Você está na página 1de 591

Introduc

ao `
a Din
amica N
ao-Linear e
Caos em Economia
Ricardo L. Viana
Universidade Federal do Parana
Curitiba, Parana, Brasil
9 de novembro de 2012

Sum
ario
Introdu
c
ao

10

I Primeira Parte: M
etodos e Modelos em Din
amica
Econ
omica
15
1 Modelos contnuos unidimensionais
1.1 Equacoes diferenciais . . . . . . . . . . . . . . . . . . . . . .
1.1.1 Equacoes diferenciais lineares . . . . . . . . . . . . .
1.1.2 Existencia e unicidade das solucoes . . . . . . . . . .
1.1.3 Diagramas de fase . . . . . . . . . . . . . . . . . . .
1.2 Exemplos em Economia: Modelos de crescimento populacional
1.2.1 Crescimento exponencial . . . . . . . . . . . . . . . .
1.2.2 Crescimento logstico . . . . . . . . . . . . . . . . .
1.2.3 Modelo logstico e o crescimento demografico . . . . .
1.3 Pontos de equilbrio e estabilidade . . . . . . . . . . . . . . .
1.4 Solucoes numericas . . . . . . . . . . . . . . . . . . . . . . .
1.4.1 Metodo de Euler . . . . . . . . . . . . . . . . . . . .
1.4.2 Metodo de Runge-Kutta . . . . . . . . . . . . . . . .
1.4.3 Uso de software matematico . . . . . . . . . . . . . .
1.5 Dependencia da solucao com as condicoes iniciais . . . . .
1.6 Exemplos em Economia: Modelos de crescimento economico .
1.6.1 Macrovariaveis . . . . . . . . . . . . . . . . . . . . .
1.6.2 Modelo de Domar . . . . . . . . . . . . . . . . . . .
1.6.3 Modelo de Solow . . . . . . . . . . . . . . . . . . . .
1.7 Equacoes nao-autonomas . . . . . . . . . . . . . . . . . . . .
1.8 Exploracao de recursos naturais renovaveis . . . . . . . . . .
1.8.1 Taxa de exploracao constante . . . . . . . . . . . . .
1.8.2 Taxa de exploracao proporcional `a populacao . . . . .
1.8.3 Modelo de exploracao com variacoes sazonais . . . . .
1.9 Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . .

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

2 Modelos contnuos bidimensionais lineares


2.1 Matrizes bidimensionais . . . . . . . . . . .
2.1.1 Operacoes elementares com matrizes
2.1.2 Vetores e matrizes coluna . . . . . .
2.1.3 Autovalores e autovetores . . . . . .
2.2 Modelos bidimensionais lineares . . . . . . .

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

17

17
19
20
22
23
23
25
27
29
33
33
39
41
44
47
47
48
49
55
58
58
60
61
63
67

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

67
67
69
71
72

2.2.1
2.2.2
2.2.3

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

3 Modelos contnuos bidimensionais n


ao-lineares
3.1 Trajetorias no plano de fase . . . . . . . . . . . . . . . . . . .
3.1.1 Existencia e unicidade . . . . . . . . . . . . . . . . . .
3.2 Diagramas de fase . . . . . . . . . . . . . . . . . . . . . . . .
3.3 Solucoes numericas . . . . . . . . . . . . . . . . . . . . . . . .
3.3.1 Uso de planilhas eletronicas . . . . . . . . . . . . . . .
3.3.2 Programa em linguagem C . . . . . . . . . . . . . . . .
3.3.3 Uso de software matematico . . . . . . . . . . . . . . .
3.4 Solucoes de equilbrio e sua estabilidade . . . . . . . . . . . . .
3.4.1 Pontos hiperbolicos e o Teorema de Hartman e Grobman
3.4.2 Exemplos de analise pelo diagramas de fase . . . . . . .
3.5 Exemplo em Economia: Modelo de capital fsico e humano . . .
3.5.1 Hipoteses do modelo . . . . . . . . . . . . . . . . . . .
3.5.2 Derivacao das equacoes do modelo . . . . . . . . . . . .
3.5.3 Solucoes de equilbrio . . . . . . . . . . . . . . . . . .
3.5.4 Diagrama de fase . . . . . . . . . . . . . . . . . . . .
3.5.5 Estabilidade do equilbrio . . . . . . . . . . . . . . . .
3.6 Direcoes e curvas invariantes . . . . . . . . . . . . . . . . . . .
3.6.1 Auto-direcoes e autovetores . . . . . . . . . . . . . . .
3.6.2 Teorema das curvas invariantes . . . . . . . . . . . . .
3.7 Trajetorias fechadas . . . . . . . . . . . . . . . . . . . . . . .
3.7.1 Criterios para impossibilidade de trajetorias fechadas . .
3.7.2 Indice de Poincare . . . . . . . . . . . . . . . . . . . .
3.7.3 Criterios para existencia de trajetorias fechadas . . . . .

3.7.4 Orbitas
homoclnicas . . . . . . . . . . . . . . . . . . .
3.8 Exemplo em Economia: Modelo de luta de classes de Goodwin .
3.8.1 Macrovariaveis e hipoteses do modelo . . . . . . . . . .
3.8.2 Solucoes de equilbrio e sua estabilidade . . . . . . . . .
3.8.3 Diagrama de fase . . . . . . . . . . . . . . . . . . . .
3.9 Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . .

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

2.3

2.4

2.5

2.6

Pontos de equilbrio . . . . . . . . . . . . . . .
Conceitos de estabilidade . . . . . . . . . . . .
Soluca
o geral do modelo bidimensional linear . .
An
alise da estabilidade do equilbrio . . . . . . . . . . .
2.3.1 Autovalores reais e distintos . . . . . . . . . . .
2.3.2 Autovalores reais e iguais . . . . . . . . . . . .
2.3.3 Autovalores complexos . . . . . . . . . . . . . .
2.3.4 Criterio geral para estabilidade . . . . . . . . .
Exemplo em Economia: Modelo de inflaca
o e desemprego
2.4.1 Macrovariaveis e logaritmos . . . . . . . . . . .
2.4.2 Curva de Phillips . . . . . . . . . . . . . . . .
2.4.3 Equacoes e hipoteses do modelo . . . . . . . . .
2.4.4 Ponto de equilbrio e sua estabilidade . . . . . .
Exemplo em Economia: Modelo macroecon
omico IS-LM
2.5.1 Macrovariaveis e hipoteses do modelo . . . . . .
2.5.2 Modelo estatico . . . . . . . . . . . . . . . . .
2.5.3 Modelo dinamico . . . . . . . . . . . . . . . . .
2.5.4 Ponto de equilbrio e sua estabilidade . . . . . .
Problemas . . . . . . . . . . . . . . . . . . . . . . . .

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

73
74
75
77
77
84
89
95
96
97
98
99
100
103
103
104
106
108
111
113

114
117
118
120
121
122
124
129
131
134
139
140
140
141
143
145
147
147
148
153
155
159
161
166
168
169
172
174
176

4 Modelos contnuos multidimensionais


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

181

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

5 Modelos discretos unidimensionais


5.1 Modelos discretos unidimensionais lineares . . . . . . . .
5.1.1 Modelo discreto afim . . . . . . . . . . . . . . . .
5.1.2 Diagramas de escada . . . . . . . . . . . . . . . .
5.1.3 Pontos fixos e sua estabilidade . . . . . . . . . . .
5.2 Exemplo em Economia: Modelo linear da teia de aranha .
5.2.1 Versao tradicional . . . . . . . . . . . . . . . . .
5.2.2 Expectativas adaptativas . . . . . . . . . . . . .
5.3 Modelos discretos unidimensionais nao-lineares . . . . . .
5.3.1 Modelo logstico discreto . . . . . . . . . . . . . .
5.4 Iteracoes sucessivas . . . . . . . . . . . . . . . . . . . . .
5.4.1 Pontos finalmente fixos . . . . . . . . . . . . . .
5.5 Estabilidade dos Pontos Fixos . . . . . . . . . . . . . . .
5.5.1 Modelo logstico discreto . . . . . . . . . . . . . .

5.6 Orbitas
peri
odicas . . . . . . . . . . . . . . . . . . . . .
5.6.1 Estabilidade das orbitas periodicas . . . . . . . .
5.6.2 Modelo logstico discreto . . . . . . . . . . . . . .
5.7 Solucoes numericas . . . . . . . . . . . . . . . . . . . . .
5.7.1 Uso de planilhas eletronicas . . . . . . . . . . . .
5.7.2 Programa de computador para iteracoes do modelo

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

181
181
182
184
185
186
187
188
190
190
191
194
195
195
197
201
203
206
207
208
209
211
214
220
220
223
226
227
229

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
discreto .

229
229
231
232
235
235
237
239
240
241
243
244
245
246
248
250
252
252
255

5.7.3
5.8

5.9

Uso de software matem


atico . . . . . . . . . . . . . . .
Exemplos em Economia: Modelos n
ao-lineares de teia de aranha
5.8.1 Modelo generalizado de teia de aranha . . . . . . . . .
5.8.2 Modelo generalizado com expectativas adaptativas . . .
5.8.3 Modelo sigmoide de Hommes . . . . . . . . . . . . . .
5.8.4 Pontos fixos e sua estabilidade . . . . . . . . . . . . . .

.
.
.
.
.
.
5.8.5 Determinacao numerica do ponto fixo . . . . . . . . .
Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

257
266
267
268
269
271
272
276

6 Modelos discretos bidimensionais


279
6.1 Modelos discretos bidimensionais lineares . . . . . . . . . . . . . . . 279
6.1.1 Solucao geral do modelo linear . . . . . . . . . . . . . . . . . 280
6.2 Estabilidade para modelos lineares . . . . . . . . . . . . . . . . . . . 281
6.2.1 Autovalores reais e distintos . . . . . . . . . . . . . . . . . . 284
6.2.2 Feixe de retas paralelas . . . . . . . . . . . . . . . . . . . 289
6.2.3 Autovalores complexos . . . . . . . . . . . . . . . . . . . . . 290
6.2.4 Criterio geral de estabilidade . . . . . . . . . . . . . . . . . 295
6.3 Classificacao dos pontos fixos . . . . . . . . . . . . . . . . . . . . 297
6.4 Exemplo em Economia: Modelo de multiplicador-acelerador de Samuelson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 298
6.4.1 Hipoteses e equacoes do modelo . . . . . . . . . . . . . . . . 298
6.4.2 Ponto fixo e sua estabilidade . . . . . . . . . . . . . . . . . . 299
6.5 Modelos discretos bidimensionais nao-lineares . . . . . . . . . . . . . 302
6.5.1 Pontos fixos . . . . . . . . . . . . . . . . . . . . . . . . . . 302

6.5.2 Orbitas
peri
odicas . . . . . . . . . . . . . . . . . . . . . . . 303
6.6 Solucoes numericas . . . . . . . . . . . . . . . . . . . . . . . . . . . 305
6.6.1 Uso de planilhas eletronicas . . . . . . . . . . . . . . . . . . 305
6.6.2 Programa de computador para iteracoes do modelo discreto . 306
6.6.3 Uso de software matematico . . . . . . . . . . . . . . . . . . 307
6.7 Estabilidade para modelos bidimensionais nao-lineares . . . . . . . . 311
6.7.1 Estabilidade dos pontos fixos . . . . . . . . . . . . . . . . . 311
6.7.2 Estabilidade dos pontos fixos do modelo de Henon . . . . 313
6.7.3 Estabilidade de orbitas periodicas . . . . . . . . . . . . . . . 315
6.8 Pontos hiperbolicos . . . . . . . . . . . . . . . . . . . . . . . . . . 318
6.9 Mapa inverso e iteracoes para tras . . . . . . . . . . . . . . . . 319
6.10 Direcoes e curvas invariantes . . . . . . . . . . . . . . . . . . . . . . 320
6.10.1 Curvas invariantes . . . . . . . . . . . . . . . . . . . . . . 321
6.11 Determinacao numerica de pontos fixos e sua estabilidade . . . . 323
6.12 Exemplo em Economia: Modelo discreto com curva de Phillips nao-linear 326
6.12.1 Pontos fixos e estabilidade . . . . . . . . . . . . . . . . . . 328
6.13 Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 331
7 Modelos discretos multidimensionais
7.1 Modelos multidimensionais lineares . .
7.2 Pontos fixos e estabilidade . . . . . . .
7.2.1 Criterio de Jury . . . . . . . .
7.2.2 Criterio de Schur . . . . . . . .
7.3 Exemplo em Economia: Multiplicadores
7.3.1 Modelo com tres pases . . . .
7.3.2 Estabilidade do ponto fixo . . .
6

335

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.
numa economia aberta .
. . . . . . . . . . . . .
. . . . . . . . . . . . .

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

335
336
338
341
343
343
347

7.4
7.5

7.6

7.7

7.8

II

7.3.3 Um caso particular: acoplamento unidirecional


Sub-espacos invariantes . . . . . . . . . . . . . . .
An
alise da estabilidade em alguns casos . . . . . . . .
7.5.1 Tres autovalores reais e distintos . . . . . . . .
7.5.2 Dois autovalores reais repetidos e outro distinto
7.5.3 Dois autovalores complexos e um real . . . . .
Modelos multidimensionais n
ao-lineares . . . . . . . .
7.6.1 Pontos fixos e orbitas periodicas . . . . . . . .
7.6.2 Estabilidade para modelos nao-lineares . . . .
7.6.3 Pontos Hiperbolicos . . . . . . . . . . . . . .
7.6.4 Variedades invariantes . . . . . . . . . . . . .
Exemplo em Economia: Triop
olio de Cournot . . .
7.7.1 Variaveis e hip
oteses do modelo . . . . . . .
7.7.2 Obtencao do modelo din
amico . . . . . . .
7.7.3 Ponto fixo e equilbrio de Cournot . . . . .
7.7.4 Estabilidade dos pontos fixos . . . . . . . .
7.7.5 Exemplo numerico . . . . . . . . . . . . . .
Exerccios . . . . . . . . . . . . . . . . . . . . . . .

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

Din
amica N
ao-Linear e Caos

348
349
350
350
351
352
354
354
355
356
357
358
358
359
360
361
363
364

367

8 Bifurcac
oes em modelos contnuos unidimensionais
8.1 Tipos elementares de bifurcacao . . . . . . . . . . . . . . . . . . .
8.2 Bifurcacao do tipo sela-no . . . . . . . . . . . . . . . . . . . . . .
8.2.1 Exemplo em economia: din
amica do mercado de trabalho
8.3 Bifurcacao do tipo transcrtica . . . . . . . . . . . . . . . . . . .
8.4 Exemplo em economia: modelo de crescimento de Solow . . . . .
8.5 Bifurcacoes do tipo forquilha . . . . . . . . . . . . . . . . . . . .
8.6 Exemplo em Economia: Modelo de Ciclos de Comercio . . . . . .
8.7 Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

369

9 Bifurca
c
oes em modelos discretos unidimensionais
9.1 Diagrama de bifurcacoes . . . . . . . . . . . . . . . . . . . .
9.1.1 Obtencao numerica do diagrama de bifurcacoes . . .
9.2 Tipos de bifurcacoes em modelos discretos unidimensionais
9.2.1 Bifurcacao de duplicacao de perodo . . . . . . . . .
9.2.2 Bifurcacao tangente . . . . . . . . . . . . . . . . . .
9.2.3 Bifurcacao transcrtica . . . . . . . . . . . . . . . . .
9.3 Cascata de bifurcacoes de duplicacao de perodo . . . . . .
9.3.1 Universalidade . . . . . . . . . . . . . . . . . . . . .
9.4 Teoria de renormalizacao . . . . . . . . . . . . . . . . . . .
9.5 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . .

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

391
391
392
397
398
401
403
404
406
409
412

10 Caos em modelos discretos unidimensionais


10.1 Comportamento caotico . . . . . . . . . . . .
10.1.1 Aperiodicidade . . . . . . . . . . . . .
10.1.2 Sensibilidade `
as condicoes iniciais . . .
10.2 Janelas peri
odicas . . . . . . . . . . . . . . .
10.2.1 Perodo 3 implica em caos . . . . .

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

415
415
415
417
420
422

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

369
370
374
377
380
382
386
389

10.3

10.4

10.5

10.6

10.7

10.8

10.9

10.2.2 Sequencia-U . . . . . . . . . . . . . . . . . . . . . . . . . .
10.2.3 Derivada Schwarziana . . . . . . . . . . . . . . . . . . . .
Outras rotas para o caos . . . . . . . . . . . . . . . . . . . . . . .
10.3.1 Intermitencia . . . . . . . . . . . . . . . . . . . . . . . . .
10.3.2 Mecanismo da intermitencia do tipo I . . . . . . . . . . .
10.3.3 Crise . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Expoente de Lyapunov . . . . . . . . . . . . . . . . . . . . . . . .
10.4.1 Definicao . . . . . . . . . . . . . . . . . . . . . . . . . . .
10.4.2 Calculo do expoente de Lyapunov . . . . . . . . . . . . .
10.4.3 Um exemplo: o modelo discreto da tenda . . . . . . . . .
Determinacao numerica do expoente de Lyapunov . . . . . . . .
10.5.1 Uso do Maple . . . . . . . . . . . . . . . . . . . . . . . . .
10.5.2 Uso do Mathematica . . . . . . . . . . . . . . . . . . . . .
10.5.3 Uso do Matlab . . . . . . . . . . . . . . . . . . . . . . . .
10.5.4 Diagrama de bifurcacao de Lyapunov . . . . . . . . . . .
10.5.5 Uso do Mathematica . . . . . . . . . . . . . . . . . . . . .
Exemplo em Economia: Bifurcacoes e caos num modelo de teia
de aranha nao-linear . . . . . . . . . . . . . . . . . . . . . . . . .
10.6.1 Diagrama de bifurcacoes . . . . . . . . . . . . . . . . . . .
Transitividade e caos forte . . . . . . . . . . . . . . . . . . . . . .
10.7.1 O deslocamento de Bernoulli . . . . . . . . . . . . . . . .
10.7.2 Transitividade . . . . . . . . . . . . . . . . . . . . . . . .
10.7.3 Caos forte . . . . . . . . . . . . . . . . . . . . . . . . . . .
10.7.4 Conjugacao Topol
ogica . . . . . . . . . . . . . . . . . . .
Densidade de probabilidade . . . . . . . . . . . . . . . . . . . . .
10.8.1 Densidade de probabilidade do mapa logstico . . . . . . .
10.8.2 Expoente de Lyapunov e densidade de probabilidade . . .
Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

11 Bifurca
c
oes e caos em modelos discretos bidimensionais
11.1 Diagrama de bifurcacao para o modelo de Henon . . . . .
11.1.1 Cascata de bifurcacoes de duplicacao de perodo .
11.2 Sistemas conservativos e dissipativos . . . . . . . . . . . .
11.3 Atratores . . . . . . . . . . . . . . . . . . . . . . . . . . .
11.3.1 Atratores pontuais . . . . . . . . . . . . . . . . . .
11.3.2 Atratores caoticos . . . . . . . . . . . . . . . . . .
11.4 Mecanismo estica-e-dobra . . . . . . . . . . . . . . . . . .
11.5 Expoentes de Lyapunov . . . . . . . . . . . . . . . . . . .
11.5.1 Definicao . . . . . . . . . . . . . . . . . . . . . . .
11.5.2 Sistemas do tipo mestre-escravo . . . . . . . . .
11.5.3 Evolucao de uma area no plano de fase . . . . . . .
11.6 Determinacao numerica dos expoentes de Lyapunov . . .
11.6.1 Evolucao de vetores pelo modelo linearizado . . . .
11.6.2 Metodo de ortogonalizacao de Gram-Schmidt . . .
11.7 O modelo da ferradura de Smale . . . . . . . . . . . . . .
11.7.1 Conjunto invariante . . . . . . . . . . . . . . . . .
11.7.2 Dinamica simbolica . . . . . . . . . . . . . . . . . .
11.8 Emaranhado homoclnico . . . . . . . . . . . . . . . . . .
11.8.1 Direcoes e curvas invariantes . . . . . . . . . . . .
11.8.2 Determinacao numerica das curvas invariantes . .
8

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

423
424
426
426
428
430
436
436
437
438
439
441
441
442
442
445
446
447
455
455
458
460
461
463
464
465
466
469
469
472
473
476
477
477
480
481
481
483
485
487
487
490
494
495
497
499
499
499

11.8.3 Pontos homoclnicos . . . . . . . . . . . . . . .


11.9 A ferradura de Smale e o emaranhado homoclnico . .
11.10Pontos homoclnicos no atrator caotico de Henon . . .
11.11Exemplo em Economia: Modelo discreto para inflacao
prego com uma curva de Phillips nao-linear . . . . . .
11.11.1 Definicoes basicas . . . . . . . . . . . . . . . .
11.11.2 Curva de Phillips . . . . . . . . . . . . . . . . .
11.11.3 Construcao do modelo . . . . . . . . . . . . . .
11.11.4 Pontos fixos e sua estabilidade . . . . . . . . .
11.11.5 Diagrama de bifurcacoes . . . . . . . . . . . . .
11.11.6 Atrator caotico . . . . . . . . . . . . . . . . . .
11.12Problemas . . . . . . . . . . . . . . . . . . . . . . . . .

