
13,58
10,85
Tabela 7.6-Criminalidade em So Bernardo Fonte:Secretaria de Seguranca Pblica SP
Podemos observar que o municpio de So Bernardo do Campo encontra-se em considervel reduo do seu ndice de homicdios, mantendo-se nesta tendncia dever
estabilizar-se em 6,23 homicdios por 100.000 habitantes (Verifique).

Santo Andr Dados da Criminalidade em Santo Andr

174

7 Criminalidade no ABCD
Ano

tempo

ndice IC: hi

1999
2000
2001
2002
2003
2004
2005
2006
2007

0
1
2
3
4
5
6
7
8

39,43
43,20
32,66
29,71
28,59
17,14
15,39
12,93
10,20

Tabela 7.6 -Criminalidade em Santo Andr Fonte:Secretariade Seguranca Pblica SP


Podemos verificar que o municpio de Santo Andr encontra-se em considervel
reduo do seu ndice de homicdios, mantendo-se nesta tendncia dever estabilizarse em 4,54 homicdios por 100.000 habitantes (Verifique).
So Caetano do Sul Dados da Criminalidade em So Caetano do Sul
Ano

tempo

ndice: hi

1999
2000
2001
2002
2003
2004
2005
2006
2007

0
1
2
3
4
5
6
7
8

12,01
12,84
14,39
7,98
9,37
5,07
2,18
5,10
1,46

Tabela 7.7-Criminalidade em So Caetano do Sul


Fonte:Secretariade Seguranca Pblica SP
No caso especfico de So Caetano do Sul, os dados apresentaram oscilaes anuais
(Veja Fig. 7.4 ).

175

7 Criminalidade no ABCD

Fig 7.4 -Tendncia do IH de So Caetano do Sul


A riqueza destes dados permite formular modelos alternativos para o IH de So
Caetano:
Modelo Exponencial Assinttico
Usando os dados "brutos"da Tabela 23 e os mesmos argumentos da modelagem feita
com os dados de Diadema, encontramos o valor limite h = 0, 54. Uma alternativa para
o clculo do valor limite suavizar as oscilaes dos dados antes de usar o processo
de Ford-Walford. Para isto calculamos novos valores zi , considerando a mdia mvel
dos dados iniciais - neste caso, usamos a mdia mvel de grau 3:
Pi+1
zi =

i1 hi

h11 + hi + hi+1
3

Agora, resolvendo o sistema

zi+1 = zi
= z = 0, 405

zi+1 = 0, 965zi 1, 384


Assim, podemos afirmar que se for mantida a mesma tendncia decrescente o ndice de homicdios em So Caetano vai estabilizar-se em torno de 0, 4.
Agora, um ajuste exponencial dos valores (zi z ) nos d a equao
z z = 18, 536e0,254t
Ento, o modelo ser
z(t) = 0, 405 + 18, 536e0,254t

176

7 Criminalidade no ABCD

Fig 7.6 -Modelo exponencial assinttico para o IC de So Caetano


Modelo oscilante assinttico
Podemos observar na Fig 7.6 que os dados para o ndice de criminalidade so oscilantes e decrescentes. De um modo geral quando se trata de valores oscilantes, os
modelos matemticos envolvem funes trigonomtricas. Neste caso especfico deveramos ter uma funo trigonomtrica compreendida entre duas funes exponenciais decrescentes obtidas separadamente, utilizando os pontos de mnimos e mximos
dados da Tabela 7.7.

Fig 7.7 - Curvas auxiliares para valores max e min dos dados

177

7 Criminalidade no ABCD
Assim, devemos ter os valores oscilantes entre as curvas
hmax (t) = 0, 405 + 21, 564e0,218t
hmin (t) = 0, 405 + 19, 368e0,372t
que diminuem com o tempo pois
lim hmax (t) = lim hmin (t) = 0, 405 = lim [hmax (t) hmin (t)] = 0

De qualquer forma, os dados reais, a partir de t = 2, satisfazem a equao


H(t) = hmax (t) (t) [hmax (t) hmin (t)]
para 0 (t) 1, com (t) peridico.

Fig 7.8 -Os valores do IC esto entre hmin e hmax


Exerccios 1) Encontre expresses para (t) que sejam adequadas aos dados reais.
Sugesto: use (t) = sen2 (at + b).
h
i
2) Mostre que se H(t) = hmax (t) sen2 (at + b) [hmax (t) hmin (t)] ento limt H(t) =
0, 405.
Regio do ABCD Embora os nveis de criminalidade sejam decrescente nos 4 municpios da regio ABCD, cada um tem seu prprio modelo de decrescimento, enfatizado por sua taxas relativa de decrescimento.