.
.
.
e
.
.
.
.
.
.
.
.

. . . . .
. . . . .
. . . . .
desem. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .

506
508
509
511
511
512
513
514
516
518
521

12 Fractais em modelos discretos bidimensionais


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

525
525
525
526
528
529
530
532
532
534
536
536
537
542
544
544
547
547

13 Caos e fractais em modelos contnuos


13.1 Trajet
orias no Espaco de Fase . . . . . . . . .
13.2 Mapas de Poincare . . . . . . . . . . . . . . .
13.3 Sistemas conservativos e dissipativos . . . . .
13.3.1 Caso tridimensional . . . . . . . . . .
13.3.2 Caso multidimensional . . . . . . . . .
13.4 Atratores . . . . . . . . . . . . . . . . . . . .
13.4.1 Atratores pontuais . . . . . . . . . . .
13.4.2 Ciclos limite . . . . . . . . . . . . . .
13.5 Expoentes de Lyapunov . . . . . . . . . . . .
13.5.1 Caso tridimensional . . . . . . . . . .
13.5.2 Classificacao dos atratores . . . . . . .
13.6 Determinacao numerica do maior expoente de

555
555
556
558
558
560
561
561
563
566
567
568
570

. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
Lyapunov

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

548
548
550
553

13.7 O modelo de Lorenz . . . . . . . . . . . . . . . . . . .


13.7.1 Pontos de equilbrio e sua estabilidade . . . . .
13.7.2 O atrator de Lorenz . . . . . . . . . . . . . . .
13.7.3 Determinacao do maior expoente de Lyapunov
13.7.4 Horizonte de predicao . . . . . . . . . . . . . .
13.7.5 Fractalidade do atrator de Lorenz . . . . . . .
13.8 Problemas . . . . . . . . . . . . . . . . . . . . . . . . .
A Pot
encias e exponenciais de matrizes
A.1 Autovalores reais e distintos . . . . .
A.2 Autovalores reais e iguais . . . . . .
A.3 Autovalores complexos . . . . . . . .

10

na
. .
. .
. .

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

571
572
574
577
580
581
582

forma de Jordan
583
. . . . . . . . . . . . . . 583
. . . . . . . . . . . . . . 584
. . . . . . . . . . . . . . 585

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

vez identificado o mecanismo subjacente `a din


amica, efetuar previsoes sobre o
comportamento futuro do sistema. Esse aspecto da din
amica e particularmente
importante pela possibilidade que abre de controlar a evolucao do sistema, pela
manipulacao adequada das variaveis, no sentido de lev
a-lo a um estado futuro
desejado. Esse u
ltimo enfoque e fundamental na elaboracao e conducao de
polticas macroecon
omicas complexas, como inflation targeting por exemplo.
Este livro e dividido em duas partes complementares mas nao totalmente
interdependentes, cada qual com objetivos bem definidos, e que atendem a demandas diferentes de pesquisadores e estudantes de pos-graduacao.
Primeira Parte: M
etodos e Modelos em Din
amica Econ
omica
Na primeira parte desse trabalho (que vai dos Captulos 1 a 7) objetivamos a
apresentacao dos metodos basicos usados na din
amica econ
omica, procurando
sempre a maior generalidade, a fim de que o leitor possa us
a-los proveitosamente
no estudo dos modelos de seu proprio interesse. Alem do mais, nos exemplos que
apresentamos, procuramos nos deter rapidamente na derivacao dos modelos a
partir das hip
oteses econ
omicas adotadas, de modo a auxiliar o leitor a formular
seus pr
oprios modelos, dentro do assunto particular em que trabalhe.
A classificacao dos modelos econ
omicos seguira dois criterios: como o tempo
e tratado, e quantas variaveis relevantes s
ao utilizadas. O tempo e a variavel
central em modelos da din
amica econ
omica, e que podem ser classificados como
contnuos ou discretos, caso o tempo seja representado por uma variavel real
(contnua) ou inteira (discreta), respectivamente. No primeiro caso, temos as
chamadas equacoes diferenciais, enquanto no segundo, as equacoes a diferencas.
Ambas s
ao igualmente importantes na din
amica econ
omica, embora os modelos
discretos tendam a ser mais identificados com a maneira como os variaveis s
ao
obtidos na pratica. Dessa forma, os modelos contnuos constituem uma aproximacao, `
as vezes ate algo grosseira, mas que tem importancia devido `a grande
quantidade de metodos matematicos disponveis para equacoes diferenciais.
Por raz
oes pedagogicas, introduzimos primeiramente os modelos contnuos,
ja que os conceitos matematicos envolvidos s
ao mais familiares aos estudantes
que tenham feito um curso basico de calculo diferencial e integral. Alem disso, a
apresentacao gr
afica dos resultados e mais direta para modelos onde o tempo e
uma variavel contnua. Num segundo momento abordamos os modelos discretos,
onde os conceitos e tecnicas matematicas s
ao `as vezes muito parecidos, mas com
diferencas essenciais com modelos contnuos.
O segundo criterio de classificacao dos modelos em din
amica econ
omica e
o n
umero de variaveis de interesse. Adotaremos uma representacao geometrica
que introduz espaco abstrato, onde as dimensoes s
ao essas variaveis, tambem
chamado espaco de fase. Por exemplo, no modelo IS-LM comentado anteriormente, temos duas delas: a taxa de juros e a renda, donde o espaco de fase
e bidimensional, assim como o modelo. A maioria dos modelos em din
amica
econ
omica contidos em textos basicos de pos-graduacao s
ao uni e bidimensionais, donde o estudo dos mesmos e colocado em grande evidencia nesse trabalho
(Captulos 1, 2 e 3 para modelos contnuos, e Captulos 5 e 6 para modelos
discretos). No entanto, em estudos mais avancados (sobretudo em macroeconomia), aparecem modelos com tres ou ate mais dimensoes (Captulos 4 e 7 para
modelos contnuos e discretos, respectivamente).
Embora a metodologia deste livro nao seja essencialmente diferente da liter12

atura existente, adotei uma abordagem na linha da teoria dos sistemas din
amicos.
Essa u
ltima, que tem raizes nos trabalhos matematicos de Henri Poincare no
final do Seculo XIX, privilegia o conhecimento qualitativo das solucoes, em
oposicao `
a enumeracao de metodos gerais e particulares de solucao dos problemas din
amicos. Tal conhecimento enfatiza solucoes de equilbrio e sua estabilidade, bem como possveis alteracoes de tais solucoes, como as chamadas
bifurcacoes (que s
ao mudancas qualitativas na natureza das solucoes quando um
par
ametro e alterado).
N
ao obstante, em paralelo `
as definicoes e demais resultados teoricos apresentados, procurei tambem dar uma base ao leitor para que este possa obter
solucoes numericas aos seus modelos com o auxlio de diversos recursos computacionais. Essa e uma circunstancia motivada pelo fato que apenas modelos
lineares tem solucoes analticas fechadas, o que nos forca ao uso de metodos
numericos se o modelo contiver uma nao-linearidade. E modelos nao-lineares
s
ao realmente mais comuns na pratica, embora frequentemente o desejo da simplicidade nos leve ao uso de modelos lineares (tratados em especial cuidado no
Cap. 3).
Uma expressiva fracao da primeira parte pode ser usada num curso basico
de metodos quantitativos que enfatize os metodos da din
amica econ
omica. Em
particular, os captulos 1, 2, parte do Cap. 3, parte do Cap. 4, 5, 6 e parte do
Cap. 7, foram utilizados por mim em uma disciplina dessa natureza no curso
de pos-graduacao em desenvolvimento econ
omico da Universidade Federal do
Paran
a, onde dividi o programa com outro professor que desenvolveu t
opicos
em otimizacao. As secoes que constituem esse n
ucleo duro s
ao indicadas por
asteriscos no livro.
Ja a parte do captulo 3 que aborda trajet
orias cclicas, bem como as secoes
sem asterisco dos captulos podem ser usadas em uma disciplina optativa de
din
amica nao-linear aplicada `
a Economia, conforme descrevemos a seguir.
Segunda Parte: Din
amica N
ao-linear e Caos em Economia
A segunda parte do livro (Captulos 8 e seguintes) aborda t
opicos mais avancados
em din
amica econ
omica. As abordagens tradicionais (como o que e feito na
primeira parte do livro) tratam essencialmente dos pontos de equilbrio e sua
estabilidade, assim como de ciclos simples. V
arias evidencias econometricas,
entretanto, sugerem a existencia do que chamamos de din
amica complexa.
Uma dessas situacoes envolve as bifurcacoes que ocorrem nas solucoes de um
modelo quando um par
ametro e variado. Por exemplo, uma solucao de equilbrio
pode perder a sua estabilidade ou mesmo desaparecer nessas circunstancias. Ou
ent
ao as solucoes podem tornar-se mais complicadas, mesmo irregulares, como
no comportamento caotico.
A din
amica nao-linear, apos decadas de relativo abandono, sofreu um impulso consideravel em finais da decada de 70 com a disseminacao do uso de computadores pessoais para a solucao de modelos matematicos contnuos e discretos.
Solucoes caoticas s
o podem ser convenientemente estudadas com o auxlio do
computador, com o que profissionais de diversas areas tornaram sua atencao
para as novas perspectivas abertas pela din
amica nao-linear.
N
ao tardou muito para que os especialistas em din
amica econ
omica tambem
comecassem a investigar comportamentos complexos em modelos nao-lineares,
tanto discretos como contnuos. Por outro lado, acumulam-se evidencias econometricas
13

de que pode haver um componente determinstico e nao-linear em series econ


omicas
que justifique o interesse em solucoes caoticas, por exemplo.
A possibilidade de comportamento complexo aberta pela nao-linearidade dos
modelos econ
omicos, juntamente com sua observacao emprica em series temporais, torna a Dinamica N
ao-Linear um t
opico de grande interesse na din
amica
econ
omica a nvel de pesquisa e pos-graduacao. H
a v
arios textos sobre o assunto
na literatura, mas nenhum em portugues, na linha que adotamos neste trabalho.
Espero que a abordagem que utilizei, centrada nos aspectos qualitativos da teoria dos sistemas din
amicos, seja capaz de trazer o leitor a beleza conceitual e
a economia de linguagem que e ganha com esse enfoque. Mesmo o leitor que
ja tenha conhecimento nessa area, mas com um background dos textos mais
tradicionais, podera se beneficiar dessa forma atraente de estudar os sistemas
din
amicos.
O estudo de bifurcacoes e caos e particularmente simples em modelos discretos unidimensionais, sendo por eles que comecaremos nosso estudo sistematico
(Captulo 8). A extens
ao dos conceitos a sistemas multidimensionais e o objeto do Captulo 9. A identificacao de comportamentos din
amicos em series
econ
omicas e financeiras sera vista no Captulo 10. O Cap. 11 trata de bifurcacoes em modelos contnuos, ao passo que o Cap. 12 trata de modelos com
retardo.
Os conte
udos da segunda parte desse trabalho foram estruturados de forma
mais ou menos independente, tal que o professor possa us
a-los como subsdio
para uma disciplina optativa de Dinamica N
ao-Linear e Caos em Economia.
Alem disso, o pesquisador podera encontrar fontes conceituais e bibliograficas
para um aprofundamento ulterior, bem como temas recentes de pesquisa em
din
amica econ
omica complexa. Na medida do possvel, desejamos que o leitor
chegue a um ponto onde possa acompanhar uma parte da literatura recente
sobre din
amica econ
omica, como o Journal of Economic Dynamics, Journal of
Economic Behavior and Organization, entre outros.

14

Parte I

Primeira Parte: M
etodos e
Modelos em Din
amica
Econ
omica

15

Captulo 1

Modelos contnuos
unidimensionais
Na Economia, a determinacao dos valores assumidos pelas variaveis din
amicas
ocorre a intervalos de tempo discretos, que correspondem a anos, meses, safras,
estacoes, etc. Ent
ao podemos dizer que modelos discretos seriam mais adequados, sob o ponto de vista da modelagem macro e microecon
omica. No entanto, em v
arios problemas e conveniente supor que o tempo seja uma variavel
contnua, de modo que a evolucao das variaveis din
amicas seja ditada por
equacoes diferenciais, e possamos usar o vasto repert
orio de ferramentas disponveis
do calculo diferencial e integral. Formalmente, supomos que os intervalos de
tempo sejam t
ao pequenos (em comparacao com a escala de tempo relevante
da situacao estudada) que possamos substituir intervalos finitos de tempo por
intervalos infinitesimais.

1.1

Equac
oes diferenciais

Admitimos a existencia de apenas uma variavel econ


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

(1.1)

onde dizemos que o tempo t e a variavel independente, enquanto x e a variavel


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

amostrada em intervalos finitos (dias, meses, anos, etc.), ou seja t = 0, 1, 2, . . ..


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

(1.3)

onde F (.) e uma funcao arbitraria do seu argumento. A partir do captulo 5,


estudaremos com mais detalhes os modelos discretos baseados nesse tipo de
equacao, tambem denominada equacao a diferencas, mapeamento, ou simplesmente mapa.
Vamos supor que o intervalo de tempo seja pequeno o suficiente de modo que
possamos substitui-lo por uma diferencial: t dt. A raz
ao entre a variacao
de x e a variacao do tempo, ou raz
ao incremental, sera
xt xt1
x
=
.
t
t

(1.4)

Como estamos interessados no caso em que o tempo e uma variavel contnua,


formalmente tomamos o limite t 0, e a raz
ao incremental torna-se a derivada
de x(t) em relacao `
a variavel t:
x
dx
xt xt1
= lim
=
.
t0 t
t0
t
dt
lim

(1.5)

Dada uma condicao inicial, ou seja, um valor para a variavel x no instante


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

x
x0

dx
=
f (x )

dt = t,

(1.6)

onde x e uma variavel de integracao (muda). Nem sempre podemos efetuar


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

1.1.1

Equa
c
oes diferenciais lineares

Um tipo particularmente importante de equacao diferencial e


dx
= ax + b,
dt

(1.7)

onde a e b s
ao constantes. A sua solucao geral e dada por
b
x(t) = Ceat ,
a

(1.8)

onde C e uma constante, como podemos verificar por substituicao direta: a


derivada de (1.8) e


dx
b
d
Ceat
= Caeat
=
dt
dt
a


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

b
= x0 ,
a

(1.10)

segue-se que a constante de integracao e


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


b
b
x(t) = x0 +
eat .
a
a

(1.11)

(1.12)

O comportamento desta solucao geral depende do sinal do par


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

18

(a)

x01

(b)

5
12
4

x(t)

x(t)

3
6
2

x0
0

x02
0

10

15

20

Figura 1.1: Solucoes do fluxo linear x = ax + b quando (a) a = 0, 25 > 0, b = 1


e x0 = 2; (b) a = 0, 25 < 0, b = 1 e as condicoes iniciais x01 = 6 e x02 = 0, 5,
sendo o valor assint
otico b/|a| = 4.

1.1.2

Exist
encia e unicidade das solu
c
oes

A equacao diferencial x = f (x) admite, a partir da condicao inicial x0 , uma


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

x(0) = x0 ,

Suponha que f (x) e sua derivada f (x) sejam funco


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

x
1

(b)

(a)

t
0

/2

/2

-1

-2

-1

-2

-1

Figura 1.2: (a) Diagrama de fase de x = x1/3 . (b) Uma solucao para x = 1 + x2 .

Consideremos, agora, a equacao


x = x1/3 .

(1.16)

O ponto x = 0 e um ponto de equilbrio, logo e uma solucao possvel para a


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

2
t
3

3/2

(1.17)

tambem e uma solucao possvel, violando a unicidade das solucoes. Na verdade,


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

(1.18)

Aqui, novamente, podemos separar variaveis para integrar ambos os lados:


Z
Z
dx
=
dt
1 + x2
arctan x = t + C.
21

Com a condicao inicial x(0) = x0 = 0 obtemos C = 0. Logo, a solucao e


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

1.1.3

Diagramas de fase

possvel determinar analiticamente as solucoes de modelos contnuos unidiE


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

.
x

Figura 1.3: Diagrama de fase do fluxo x = rx(1 x)

sumidouro desse fluido imagin


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

1.2

Exemplos em economia: modelos de crescimento populacional

Modelos de crescimento populacional est


ao presentes em varias aplicacoes em
economia. Alem disso, eles se constituem em ilustrativas aplicacoes dos conceitos
e tecnicas empregadas em modelos contnuos unidimensionais.

1.2.1

Crescimento exponencial

Uma populacao biol


ogica com alimento suficiente, espaco para crescer e ausencia
de predadores reproduz-se e aumenta exponencialmente, de acordo com o modelo que veremos a seguir. Numa populacao animal, por exemplo, e costume
fazer a contagem a tempos regulares, como anos ou meses, os quais podemos
representar por uma variavel discreta t = 0, 1, 2, . . .. Vamos designar por Pt o
23

10
1

(a)

(b)

8
0,8

P(t)/P0

P(t)/P0

7
6
5
4

0,6

0,4

3
2

0,2

1
0

10

15

20

Figura 1.4: Solucoes do modelo Malthusiano quando (a) r = 0, 3 > 0; (b)


a = 0, 3 < 0.

tamanho da populacao no instante t. Quando a populacao e pouco numerosa,


a cada perodo t esta aumenta de um n
umero R, que e da ordem de 2 a 3 para
mamferos de pequeno porte. Logo, a populacao num instante t e dada, em
funcao da populacao no instante anterior, t 1, pela relacao
Pt = RPt1 .

(1.22)

Subtraindo Pt1 em ambos os membros de (1.22) e dividindo por t = 1, temos


uma raz
ao incremental
Pt Pt1
1
Pt
t

RPt1 Pt1

(R 1)Pt1 .

Formalmente, tomando o limite quando t 0, obtemos a derivada da


funcao populacao P (t), a qual satisfaz a seguinte equacao diferencial:
dP
= rP,
dt

(1.23)

r R1

(1.24)

onde
e a taxa de crescimento da populacao, igual `a diferenca entre a taxa de natalidade e mortalidade. Se a primeira e maior do que a segunda (nascem mais
indivduos do que morrem), a taxa r e positiva; caso contrario r e negativa.
A equacao (1.23) e linear da forma (1.13), donde sua solucao e, de (1.14),
dada por
P (t) = P0 ert ,
(1.25)
sendo P0 = P (t = 0) a condicao inicial. Caso r > 0 essa solucao implica num
crescimento exponencial, ou seja, aumento ilimitado da populacao [Fig. 1.4(a)].
Se r < 0, por outro lado, o decrescimo e exponencial, com a populacao extinta
a longo prazo [Fig. 1.4(b)].
Associamos esse modelo ao nome de Thomas Malthus que, em seu Ensaio
sobre o princpio da populacao (1798), estimou que a populacao da Inglaterra
24

(b)

P/P

(a)
P(t)/P0

r
4

P
1

10

20

30

Figura 1.5: (a) Taxa de crescimento per capita no modelo de crescimento


logstico.(b) Aumento populacional no modelo de crescimento logstico (1.33)
com r = 0, 3 e K = 5P0 . A curva tracejada refere-se ao modelo de crescimento
exponencial com o mesmo valor de r.

dobrava seu valor a cada intervalo de 25 anos. Tomando t = 25 em (1.25), temos


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

1.2.2

Crescimento logstico

Pierre-Francois Verhulst sugeriu, em 1838, que a previsao de Malthus exagerava


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


P
P
,
(1.26)
=r 1
P
K
de modo que, quando a populacao se aproximasse do seu valor limite K, essa
taxa seria muito pequena, e inclusive poderia ser negativa se, eventualmente, a
25

populacao excedesse K. Passando P para o segundo membro, decorre imediatamente a chamada equaca
o logstica


dP
P
.
(1.27)
= rP 1
dt
K
Vamos definir uma populacao reduzida dividindo-a pelo seu valor crtico
K, que e a capacidade de sustentacao.
x

P
,
K

(1.28)

Desta forma, enquanto P mede-se em n


umero de habitantes, x torna-se uma
quantidade normalizada, ou seja, e um n
umero sem unidades. Com esta redefinicao, temos que mudar tambem a derivada temporal que, pela regra da
cadeia, fornece
dP dx
dx
dP
=
=K ,
(1.29)
dt
dx dt
dt
a qual, substituida em (1.27) fornece,
K

dx
= rKx(1 x),
dt

Apos a divis
ao de ambos os membros por K teremos a equacao logstica normalizada
dx
= rx(1 x).
(1.30)
dt
Essa equacao, embora seja nao-linear, pois contem um termo quadratico, tem
a particularidade de poder ser resolvida analiticamente. Separando as variaveis,
como em (1.6), e integrando a partir da condicao inicial x(0) = x0 :
Z

x
x0

dx
=
x(1 x)

rdt

(1.31)

Como r e constante, a segunda integral fornece simplemesmente rt. Ja a integral


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

 x

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


x x0 1
ln
x0 x 1
x x0 1
x0 x 1
x(x0 1)

rt

ert

ert x0 (x 1).

Finalmente, isolando a variavel x obtemos, apos uma algebra elementar, a


solucao geral da equacao logstica
x(t) =

x0
.
x0 + (1 x0 )ert
26

(1.32)

Tabela 1.1: Populacao dos Estados Unidos (em milh


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

= P0
K
+
1 PK0 ert
K
onde P0 = Kx0 e a populacao inicial, de modo que, multiplicando ambos os
membros por K chega-se a
P (t) =

KP0
P0 + (K P0 )ert

(1.33)

a qual e mostrada na figura 1.5(b); onde tambem nos comparamos a solucao


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

1.2.3

KP0
= K.
P0 + 0

Modelo logstico e o crescimento demogr


afico

Verhulst dispunha, em 1840, dos dados referentes aos primeiro cinco recenseamentos feitos nos Estados Unidos [vide Tabela 1.1], e com base neles ajustou a
27

P(t) (milhes de habitantes)

300

250

200

150

100
dados do censo
ajuste ao modelo logstico (at 1940)
50

0
1790

1840

1890

1940

ano

1990

2040

2090

Figura 1.6: Crescimento populacional nos Estados Unidos de acordo com o modelo logstico (1.33). Os smbolos representam os valores constantes da Tabela
1.1.

curva de crescimento populacional previsto pelo modelo logstico, Eq. (1.33) [5].
Com isso, fez uma previsao para a populacao americana em 1940 (um seculo
depois) que foi verificada com um erro menor do que 1%. No entanto, como
podemos observar pela figura 1.6, foi justamente apos o censo de 1940 que os
dados comecaram a nao ser mais descritos pelo modelo logstico. Pelo contrario,
os dados mais recentes sugerem que o crescimento americano pode ser melhor
descrito pelo modelo exponencial Malthusiano.
Na figura 1.6, a curva representando a solucao prevista pelo modelo logstico
foi obtida a partir da analise dos dados da Tabela 1.1 somente ate 1940 [5]. A
Para estimar os par
ametros do modelo necessarios ao ajuste da curva logstica,
foi necessario inicialmente estudar a dependencia da taxa de aumento per capita
em funcao da populacao, conforme a Eq. (1.26). Inicialmente temos de estimar
os valores das derivadas dP/dt a partir dos dados disponveis. Podemos usar
diferencas simetricas, como ilustrado pela Fig. 1.7(a), tal que a derivada a um
dado ano do censo e aproximadamente a taxa de variacao comecando 10 anos
antes, e terminando 10 anos depois. Por exemplo, o valor da derivada em 1830
sera


dP
dt

=
t=1830

P (1840) P (1820)
17, 069 9, 638
=
= 0, 37155,
1840 1820
20

(1.34)

de modo que podemos calcular a raz


ao P /P para todos os anos, desde que
conhecamos pelo menos o valor da populacao um ano antes e um ano depois.
Por isso, para o perodo entre 1790 e 1940 nos computamos os dados entre 1800
e 1930, conforme as duas u
ltimas colunas na Tabela 1.1. Com estes dados,
construimos o gr
afico de P /P versus P [Fig. 1.7(b)]. Usando regress
ao linear,
28

00
11
11
00
00
11

0,035

(a)

(b)
0,03

0,0318 - 0,00017 P

11
00
00
11
00
11

P/P (por ano)

0,025

11
00
00
11

0,02

0,015

0,01

0,005

1820

1830

50

100

150

P (milhes de habitantes)

1840

Figura 1.7: (a) Determinacao da derivada a partir de intervalos simetricos. (b)


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

podemos ajustar uma reta aos dados


dP/dt
= 0, 0318 0, 00017P.
P

(1.35)

Comparando a equacao da reta ajustada aos dados com (1.26), concluimos


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

1.3

Pontos de equilbrio e estabilidade

Podemos, pois, formalizar estas observacoes. A partcula hipotetica que usamos


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

(1.36)

ou seja, se colocarmos uma condicao inicial exatamente sobre ele x0 = x , a


solucao seria
x(t) = x = constante,
(1.37)
29

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

f (x ) < 0
f (x ) > 0
f (x ) = 0

x e est
avel
x e instavel
o criterio de linearizacao falha

Tabela 1.2: Estabilidade do ponto de equilbrio de um modelo contnuo unidimensional


dito inst
avel.
Substituindo x(t) = x + (t) na equacao diferencial x = f (x) temos
d
d
dx
= (x(t) x ) =
= f (x) = f (x + ),
dt
dt
dt

(1.39)

ja que, sendo x uma constante, sua derivada temporal e nula. Se os desvios


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

+ ...,
(1.40)
f (x + ) = f (x ) +
dx x=x
onde desprezamos os termos de ordem igual ou superior a 2 , por serem muito
menores que . Lembramos que para que esta linearizacao seja v
alida, os valores
absolutos de devem ser suficientemente pequenos. Por exemplo, se, para um
certo valor do tempo, temos que = 0, 1, ent
ao 2 = 0, 01 0, 1, 3 = 0, 001
0, 1, e assim por diante. Desta forma, o erro cometido neste truncamento e
sempre significativamente menor que os termos que estamos retendo.
Definindo a seguinte constante
 
df
= f (x ),
(1.41)
a
dx x=x
e igualando (1.39) a (1.40), obtemos a seguinte equacao diferencial para o comportamento das perturbacoes:
d
= a,
(1.42)
dt
onde usamos que f (x ) = 0.
A equacao linearizada (1.42) pode ser resolvida analiticamente, sendo ela
um caso particular da eq. (1.7) para b = 0. A sua solucao sera, em vista de
(1.14), dada por
(t) = 0 eat ,
(1.43)
onde 0 e a perturbacao inicial (no instante t = 0). O comportamento das
perturbacoes depende do sinal do coeficiente a: se a < 0 as perturbacoes tendem
a zero com o passar do tempo [Fig. 1.8(a)], de modo que o ponto fixo x e
assintoticamente est
avel. Se a > 0, as perturbacoes crescem monotonicamente
com o tempo, e x e instavel [Fig. 1.8(b)]. Temos, pois, o criterio de estabilidade
linear sintetizado na Tabela 1.3
Por falha do criterio, queremos dizer que a linearizacao efetuada nao e
suficiente para esclarecer se o ponto fixo e ou nao est
avel. Se a = 0, (1.43)
fornece (t) = 0 para todos os tempos, ou seja, os desvios nao tornam-se maiores
nem menores com o tempo, e nao se pode concluir algo sobre a estabilidade por
31

(a)

(b)

a<0

a>0

Figura 1.8: Solucao geral do fluxo linear (1.42), para (a) a < 0; (b) a > 0.

esse processo. Neste caso, e necessario analisar o campo vetorial f (x) com mais
detalhes.
No exemplo da equacao logstica, x = rx(1 x), os pontos fixos serao as
solucoes da equacao quadr
atica
f (x ) = rx (1 x ) = 0,

(1.44)

de forma que x1 = 0 e x2 = 1 (estes s


ao os pontos onde a funcao f (x) cruza o
eixo das abscissas no diagrama de fase). Para determinar sua estabilidade, nos
calculamos inicialmente a derivada da funcao
f (x) = r(1 2x).

(1.45)

Como a(x1 ) = f (0) = r > 0, o ponto de equilbrio na origem x1 = 0 e instavel


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

df
(1.47)
= 3x 2 = 0.
a =
dx x =0

No entanto, se analisarmos o diagrama de fase deste campo vetorial [Fig. 1.9(a)]


vemos que ele e est
avel, pois o fluxo e atraido por x = 0 dos dois lados. Neste
caso, como a = 0, foi imperativo olharmos para a nao-linearidade de f (x) para
decidir sobre a estabilidade do ponto fixo.
32

(a)

(b)

1
0

-5

x
-2

-1

-2

-1

Figura 1.9: Diagrama de fase de (a) x = x3 ;(b) x = |x|.

1.4

Solu
c
oes num
ericas

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

1.4.1

M
etodo de Euler

A solucao numerica x = x(t) de uma equacao do tipo x = f (x), sujeita `a


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

x
x

x3
x

x1

x0
t
t1

t2

t4

Figura 1.10: Discretizacao da solucao de uma equacao diferencial.

mos substituir a derivada temporal pela taxa de variacao


x(tk + t) x(tk )
dx

,
dt
t

(1.48)

de modo que a equacao diferencial e discretizada como


x(tk + t) x(tk )
= f (x(tk )),
t

(1.49)

xk+1 = x(tk+1 ) = x(tk ) + f (x(tk ))t = xk + f (xk )t,

(1.50)

tk+1 = tk + t.

(1.51)

tal que
onde
A partir da condicao inicial x(t0 = 0) = x0 os pontos seguintes da solucao
s
ao dados por (1.50) como:
x1

x0 + f (x0 )t

(1.52)

x2

x1 + f (x1 )t,

(1.53)

e assim por diante.


Suponhamos que seja conhecida a solucao exata (analtica) x(t) para a
condicao inicial x0 . Nesse caso, podemos estimar, a cada etapa da integracao
numerica, o erro absoluto cometido:
Ek = |xk x(tk )|.

(1.54)

O metodo de Euler e de primeira ordem no passo, ou seja, em geral o erro


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

Figura 1.11: Planilha e gr


afico da solucao da Eq. 1.55 para a condicao inicial
x0 = 0, 1

Uso de planilhas eletr


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

(1.55)

usando como condicao inicial x0 = 0, 1, tendo como passo de integracao t =


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

(1.56)

onde o smbolo $E$3 indica o endereco absoluto da variavel (a planilha sempre


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

Figura 1.12: Planilha e gr


afico da solucao da Eq. 1.55 para a condicao inicial
x0 = 0, 8

celula A7 a formula para o incremento do tempo (1.51)


= A6 + $E$3

(1.57)

que e copiada e colada nas celulas embaixo. Os valores de ambas variaveis


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

b = 2, tendo como passo de integracao t = 0, 1. Esse programa pode ser


facilmente editado para incluir outros modelos contnuos unidimensionais.
/* euler.c: metodo de Euler para solucao numerica de um modelo
continuo unidimensional especificado na subrotina f
Saida dos dados no arquivo euler.dat (tabela com duas colunas) */
#include <stdio.h>
#include <math.h>
FILE *fp;
double f(double arg), fexato(double arg);
main( )
{
int k, points;
/* declaracoes de variaveis */
double x, x_k, x_0, t_0, t_k, t_f, delta, err;
fp = fopen("euler.dat","w");/* abre arquivo */
points = 100;
/* numero total de iteracoes */
x_0 = 0.1;
/* condicao inicial */
t_0 = 0.0;
/* tempo inicial */
t_f = 10.0;
/* tempo final */
delta = fabs(t_f - t_0)/points; /* passo da integracao */
x_k = x_0;
/* inicializa o valor de x_k */
t_k = t_0;
/* inicializa o valor de t_k */
k = 0;
x = x_0;
err = 0.0;
fprintf(fp,"%d %f %f %f %f\n",k,t_k,x_k,x,err); /* imprime
condicoes iniciais no arquivo de saida */
for (k = 1; k <= points; ++k) { /* varre os valores de k */
t_k = t_k + delta;
/* incremento no tempo */
x_k = x_k + f(x_k)*delta;
/* calculo das iteracoes */
x = fexato(t_k);
/* resultado exato */
err = fabs(x - x_k);
/* erro em cada passo */
fprintf(fp,"%d %f %f %f %f\n",k,t_k,x_k,x,err); /* imprime
resultados no arquivo de saida */
}
fclose(fp);
/* fecha o arquivo de dados */
}
/* especifica a equacao */
double f(double arg)
{
double a, b;
a = 1.0;
b = 2.0;
return(arg*(a - b*arg));
}

37

k
0
1
2
3
4
5
10
20
30
40
50
100
110
120
130
140
150

tk
0.0
0.1
0.2
0.3
0.4
0.5
1.0
2.0
3.0
4.0
5.0
10.0
11.0
12.0
13.0
14.0
15.0

xk
0.100000
0.108000
0.116467
0.125401
0.134796
0.144642
0.199848
0.322278
0.417431
0.467362
0.488059
0.499937
0.499978
0.499992
0.499997
0.499999
0.500000

x exato
0.100000
0.108240
0.116961
0.126158
0.135822
0.145938
0.202305
0.324393
0.416963
0.465869
0.486878
0.499909
0.499967
0.499988
0.499995
0.499998
0.499999

erro
0.000000
0.000240
0.000494
0.000757
0.001026
0.001296
0.002456
0.002115
0.000468
0.001492
0.001181
0.000028
0.000011
0.000005
0.000002
0.000001
0.000000

Tabela 1.3: Algumas iteracoes do metodo de Euler para solucao numerica da


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

0,5

soluo numrica
soluo analtica

0,4

0,3

0,5

0,2
0,475

0,1
0,45

10

Figura 1.13: Solucao numerica da equacao (1.55) pelo metodo de Euler.

observar na ampliacao de parte do gr


afico na Fig. 1.13. Em particular, ambas
as solucoes convervem, para tempos grandes, para o valor 0, 5. De fato, sendo
a > 0 e tomando o limite quando t em (1.58) temos que
lim x(t) =

1
a
= .
b
2

(1.59)

Podemos refinar o metodo de Euler substituindo a derivada de f (.) no comeco


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


f (xk ) + f (
xk+1 )
t.
xk xk+1 = xk +
2

(1.60)

(1.61)

possvel mostrar que, nesse caso, o erro cometido aumenta com o quadrado do
E
2
passo de integracao, Ek (t) . Como o passo e usualmente um n
umero muito
pequeno, (t 1), ent
ao o erro propaga-se mais lentamente com o passar do
tempo nessa versao mais refinada do metodo. Nesse caso, para um mesmo valor
do passo, mais iteracoes do metodo podem ser realizadas com relativa confianca.

1.4.2

M
etodo de Runge-Kutta

Podemos, no entanto, ir mais alem em busca de erros menores e, consequentemente, resultados numericos mais confiaveis. Isso torna-se imperioso em modelos multidimensional, especialmente aqueles com din
amica complexa, devido
`a riqueza de possibilidades para as trajet
orias, o que nos exige uma precis
ao
bem maior que a fornecida pelo metodo de Euler. Um metodo bastante u
til e
muito usado em diversas aplicacoes, mesmo as que envolvem din
amica caotica,
39

soluao
"verdadeira"

(a)

(b)

soluao
numerica

t
t

Figura 1.14: (a) Uma solucao suave pode ser obtida com passos de integracao
relativamente grandes, ao passo que (b) solucoes com variacoes em pequenas
escalas de tempo exigem passos de integracao muito menores.
4

e devido a Runge e Kutta. Ele e de quarta ordem, ou seja, o erro e E (t) ,


sendo pois muito mais preciso que o metodo de Euler, para um mesmo valor do
passo de integracao.
Seja, pois, o modelo unidimensional x = f (x) com a condicao inicial x(0) =
x0 . Partindo do valor xk no incio do intervalo (tk , tk+1 ), definimos uma primeira
variavel auxiliar r1 , a qual e dada pela mesma formula do metodo de Euler
r1 = f (xk )t

(1.62)

Definimos uma novas variaveis auxiliares r2 ate r4 dadas por (as respectivas
deducoes podem ser encontradas na Ref. [8], por exemplo)


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


1
(1.64)
r3 = f xk + r2 t
2
r4 = f (xk + r3 ) t
(1.65)
tal que o valor da variavel x no final deste intervalo, ou seja, em t = tk+1 , sera
dado por:
1
xk+1 = xk + (r1x + 2r2x + 2r3x + r4x ) .
(1.66)
6
V
arios autores generalizaram as formulas de Runge e Kutta para obter
metodos de ordens bastante altas, como 12 ou ate mais. No entanto, um problema comum aos metodos de Euler e de Runge-Kutta, tal como foram apresentados aqui, e o uso de um passo de integracao fixo t. Se a solucao x(t) e uma
curva que varia suavemente com o tempo, a escolha do passo de integracao nao
e t
ao crtica, pois a interpolacao obtida ligando os pontos aproxima-se uniformemente da solucao verdadeira do problema [Fig. 1.14(a)]. Por outro lado, caso
a solucao apresente variacoes repentinas numa escala de tempo muito pequena,
um passo de integracao grande demais pode ignorar tais variacoes, fornecendo
um resultado bastante diferente do verdadeiro [Fig. 1.14(b)].
Poderamos ainda objetar que, escolhendo o menor passo possvel estaramos
preparados para tais problemas. No entanto, essa nao e definitivamente uma
40

boa solucao, pois um passo pequeno demais implica num tempo de computacao
muito alto. Alem disso, boa parte desse tempo pode estar sendo gasto em trechos suaves da solucao, onde bastaria um passo menor. Por esse motivo, um
recurso extremamente u
til e o passo variavel, ou seja, o programa aumenta ou
diminui automaticamente o passo de integracao conforme isso seja necessario.
Boa parte dos metodos profissionais usados para integracao emprega tais recursos, como as adaptacoes do metodo de Runge-Kutta propostas por Merson,
Gill, e Fehlberg, entre outros. Maiores detalhes sobre metodos numericos podem
ser encontrados na monumental obra [9], que traz inclusive codigos em v
arias
linguagens para construcao de programas de computador.