178

7 Criminalidade no ABCD

Fig 7.9-Comparao entre os ndices de criminalidade dos 4 municpios


Santo Andr e So Bernardo se comportam de maneira bastante similar quanto
criminalidade enquanto que, no municpio de Diadema, o IC bem superior aos demais. Caso interessante o municpio de So Caetano cujo IC compatvel com o
de pases bem desenvolvidos. De qualquer forma, podemos observar que o ndice de
criminalidade nestes municpios tendem a decrescer seguindo o mesmo processo observado no mundo todo ao longo do tempo: "Faz pelo menos 500 anos que o mundo
est se tornando um lugar cada vez mais seguro para viver, e a raa humana nunca
foi to pouco violenta...Da Idade Mdia para c, os homicdios na Europa Ocidental caram de quase 100 para cada 100 mil habitantes por ano para pouco mais de
1"(Cincias -Folha de S. Paulo, 20/10/2011). Este texto baseado nas pesquisas desenvolvidas por Steven Pinker, psiclogo evolucionista da Universidade de Harvard,
em seu livro "The Better Angels of Our Nature", Edit. Viking (2011).
Exerccios 1) Determine modelos exponenciais assintticos para o ndice de criminalidade dos municpios de Santo Andr e So Bernardo.
2) Formule um modelo nico do IC para a regio do ABCD. Determine quantas
pessoas sero assassinadas nesta regio nos prximos 10 anos, supondo que os homicdios correspondem a 60% do IC.
3) Determine os parmetros de um modelo logstico que se adeque aos dados (obtidos com mdia mvel de ordem 3) de IC de So Caetano.

179

8 Fabricao de papel

180

8 Fabricao de papel
A produo e fabricao de papel tm um forte impacto ambiental e social sobre o
planeta. A indstria papelera e de celulose ocupa o quinto lugar no setor industrial
em consumo mundial de energa, e utiliza mais gua por cada tonelada produzida
que qualquer outra indstria. Ainda, a indstria papelera se encontra entre os maiores geradores de contaminantes do ar e da gua, e causam grandes emisses de CO2.
Em muitos lugares, os bosques e outros ecossistemas naturais esto sendo substituidos por plantaes de rvores de crescimento rpido e cujo manejo exige a utilizao
massiva de herbicidas e fertilizantes qumicos txicos. Os monocultivos de rvores
para a indstria de papel so frequentemente combatidos pelas comunidades locais
devido, principalmente, ao impacto negativo sobre o desequilbrio ecolgico e degradao ambiental.
Em alguns pases so necessrios mais de 10.000 hectares de bosques com mais de
20 anos, somente para a produo de papel, o que significa que durante estes 20 anos
necessrios para outra gerao de bosques, necessitaramos mais de 256.000 hectares,
uma vez que devemos considerar tambm o aumento da populao e da indstria.
Este tema de pesquisa foi motivao para alguns alunos do nosso primeiro curso de
Especializao para professores em Guarapuava no ano de 1986 e neste texto veremos
alguns modelos produzidos naquela ocasio.

8.1 Bobina de papel


No processo final da fabricao de papel o produto enrolado em um tubete conforme a figura a baixo. O rolo de papel denomindo bobina. Deste processo surgem
as seguintes questes:
Qual o comprimento do papel na bobina?
Qual o peso do papel na bobina?
Qual a rea do papel bobinado?
O indivduo responsvel utiliza uma tabela de valores para as respostas destas
questes. Nosso objetivo reconstruir tal tabela entendendo o processo de sua construo.

181

8 Fabricao de papel

Fig 8.1 - Papel Rebobinado


Dados
d : dimetro do tubete - 10cm
D : dimetro da bobina
hn : altura da camada de papel enrolado depois de n voltas
H : altura total da camada de papel na bobina
L :altura da bobina
s : espessura da folha
g : gramatura do papel
cp : compatificao na bobinagem (75%)
k : constante de compatificao (1, 025)

8.1.1 Modelo 1 - Comprimento do papel bobinado


Sejam cn o comprimento do papel enrolado na volta n; Rn o raio da bobina (papel
mais tubete) depois de n voltas e r o raio do tubete, r = d2 , ento
c1 = 2(r + s)
R1 = r + s
c2 = 2(r + 2s)
R2 = r + 2s
R r
= Dd
c3 = 2(r + 3s) = R3 = r + 3s cn = 2Rn e n = ns = D/2d/2
s
2s
......
cn

...............
2(r + ns)

........ ..........
Rn = r + ns

182

8 Fabricao de papel
O comprimento do papel enrolado dado por
Cn =

n
X

cj =

j=1

Considerando que n =
Cn = [r

n
X

2(r + sj) = 2nr + 2s

j=1

Rn r
s ,

n(n + 1) 1
2

obtemos:

2(Rn r)
R r Rn r
R r
+s n
(
+ 1)] = n
(Rn + r + s)
s
s
s
s

Se D o dimetro da bobina e d o dimetro do tubete, temos





1 2
2
Cn = [(D/2 d/2)(D/2 + d/2 + s)] =
(D d ) + s(D d)
s
2s 2
Exemplo: Se D = 1, 5m; d = 10cm e s = 6mm, colocamos na mesma unidade (metros),
isto , D = 1, 5; d = 0, 1 e s = 0, 006 e, obtemos:
C=

[1/2(2, 25 0.01) + 0, 006(1, 5 0, 1)] = 295, 415m


0, 012

Agora, se a questo fosse a seguinte: Qual deve ser o dimetro da bobina de modo
que a mesma contenha 1000m de papel bobinado? Neste caso, dado que C = 1000,
devemos determinar o valor de D. Tiramos o valor de D da mesma frmula que
fornece o comprimento do papel:
4sC
= D 2 d 2 + 2sD 2sd

D em funo de C dada pela raz positiva do polinmio D 2 +2sD2sdd 2 4sC


= 0,
ou seja,
q
2s +
D=

4s2 + 4(2sd + d 2 + 4sC


)
2

1 Soma

de nmeros naturais
Somando, membro-a-membro as duas expresses idnticas, obtemos
2

n
X

k = (n + 1) + (n + 1) + .... + (n + 1) = n(n + 1)

k=1

n
X
k=1

k=

n(n + 1)
2

Esta expresso que d a soma dos n primeiros nmeros naturais foi obtida, desta maneira, por
Gauss quando tinha apenas 9 anos!