1.4.3

Uso de software matem


atico

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

(1.67)

onde a = 2, a condicao inicial e x0 = 0, 1 e integramos de t = 0 ate t = 1, 5,


tendo como passo de integracao t = 0, 05.
41

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

0,5

0,4

x 0,3

0,2

0,1
0

10

Figura 1.15: Solucao numerica da equacao (1.67) usando o Maple.

NDSolve[{deq, x[0]==x0}, x[t], {t, tmin, tmax}]


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

x
0.5
0.4
0.3
0.2

10

Figura 1.16: Serie temporal obtida por solucao numerica da equacao o (1.67),
usando o Mathematica.

[t,x] = ode45(funcao, [tmin:deltat:tmax], x_0);


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

1.5

Depend
encia da soluc
ao com as condi
c
oes
iniciais

O teorema de existencia e unicidade garante que, uma vez conhecida a condicao


inicial x(t = t0 ) = x0 para uma equacao da forma x = f (x), a solucao existe
e e u
nica. Podemos, no entanto, tambem perguntar o que deve ocorrer com
a solucao quando mudamos ligeiramente a condicao inicial: sera que a nova
44

0.5
0.45
0.4

0.35
0.3
0.25
0.2
0.15
0.1

4
t

Figura 1.17: Serie temporal obtida por solucao numerica da equacao o sistema
(1.67), usando o Matlab.

solucao continuar
a acompanhando de maneira proxima a solucao anterior, ou
ela ter
a um comportamento totalmente imprevisvel? A resposta a essa quest
ao
e o objeto da presente secao e, como veremos, ela favorece a primeira resposta.
Sejam x(t) e x
(t) duas solucoes diferentes, provenientes de condicoes iniciais
x0 = x(t = t0 ) e x
0 = x
(t = t0 ), respectivamente. Vamos supor que a diferenca
entre essas condicoes iniciais provenha de uma incerteza na sua determinacao, de
modo que podemos determinar a priori o erro absoluto inicial (0) = |x0 x
0 |.
Em termos quantitativos queremos saber como evolui com o tempo o erro num
instante t: (t) = |x(t) x
0 |. A resposta a essa importante quest
ao e o objeto
do seguinte
Teorema 2 (Desigualdade de Gronwall) [8] Seja a regi
ao retangular S =
{(t, x) : t [a, b], x [c, d]}, no interior da qual est
ao contidos os pontos (t0 , x0 )
e (t0 , x
0 ). Seja


f

(1.68)
K = max (t, x) ,
(t,x)S x

tal que o m
aximo exista (isto e, n
ao seja infinito). Ent
ao

(t) = |x(t) x
0 | |x0 x
0 |eK(tt0 ) ,

(1.69)

desde que os gr
aficos de x(t) e x
(t) permanecam no interior de S.
A figura 1.18 ilustra esquematicamente o significado da desigualdade de
Gronwall: desde que os gr
aficos das duas solucoes permanecam no ret
angulo
S, a equacao (1.69) nos diz que o erro absoluto e limitado superiormente, ou
seja, nunca pode ser maior do que o erro inicial multiplicado pelo fator eK(tt0 ) ,
onde K e uma constante de Lipschitz. Podemos depreender duas consequencias
da desigualdade de Gronwall: (i) o erro absoluto entre duas solucoes pode ser
estimado (por meio de um limite superior, o que geralmente superestima o erro)
sem a necessidade de resolver a equacao diferencial; (ii) as solucoes de uma
45

^x(t)
(t0,x^ 0)
x(t)

(t0,x 0)

c
a

b
t

Figura 1.18: Figura esquematica do intervalo na desigualdade de Gronwall.

Figura 1.19: Gr
aficos das solucoes da equacao diferencial (1.70) para as
condicoes iniciais x0 = 1, 0 e x
0 = 1, 1.

equacao diferencial variam continuamente com a condicao inicial. Logo, se o


erro inicial tende a zero, o erro tender
a tambem a zero desde que o tempo nao
aumente mais do que o proprio intervalo de existencia de ambas as solucoes [8].
Como um exemplo, vamos considerar a equacao diferencial

(1.70)
x = x
e o ret
angulo S sera definido pelos intervalos 1 x 2 e 0 t 1. A constante
de Lipschitz (1.68) sera




1
f

1
1



K = max (t, x) = max = = ,
(1.71)
2
(t,x)S 2 x
(t,x)S x
2 1

ja queo valor mnimo de x, que e x = 1 dentro de S, fornece o valor maximo


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

A diferenca entre as duas solucoes, que associamos ao erro absoluto, e limitada


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

1.6
1.6.1

Exemplos em Economia: modelos de crescimento econ


omico
Macrovari
aveis

Em modelos de crescimento econ


omico, destacamos as seguintes macrovariaveis
de interesse (consideradas funcoes contnuas do tempo): Y : renda total; Z:
demanda total por bens; C: despesas de consumo; I: investimento; G: gastos governamentais. Maiores detalhes sobre a interpretacao econ
omica destas
macrovariaveis podem ser encontradas em textos classicos de Macroeconomia,
como [16, 17], dentre outros.
Numa economia fechada (sem considerar importacoes ou exportacoes), e sob
a hip
otese de equilbrio macroecon
omico, a renda total e igual `a demanda total,
e esta e composta pela soma do consumo, do investimento, e dos gastos do
governo em cada tempo:
Y (t) = Z(t) = C(t) + I(t) + G(t).

(1.73)

N
os suporemos inicialmente, por simplicidade, que tanto o investimento
como os gastos governamentais s
ao variaveis ex
ogenas, ou seja, que tem um
valor constante que nao depende da din
amica das outras variaveis (variaveis
ex
ogenas s
ao costumeiramente indicadas por uma barra superior):

I(t) = I,

G(t) = G.

(1.74)

Desconsiderando o papel de impostos e transferencias governamentais, vamos


tambem admitir que as despesas de consumo aumentem com a renda sob a forma
de uma funcao consumo linear afim:
C(t) = + Y,

(1.75)

onde 0 < < 1 e a propensao marginal de consumo; e supomos a existencia de


um consumo residual (independente da renda) > 0. O fato de que e positivo traduz a tendencia de aumento do consumo devido ao aumento da renda
disponvel. Ja a limitacao em = 1 decorre da tendencia de consumir apenas
47

parte da renda, poupando o restante da mesma. Estudos econometricos apontam valores de tipicamente superiores a 0.6. Ent
ao a propensao marginal a
poupar, denotada s, e igual ao complemento da propensao marginal a consumir:
s = 1 .

(1.76)

Substituindo (6.151) em (1.73) temos

Y = + Y + I + G

(1 )Y = sY = + I + G,
de forma que a renda de equilbrio sera dada por
Y = YE =

+ I + G
,
s

(1.77)

onde aparece o multiplicador Keynesiano


1
1
=
.
s
1

1.6.2

(1.78)

Modelo de Domar

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

1
1
I =
I.
s
1

(1.80)

Dividindo pelo intervalo de tempo e fazendo-o tender a zero,


dY
Y
= lim
,
t0 t
dt

I
dI
= lim
,
t0 t
dt

(1.81)

teremos a seguinte relacao entre derivadas temporais:


1 dI
dY
=
.
dt
s dt

(1.82)

Para exprimir o efeito do investimento sobre a capacidade produtiva da


economia, Domar propos uma relacao linear entre o fluxo de producao potencial
e o estoque de capital na forma
(t) = K(t),
48

(1.83)

onde > 0 denota a relacao capacidade produtiva-capital. Diferenciando a


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

(1.87)

dI
= sI,
dt

(1.88)

ou seja,

que e um modelo unidimensional linear na forma geral x = ax + b, onde x(t) =


I(t), a = s e b = 0. Logo, sendo a condicao inicial I(0) = I0 , a sua solucao e
dada por
I(t) = I0 est .
(1.89)
Interpretamos esta solucao como exigindo que, para que seja mantido com
o tempo o equilbrio entre a capacidade produtiva e a demanda, o fluxo de
investimento precisa crescer exatamente `a taxa exponencial s. Logo, uma vez
determinados os valores de e s, a trajet
oria de crescimento do investimento
torna-se rigidamente determinada, no que se conhece na literatura como fio
da navalha. Se a taxa real de crescimento do investimento for maior do que
o valor s, resulta uma escassez de capacidade produtiva; ao passo que se for
menor que s, haver
a um excesso da mesma. A utilizacao plena da capacidade
produtiva s
o ocorrera se a taxa for precisamente s.

1.6.3

Modelo de Solow

Deriva
c
ao do modelo
A existencia de um equilbrio t
ao delicado como o fio de navalha do modelo
de Domar e consequencia da suposicao extremamente restritiva na funcao de
producao = f (K) = K, de ter apenas o estoque de capital K como variavel
independente. Solow propos a inclusao do emprego, na forma da macrovariavel
L(t), indicando a forca de trabalho (n
umero de empregados mais pessoas procurando emprego) [20, 19]. Sendo Q(t) o nvel lquido de producao (descontada a
depreciacao), a nova funcao de producao sera
Q = f (K, L),
49

(1.90)

no lugar da producao potencial do modelo de Domar.


Solow supos que a funcao producao tivesse as seguintes propriedades matematicas:
(i) produtos marginais positivos:
f (K, L)
> 0;
L

f (K, L)
>0
K

(1.91)

(ii) rendimentos decrescentes para cada insumo (capital ou trabalho):


2 f (K, L)
<0
K 2

2 f (K, L)
< 0;
L2

(1.92)

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




K
1
K L
=f
f
,
, 1 = f (k, 1) = f (K, L),
(1.93)
L L
L
L
onde definimos a raz
ao capital/trabalho
k

K
.
L

(1.94)

Denotando a funcao
(k) f (k, 1),

(1.95)

escrevemos a funcao producao homogenea como


Q = f (K, L) = L(k).
Derivando a funcao producao em relacao a K temos
 
f (K, L)
d(k) dk
1
= (k),
=L
= L (k)
K
dk dK
L

(1.96)

(1.97)

onde (k) denota a derivada da funcao (.) em relacao a seu argumento, e


usamos a regra da cadeia.
Derivando novamente em relacao a k teremos:
 
2 f (K, L)
d(k)
d (k) dk
1

.
(1.98)
=
=
= (k)
2
K
dK
dk dK
L
Logo, as condicoes matematicas (1.91)-(1.92) implicam em que
(k) > 0,

(k) < 0,

(1.99)

denominadas na literatura condico


es de Inada [21].
Para determinar a forma explcita da funcao producao, Solow supos ainda
que: (iv) e invertida uma proporcao constante s da producao, igual `a propensao
marginal para poupar 0 < s < 1:
I(t) =

dK(t)
= sQ(t),
dt
50

(1.100)

(k)

(k)

(b)

(a)

Figura 1.20: Formas possveis para a funcao (k) com (k) > 0 e (a) (k) < 0;
(b) (k) > 0.

()v A forca de trabalho cresce exponencialmente (de acordo com o modelo


Malthusiano): de (1.25) temos
L(t) = L0 et ,

(1.101)

onde L0 e a forca de trabalho no tempo inicial.


Substituindo (1.96) e (1.101) em (1.100) temos
dK
= sL(k) = sL0 et (k),
dt

(1.102)

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

=
=


d(Lk)
d
=
L0 et k
dt
dt

d
dk
t dk
+k
+ kL0 et ,
L0 et = L0 et
L0 e
dt
dt
dt

(1.103)

de modo que, igualando (1.102) e (1.103), temos


sL0 et (k) = L0 et

dk
+ kL0 et .
dt

(1.104)

Finalmente, dividindo ambos os membros por L0 et , segue a equacao fundamental do modelo de Solow:
dk
= s(k) k.
dt

(1.105)

An
alise no diagrama de fase
A equacao do modelo de Solow,
k = F (k) s(k) k,

(1.106)

pode ser interpretada como um modelo contnuo unidimensional nao-linear.


Como f (K, L) homogenea de primeiro grau temos que (0) = 0, e os argumentos k e L devem ser positivos. Alem disso, a condicao (k) > 0 implica que
51

.
k

(a)

(b)

s (k)

k
k = 0
1

k 2

Figura 1.21: (a) Pontos de equilbrio do modelo de Solow. (b) Diagrama de fase
generico para o modelo de Solow.

a funcao (k) deva ser monotonicamente crescente com k. H


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

(1.108)

onde 0 < < 1. A funcao (k) sera, portanto


1
(k) = f (K, L) =
L
52

K
L

= k ,

(1.109)

de modo que a equacao diferencial fundamental do modelo de Solow e escrita


como
k = F (k) = sk k.
(1.110)
Os pontos de equilbrio s
ao dados por
F (k ) = k (sk 1 ) = 0,

(1.111)

ou seja
k1 = 0,

k2 =

 1/(1)

,
s

(1.112)

que s
ao as intersecoes entre os gr
aficos de (k) e a primeira bissetriz.
A estabilidade destes pontos de equilbrio e determinada pela derivada do
fluxo em relacao a k nestes pontos:
F (k) = sk 1 ,

(1.113)

Vamos investigar a estabilidade de k1 = 0. Lembremos que, como 0 < < 1,


o expoente 1 e negativo, ent
ao se tomarmos o limite k1 0 em F (k1 )
resultar
a num valor infinito positivo , donde k1 = 0 sera sempre um ponto
de equilbrio instavel. Ja para o ponto de equilbrio n
ao-trivial k2 a derivada
correspondente e

F (k2 ) = s = ( 1).
(1.114)
s
Como > 0 e 0 < < 1, temos que 1 < 0, de modo que a condicao
F (k2 ) < 0 e sempre verificada, donde k2 e assintoticamente est
avel.
Uma peculiaridade da equacao diferencial (1.110) e que podemos resolve-la
analiticamente, fazendo a seguinte transformacao (nao-linear) de variavel [21]:
x = k 1 ,

(1.115)

cuja derivada temporal e, pela regra da cadeia, dada por


dx
dt

dx dk
= (1 )k F (k) = (1 )k (sk k)
dk dt
= (1 )(s k 1 ) = (1 )(s x),
=

(1.116)

donde a equacao (1.110) pode ser reescrita como


x = (1 )x + s(1 ),

(1.117)

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


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

s  (1)t s
x(t) = x0
(1.118)
e
+ ,

onde x0 = x(0) e a condicao inicial. Retornando `a variavel original teremos


k(t) =

h

k01

1
s  (1)t s i 1
e
+
,

53

(1.119)

1/(1)

onde k0 = x0
e a respectiva condicao inicial. Usando a funcao producao
de Cobb-Douglas (1.108) temos
K
K
K
=
= 1 =
Y
f (K, L)
K L

K
L

1

= k 1 = x,

(1.120)

de modo que a transformacao de variavel (1.115) que fizemos para resolver analiticamente o modelo e, na verdade, a relacao capital/produto que procuramos
para caracterizar o processo de crescimento econ
omico.
Varia
c
oes do modelo de Solow
Podemos incluir dois efeitos no modelo de Solow, sem alterar significativamente
sua estrutura e analise: (i) depreciacao do capital, e (ii) progresso tecnologico
ex
ogeno [21]. Supondo que, devido `a inflacao por exemplo, o capital seja depreciado numa taxa temporal > 0, a equacao para o investimento sera:
dK
= I(t) K(t).
dt

(1.121)

No modelo original de Solow, a taxa de crescimento econ


omico depende
essencialmente da taxa de crescimento Malthusiano da forca de trabalho .
No entanto, e possvel incluir tambem o efeito do progresso tecnologico, que
aumenta a produtividade a uma taxa > 0, de modo que a forca de trabalho
efetiva seja dada por
L(t) = L0 et e t = L0 et ,
(1.122)
onde + e a taxa de crescimento efetiva.
Substituindo (1.96), (1.100) e (1.122) em (1.121) teremos
K

=
=

sQ K = sL(k) kL =
L0 e(+ )t (s(k) k) .

Por outro lado, como K = kL, derivando ambos os lados temos


h
i
+ k L = L0 e(+ )t k + k( + ) ,
K = kL

(1.123)

(1.124)

de tal modo que, igualando (1.123) e (1.124), chega-se `a equacao diferencial


k = F (k) s(k) ( + + )k.

(1.125)

Supondo uma funcao de producao do tipo Cobb-Douglas (1.109) temos ent


ao
k = F (k) sk ( + + )k,

(1.126)

cujos pontos de equilbrio s


ao
k1

= 0,

k2

+ +
s

1
 1

(1.127)

Como a derivada do fluxo e


F (k) = sk 1 ( + + ),
54

(1.128)

(++) k

(++)
k
a

(++)
k
b

sb (k)

s (k)

sa (k)

ka

(a)

(b)

k
k b

k b

k a

Figura 1.22: Pontos de equilbrios do modelo de Solow quando (a) s aumenta;


(b) aumenta

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


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

1.7

Equac
oes n
ao-aut
onomas

Quando a variavel independente, ou seja, o tempo t, aparece explicitamente no


campo vetorial f (x, t) nos dizemos que a equacao diferencial correspondente
dx
= f (x(t), t),
dt

(1.129)

e nao-autonoma. Assim como no caso autonomo, e conveniente comecar pelas


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

(1.130)

onde G(t) e F (t) s


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

onde xH (t) e a solucao geral da equacao homogenea correspondente a (1.130),


ou seja, a equacao sem o termo dependente unicamente do tempo F (t):
dx
= G(t)x,
dt

(1.132)

onde xN H (t) e uma solucao particular da equacao nao-homogenea (1.130).


A solucao geral da equacao homogenea (1.132) pode ser encontrada facilmente por separacao de variaveis, e e uma generalizacao da solucao geral (1.12)
xH (t) = Ce

G(t )dt

(1.133)

onde C e uma constante determinada pela condicao inicial x(0), e usamos o


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

G(t )dt

(1.134)

Um calculo semelhante ao que levou `a solucao homogenea fornece [[23], pgs. 61


a 63]:
Z
R

u(t) = dt F (t )e G(t )dt .