183

8 Fabricao de papel
Se C = 1000m; d = 0, 1m e s = 0, 006m, ento

D = 1/2(0, 012 + 0, 000144 + 0, 0048 + 0, 01 + 30, 55768) = 2, 7586m


Ento, para se ter 1000m deste papel rebobinado, totalmente compactificado, o
dimetro da bobina deve ser de 2, 7586m ou 275, 86cm.
Observamos que nas frmulas obtidas no consideramos que possa haver uma compatificao de apenas 75%. Se considerarmos tambm esta hiptese devemos entender que a altura H do papel na bobina sofre um acrscimo de 25%. Lembrando que
H = D d, devemos ter uma altura real de H = 1, 025H = 1, 0252, 6586 = 2, 725065 e
portanto, D = 2, 725065 + 0, 1 = 2, 825065m que corresponde a um aumento de 9, 7%
do tamanho do dimetro da bobina compatificada.
Se quisermos saber quantas voltas de papel tem esta bobina basta usar a frmula
n=

D d 2, 7586 0, 1
=
= 221, 55 voltas
2s
0, 012

8.1.2 Peso de uma bobina


A gramatura do papel o valor do peso em g/m2 . Um papel sulfite, de boa qualidade, com espessura de 0, 9mm tem gramatura igual a 75g/m2 . Se considerarmos uma
bobina deste tipo de papel com D = 1, 2m e L = 1, 6m (altura da bobina), qual ser seu
peso?
Soluo:
O comprimento do papel rebobinado dado por


1 2
2
(D d ) + s(D d)
C=
2s 2
onde, D = D 0, 025D = 0, 975D = 1, 17m o dimetro da bobina completamente
compatificada.
Tomando o dimetro do tubete d = 0, 1m e considerando a espessura s = 0, 0009m,
obtemos
C=

3, 1416
[0, 5(1, 3689 0, 01) + 0, 0009(1, 17 0, 1)] = 1187, 7m
0, 0018

184

8 Fabricao de papel
A rea do papel enrolado
A = LC = 1, 6 1187, 7 = 1900, 32m2
Agora, se a gramatura g = 75g/m2 , ento o peso do papel da bobina
p=

gA
= 142, 52kg
1000

Exerccio: Uma folha A4 tem dimenses 210x297mm2 .


a) Se a gramatura do papel A4 g = 75g/m2 quanto deve pesar um pacote de 500
folhas?
b) Se, o papel da bobina anterior for cortado no tamanho A4 e empacotado, quantos
pacotes com 500 folhas sero produzidos?
Respostas: a) 2, 39kg; b) 60, 93 pacotes.

Curiosidade
Considere uma folha de papel de 1m2 , isto , sua rea dada por A1 = 1x1 = 1.
Vamos supor que este papel tenha espessura s1 = 0, 9mm. Ento, o volume desta folha
ser V = s1 A1 = 0, 0009m3 .
Se esta folha for dobrada em duas partes teremos 2 tringulos retngulos de rea
A2 = 21 A1 = 12 (base x altura/2). O papel dobrado agora ter uma espessura s2 = 2s1 .
Evidentemente o volume da folha dobrada ser o mesmo do anterior, V2 = s2 A2 =
s1 A1 = V1 .
Se dobrarmos os tringulos em partes iguais teremos uma superposio de 4 tringulos sendo que a rea de cada um vale A3 = 12 A2 = 14 A1 . Ento a espessura dos 4
tringulos s3 = 2s2 = 4s1 e portanto, o volume continuar sendo V3 = s3 A3 = s1 A1 .
Continuando o processo, obtemos duas sequncias
{sn }nN = {2n s1 }n0 e {An }nN =

1
A
2n 1


n0

A sequncia {sn } divergente, isto, limn sn = + (a espessura cresce sem


limitao);
A sequncia {An } convergente, limn An = 0 (a rea dos tringulos vai para zero).
Neste caso, o volume do prisma Vn , de base triangular e altura dada pela soma das

185

8 Fabricao de papel
espessuras, depois de n divises dado por
Vn = sn An
e, limn Vn = limn sn An = limn V1 = V1 .
Por outro lado, V1 , (limn sn )(limn An ). Isto significa que 0 no um valor
real bem definido, podendo ser qualquer nmero!

8.1.3 Controle de micro organismos na fabricao do papel


A industrializao de papel atual caracterizada pela transformao da madeira
em papel. Este processo somente se tornou vivel a partir de 1850 com a mquina de
moer madeira desenvolvida pelo alemo Keller e atualmente, cerca de 95% do papel
produzido no mundo proveniente da celulose. O principal elemento constituinte do
papel pois a pasta celulsica, cerca de 75%. Outros componentes so: carga mineral
(15%), gua (5%) e aditivos diversos (5%).
O processo de fabricao realizado em diversas etapas que resumimos a seguir
(veja figura inicial):
. A produo de celulose que consiste no desfibramento do tronco de rvores. Este
processo pode ser mecnico ou qumico;
. O branqueamento da pasta celulsica que feito com o uso de agentes qumicos,
sendo o dixido de cloro o mais usado;
. A refinao que consiste numa ao mecnica objetivando a fibrilao. Em seguida a pasta recebe a adio de cargas minerais (caulim e outros) e aditivos (cola de
breu, corantes, amidos etc);
. A drenagem da gua que progressivamente eliminada sobre a tela;
. A formao da folha que consolidada nas etapas de prensagem e secagem na
mquina de papel.
. O acondicionamento no final da mquina onde o papel enrolado em enormes
mandris (bobinas) que so rebobinados em rolos menores.
. O acabamento onde se faz o corte das folhas que so embaladas em pacotes.
Neste processo de fabricao de papel um problema relevante est relacionado com
a quantidade de microorganismos que se formam nos tanques de preparao e nas
tubulaes que os interligam. Existem vrios tipos de microorganismos que encontram um ambiente favorvel (nutrientes, temperatura e umidade) para seu desenvolvimento nas dependncias desta indstria e que causam muito prejuiso se no forem

186

8 Fabricao de papel
eliminados. A flora microbiana composta de bactrias, algas e fungos e formam,
juntamente com o acmulo de sedimentos e escamas de sais, o chamado limo que
uma camada gelatinosa e responsvel pelo entopimento de telas, feltro e tubulaes
alm de prejudicar a qualidade do papel produzido. O controle do limo merece toda
a ateno na fbrica de papel, principalmente no caso de processamento contnuo.
Controle do limo
O controle do limo realizado com aplicaes de produtos qumicos como bactericidas (ocasionam a eliminao de microorganismos), microbiostatos (alteram o equilbrio biosttico do meio e impedem a proliferao dos microorganismos) e dispersantes (mantem livre a superfcie metlica dos depsitos das mquinas). A eliminao
completa do limo numa fbrica de papel economicamente invivel, sendo suficiente
um controle para retardar um crescimento excessivo da atividade biolgica.
A eficincia de um controle est relacionada com a anlise antecipada de alguns
fatores: natureza dos organismos, natureza do poder letal dos biocidas e seu grau de
decaimento e, uma estimativa da populao inicial de microorganismos.
Dados
Os dados foram colhidos na Fbrica de Papel Santa Maria S.A. por um grupo de
professores-cursistas em um programa de especializao realizado na FAFIG (Guarapuava, PR) em 1986.
gramatura
grama/m2

produo
Ton

bactericida
gramas

50
55
56
57
59
60
63
70
75
80
90

6,70
7,40
7,50
7,67
7,93
8,10
8,20
9,00
9,60
9,90
10,60

2690
2960
3014
3068
3176
3230
3283
3600
3845
3960
4240

Tabela 8.1- Relao entre produo de papel e controle.

187

8 Fabricao de papel
1. A quantidade de bactericida utilizada est relacionada com a produo da fbrica (conforme tabela 8.1).
2. A coleta de material feita em diversas partes do processo e para que se mantenha a qualidade do papel, em qualquer das gramaturas, tolerado um limite mximo
de 107 unidades de microorganismos por amostra examinada.
3. As aplicaes de bactericidas so feitas a cada 8 horas, sendo usados 50 gramas
de bactericida por tonelada de produo.
4. Num perodo de aproximadamente 20 dias procede-se a uma parada das mquinas, quando a quantidade de microorganismos atinge uma quantidade no mais
tolervel.

8.1.4 I. Relao entre bactericida utilizado e produo /


gramatura.
Atravs das curvas de tendncias podemos verificar que existem proporcionalidades entre as variveis da tabela 8.1.
Um ajuste linear nos d a relao entre a produo p e a quantidade de bactericida
b e tambm entre b e a gramatura g do papel que est sendo produzido, isto ,
p = 0, 0025b 0, 0391
b = 38, 714g + 853, 23
AQUI TEM UMA FIGURA
Fig 8.2- Produo de papel bactericida.
A relao entre produo e gramatura , evidentemente, tambm linear, ou seja
p = 0, 0025b 0, 0391 = 0, 0025(38, 714g + 853, 23) 0, 0391
p = 0, 0967g + 2, 0939

188

8 Fabricao de papel

Fig 8.3 - ProduoX Gramatura

claro que se p = p(g) uma funo linear ento sua inversa g = g(p) tambm ser
linear, ou seja,
p = 0, 0967g + 2, 0939 g =

2, 0939
1
p
= 10, 341p 21, 653
0, 0967
0, 0967

Decaimento do bactericida
Quando o bactericida aplicado existe um decaimento da eficcia do produto no
decorrer do tempo. O decaimento proporcional quantidade aplicada.
Vamos supor que a aplicao seja feita a cada T = 8 horas e que a fbrica tenha um
funcionamento que admita 3 aplicaes por dia. Seja b0 a quantidade de bactericida
utilizada em cada aplicao. Considerando que, para um determinado bactericida, a
taxa de decaimento k, teremos, num perodo inicial, 0 t T , um decaimento de
bactericida proporcional dado por:

db

dt = kb
para

b0 dado

0 t T = b(t) = b0 ekt

No final do primeiro perodo T a quantidade de bactericida restante ser


b (T ) = b0 ekT
Quando feita a segunda aplicao, t = T , a condio inicial ser
b+ (T ) = b0 + b0 ekT = b0 (1 + ekT )