(1.135)
tal que, substituindo-se (1.135) em (1.133), e depois (1.133) em (1.131), obtemos
a solucao geral da equacao nao-homogenea:
Z
R
R
R

G(t )dt
G(t )dt
x(t) = Ce
+e
dt F (t )e G(t )dt .
(1.136)

Na pr
atica, no entanto, nao e conveniente o uso da formula geral acima,
e sim o procedimento
que segue. Multiplicamos (1.136) pelo chamado fator
R

integrante e G(t )dt :


Z
R
R

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


(1.137)
e agora derivamos ambos os membros em relacao ao tempo:
R

d h R G(t )dt i
= 0 + F (t)e G(t )dt ,
xe
dt

(1.138)

Fazendo a derivada do produto no lado esquerdo


xe

G(t )dt

+ xG(t)e

G(t )dt

= F (t)e

G(t )dt

(1.139)

e dividindo tudo pelo fator integrante obtemos novamente a forma padrao da


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

1. Coloque o modelo na forma padrao (1.130);


2. Ache o fator integrante e

G(t )dt

3. Multiplique a equacao na forma padrao pelo fator integrante, de forma


que o lado esquerdo da equacao resultante e automaticamente a derivada
do produto do fator integrante por t:
R

d h R G(t )dt i
= F (t)e G(t )dt ;
xe
dt

(1.141)

4. Integre ambos os membros da equacao acima.


Como um exemplo smples, vamos considerar a equacao nao-autonoma
dx
=xt
dt

(1.142)

com a condicao inicial x(0) = 4. Comparando com a forma-padr


ao (1.130) temos
que G(t) = 1 e F (t) = t, ambas funcoes contnuas na reta real. Calculamos o
fator integrante
R
R

e G(t )dt = e dt = et ,
(1.143)
onde a constante de integracao C nao precisa ser escrita aqui, ja que sera considerada apenas no final dos calculos. A equacao (1.141) sera

Integrando ambos os lados


Z

d  t
xe = tet ,
dt
d(xet )

xet

(1.144)

dttet ,

et (t 1) + C,

tal que, dividindo por et chegamos, ent


ao, `a solucao geral
x(t) = Cet + et et (t 1) = Cet + t 1

(1.145)

Avaliando essa expressao em t = 0 temos que x(0) = C 1. Como x(0) = 4,


ent
ao C = 4 + 1 = 5 e a constante de integracao, com a qual () e escrita como
x(t) = 5et + t 1,

(1.146)

cujo comportamento e representado graficamente na Fig. 1.23. Observe que


x(t) inicialmente decresce ate um valor mnimo por volta de 1, 6 e depois cresce
monotonicamente, indo a infinito para t . Embora o termo 5et decaia
logo a zero, quem domina para grandes tempos e o termo linear t 1, que faz
com que a solucao divirja.
Nem todas as equacoes nao-autonomas (mesmo lineares) tem solucoes analticas,
a nao ser em casos smples como o do exemplo precedente onde as integrais podem ser calculadas numa forma fechada. Em geral, portanto, e necessario utilizar tecnicas numericas de solucao, como o metodo de Euler visto anteriormente.
57

10

10

Figura 1.23: Solucao da equacao (1.142) com a condicao inicial x(0) = 4.

No entanto, em se tratando de equacoes nao-autonomas e necessario fazer uma


modificacao para que o modelo torne-se autonomo. Considere a equacao
dx
= f (x, t).
dt

(1.147)

Se tentarmos usar diretamente a formula do metodo de Euler (1.50) esbarramos


na necessidade de expressar o campo vetorial sem o tempo. No entanto, podemos
definir uma variavel auxiliar y = t, tal que sua derivada seja igual a um. Temos,
portanto, um sistema de duas equacoes autonomas:
dx
dt
dy
dt

f (x, y),

(1.148)

1.

(1.149)

No Captulo (3) vamos abordar a extensao do metodo de Euler para modelos


bidimensionais como esse (bem como outros metodos numericos), de modo que
postergaremos a discussao desse tipo de solucao ate l
a.

1.8

Explorac
ao de recursos naturais renov
aveis

Um dos objetivos da Economia Ambiental e a administracao de recursos renov


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


P
dP
.
= rP 1
dt
K
onde r e a taxa de crescimento, e K a capacidade de sustentacao.

1.8.1

Taxa de explorac
ao constante

Um modelo muito smples para a exploracao (via colheita, caca, pesca, etc.) da
especie consiste em incluirmos na equacao logstica um termo h, com h > 0
58

1,5

0,1

(rK/4)-h

1
0

*
P1

*
P2

P2
P(t)

f(P)

K/2

K/2

0,5

-0,1

P1
0

tE

-h

-0,2

0,2

0,4

0,6

0,8

-0,5

Figura 1.24: (a) Diagrama de fase e (b) algumas solucoes possveis para a
equacao (1.150).

constante dito taxa de exploracao.


dP
= f (P ) = rP
dt

P
K

h.

(1.150)

O ponto de equilbrio P deve ser a solucao de f (P ) = 0, que e uma equacao


quadr
atica cujas razes s
ao
p
K K 2 (4hK/r)

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

rK
4hK
> 0 h < h
,
r
4

(1.152)

Ja se h > h nao ha solucoes reais, e portanto nao ha solucao de equilbrio: seja


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

neste caso, e h = rK/4 = 8000, compatvel com uma populacao de equilbrio


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




70.000
P0
= 0, 08 70.000 1
= 4620.
(1.153)
hmax = rP0 1
K
400.000
Devemos, no entanto, ter uma certa cautela com essas estimativas, uma vez que
os valores de r e K tem margens de erro de ate 10% e, portanto, o valor acima
pode ja estar acima do maximo previsto pelo modelo.

1.8.2

Taxa de explorac
ao proporcional `
a populac
ao

Um aperfeicoamento do modelo logstico consiste em supor a taxa de exploracao


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


dP
P
EP,
(1.154)
= f (P ) = rP 1
dt
K

onde E > 0 e chamado esforco, e representa a medida do desgaste na exploracao


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


E

P1 = 0,
P2 = K 1
,
(1.155)
r

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


E
,
(1.156)
EP2 = EK 1
r
Para obter a producao maxima sustent
avel (PMS) deste modelo, determinamos
o extremo da funcao EP2 em relacao ao esforco. Derivando (1.156) em relacao
a E obtemos:

2KE
EP2 = K
,
(1.157)
E
r
que sera igual a zero para o esforco maximo Emax = r/2, que e compatvel com
uma populacao


K
Emax
= .
P2 (Emax ) = K 1
(1.158)
r
2

Considerando novamente o exemplo das baleias da Ant


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

e a producao maxima sustent


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

1.8.3

Modelo de explorac
ao com varia
c
oes sazonais

Uma caracterstica comum a muitos ecossistemas e a sazonalidade das variacoes


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

r a(t),

(1.159)

na Eq. (1.27), onde A(t) e B(t) s


ao funcoes de perodo T , ou seja,
A(t + T ) = A(t),

B(t + T ) = B(t).

(1.160)

de modo que

dP
= P [A(t) B(t)P ].
(1.161)
dt
A introducao destes termos representando variacoes sazonais torna mais delicado o modelamento da exploracao, visto que esperam-se solucoes peri
odicas,
onde a populacao tambem cresca nos perodos de alimento abundante e decresca
naqueles onde ha falta de recursos naturais. Uma estrategia de exploracao nesse
caso pode ser implementada por um esforco E(t) dependente do tempo, tambem
denominado poltica de extracao:
dP
= P [A(t) B(t)P ] E(t)P.
dt

(1.162)

onde podemos supor que E(t) tambem seja uma funcao de perodo T . Podemos
especificar uma cota mnima Emin e uma cota maxima Emax de extracao, de
modo que E(t) [Emin , Emax ]. Essa e uma condicao de vnculo para um
problema de otimizacao que consiste em maximizar um funcional de retorno
para o agente extrator [25]. N
ao iremos nos deter nesse problema especfico mas
sim estudar a din
amica da equacao nao-autonoma (1.162). Ela pode tornar-se
uma equacao linear, por meio da transformacao de variavel z 1/P .
Mudando a derivada temporal pela regra da cadeia temos
dP dz
1 dz
dP
=
= 2 ,
dt
dz dt
z dt
61

(1.163)

que, substituida em (1.162), fornece




B(t)
E(t)
1
1 dz
A(t)

=
2
z dt
z
z
z
Multiplicando ambos os membros por z 2 teremos a equacao normalizada
dz
= z[A(t) E(t)] + B(t).
dt

(1.164)

que tem a forma padrao (1.130), desde que facamos as seguintes identificacoes:
x z,

G(t) A(t) E(t),

F (t) b(t).

(1.165)

Calculamos o fator integrante


e

G(t )dt

=e

[A(t )E(t )]dt

(1.166)

tal que a equacao (1.141) sera


R

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


= B(t)e [A(t )E(t )]dt
ze
dt

(1.167)

Integrando ambos os lados de 0 a t, sendo z0 = z(0) temos


ze

Rt
0

[A(t )E(t )]dt

z0 =

dt B(t )e

R t
0

[A(t )E(t )]dt

(1.168)

tal que chegamos `


a solucao
z(t) = e

Rt
0

[A(t )E(t )]dt

z0 +

dt B(t )e

R t
0

[A(t )E(t )]dt

(1.169)

ou, voltando `
a variavel original, com P0 = 1/z0 ,
P0 e

P (t) =
1 + P0

Rt
0

Rt
0

[A(t )E(t )]dt

dt B(t )e

R t
0

[A(t )E(t )]dt

(1.170)

Se a taxa de extracao for maior que a taxa de crescimento para todos os


tempos, E(t) > A(t), ent
ao a diferenca entre elas sera negativa A(t) E(t) < 0,
tal que
Z t
Z t
|A(t ) E(t )|dt =
[A(t ) E(t )]dt = lim
lim
t
Rt

tal que e 0 [A(t )E(t )]dt 0, e a populacao P (t) tende a zero assintoticamente. No entanto, em geral A(t) E(t) sera uma funcao peri
odica, podendo
assumir valores positivos e negativos. Neste caso, o comportamento assint
otico
da solucao dependera do valor medio sobre um perodo T da funcao A(t) E(t),
que denotamos:
1
< A E >=
T

t+T

[A(t ) E(t )]dt

62

(1.171)

Se < A E >< 0 ent


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

R t+T
t

[A(t )E(t )]dt


= zp (t) eT <AE> 1 =

zp (t)e

t+T

Rt

dt B(t )e

[A(t )E(t )]dt

R t
t

[A(t )E(t )]dt

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

dt B(t )e t [A(t )E(t )]dt


t

Para investigar a estabilidade (global) dessa solucao peri


odica, consideramos
duas solucoes nao-nulas P1 e P2 da equacao (1.162), e definimos a variavel [25]
=

1
1

.
P1
P2

(1.173)

cuja derivada temporal e:


d
dt

=
=
=
=

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


1
1
1
1
(A E) + B +
(A E) B = (A E)

P1
P2
P1
P2
(A E)
(1.174)

que e uma equacao diferencial linear cuja solucao e


(t) = (0)e

Rt
0

[A(t )E(t )]dt

(1.175)

Agora suponhamos que P1 e uma solucao peri


odica Pp , e que P2 seja uma
perturbacao dessa solucao. Supondo que < A E >> 0, ent
ao fazendo t = T
em (1.175) teremos
(T ) = (0)eT <AE> ,
(1.176)
mostrando que, ao longo de um ciclo completo, a solucao P2 aproxima-se da
solucao peri
odica P1 , de modo que esta e assintoticamente est
avel.

1.9

Problemas

1. Sejam os fluxos unidimensionais: (a) x = sin x; (b) x = x2 1. Faca o diagrama


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

63

3. Discuta a estabilidade dos pontos de equilbrio para os seguintes casos: (a)


x = x3 ; (b) x = x2 ; (c)x = 0.
4. Considere o modelo contnuo unidimensional
dx
= 2 x + x2 ,
dt

x(0) = 1,

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



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

64

8. Consisdere o modelo de Solow estendido (1.126). Estime o valor do par


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

x(0) = 1,

(b)
dx
8x
,
=
dt
9 t2

x(0) = 1,

11. (a) Mostre, usando o criterio de estabilidade linear, que as soluco


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


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

P2 (P0 P1 ) P1 (P0 P2 )et


,
P0 P1 (P0 P2 )et

onde P0 = P (0) e

r(P2 P1 )
=r
K

4h
Kr

12. Repita os tens (a) e (c) do problema anterior para o modelo de esforco constante
(1.154).
13. Considere o exemplo da exploraca
o de baleias na Ant
artida sob os pontos de
vista de uma taxa de exploraca
o constante e proporcional `
a populaca
o. Usando os valores numericos dados no texto, resolva numericamente as equaco
es
diferenciais para obter a populaca
o como funca
o do tempo (anualmente).
14. Um modelo de crescimento populacional alternativo ao logstico foi proposto por
Gompertz
dP
= P ( ln P )
dt
onde e a taxa de crescimento, e e/ a capacidade de sustentaca
o. Considere
o problema de exploraca
o de recursos sob os tres pontos de vista: (i) taxa de
exploraca
o constante; (ii) exploraca
o dependente da populaca
o; e (iii) variaca
o
sazonal da exploraca
o. Determine os pontos de equilbrio e sua estabilidade,
interpretando os resultados do ponto de vista das estrategias de exploraca
o.
Quando possvel, mostre soluco
es analticas para a populaca
o como funca
o do
tempo.

65

66

Captulo 2

Modelos contnuos
bidimensionais lineares
Na maioria dos modelos de interesse econ
omico ha duas ou mais variaveis
din
amicas, e a evolucao de cada uma depende das demais, o que demanda
modelos contnuos multidimensionais. Inicialmente vamos estudar com algum
detalhe o caso mais smples, que e o de modelos bidimensionais. O caso de modelos lineares e interessante de per si, pois ja serve ao modelamento de problemas
econ
omicos, alem de servir como base para o estudo de modelos nao-lineares.

2.1

Matrizes bidimensionais

A analise matematica de modelos bidimensionais pode ser feita de forma elegante na linguagem matricial. Por este motivo, nesta secao, vamos revisar
alguns conceitos da
algebra de matrizes bidimensionais e vetores no R2 . No
entanto, a maioria destes conceitos e facilmente generalizavel para matrizes de
ordem arbitraria.

2.1.1

Operac
oes elementares com matrizes

Sejam M e N duas matrizes reais 2 2, ou seja, que tem duas linhas e duas
colunas cada, escritas na seguinte forma geral




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


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


M11 M12
M =
.
(2.3)
M21 M22
67

Para estas operacoes, valem as seguintes propriedades:


1. associatividade I: M + (N + P) = (M + N) + P;
2. comutatividade I: M + N = N + M
3. associatividade II: (M) = ()M;
4. comutatividade II: (M) = (M)
5. distributividade: (M + N) = M + N;
Ja o produto das matrizes M e N, denotado M.N, e uma matriz C, cujos
elementos s
ao obtidos a partir da seguinte regra
Cij =

2
X

Mik Nkj = Mi1 N1j + Mi2 N2j

(2.4)

k=1

ou, em termos das matrizes bidimensionais correspondentes



 

C11 C12
M11 N11 + M12 N21 M11 N12 + M12 N12
=
.
C21 C22
M21 N11 + M22 N21 M21 N12 + M22 N22

(2.5)

O produto de matrizes goza das seguintes propriedades


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


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

 
  2

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

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


1 0
I=
,
0 1

(2.8)

(2.9)

com a propriedade que, para qualquer matriz M,


I.M = M.I = M
68

(2.10)

O chamado traco de uma matriz e a soma de seus elementos diagonais


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


M11 M12

= M11 M22 M12 M21
det M =
M21 M22

(2.11)

(2.12)

O determinante do produto de matrizes e

det(M.N) = (det M)(det N).

(2.13)

Dada uma matriz M, se existir uma matriz T tal que


M.T = T.M = I

(2.14)

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

a
M=
c

1
det M

(2.15)


b
,
d

(2.16)

a matriz inversa e dada por


M1 =

1
ad bc

d
c


b
,
a

(2.17)

desde que ad bc 6= 0.

2.1.2

Vetores e matrizes coluna

Num sistema de coordenadas cartesianas ortogonais, um ponto P tem coordenadas (x, y), e podemos construir um vetor ligando a origem O ao ponto P,
o qual sera denotado v (Fig. 2.1). Podemos representar este vetor por uma
matriz coluna (duas linhas e uma coluna), cujos elementos s
ao as coordenadas
do ponto P:
 
x
v=
(2.18)
y
Os vetores, considerados como matrizes coluna, gozam de propriedades inteiramente semelhantes `
as das matrizes bidimensionais, quais sejam:
    

x
wx
x + wx
v+w =
+
=
,
(2.19)
wy
y + wy
y
   
x
x
.
(2.20)
=
v =
y
y
69

y
P
y
v

Figura 2.1: Vetor no R2

O produto de uma matriz por um vetor resulta em outro vetor, dado por:
w = M.v =

M11
M21

M12
M22


  
M11 x + M12 y
x
.
=
M21 x + M22 y
y

(2.21)

O modulo de um vetor, designado por v ou |v|, representa a distancia entre


os pontos O e P na Figura 2.1. Aplicando o teorema de Pitagoras, temos que
v = |v| =

p
x2 + y 2

(2.22)

Um vetor de modulo igual a um sera dito unit


ario, ou ainda versor. Qualquer
vetor pode ser normalizado se o dividirmos pelo seu modulo
vw=

v
,
|v|

(2.23)

tal que |w| = 1.


Em especial, nos introduzimos os vetores unitarios correspondentes aos eixos
x e y, denotados i e j, respectivamente, tal que um vetor qualquer seja escrito
como uma combinacao linear dos vetores unitarios, na forma:
v = xi + yj.

(2.24)

Usando (2.20), concluimos que as representacoes dos vetores unitarios, em termos de matrizes coluna, s
ao:
i=

 
1
,
0

j=

 
0
.
1

(2.25)

O vetor nulo e a matriz nula s


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

 
0
,
0

0=
70

0
0


0
.
0

(2.26)

2.1.3

Autovalores e autovetores

Seja M uma matriz quadrada. O n


umero real e dito um autovalor da matriz
M se existir um vetor nao-nulo u tal que
M.u = u,

(2.27)

onde u e o autovetor correspondente ao autovalor .


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

(2.28)

Considerando a seguinte matriz bidimensional




a b
,
A=
c d

(2.29)

podemos escrever o seu autovetor na forma geral


 
ux
u=
.
uy

(2.30)

tal que a equacao de autovalores (2.28) seja





    
a b
1 0
ux
0
(A I).u =

=
,
c d
uy
0 1
0

   
a
b
ux
0
=
.
uy
c
d
0

(2.31)

Igualando os elementos de matriz correspondentes dos lados esquerdo e direito dessa equacao, temos o seguinte sistema linear e homogeneo de equacoes:
(a )ux + buy
cux + (d )uy

=
=

0,
0,

(2.32)
(2.33)

que tem uma solucao trivial ux = uy = 0 correspondente ao vetor nulo. Solucoes


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


a
b

,
(2.34)
c
d
ou, numa notacao mais compacta,

det(A I) = 0,

(2.35)

dita equacao secular, e cuja solucao fornece os autovalores procurados.


No caso de (2.34), desenvolvendo o determinante pela definicao (2.12) temos
que
(a )(d ) bc
(a + d) + (ad bc)

=
=

0,
0,

(2.36)

+ =

0,

(2.37)

71

onde identificamos duas quantidades fundamentais, que s


ao o traco
Tr A = a + d,

(2.38)

e o determinante da matriz A:
det A = ad bc.