189

8 Fabricao de papel
e a equao de decaimento dada por

db

dt = kb
para

b(0) = (b0 + b0 ekT )

0 t T = b(t) = (b0 + b0 ekT )ekt

Observamos que
b(t) = (b0 + b0 ekT )ekt , 0 t T b(t) = (b0 + b0 ekT )ek(tT ) , T t 2T
Assim, o que resta depois de um perodo 2T dado por
b (2T ) = (b0 + b0 ekT )ekT = b0 (ekT + e2kT )
que, com mais b0 ser a condio inicial da terceira aplicao, isto ,
b+ (2T ) = b0 (1 + ekT + e2kT )
Continuando o processo de aplicaes, teremos
b(t) = b0 (1 + ekT + e2kT + ... + enkT )ek(tnT ) , se

nT t (n + 1)T

Observamos que o termo entre parntesis a soma de uma progresso geomtrica


de razo ekT com primeiro termo a1 = 1. Portanto,
b(t) = b0 (

1 e(n+1)kT k(tnT )
)e
, se
1 ekT

nT t (n + 1)T

Quando n cresce o termo e(n+1)kT tende a zero e temos uma quantidade de saturao do bactericida dado por
b0
bs =
1 ekT

190

8 Fabricao de papel

Fig 8.4- Tratamento e decaimento de bactericida


No final de cada aplicao o nvel de bactericida atinge um valor mximo local
dado por
1 e(n+1)kT
b(nT + ) = b0 (
), n = 0, 1, 2, ...
1 ekT
Os valores de b(nT + ) e b(nT ) so vizualizados na Fig 8.5.
Observamos que quando n cresce, a quantidade mxima de bactericida presente
tende estabilidade, isto ,
lim b(nT + ) = lim b0 (

b0
1 e(n+1)kT
)=
kT
1e
1 ekT

Poderamos ento pensar num modelo de aplicao contnua, ajustando a curva dos
valores de b(nT + ) :
Se, em cada instante posterior aplicao de biocida (t = nT + ), considerarmos os
valores
b0
Y (nT + ) =
b(nT + )
1 ekT
a sua curva de tendncia pode ser ajustada por uma funo exponencial Y (t) = et ,
ou seja,
b0
B(t) = et
Y (t) = bs B(t) =
1 ekT
e portanto,
b0
et
B(t) =
kT
1e

191

8 Fabricao de papel
onde B(t) o valor mximo do bactericida em cada instante t, com aplicaes contnuas (veja Fig. 8.5).
Exerccio Encontre a equao da curva contnua que satisfaz os valores mnimos
b(nT ) (imediatamente anterior a cada aplicao de bactericida).
Verifique se o modelo se estabiliza com o tempo.
Mostre que, se F(t) a funo contnua que ajusta os pontos b(nT ), ento
lim F(t) = bs b0

Controle de microorganismo com aplicao de bactericida


O crescimento dos microorganismos, na ausncia de bactericidas, exponencial
pois o meio bastante propcio para seu desenvolvimento. O bactericida o nico
fator capaz de proporcionar a inibio da populao dos microorganismos. Desta
forma, podemos pensar num modelo simples para o desenvolvimento destes microorganismos. Seja P (t) a populao num instante t, ento
dP
= (desenvolvimento dos microorganismos) - (mortalidade devida ao do bactericida)
dt
dP
= P bP
dt
onde, a taxa de crescimento dos microorganismos e o coeficiente de aniquilamento (eficcia) do bactericida. Separando as variveis e integrando membro-aR
R
membro a equao resultante, temos: dP
P = ( b)dt.
Para 0 t T ,temos
Z

ln P ln P0 = t
0



b
b0
t k0 (1ekt)
kt
b()d = t
(1 e ) P (t) = P0 e
k

Observamos que se t = 0 ento P (0) = P0 e se t = T ,




b0
kT )
P (T ) = P0 eT k (1e
= P01
. A quantidade de bactrias ser crescente se P bP > 0 P ( b) > 0
b0
kt) > 0 t < 1 ln(1 k ) com 0 t T .
k (1 e
k
b
0

192

8 Fabricao de papel

Para T < t < 2T temos


ln P ln P01 = (t T )



b0
(1 + ekT ) 1 ek(tT )
k

logo,
"
P (t) = P01 exp

#


b0
kT
k(tT )
(1 + e ) 1 e
(t T )
k

P (2T ) = P02

("
#)


b0
kT )
kT
= P0 exp 2T
(1 e
2+e
k

continuando o processo, temos


)
h
i
b0
kT )
kT
2kT
(1 e
) 3 + 2e
+e
P (3T ) = P0 exp 3T
k
(

para nT t < (n + 1)T

ln P

ln P0n

1 e(n+1)kT
b()d = (t nT ) b0 (
= (t nT )
)
1 ekT
nT
Z

ek(nT ) d

nT

e portanto
P (t) = P0n

"
#
#)
(
"
b0 1 e(n+1)kT
k(tnT )
(
) (1 e
)
exp (t nT )
k
1 ekT

Observamos que, para t = (n + 1)T


(

h
i
b
P [(n + 1)T ] = P0 exp (n + 1)T 0 (1 ekT ) ) (n + 1) + nekT + ... + enkT
k
ou seja,

b0

kT )
kiT
P [(n + 1)T ] = P0 exp
(n
+
1)T

(1

e
)
(n
+
1

i)e

k
i=0

Observe que se definimos


An+1 =

n
X

(n + 1 i)ekiT

i=0

193

8 Fabricao de papel
temos
An+1 = (n + 1) + ekT An
(n+1)

que d uma frmula de recorrncia para o termo varivel da expresso de P0


=P [(n + 1)T ].