(2.39)

Os autovalores da matriz A s
ao dados pelas razes da equacao (2.37):

2 4
D
1,2 =
=
,
(2.40)
2
2
onde definimos o discriminante
D 2 4,

(2.41)

cujo sinal determina se os autovalores de A s


ao reais ou complexos. Podemos
ter as seguintes situacoes:
1. D > 0, ( 2 > 4): autovalores reais e distintos;
2. D = 0, ( 2 = 4): autovalores reais e iguais: 1 = 2 = ;
3. D < 0, ( 2 < 4): autovalores complexos conjugados
(a) 6= 0: 1 = + i, 2 = 1 = i,

(b) = 0: imagin
arios puros 1 = i, 2 = i,
onde

p
|D|

.
(2.42)
2
2
Conhecidos os autovalores de uma matriz, os autovetores correspondentes a
eles s
ao determinados substituindo 1,2 na equacao (2.31). Nas proximas secoes
veremos diversos exemplos do calculo de autovalores e autovetores.

2.2

Modelos bidimensionais lineares

A extens
ao natural dos modelos contnuos unidimensionais vistos no captulo
anterior contempla, agora, duas variaveis dependentes, que denotaremos x(t) e
y(t), ambas funcoes da mesma variavel dependente, o tempo t. Cada variavel
dependente satisfaz uma equacao diferencial de primeira ordem em relacao ao
tempo, onde a derivada de cada variavel depende do valor das duas variaveis.
Um modelo contnuo bidimensional linear e um conjunto de duas equacoes diferenciais obtido a partir de funcoes afins para cada variavel dependente:
dx
dt
dy
dt

ax + by + j,

(2.43)

cx + dy + k,

(2.44)

onde a, b, . . . k s
ao constantes. Na notacao matricial, podemos escrever o
sistema na forma
dv
= A.v + B,
(2.45)
dt
72

onde definimos
 
x
,
v=
y


a
A=
c


b
,
d

 
j
.
B=
k

(2.46)

Assim como no caso unidimensional, estamos interessados em resolver o


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

2.2.1

Pontos de equilbrio

Assim como nos modelos discretos, os modelos contnuos tambem apresentam


solucoes estacion
arias, ou de equilbrio v , que s
ao constantes no tempo, ou seja:
 
dv
x
= 0.
(2.47)

v =

y
dt
Para o modelo linear (2.45), temos de resolver a equacao matricial
A.v + B = 0.

(2.48)

Supondo que a matriz A seja inversvel, ou seja, que det A 6= 0, podemos


multiplicar ambos os membros de (2.48) `a esquerda pela inversa da matriz,
A1 , o que fornece um u
nico ponto de equilbrio
v = A1 .B.

(2.49)

Para conveniencia de calculos, podemos transladar o ponto de equilbrio para


a origem, o que equivale a definir a nova variavel


wx (t)
w(t) =
v(t) v = v(t) + A1 .B.
(2.50)
wy (t)
Derivando em relacao ao tempo, e usando (2.47), temos
dw
dt

=
=

dv dv

= A.v + B = A.(w + v ) + B
dt
dt
A.(w A1 .B) + B = A.w A.A1 .B + B,

ou seja, o novo vetor w satisfaz a equacao


dw
= A.w,
dt
cujo ponto de equilbrio e a propria origem do plano de fase
 
0

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

 

x(0) x
wx (0)
=
w(0) =
y(0) y
wy (0)
e o vetor de condicoes iniciais.
73

(2.51)

(2.52)

(2.53)

(b)

(a)

1
0

v1
0
0
1
0
0
1

00
11
11
00
00
11

1
v* 0

v0

11
00
00
11
00
11

v*

U1

U1
U

Figura 2.2: (a) Equilbrio est


avel no sentido de Lyapunov, e (b) assintoticamente
est
avel.

2.2.2

Conceitos de estabilidade

A estabilidade do ponto fixo na origem pode ser estudada da mesma forma


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

lado, basta que o equilbrio nao seja est


avel no sentido de Lyapunov para ser
considerado instavel.
No caso especfico de modelos bidimensionais lineares, a existencia de solucoes
gerais para condicoes iniciais arbitrarias faz com que as solucoes de equilbrio
possam ser (se for o caso) globalmente atrativas, ou seja, v atrai todas as trajet
orias do plano. Em contraposicao, em modelos nao-lineares arbitrarios nao
se pode afirmar, em geral, que isso seja verdade: contentamo-nos em descrever
regi
oes do plano que contenham vizinhancas U e U1 para as quais as definicoes
anteriores sejam v
alidas.

2.2.3

Soluc
ao geral do modelo bidimensional linear

A equacao matricial (2.51) e, formalmente, muito parecida com a equacao unidimensional dx/dt = ax, cuja solucao geral foi vista no Captulo 1 como:
x(t) = x0 eat .

(2.54)

No entanto, em se tratando de matrizes, o analogo dessa expressao envolve uma


operacao relativamente complicada, que e a exponencial de uma matriz. Esse
tratamento formal sera apresentado no Captulo 4, onde serao vistos modelos multidimensionais. Neste Captulo, por raz
oes pedagogicas, seguiremos um
caminho menos formal, porem mais direto para resolver a equacao (2.51), e que
consiste em procurar soluco
es para ela na seguinte forma:
w(t) = et u,

(2.55)

onde u e um vetor fixo, a ser determinado, e pode ser interpretado como uma
taxa de aumento ou diminuicao do modulo do vetor w com o passar do tempo,
caso seja positivo ou negativo, respectivamente.
Dessa forma, a solucao w(t) representa um vetor, ao longo da direcao fixada
pelo vetor u, e cujo modulo diminui ou aumenta com o passar do tempo `a taxa
[Fig. 2.3(a) e (b), respectivamente]. Essa caracterstica da solucao geral do
modelo linear permitir
a que facamos uma classificacao dos tipos de pontos de
equilbrio no plano, baseada no comportamento temporal do modulo dos desvios
das trajet
orias em relacao `
a solucao de equilbrio.
Substituindo a solucao tentativa (2.55) na equacao (2.51) temos
d t 
dw
=
e u
dt
dt
et u

=
=


A.w = A. et u ,

et A.u,

(2.56)

tal que, dividindo por et , chegamos a


A.u = u,

(2.57)

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


correspondente ao autovalor .
Na secao anterior, vimos que uma matriz bidimensional tem dois autovalores

que podem ser reais ou complexos. Alem disso, na Algebra


Linear mostra-se
que os autovetores correspondentes aos autovalores 1 e 2 , que denotaremos
u1 e u2 , respectivamente, s
ao linearmente independentes [27]. Isso significa
75

(b)

(a)
<0

>0

w(0)

w(t)
w(t)

w(t)

w(t)

w(t)
0

w(t)

w(0)

Figura 2.3: Vetor com modulo (a) diminuindo e (b) aumentando exponencialmente com o passar do tempo.

c u2
2

u2
c1u 1
u

Figura 2.4: Combinacao linear de dois vetores linearmente independentes.

que qualquer vetor no plano pode ser escrito como uma combinacao linear dos
autovetores:
w = c1 u1 + c2 u2 ,

(2.58)

onde c1 e c2 s
ao coeficientes reais arbitrarios. Esse vetor pode ser, por exemplo,
a condicao inicial w0 = w(t = 0) [Figura 2.4].
Como a equacao
dw
= A.w
dt

(2.59)

representa matricialmente um sistema de duas equacoes diferenciais de primeira


ordem, ela ter
a duas constantes de integracao arbitrarias. Tais constantes s
ao
justamente os coeficientes c1 e c2 da combinacao linear em (6.36). Logo, a
solucao geral de (2.59) pode ser escrita, em vista da solucao tentativa (2.55),
como
w(t) = c1 e1 t u1 + c2 e2 t u2 .
76

(2.60)

2.3

An
alise da estabilidade do equilbrio

Vamos estudar os casos possveis para os autovalores da matriz A, e que tipos de


solucoes de equilbrio a eles correspondem, do ponto de vista da sua estabilidade.
Neste captulo apresentaremos os diversos casos possveis por meio de exemplos.
No Captulo 4 apresentaremos um enfoque mais geral para esse assunto.

2.3.1

Autovalores reais e distintos

Comecaremos pelo caso de autovalores reais e distintos, que apresentara v


arias
situacoes para a estabilidade do ponto de equilbrio.
N
o est
avel: 1 < 0 e 2 < 0
Considere o seguinte exemplo
dx
dt
dy
dt

2x + y,

(2.61)

x 2y,

(2.62)

ou, na forma matricial,


dv
= A.v,
dt
onde
A=

2
1


1
,
2

(2.63)

B=

 
0
,
0

(2.64)

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


Para a matriz A, o traco e o determinante s
ao dados por (2.38) e (2.39),
respectivamente, como
= Tr A = 2 2 = 4,

= det A = 4 1 = 3,

(2.65)
(2.66)

tal que o discriminante seja


D = 2 4 = 16 12 = 4 > 0,

(2.67)

de modo que os autovalores de A s


ao reais e positivos. De fato, aplicando (2.40)
temos que

4 + 2
4 + 4
=
= 1,
(2.68)
1 =
2
2
4 4
4 4
2 =
=
= 3.
(2.69)
2
2
Para determinar os autovetores usamos as equacoes (2.32)-(2.33)
(2 )ux + uy

ux + (2 )uy
77

0,

(2.70)

0,

(2.71)

Para o autovalor 1 = 1 teremos


ux + uy

ux uy

0,

(2.72)

0.

(2.73)

Da primeira equacao acima concluimos que ux = uy , mas a segunda equacao


e simplesmente a primeira com sinal trocado, de forma que o sistema (2.72)(2.73) nao e suficiente para determinar univocamente as duas componentes do
autovetor u1 .
Como ha infinitas escolhas possveis, optamos por uma que nos seja particularmente simples, de sorte que arbitramos ux = uy = 1, e o autovetor
correspondente ao autovalor 1 = 1 e
 
1
.
(2.74)
u1 =
1
De modo inteiramente analogo, o autovetor relativo ao autovalor 2 = 3 e
 
1
,
(2.75)
u2 =
1
e a solucao geral da equacao (2.61), tendo em vista (2.60), e dada por
 
 
1
t 1
3t
v(t) = c1 e
+ c2 e
,
1
1

(2.76)

que equivale `
as seguintes expressoes
x(t)
y(t)

=
=

c1 et + c2 e3t ,
c1 et c2 e3t .

(2.77)
(2.78)

Podemos verificar que, no limite t , tanto x(t) como y(t) tendem a zero.
Em outras palavras, o modulo do vetor, |v(t)| tende a zero quando t . De
acordo com as definicoes vistas na secao anterior, o ponto de equilbrio w = 0
e assintoticamente est
avel. A condicao necessaria e suficiente para isso e que
ambos autovalores da matriz A sejam negativos.
As constantes de integracao c1 e c2 , por sua vez, s
ao determinadas a partir
das condicoes iniciais x0 = x(t = 0) e y0 = y(t = 0), ou seja, das componentes
do ponto inicial no plano de fase. Do sistema acima temos que, para t = 0, as
constantes satisfazem o sistema linear
x0
y0

=
=

c1 + c2 ,
c1 c2 ,

(2.79)
(2.80)

cujas solucoes s
ao
x 0 + y0
,
(2.81)
2
x 0 y0
.
(2.82)
c2 =
2
Substituindo (2.81) e (2.82) em (2.79) e (2.80) chegamos `a solucao final




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




x 0 + y0
x 0 y0
y(t) =
et
e3t .
(2.84)
2
2
c1

78

x(t)

(b)

(a)

4
3

1
2

u1

1
0

y(t)

1,5

u2
-1

1
0,5
0

0,5

1,5

2,5

-2
-2

-1

Figura 2.5: (a) Evolucao temporal das variaveis x e y para condicoes iniciais
x0 = 5 e y0 = 1. (b) N
o est
avel.

Cada condicao inicial (x0 , y0 ) produz uma trajet


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

x + y,

(2.85)

2x + 4y,

(2.86)

para o qual a matriz dos coeficientes e



1
A=
2


1
,
4

(2.87)

e o ponto de equilbrio e, novamente, a origem 0.


O traco, determinante e discriminante de A s
ao
= 5,

= 3,

D = 25 24 = 1 > 0,
79

(2.88)

0,01

20

x(t)

15
10

u1

u2

y(t)

8
6
4
2
0

0,1

0,2

0,3

0,4

0,5

0,6

0,7

0,8

0,9

-0,01
-0,002

0,002

Figura 2.6: (a) Evolucao temporal das variaveis x e y para condicoes iniciais
x0 = 0, 1 e y0 = 0, 3. (b) N
o instavel.

sendo seus autovalores iguais a


1 = 3

2 = 2,

correspondendo aos seguintes autovetores, respectivamente,


 
 
1
1
u1 =
,
u2 =
.
2
1
A solucao geral de (2.85) sera, pois,
 
 
1
1
,
+ c2 e2t
v(t) = c1 e3t
1
2

(2.89)

(2.90)

(2.91)

ou
x(t)
y(t)

c1 e3t + c2 e2t ,

3t

2t

2c1 e + c2 e .

(2.92)
(2.93)

Para t , tanto x(t) como y(t) tendem a infinito. Como o modulo do vetor
v cresce com o passar do tempo, dizemos que o ponto de equilbrio v = 0 e
instavel; situacao que surgir
a sempre que um ou mais dos autovalores da matriz
A sejam positivos, como nesse caso.
Supondo uma condicao inicial x(0) = x0 e y(0) = y0 , as constantes serao
solucoes do sistema
x0

c1 + c2 ,

(2.94)

y0

2c1 + c2 ,

(2.95)

dadas por c1 = y0 x0 e c2 = 2x0 y0 , e portanto


x(t)
y(t)

=
=

(y0 x0 )e3t + (2x0 y0 )e2t ,


2(y0 x0 )e3t + (2x0 y0 )e2t .

(2.96)
(2.97)

que est
ao representadas graficamente na Figura 2.6(a) para as condicoes iniciais
x0 = 0, 1 e y0 = 0, 3.
80

Tais solucoes, para diferentes valores das condicoes iniciais, apresentam,


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

x + y,

(2.98)

4x 2y,

(2.99)


1
,
2

(2.100)

1
4

com o ponto de equilbrio na origem. O traco, determinante e discriminante


serao
= 1,
= 6,
D = 25 > 0,
(2.101)

tal que os autovalores s


ao

1 = 2

2 = 3

correspondendo aos seguintes autovetores, respectivamente:


 
 
1
1
u1 =
,
u2 =
.
1
4

(2.102)

(2.103)

Com esses dados, podemos escrever a solucao geral de (2.98) como


 
 
1
1
v(t) = c1 e2t
+ c2 e3t
,
(2.104)
1
4
ou ainda
x(t)
y(t)

=
=

c1 e2t + c2 e3t ,
c1 e2t 4c2 e3t .

(2.105)
(2.106)

Sendo a condicao inicial x(0) = x0 , y(0) = y0 o sistema (2.105)-(2.106)


torna-se, para t = 0,
x0
y0

=
=

c1 + c2 ,
c1 4c2 .

(2.107)
(2.108)

Subtraindo membro a membro as equacoes acima temos que c1 = (4x0 + y0 )/5


e c2 = (x0 y0 )/5. Logo
x(t)

y(t)

1
(4x0 + y0 )e2t +
5
1
(4x0 + y0 )e2t
5
81

1
(x0 y0 )e3t ,
5
4
(x0 y0 )e3t .
5

(2.109)
(2.110)

20

15

10

x(t)

u1

y(t)

u2

-2

-4

2
0

-6

-2
-4

0,1

0,2

0,3

0,4

0,5

0,6

0,7

0,8

0,9

-8
-5

-4

-3

-2

-1

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


1 0
A=
,
(2.111)
0 0

com o ponto de equilbrio na origem. Os autovetores s


ao dados pelas Eqs.
(2.32)-(2.32)
(1 )ux
uy

82

0,

(2.112)

0.

(2.113)

(b)

(a)
y

Figura 2.8: Feixe de retas paralelas para o caso de um autovalor nulo, sendo o
outro (a) negativo, e (b) positivo.

Considerando o autovalor nao-nulo 1 , decorre que ux = 0 para qualquer uy ,


situacao que se inverte quando levamos em conta o autovalor igual a zero, de
sorte que os autovetores correspondentes a eles podem ser escolhidos, respectivamente, como
 
 
1
0
u1 =
,
u2 =
.
(2.114)
0
1
Podemos, pois, escrever a solucao geral do modelo como
 
 
0
1 t 1
,
v(t) = c1 e
+ c2
1
0

(2.115)

ou ainda
x(t)

c 1 e 1 t ,

(2.116)

y(t)

c2 .

(2.117)

Em termos das condicoes iniciais x(0) = x0 , y(0) = y0 o sistema (6.85)-(6.86)


fornece, para t = 0, c1 = x0 e c2 = y0 ; donde
x(t)

x 0 e 1 t ,

(2.118)

y(t)

y0 .

(2.119)

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

2.3.2

Autovalores reais e iguais

Se a matriz A tiver autovalores reais e iguais, 1 = 2 , ha duas possibilidades


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

x,

(2.121)

y,

(2.122)


0
,
1

(2.123)

1
0

que ja encontra-se na forma diagonal, sendo os autovalores dados diretamente


pelos elementos da diagonal principal: 1 = 2 = 1. Nesse caso, a equacao dos
autovalores (2.32)-(2.33) resulta em identidades triviais, pois:
(1 )ux + 0.uy
0.ux + (1 )uy

=
=

0 0 = 0,
00=0

(2.124)
(2.125)

s
ao satisfeita por quaisquer valores de ux e uy . Logo, podemos escolher para o
papel de autovetores quaisquer dois vetores no plano, como por exemplo
 
 
0
1
.
(2.126)
,
u2 =
u1 =
1
0
os quais s
ao linearmente independentes pois qualquer vetor no plano pode ser
escrito como uma combinacao linear dos mesmos
 
 
 
0
1
c1
= c1 u1 + c2 u2 .
(2.127)
+ c2
c=
= c1
1
c2
0
A solucao geral desse modelo sera dada, ent
ao, por (2.120):
 
 
t 0
t 1
,
+ c2 e
v(t) = c1 e
1
0

(2.128)

ou seja,
x(t)

c 1 et = x 0 et ,

(2.129)

y(t)

c 2 et = y 0 et ,

(2.130)

e que, divididas uma pela outra, fornecem


y(t)
y0
=
,
x(t)
x0
84

(2.131)

y
u2

u1
0

-2

-4
-4

-2

Figura 2.9: N
o estrela instavel.

que e a equacao de uma estrela de retas que passam pela origem, sendo os
seus coeficientes angulares uma funcao das condicoes iniciais (x0 , y0 ). Esse caso
configura um n
o estrela inst
avel, pois os autovalores 1 = 2 s
ao positivos
[Fig. 2.9]. Caso fossem negativos, a origem seria assintoticamente est
avel (um
no estrela est
avel).
Apenas um autovetor linearmente independente
Se ha apenas um autovetor u1 associado ao autovalor repetido, a situacao fica
um pouco mais complicada. Nesse caso, precisamos de um segundo vetor linearmente independente u2 para que a solucao geral continue tendo duas constantes de integracao, como exigido pelo Calculo Diferencial. Pode-se mostrar,

na Algebra
Linear, que este segundo vetor e dado por [23, 8]
u2 = tu1 + z,

(2.132)

onde z e um vetor a ser determinado. Nesse caso, a solucao geral sera


v(t) = v1 + v2 = c1 e1 t u1 + c2 e1 t [tu1 + z] .