Aplicao Os valores dos parmetros que so utilizados no modelo de controle de


bactrias podem ser obtidos ou simulados da seguinte maneira:
. A unidade de tempo ser considerada em dias;
. A populao inicial P0 sempre diferente de zero, uma vez que sempre h alguma
concentrao de microorganismos. Vamos tomar P0 = 102 ;
. Sabemos que se P > 107 ento, a fabricao deve ser parada para limpeza dos
tanques e tubulaes;
. Seja a taxa de crescimento das bactrias na ausncia de bactericida, isto ,

dP

dt = P

P0 dado
Sabendo-se que a populao dobra a cada 6 horas, isto , a cada 0,2539 dias, temos
2P0 = P0 e0,2539
0,693
= 2, 73.
portanto, 0, 2539 = ln 2 = 0,2539
. A cada perodo de 8 horas feita uma aplicao de bactericia, isto , T = 8hs =
0, 33 dias;
. A quantidade de bactericida usada em cada aplicao b0 = 1 (uma unidade de
bactericida que equivalente a 50g/ton de produo) com poder de matana = 0, 5;
. Vamos supor que a vida mdia do bactericida seja de um dia, isto , quando
se aplica b0 depois de um dia esta quantidade fica reduzida metade. Assim se
b(t) = b0 ekt ento b20 = b0 ek k = ln 0, 5 = 0, 693 k = 0, 693.
Usando estes parmetros, obtemos o grfico de P (nT ), que mostra a populao de
bactrias depois de n aplicaes.

194

8 Fabricao de papel
Aplicao n

An

P((n + 1)T)

0
5
10
15
20
25
30
35
40
45
50
55
60

0
11,7
32,8
57,1
82,6
98,0
134,4
160,4
186,4
212,5
238,5
264,6
290,6

246
15462
15462
37572
77327
150300
286435
542185
1028181
1922967
3650292
6826998
12959421

Tabela 8.3 - Aplicando bactericida.

Fig 8.5 - Crescimento de bactrias na fabricao de papel


Podemos constatar que depois de aproximadamente 60 perodos, ou 20 dias, a
quantidade de bactrias ultrapassa o limite suportvel que P = 107 .
Exerccio Encontre o momento exato em que P = 107 .

195

8 Fabricao de papel
Projeto O papel dura de 3 semanas a 2 meses para se decompor, dependendo da
humidade a que est exposto. Quanto maior a humidade mais rpida sua decomposio.
Procure dados reais sobre decomposio de outros materiais e faa um estudo comparativo com o papel.

8.1.5 Poluio [13]


Quando no existe uma poltica atuante, no sentido de minimizar a poluio causada pela decomposio de material despejado pela indstria papeleira, danos ambientais irreversveis podem ser notados. A industrializao de papel pode ser um dos
maiores geradores de contaminantes do ar e da gua. Os processos biolgicos que
ocorrem em ambientes aquticos so responsveis pela degradao dessas substncias. Podem ser subdivididos em dois grupos: aerbios e anaerbios.Esses processos
de fermentao de detritos resultam em grande consumo de oxignio e formao de
amnio, metano, dixido de carbono, etc. Isto leva a uma diminuio do processo de
fotossntese de alguns organismos vegetais e morte das populaes de peixes e outros
organismos aquticos.
Restringiremos nossos modelos s formas de poluio (despoluio) de lagos e lagoas, uma vez que, no caso de poluio de rios, a reparao natural desde que seja
cessado o processo de contaminao quando ainda no foram causados danos extremos. No caso de lagoas, o processo de despoluio mais lento mas pode ser realizado
se ainda no estiver "morta". O mecanismo natural de limpeza consiste em substituir
a gua gradualmente.
Nos modelos que iremos propor, consideramos o fluxo da gua na lagoa como um
processo de diluio de substncia, sem supor que exista sedimentao de poluentes,
sua ao biolgica etc. Desta forma, vamos propor modelos com as seguintes hipteses
simplificadoras:
1. Existe um fluxo de gua que entra na lagoa (proveniente de minas ou riachos) e
uma vazo igual para outro riacho. Assim, as vazes de entrada e sada so consideradas iguais mesmo quando chove;
2. Quando a gua entra na lagoa, se mistura rapidamente e de maneira homognea.
Isto faz com que haja uma distribuio uniforme dos poluentes;
3. O volume da gua na lagoa constante (a quantidade de gua de chuva se
equilibra com a que se evapora;
4. Os poluentes so retirados da lagoa somente atravs do fluxo de sada;

196

8 Fabricao de papel
5. A poluio proveniente de uma indstria papeleira que despeja seus contaminantes na lagoa ou riacho que a alimenta.

Fig 8.6 - Poluio do riacho


Fonte:www.arionaurocartuns.com.br
Modelo 1 - Despoluio de uma lagoa cessando os despejos da indstria.
Consideramos neste modelo que a indstria cessa totalmente a poluio da lagoa,
colocando filtros especiais existentes no mercado que deveriam ser usados desde o
comeo 2 .
Consideremos os seguintes dados:
As vazes (entrada e sada) so iguais e constantes dadas por r(l/s) - r litros por
segundo;
O volume da lagoa constante V (litros);
Seja P0 a quantidade e detritos qumicos existentes na lagoa no instante t = 0 em
que cessou a poluio. P = P (t) a quantidade de poluente dissolvida na gua no
instante t 1 0;
Como o volume da lagoa constante, assim como as vazes, ento razovel supor
que "a variao da quantidade de poluentes, por unidade de tempo, seja proporcional
2A

Lei Federal 6838 da Poltica Nacional do Meio Ambiente, de 31/8/81, gerada na UNICAMP, estabelece o uso de filtros para indstrias poluidoras.

197

8 Fabricao de papel
quantidade existente na lagoa em cada instante":

dP
rP

dt = V

P0 = P (0)

(8.1.1)

A soluo de 8.1.1 dada por:


rt

P (t) = P0 e V

(8.1.2)

Neste caso, a poluio diminui rapidamente no incio e depois se torna mais lenta
medida que o tempo passa mas, de qualquer forma, teremos
lim P (t) = 0

(8.1.3)

ou seja, a lagoa estar despoluida depois e algum tempo. Podemos observar da equao 8.1.2 que um aumento na vazo diminui a poluio em menor tempo.
Observao: A equao 8.1.3 indica que o tempo para que a lagoa possa ser considerada totalmente despoluida deve ser muito grande (t ). Na prtica pode-se
considerar P (t) ' 0 se P (t) = 0, 0001V e, neste caso, o tempo gasto para tal despoluio obtido de 8.1.2:
0, 0001V

rt
= ln P0 ln 0, 0001V
V
V
P0
t = ln
r
0, 0001V
=

rt

P0 e V =

Modelo 2 - A poluio continuada Se a indstria continuar poluindo, o modelo


matemtico deve incorporar esta poluio. Seja Q(t) a quantidade total de poluentes
acumulados na lagoa, desde o instante t = 0 at o tempo t. Temos ento que
P (t) =

dQ
dt

sua variao por unidade de tempo. A equao 8.1.1 deve ser modificada para
atender tambm poluio acumulada:

dP
rP

dt = P (t) V

P0 = P (0) e r > 0

(8.1.4)

E equao 8.1.4 uma equao diferencial linear no-homognea, de primeira or-

198

8 Fabricao de papel
dem cuja soluo dada por
P (t) = P0 e

rt
V

+e

rt
V

rs

P (s)e V ds

(8.1.5)

0
3

Observamos que a primeira parcela de 8.1.5 independe da poluio P (t) que


despejada a partir de t = 0. Ainda, para um tempo suficientemente grande, a poluio
rt
remanescente da inicial P0 e V dever ter um valor insignificante, o que significa que
a poluio inicial no afeta sensivelmente a quantidade total de poluentes.
A acumulao de poluentes depende essencialmente da maneira como a indstria
lana os poluentes na lagoa. Vejamos alguns casos:
1 A indstria lana continuamente uma quantidade constante, isto , P (t) = P0 .
Neste caso, a soluo dada por
P (t) = P0 e

rt
V

+e

rt
V

t
0

P0



V rt V
e ds = P0 + P0 e V + P0
r
r
rs
V

Observamos que, quando t cresce, P (t) tende a se estabilizar no ponto Vr P0 .


Se P0 = Vr P0 , a quantidade de poluentes na lagoa permanece constante, isto , a
quantidade que entra em cada instante o mesmo daquele que sai;
Se P0 < Vr P0 , a quantidade P (t) cresce tendendo ao valor Vr P0 ;
Se P0 > Vr P0 , a quantidade P (t) decresce com o tempo, tendendo ao valor Vr P0 ;
Exerccios (a) Use a concentrao de poluentes, em vez da sua quantidade, isto ,
P (t)
C(t) = V e mostre que

 r
C(t) = C0 C0 e V t + C0
3A

soluo de 8.1.4 obtida, considerando-se a combinao linear da soluo da equao homognea


8.1.3 com uma soluo particular de 8.1.4. Suponhamos que
rt

Pp (t) = K(t)e V

seja uma soluo particular de 8.1.4, ento, deve satisfazer 8.1.4:


"
#
rt
dK r
r
K+
+ K e V = P (t)
V
dt V
=

rt
dK
= e V P (t) K(t) =
dt

199

rt

e V P (t) + C

8 Fabricao de papel
(b) Suponha que uma fbrica poluidora de um lago pare de funcionar quando a
concentrao de poluentes for K0 . Em quanto tempo a concentrao ser a metade de
K0 ?
2 Suponhamos que a indstria continua poluindo a lagoa continuamente mas,
numa forma decrescente, sto , lanando cada vez menos poluentes por unidade
de tempo. Por exemplo, considerando P (t) = P0 ebt com b > 0. Neste caso,

dP
bt rP

dt = P0 e V

P0 = P (0) e r, b > 0
A soluo desta equao dada por:
#
P0
P
r
r
P (t) = P0 r
e V t + r 0 ebt se
,b
V
V b
V b
ou

 r
r
=b
P (t) = P0 + P0 e V t se
V
"

Em ambos os casos, a lagoa ser despoluida quando t crescer.