(2.133)

Para encontrar o vetor z nos substituimos (2.133) na equacao geral v = A.v.


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

d  1 t
e (tu1 + z)
c2
dt
c2 e1 t [1 (tu1 + z) + u1 ]

A.v2 ,

c2 e1 t A. (tu1 + z) ,

c2 e1 t (tA.u1 + A.z) .

Dividindo por c2 e1 t
t(1 u1 A.u1 ) + u1
A.z 1 I.z

=
=

A.z 1 z,
u1 ,

(2.134)
(2.135)

ja que o termo entre parenteses em (2.134) e nulo, por ser a propria equacao dos
autovetores. Concluimos que o vetor z e determinado pela seguinte equacao:
(A 1 I) .z = u1 .
85

(2.136)

Vamos resolver o seguinte sistema linear, como exemplo


dx
dt
dy
dt

3x 18y,

(2.137)

2x 9y,

(2.138)


3 18
,
2 9

(2.139)

cuja matriz dos coeficientes e


A=

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


= 6,

= 9,

D = 0,

(2.140)

sendo seus autovalores iguais a


1 = 2 = 3,
correspondendo a um u
nico autovetor, que e
 
3
u1 =
.
1

(2.141)

(2.142)

Para encontrar um segundo autovetor, precisamos calcular o vetor


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

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

6
2

18
6

   
zx
3
=
.
zy
1

(2.144)

(2.145)

que e um sistema linear nao-homogeneo que, na verdade, representa apenas uma


equacao: 6zy = 2zx 1. Ja que temos a liberdade de escolher o valor de zx ,
vamos usar zx = 1/2, tal que zy = 0, e o vetor procurado sera
 
1/2
z=
.
(2.146)
0
A solucao geral sera dada por (2.133) como
v(t)

=
=

ou

c1 e3t u1 + c2 e3t [tu1 + z] ,


    
 
1/2
3
3t
3t 3
,
+
t
+ c2 e
c1 e
0
1
1

x(t)

y(t)



1
c2 e3t ,
3c1 e3t + 3t +
2
c1 e3t + c2 te3t .
86

(2.147)
(2.148)

(2.149)
(2.150)

x(t)

1
0
2

-1

u1

-2
-3
0

-4
3

y(t)

2
-2

1
0
-1

0,5

1,5

2,5

-4
-15

-10

-5

10

15

Figura 2.10: (a) Evolucao temporal das variaveis x e y para as condicoes iniciais
x0 = 3 e y0 = 3. (b) N
o est
avel degenerado.

Considerando a condicao inicial (x0 , y0 ), as constantes de integracao serao


solucoes do sistema
x0

y0

1
3c1 + c2 ,
2
c1 + 0,

(2.151)
(2.152)

que s
ao dadas por c1 = y0 e c2 = 2(x0 3y0 ). Logo a solucao final do modelo
bidimensional linear e


1
3t
2(x0 3y0 )e3t ,
(2.153)
x(t) = 3y0 e
3t +
2
y(t)

y0 e3t 2(x0 3y0 )te3t .

(2.154)

Um exemplo para o caso onde x0 = y0 = 3 e mostrado na Fig. 2.10(a).


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

1
t
t
1
=
= lim ||t =
= lim
= 0.
t e
et
t ||e||t

Isso nos mostra que o ponto de equilbrio na origem e assintoticamente


est
avel, nesse caso, e e dito um n
o est
avel degenerado, sendo que as trajet
orias
nas vizinhancas do mesmo parecem a princpio afastar-se dele, para logo apos
aproximarem-se da origem pela direcao invariante indicada pelo autovetor u1
[Figura 2.10(b)]. Em geral, mesmo onde haja apenas um autovetor linearmente
independente, vale o mesmo criterio de estabilidade do caso nao degenerado
(autovalor positivo relacionado a instabilidade, e negativo para estabilidade).
Dois autovalores nulos
Um caso extremo e o de dois autovalores nulos: 1 = 2 = 0, como por exemplo
no sistema bidimensional onde todos os elementos da matriz dos coeficientes A
87

s
ao iguais a zero. Podemos, ainda, descrever dois casos possveis, no esprito
da discussao anterior [29]. No primeiro caso, ha dois autovetores linearmente
independentes. De fato, como todos os elementos da matriz dos coeficientes s
ao
nulos, as equacoes (2.32)-(2.32) tem infinitas solucoes, ou seja, quaisquer valores
das componentes dos autovetores ux e uy s
ao possveis para ambos os autovalores. Supondo que os autovetores nao sejam colineares, eles s
ao linearmente
independentes. Neste caso, e imediato que, sendo x = 0 e y = 0, as solucoes s
ao
constantes, ou seja, iguais `as proprias condicoes iniciais para quaisquer instantes
de tempo:
x(t) = x0 ,
y(t) = y0 .
(2.155)
Logo, todos os pontos do plano de fase s
ao solucoes de equilbrio (nao s
o a
origem). Alem disso tais pontos s
ao est
aveis apenas no sentido de Lyapunov,
ja que, a rigor, nao nos afastamos nem nos aproximamos deles no decorrer do
tempo.
No segundo caso, ha apenas um autovetor u1 associado ao autovalor nulo
repetido (com componentes arbitrarias), e precisamos encontrar um segundo
autovetor linearmente independente u2 que, de acordo com o procedimento
visto anteriormente, e dado por
u2 = tu1 + z,

(2.156)

onde z e um vetor a ser determinado, de modo que a solucao geral sera


v(t) = c1 u1 + c2 (tu1 + z).

(2.157)

Como u1 tem componentes arbitrarias, podemos escolhe-lo por simplicidade


como
 
1
u1 =
,
(2.158)
0
tal que o segundo vetor, linearmente independente ao primeiro, pode ser escolhido como
 
0
z=
,
(2.159)
1
ja que este e perpendicular `aquele. Nesse caso, (2.157) sera, em componentes,
x(t)
y(t)

=
=

c1 + c2 t = x0 + y0 t,
c 2 = y0 ,

(2.160)
(2.161)

em vista das condicoes iniciais (x0 , y0 ).


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

Figura 2.11: Feixe de retas paralelas quando dois autovalores s


ao nulos.

2.3.3

Autovalores complexos

Centro: Re(1 ) = Re(2 ) = 0


Vamos estudar o seguinte exemplo
dx
dt
dy
dt

2y,

(2.162)

2x,

(2.163)


2
0

(2.164)

para o qual a matriz dos coeficientes


A=

0
2

tem traco, determinante, e discriminante iguais, respectivamente, a


= 0,

= 4 > 0,

D = 16 < 0

(2.165)

de modo que seus autovalores s


ao imagin
arios puros
1 = +2i

2 = 2i

(2.166)

No caso de autovalores complexos, e conveniente trabalhar no plano usando


coordenadas polares (r, ), definidas como [Fig. 13.35]
x

r cos ,

(2.167)

r sen ,

(2.168)

Quadrando as equacoes (2.167) e (2.168) obtemos x2 = r2 cos2 e y 2 = r2 sen 2


que, somadas membro a membro, fornecem
x2 + y 2 = r2 cos2 + r2 sen 2 = r2 (cos2 + sen 2 ) = r2 ,

(2.169)

onde usamos a identidade trigonometrica cos2 + sen 2 = 1. A coordenada


radial e, portanto,
p
(2.170)
r = x2 + y 2 .
89

y
P
y
r

Figura 2.12: Coordenadas polares no plano.

Dividindo (2.168) por (2.167) obtemos


y
r sen
=
= tan ,
x
r cos

(2.171)

de modo que a coordenada angular e obtida como


y
.
= arctan
x

(2.172)

Devemos tambem transformar as equacoes diferenciais para este sistema de


coordenadas, o que envolve a derivada total de uma funcao de duas variaveis
(no caso, r e ):
dx
dt
dy
dt

=
=

x dr x d

+
= cos r r sen ,
r dt
dt
y dr y d

+
= sen r + r cos ,
r dt
dt

(2.173)
(2.174)

onde usamos (2.167), (2.168), e utilizamos por simplicidade o ponto acima da


variavel quando designamos sua derivada em relacao ao tempo.
Multiplicando (2.173) por cos , (2.174) por sen , e substituindo ambas em
(2.162) e (2.163), e
cos2 r r sen cos
sen 2 r + r cos sen

=
=

2r sen cos ,
2r sen cos ,

(2.175)
(2.176)

que, somadas membro a membro, resultam em


(cos2 + sen 2 )r = r = 0,

(2.177)

equacao esta tem uma solucao bastante simples, a saber


r = r0 = const.
(2.178)
p
onde r0 = x20 + y02 , em termos das condicoes iniciais para as variaveis originais
(x, y).
Substituindo esse u
ltimo resultado nas equacoes (2.175) e (2.176) chega-se a
r0 sen cos
+r0 cos sen

2r0 sen cos ,

(2.179)

2r0 sen cos .

(2.180)

90

y
yM

x(t)

0
-1
-2

x
0

-33
2

-xM

r0

y(t)

xM

0
-5

-1

-yM

-2
-3

-5

Figura 2.13: (a) Evolucao temporal das variaveis x e y para as condicoes iniciais
r0 = 2 e 0 = 0. (b) Centro.

Simplificando tanto r0 como os senos e cossenos, verificamos que as equacoes


reduzem-se a uma s
o
= 1,

(2.181)

que pode ser imediatamente integrada, fornecendo


(t) = 0 t.

(2.182)

onde tan 0 = y0 /x0 .


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

=
=

r0 cos(0 t),
r0 sen (0 t),

(2.183)
(2.184)

de forma que os valores de x oscilam entre os valores maximo xM = r0 cos(0 )


e mnimo xM . De forma analoga, a funcao y(t) e uma senoide com amplitude
yM = r0 sen (0 ) [Fig. 2.13(a)].
91

Foco est
avel: Re(1 ) < 0 e Re(2 ) < 0
Para este caso, considere o exemplo
dx
dt
dy
dt

2x + 3y,

(2.185)

3x 2y,

(2.186)

equivalente `
a matriz
A=

2
3


3
,
2

(2.187)

a qual tem traco, determinante e discriminante dados por:


= 4,

D = 2 4 = 36 < 0,

= 13,

(2.188)

de modo que seus autovalores s


ao complexos conjugados, dados por (2.40), s
ao

4 + 36
= 2 3i.
(2.189)
1,2 =
2
Aqui tambem trabalharemos com coordenadas polares (r, ), transformando
as equacoes do sistema (2.185)-(2.186) como segue
dx
=
dt
dy
=
dt

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

(2.190)

sen r + r cos = 3r cos 2r sen .

(2.191)

Multiplicando (2.190) por cos , (2.191) por sen


cos2 r r sen cos
sen 2 r + r cos sen

=
=

2r cos2 + 3r sen cos ,


3r sen cos 2r sen 2 ,

(2.192)
(2.193)

que, somadas membro a membro, fornecem


(cos2 + sen 2 )r
r

=
=

2r(cos2 + sen 2 ),
2r,

a qual e uma equacao diferencial linear cuja solucao e


r(t) = Ce2t ,

(2.194)

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


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

=
=
92

2r cos sen 3r sen 2 ,


2

3r cos 2r sen cos ,

(2.196)
(2.197)

x(t)

1,5
5

1
0,5
0
0,2

y(t)

-0,2
-0,4
-5
-0,6
-0,8
0

0,5

1,5

2,5

-5

Figura 2.14: (a) Evolucao temporal das variaveis x e y para as condicoes iniciais
r0 = 2 e 0 = 0. (b)

que, somadas membro a membro, fornecem


r(cos2 + sen 2 )

=
=

3r(cos2 + sen 2 ),
3,

ja que r 6= 0, e que e tambem uma equacao linear, cuja solucao e


(t) = 3t + 0 .

(2.198)

Para interpretar a solucao, expressa em coordenadas polares por (2.195) e


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

=
=

r0 e2t cos(0 3t),


r0 e

2t

sen (0 3t),

(2.199)
(2.200)

Os valores de x e y alternam-se entre valores positivos e negativos, mas as amplitudes decaem exponencialmente, como numa oscilacao amortecida, de forma que
no limite t continuamos convergindo ao ponto de equilbrio [Fig. 2.14(a)].
Ja na Figura 2.14(b) mostramos o comportamento de v
arias trajet
orias obtidas
a partir de diferentes condicoes iniciais (r0 , 0 ). Da mesma forma que no caso do
centro visto ha pouco, a trajet
oria descreve uma trajet
oria curvilnea no sentido
hor
ario. Combinando uma diminuicao exponencial do raio com uma trajet
oria
curva, chegamos a uma espiral convergente `a origem. Nesse caso a solucao de
equilbrio v = 0 e dita um foco est
avel.
93

80000

x(t)

40000
5
0
-40000
0

-80000

y(t)

40000
0
-5
-40000
-80000

-5

Figura 2.15: (a) Evolucao temporal das variaveis x e y para as condicoes iniciais
r0 = 2 e 0 = 0. (b) Foco instavel.

Foco inst
avel: Re(1,2 ) > 0
O exemplo que ilustra esse caso e uma pequena modificacao de sinal no sistema
anterior:
dx
dt
dy
dt

2x + 3y,

(2.201)

3x + 2y,

(2.202)

ou,
A=


2 3
,
3 2

(2.203)

cujos autovalores tambem s


ao complexos conjugados e dados por
1,2 = 2 3i.

(2.204)

Uma analise em coordenadas polares, inteiramente analoga `a precedente,


leva `
as seguintes solucoes:
r(t)
(t)

=
=

r0 e2t ,
3t + 0 .

(2.205)
(2.206)

Observe que a u
nica alteracao em relacao ao exemplo anterior e o sinal do
expoente, desta vez positivo. A equacao em simplesmente nao se altera.
Colocando (2.205) e (2.206) em (2.167) e (2.168) vem as solucoes
x(t)
y(t)

= r0 e2t cos(0 3t),


= r0 e2t sen (0 3t).

(2.207)
(2.208)

representando oscilacoes explosivas, ou seja, onde a amplitude diverge a uma


taxa exponencial [Fig. 2.15(a)].
Tomando o limite t em (2.205) constatamos que o raio r diverge, ou
seja, tende a infinito. Estamos, portanto, nos afastando com o passar do tempo,
do ponto de equilbrio na origem. Isso indica que esse equilbrio e instavel. A
divergencia, aqui, e oscilat
oria, pois o angulo muda seu valor com o passar do
94

Autovalores
reais
reais
reais
complexos
complexos
complexos

Condicao
D>0
D>0
D>0
D<0
D<0
D<0

= Tr A
<0
>0
=0
=0
<0
>1

= det A
>0
>0
<0
>0
>0
>0

Ponto fixo
no est
avel
no instavel
ponto de sela
centro
foco est
avel
foco instavel

Tabela 2.1: Estabilidade do ponto fixo em modelos contnuos bidimensionais


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

2.3.4

Crit
erio geral para estabilidade

Dentre os tres casos possveis para os autovalores 1,2 da matriz A, podemos


encontrar uma exigencia comum para a estabilidade do ponto de equilbrio na
origem: os autovalores devem ser negativos, caso sejam reais, ou terem a parte
real negativa, caso complexos.
v = 0 e est
avel se

Re(1,2 ) < 0.

(2.209)

Lembremos que, para sistemas bidimensionais, a equacao secular e de segundo grau:


2 + a1 + a2 = 2 ( Tr A) + (det A) = 0,
(2.210)
cujas solucoes podem ser reais ou complexas, dependendo do discriminante
2

D = a21 4a2 = ( Tr A) 4(det A) = 2 4,

(2.211)

onde
= a1 = Tr A,

= a2 = det A.

(2.212)

possvel mostrar que as razes de (2.210) ter


E
ao partes reais negativas se, e
somente se, as duas condicoes seguintes forem satisfeitas:
a1 = < 0,
a2 = > 0,

(2.213)
(2.214)

Ja o comportamento das solucoes na vizinhanca do ponto de equilbrio na


origem, tanto ao aproximarem-se de um ponto est
avel como ao afastarem-se
de um ponto instavel, sera: (i) oscilat
orio se os autovalores forem complexos
(D < 0); e (ii) nao-oscilat
orio se os autovalores forem reais (D 0).
95

D>0

D=0

no instavel
D<0

ponto

foco instavel
de

centro

0
sela

foco estavel
no degen.
no estavel

Figura 2.16: Diagrama de estabilidade no plano traco versus determinante da


matriz A.

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


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

1 2
,
4

(2.215)

que e representada por uma par


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

2.4

Exemplo em Economia: Modelo de infla


c
ao
e desemprego

Como exemplo de modelo contnuo bidimensional linear em Economia, vamos


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

bidimensional linear, cujos pontos de equilbrio serao estudados e interpretados


economicamente, bem como as suas condicoes de estabilidade.

2.4.1

Macrovari
aveis e logaritmos

Sejam N (t) e U (t) os n


umeros de empregados e desempregados (procurando
emprego) no perodo t, tal que L(t) = N (t) + U (t) seja a forca de trabalho neste
perodo. A taxa de desemprego neste perodo t e
u(t) =

U (t)
U (t)
=
.
L(t)
N (t) + U (t)

(2.216)

O logaritmo natural, ou neperiano, ln x, tem propriedades matematicas


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

(2.217)

Considerando a interpretacao da derivada como o limite de uma raz


ao entre
incrementos (vide Eq. (1.5) no Captulo 1), podemos considerar a seguinte
aproximacao:
y(x + x) y(x)
y
dy(x)
= lim

,
(2.218)
x0
dx
x
x
e que e tanto melhor quanto menor for o intervalo x. No caso do logaritmo
neperiano:
ln x
1
y
=
= ,
(2.219)
x
x
x
de modo que
x
y = ln x =
,
(2.220)
x
ou seja, a variacao do logaritmo da variavel x e aproximadamente igual `a mudanca relativa (normalizada) dessa variavel. Como x/x e comumente expresso
em percentagens, e portanto conveniente exprimir fluxos de variaveis econ
omicas
em termos de logaritmos neperianos[6]. A raz
ao
d
dy/dx
= (ln y(x))
x
dt

(2.221)

e chamada derivada logartmica.


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

d
dM/dt
= (ln M ).
M
dt
97

(2.223)

Aqui seguimos a convencao usual de que letras min


usculas representam derivadas
logartmicas de quantidades escritas com letras mai
usculas. Finalmente, podemos considerar a macrovariavel salarios W (t), com taxa de variacao dW/dt. Por
analogia, o fluxo de variacao salarial e a derivada do logaritmo de W em relacao
ao tempo, ja que
dW/dt
d
w(t) =
= (ln W ).
(2.224)
W
dt

2.4.2

Curva de Phillips

Em finais da decada de 60, Phillips [30], ao analisar as estatsticas de salarios e


taxas de desemprego no Reino Unido, observou a existencia de uma relacao entre
estas taxas: altas taxas de desemprego u forcam os fluxos de salarios nominais
w para baixo e vice-versa. Solow e Samuelson desenvolveram estudos similares
nos Estados Unidos [31]. Podemos escrever esta relacao genericamente como
w = f (u),

(2.225)

onde df (u)/du < 0, ou seja, w diminui (aumenta) `a medida em que u aumenta


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

(2.226)

e a curva de Phillips (2.225) sera escrita como


= f (u) T.