3 Se a indstria tem um sistema peridico de descargas, intensificando-as em
certas ocasies e reduzindo-as em outras, podemos pensar num modelo onde P (t) =
P0 (1 + sin t), com > 0.
O modelo geral 8.1.4, neste caso, dado por:

rP
dP

dt = P0 (1 + sin t) V

P0 = P (0) e r, > 0

(8.1.6)

Exerccios 1) Resolva a equao 8.1.6 e encontre o valor limiar de P0 para que ocorra
uma despoluio da lagoa.
2) Um lago de volume V = 5.107 m3 abastecido por um riacho cuja vazo de 100
m3 /h. Uma indstria de papel instalada na beira deste riacho, poluindo-o na ordem
de 50kg/m3 . Se a quantidade mxima de poluentes suportvel no lago do nvel de
0,5 kg/m3 ,pergunta-se:
a. At quando a fbrica pode funcionar sem causar danos para a vida aqutica?
b. Qual a concentrao de poluentes no lago depois de um ano?
Sugesto: Use P0 = rC0 = 100m3 /h 50kg/m3 = 5000kg/h e
dP
r
= P0 P com r = 100
dt
V

200

8 Fabricao de papel
c. Se existe uma sada de gua do lago tambm de vazo igual 100 m3 /h, encontre
uma maneira de tornar a gua do lago vivel, mesmo com a indstria funcionando.

201

Referncias Bibliogrficas

[1] Costa, M. I. S. - "Controle determinstico de tratamentos quimioterpicos"; Tese


de doutorado, IMECC, 1993.
[2] Pompeu Jr, G. e Bassanezi, R. C. -Um estudo de modelagens alternativas: Podrido da Ma; Biomatemtica XV; XXVIII CNMAC, S. Paulo, Set/05, pp.
97-118.
[3] Bassanezi, R. C. - ensinoaprendizagem com modelagem matemtica; Edit. Contexto, S.P, 2002.
[4] Sodr, U. e Tofolli, S.F.L. Alegria Matemtica: Sequncias de Fibonacci, in
http://pessoal.sercomtel.com.br/matematica/alegria/fibonacci/seqfib1.htm.
[5] Huntley, H. E. A divina proporo:Um Ensaio Sobre a Beleza da Matemtica, Edit.
Univ. Braslia, 1985.
[6]

Edeltein-Keshet, L. - Mathematical models in Biology; Random House Pu. N.


York, 1988.

[7] Goldberg, S Introduction to Difference Equations, Dover, N. York, 1986.


[8] Lunardi R., Sanhuesza R., Bender R. -Imerso em gua no Controle Ps-Colheita
da Podrido Branca em Mas cv. Fuji; Fitopatol. bras. 28(4), 2003.
[9] Blum L., Amarante C., Locatelli P., Dezanet A., Hack Neto P., Marcon M., Siega
V., Guimares L. -Levedura aplicada em ps-colheita reduz podrides em Mas;
http://www.ufpel.tche.br, 2005.
[10] Casselman B.- Packing Pennies in the Plane - An illustrated proof of Keplers conjecture 2D; University of British Columbia; AMS - www.ams.org-cass 1.htm.
[11] Alpoim J.F.P. Exame de artilheiros; Oficina Jos Antonio Plates - Lisboa, 1744.

202

Referncias Bibliogrficas
[12] Hale,T. C. Cannonballs and Honeycombs; Notices of the AMS, Vol 47, n. 4, 440449, 2000.
[13] Bassanezi, R. C. - Equaes diferenciais ordinrias - Um curso introdutrio, UFABCCMCC, 2011.
[14] May, R. M - Simple Mathematical Model with very Complicated Dynamics; in
Nature, 1976.
[15] Bezerra, C., Diniz, F.e Kfouri, W. Esporte; Monografia de concluso e curso de
Especializao; UFABC, 2008.
[16] Mata S. T. Modelagens alternativas para o problema da podrido em mas
Dissertao de Mestrado, CMCC -UFABC, 2010.
[17] Brochado, M. V. B. e Kokobun, E. - Treinamento intervalado de corrida de velocidade -Efeitos da durao da pausa sobre o lactato sanguineo e a cinemtica da corrida.
MOTRIZ - Volume 3, Nmero 1, Junho/1997.
[18] Larizzatti, C., Caetano, J.C., Santana, L.G., Severo, M.R. e Andr, R.A. "Criminalidade - Alguns Olhares...Algumas reflexes", Monografia de concluso de curso
de Especializao; UFABC, 2009.
[19] "Fabricao de papel"; Monografia de curso de Especializao, FAFIG, Guarapuava, 1982.
[20] DAmbrsio, U.- Etnomatemtica: Um Programa de Educao Matemtica. Revista
da Sociedade Brasileira de Educao Matemtica-SBEM, pp.5-18,1993.
[21] Batschelet, E.- Introduo Matemtica para Biocientistas. Edit. Intercincia e
EDUSP, Rio de Janeiro, 1978.
[22] Gazzetta, M. - Modelagem como estratgia de aprendizagem de matemtica em
curso de aperfeioamento de professores. Dissertao de Mestrado, UNESP-Rio
Claro, 1988.

203