(2.227)

A curva de Phillips forneceu uma descricao razo


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

(2.228)

onde 0 < a < 1 e um coeficiente que mede a influencia da taxa de inflacao


passada na expectativa de inflacao presente.
No perodo examinado por Phillips (no Reino Unido) [30] e Samuelson e
Solow (nos Estados Unidos) [31], os agentes econ
omicos ignoraram as inflacoes
passadas, de modo que a era proximo a zero, ou e (t) = 0, e a relacao entre
98

f(u)

u
/

Figura 2.17: Curva de Phillips linear.

inflacao e desemprego era fornecida pela curva de Phillips original (11.106). Na


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

(2.229)

onde = 7, 5 e = 1, 15 (sendo as taxas expressas em percentuais) [16]. Um


estudo semelhante, realizado para a Uni
ao Europeia no mesmo perodo, aponta
tambem uma curva de Phillips modificada com = 6, 1 e = 0, 66.
Usando uma funcao de ajuste linear (6.300) numa curva de Phillips modificada por expectativas (6.299), temos que a taxa de inflacao num instante t sera
dada por
= a e + T u.
(2.230)
Tomando a = 1, o chamado nvel natural de desemprego, ou NAIRU, e definido
como a taxa de desemprego que nao provoca aceleracao inflacion
aria, ou seja, e
o valor de u = uE tal que f (uE ) = 0 com = e e T = 0. De (2.230), temos
que o nvel natural de desemprego sera
uE =

2.4.3

(2.231)

Equa
c
oes e hip
oteses do modelo

A primeira hip
otese do modelo e supor que as expectativas s
ao formadas adaptativamente, ou seja, a taxa de inflacao esperada num perodo e ajustada em
funcao da diferenca entre as taxas esperada e realizada no perodo anterior.
Logo a taxa de variacao da inflacao esperada e proporcional a essa diferenca:
d e
= c( e ).
dt
99

(2.232)

onde c > 0 e um coeficiente de incorporacao dos sucessos (ou insucessos) na


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

d e
= c(a 1) e cu + c( T),
dt
du
= ab e bu b(m
+ T),
dt
e que tem a forma de um modelo bidimensional linear (2.45)

(2.234)
(2.235)

dv
= A.v + B,
dt
onde
v

B =


e
,
u

(2.236)


c
,
b


c( T)
.
b(m
+ T)


c(a 1)
ab

O determinante e o traco da matriz A s


ao, respectivamente
=
=

2.4.4

det A = cb,
Tr A = c(a 1) b.

(2.237)
(2.238)

Ponto de equilbrio e sua estabilidade

O ponto de equilbrio do modelo e dado por v = A1 .B, onde




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


1/c
1/b
,
=
a/c (a 1)/b
100

(2.239)

de forma que
 e 

1/c

v =
=
a/c
u

1/b
(a 1)/b




c( T)
,
b(m
+ T)

(2.240)

ou seja,
e

m,

(a 1)m
+ T
.

(2.241)
(2.242)

Logo, a taxa de inflacao esperada no equilbrio e a propria taxa de expansao


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

(2.243)
u = = uE .

que e a taxa natural de desemprego (2.231).


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

>

0,

c(a 1) b

<

0.

Enquanto a primeira desigualdade e sempre verificada, uma vez que c, b e s


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

D = 2 4 = [c(a 1) b] 4cb.

(2.244)

Comecemos pelo caso a = 1, para o qual D = b(b 4c). Como b e sempre


positivo, D > 0 (autovalores reais) sempre que b 4c 0, ou seja, quando
b b1

4c
,

(2.245)

o que fornece um no est


avel para o ponto de equilbrio. Se, por outro lado,
0 < b < b1 , teremos consequentemente autovalores complexos, ou um foco
est
avel.
101

b=b
1
no
estavel

b=b
foco
estavel

no
estavel
c
0
Figura 2.18: Plano de par
ametros para o modelo da curva de Phillips

O caso 0 < a < 1 e um pouco mais trabalhoso. Desenvolvendo o discriminante (2.244) temos que, para autovalores complexos, exige-se que
D

=
=

c2 (a 1) 2c(a 1)b + b2 2 4cb < 0,


2

c2 (a 1) 2cb(a + 1) + b2 2 < 0,

O trin
omio quadrado acima em b pode ser escrito na forma (b b1 )(b b2 ) onde
as razes s
ao dadas por
q
2
2
2c(a + 1) 4c2 2 (a + 1) 4c2 2 (a 1)
b1,2 =
,
2 2
s 
2
c
c(a + 1)
2
2
[(a + 1) (a 1) ],

c
=
(2.246)
(a + 1 2 a).

Logo, D < 0 para b2 < b < b1 (autovalores complexos = foco est


avel), e D 0
para b > b1 ou para 0 < b < b2 (autovalores reais = no est
avel). Evidentemente,
se tomarmos o limite a = 1, obtemos que b1 = 4c/ = b1 , e b2 = 0.
A analise fica particularmente simples no plano de par
ametros b versus c,
onde fixamos o valor do coeficiente a. Podemos graficar as curvas correspondentes aos valores-limites em (2.246):
b = b1

b = b2

c
(a + 1 + 2 a)

c
(a + 1 2 a)

(2.247)
(2.248)

que s
ao retas que passam pela origem. Para valores de b na cunha delimitada
por essas duas retas, teremos uma convergencia oscilat
oria para o equilbrio, ao
passo que no restante do plano de par
ametros, a convergencia e nao-oscilat
oria.
Consideremos um exemplo numerico, tomando os coeficientes da curva de
Phillips para os Estados Unidos: = 7, 5, = 1, 15 (as taxas de inflacao e
102

desemprego est
ao expressas em percentuais); e um coeficiente de expectativas
inflacion
arias como c = 0, 6. Neste caso a taxa natural de desemprego e
u =

7, 5

=
6, 52%.

1, 15

(2.249)

De fato, estudos mais aprofundados mostram que a taxa natural de desemprego


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

tal que 0, 045 < b < 1, 520 caracteriza um comportamento oscilat


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

2.5

Exemplo em Economia: Modelo macroecon


omico
IS-LM

Como um segundo exemplo de modelos contnuos bidimensionais lineares em


Economia, abordaremos o famoso modelo macroecon
omico IS-LM, que considera o equilbrio nos mercados de bens e moeda numa economia fechada. Antes
de abordar o modelo din
amico propriamente dito, vamos recordar alguns aspectos do modelo est
atico, o qual e estudado em todos os textos did
aticos de
macroeconomia [16]. Incluiremos a evolucao temporal no modelo est
atico admitindo que os mercados de moeda ajusta-se mais rapidamente que o mercado
de bens, mediante variacoes em par
ametros do modelo, como a oferta de moeda
(expans
ao monet
aria) e o gasto governamental (expansao fiscal).

2.5.1

Macrovari
aveis e hip
oteses do modelo

Mercado de bens
As variaveis a serem empregadas na descricao do mercado de bens s
ao essencialmente as mesmas abordadas nos modelos de crescimento econ
omico vistos
103

no Captulo 1: Y : renda ou produto, Z: demanda total por bens, C: despesas


de consumo, I: despesas de investimento, G: gastos governamentais. Incluiremos, ainda, os impostos (T ) e a taxa de juros (r). Na hip
otese de equilbrio, o
produto e igual `
a demanda total
Y = Z = C + I + G,

(2.252)

ao passo que
Os gastos governamentais serao considerados ex
ogenos G = G,
suporemos o investimento como diminuindo linearmente com a taxa de juros
I = I0 hr,

(2.253)

onde I0 e o investimento autonomo, e h > 0 e a taxa de variacao dos investimentos em relacao `


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

(2.256)

enquanto a demanda por moeda cresce linearmente com a renda (produtores


procuram emprestimos para a aquisicao de maquinas e equipamentos, por exemplo) e diminui, tambem linearmente, com a taxa de juros. Escrevemos, pois
Md = M0 + kY r,

(2.257)

onde M0 e a parte fixa, , e k > 0 e > 0 s


ao as respectivas taxas marginais.
Tambem o mercado de moeda e suposto em equilbrio, ou seja, a oferta por
moeda e sempre igual `
a demanda por moeda
Md = Ms .

2.5.2

(2.258)

Modelo est
atico

Por simplicidade, primeiramente vamos supor que as macrovariaveis sejam est


aticas.
A condicao de equilbrio no mercado de bens implica, substituindo (5.85), (2.254)
e (2.255) em (2.252), que
+ b(1 )Y hr
Y = (a bT0 + I0 + G)

(2.259)

de modo que, colocando a taxa de juros em evidencia, podemos escrever


r = A0 A1 Y,
104

(2.260)

r
Ao

curva LM

curva IS
Bo
Y
YE

Bo /B 1

A o /A 1

Figura 2.19: Curvas IS e LM no modelo est


atico.

onde definimos as constantes


A0

A1

a bT0 + I0 + G
,
h
b(1 )
,
h

(2.261)
(2.262)

que, num gr
afico da taxa de juros r versus a renda Y , define a chamada curva IS,
que e uma reta com coeficiente angular A1 (inclinacao negativa) e coeficiente
linear A0 , interceptando o eixo das abscissas no ponto A0 /A1 [Fig. 2.19].
O equilbrio no mercado de moeda e descrito substituindo (2.256) e (2.257)
em (2.258), fornecendo
,
r = M0 + kY M
(2.263)
ou, colocando a taxa de juros em evidencia,
r = B0 + B1 Y,

(2.264)

onde
B0

B1

M0 M
,

k
,

(2.265)
(2.266)

que define a curva LM, que e uma reta com coeficiente angular B1 (inclinacao
positiva) e coeficiente linear B0 Fig. 2.19.
O ponto de intersecao entre as curvas IS e LM define a renda de equilbrio
YE e a taxa de juros de equilbrio rE , as quais s
ao solucoes do sistema linear
rE

rE

A0 A1 YE ,

B0 + B1 YE ,
105

(2.267)
(2.268)

(a)

Ao

r
r

(b)

LM
LM

P2
E2

E1

IS 2
1

IS

LM 2

E1

P2

E2

IS

Bo

Y
A o /A 1

Y E1 YE2

Y
Bo /B 1

Y E1 YE2

Figura 2.20: Curvas IS e LM no modelo est


atico quando ha uma (a) expansao
fiscal; (b) expansao monet
aria.

a saber,
YE

rE

A0 B0
,
A1 + B1
B1 A0 + B0 A1
.
A1 + B1

(2.269)
(2.270)

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

2.5.3

Modelo din
amico

A despeito de fornecer uma descricao do que ocorre com os pontos de equilbrio


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

r
LM

r
r

P2
1

E2

E1

IS 2
1

IS

Y
Y E1 YE2

Figura 2.21: Trajet


orias no plano de fase do modelo din
amico IS-LM para uma
situacao de expansao monet
aria.

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

(2.271)

onde > 0 e a velocidade de ajuste no mercado de bens. O mesmo raciocnio


valer
a para o mercado de moeda: a taxa de juros ira aumentar se ha excesso de
demanda pela moeda (Md > Ms ), e diminuir se ja excesso de oferta (Md < Ms ),
de acordo com a relacao
dr
= (Md Ms ),
(2.272)
dt
sendo > 0 a velocidade de ajuste no mercado de moeda.
107

A segunda hip
otese do modelo din
amico e que o mercado de moeda ajusta-se
mais rapidamente que o mercado de bens, ou seja, que > . Como enfatizado
por Shone [6], as taxas de juros ajustam-se rapidamente na medida em que as
informacoes s
ao disseminadas pelo mercado. Ja o mercado de bens tem um
ajuste bem mais lento, pois as empresas tem que contratar mais trabalhadores
de forma que o produto aumente na proporcao desejada, o que consome tempo.
Uma aproximacao bastante comum e supor ajustes instant
aneos no mercado de
moeda, o que implica formamente em tomar o limite , de modo que o
mercado de moeda encontrar-se-a sempre em equilbrio (ou seja, sobre a curva
LM). Nossa analise, porem, sera mais geral.
Substituindo (5.85), (2.254) e (2.255) em (2.271) obtemos
dY
Y ],
= [a + b(Y T0 Y ) + I0 hr + G
dt

(2.273)

assim como, inserindo (2.256) e (2.257) em (2.272),


dr
+ kY r],
= [M0 M
dt

(2.274)

as quais, em vista de (2.261), (7.96), (2.265) e (2.266) podem ser reescritas como
dY
dt
dr
dt

h(A0 A1 Y r),

(2.275)

(B0 + B1 Y r).

(2.276)

e que tem a forma de um modelo bidimensional linear (2.45) onde


 
Y
v =
,
r


hA1 h
,
A =
B1


hA0
B =
.
B0

(2.277)

O determinante e o traco da matriz A s


ao, respectivamente
=
=

2.5.4

det A = hA1 ,
Tr A = h(A1 + B1 ).

(2.278)
(2.279)

Ponto de equilbrio e sua estabilidade

O ponto de equilbrio do modelo


v =

 
Y
r

(2.280)

pode ser encontrado pela sua definicao v = A1 .B, mas tambem de forma
bem mais smples impondo que Y e r tenham derivada temporal nula em
(2.275)-(13.42).
0
0

=
=

h(A0 A1 Y r ),

(B0 + B1 Y r ).
108

(2.281)
(2.282)

que nos leva ao sistema (2.267)-(2.268), com as mesmas solucoes, a saber, a renda
e a taxa de juros de equilbrio para o modelo est
atico: Y = YE e r = rE .
Aplicando, agora, as condicoes de estabilidade do ponto de equilbrio < 0
[Eq. (2.213)] e > 0 [Eq. (2.214)], e necessario que
hA1
h(A1 + B1 )

<
>

0,
0.

(2.283)
(2.284)

para que (Y , r ) seja assintoticamente est


avel. Vamos examinar a primeira
desigualdade , Eq. (2.283). Ela implica em que
A1 >

.
h

Como todos os par


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

=
=
=
=

2 4 = (hA1 + ) 4h(A1 + B1 ),

2 h2 A21 + 2hA1 + 2 2 4h(A1 + B1 ),


2 h2 A21 2hA1 + 2 2 4hB1 ,
2 h2 A21 2h(A1 + 2B1 ) + 2 2 .

(2.285)

Vamos estudar a possibilidade de autovalores complexos conjugados para a


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

h(A1 + 2B1 )

hA21
hA1

4B12 + 4A1 B1 3A21 .

(2.286)

Caso < 1 ou > 2 o discriminante sera positivo, e o ponto de equilbrio


sera um no est
avel.
109

Figura 2.22: Planilha eletr


onica para a solucao do modelo din
amico IS-LM
= 8 para 12.
quando ha uma expansao monet
aria de M

Para um exemplo numerico, tomemos os valores sugeridos na Referencia [6],


pg. 101: a = 15, b = 0, 75, = 0, 25, T0 = 0, I0 = 10, M0 = 0, h = 1, 525,
= 25, M
= 8, k = 0, 25, = 0, 5. Para as velocidades de ajuste temos
G
= 0, 05 e = 0, 8, que e significativamente maior que porem nao infinito.
Os par
ametros das curvas IS e LM serao
A0 = 32, 79

A1 = 0, 2869

B0 = 16

B1 = 0, 5

correspondendo aos pontos de equilbrio (2.269)(2.270):


YE = 62,

rE = 15.

O traco, determinante, e discriminante tem os respectivos valores:


= 0, 422 < 0,

= 0, 024 > 0,

D = 0, 0821 > 0,

mostrando ser este equilbrio um no est


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

comportamento da taxa de juros: ela inicia no valor de equilbrio antigo (15),


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

2.6

Problemas

1. Seja a matriz [[34], pg. 136]A =


 
0
.
que A.v =
1

1
0


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


2 1
. Ache a relaca
o
b
0
entre e de forma que a matriz M tenha um autovalor real.

2. Considere dois n
umeros reais e , tais que M =

3. Se A e B s
ao matrizes bidimensionais, prove (por c
alculo direto) que det(A.B) =
det A det B.
4. 
Verifique
que o produto das seguintes matrizes [[27], pg. 64]:

 explicitamente

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



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


x1 x2

6= 0
W=
y1 y2

5. Se v1 =

 

3
1
s
ao soluco
es
e v2 = e6t
5
1
linearmente independentes, de modo que a soluca
o geral do sistema x = x + 3y,
y = 5x + 3y, ser
a uma combinaca
o linear das mesmas. Verifique esta u
ltima
afirmaca
o explicitamente.
Usando esse resultado, mostre que v1 = e2t

6. Obtenha os autovalores e autovetores da matriz A para os modelos bidimensionais lineares listados abaixo, classifique o equilbrio e determine analiticamente a
soluca
o (x(t), y(t)) para as condico
es iniciais indicadas.
(a)
dx
= 2x + y,
dt

dy
= x 2y,
dt

(x0 , y0 ) = (1, 1);

(b)
dx
= x + y,
dt

dy
= 4x + y,
dt

(x0 , y0 ) = (1, 2);

(c)
dx
= 3x 2y,
dt

dy
= 2x 2y,
dt

111

(x0 , y0 ) = (2, 1);

(d)
dx
= x + y,
dt

dy
= 4x + y,
dt

(x0 , y0 ) = (1, 1);

dy
= 2y,
dt

(x0 , y0 ) = (3, 2);

(e)
dx
= x 3y,
dt
(f)

(g)

dx
= 6x y,
dt

dy
= 5x + 4y,
dt

(x0 , y0 ) = (1, 1);

dx
= 2x + 8y,
dt

dy
= x 2y,
dt

(x0 , y0 ) = (2, 1);

7. Seja o seguinte campo vetorial linear:


dx
dt
dy
dt

xy

x + 3y

(a) Mostre que os autovalores da matriz A s


ao iguais a 2 (razes repetidas), e
encontre os autovetores correspondentes. Que voce nota de diferente neste caso?
(b) Encontre a soluca
o geral do modelo. Para isso, voce precisar
a de novos
autovetores. O primeiro novo autovetor e t vezes o autovetor u encontrado no
tem (a) . O segundo novo autovetor tem coeficientes a determinar. A soluca
o
geral e (detalhes em [7], pg. 133-134):
x(t)

y(t)

c1 e2t + c2 (t 1)e2t
c1 e2t c2 te2t

(2.287)
(2.288)
(2.289)

8. Considere o seguinte sistema bidimensional:


dx
dt
dy
dt

ax

Estude a estabilidade do equilbrio na origem para os casos: a < 1, a = 1,


1 < a < 0, a = 0, e a > 0.
9. Encontre a soluca
o de equilbrio do modelo IS-LM [Eq. (2.280)] diretamente a
partir da equaca
o v = A1 .B.
10. Seja o modelo IS-LM estudado neste captulo, com os mesmos valores numericos.
(a) Mostre que, ap
os uma expans
ao monet
aria onde a oferta de moeda aumenta
de 8 para 12, o ponto de equilbrio desloca-se para os valores YE = 72, 17 e
rE = 12, 08. (b) Mostre que este novo ponto de equilbrio e um n
o est
avel.
(c) Ache os autovalores e autovetores do novo modelo bidimensional e encontre
a soluca
o geral do modelo. (d) Use como condica
o inicial o antigo ponto de
equilbrio, e descreva graficamente a trajet
oria que o sistema executa ate o novo
ponto de equilbrio.

112

Captulo 3

Modelos contnuos
bidimensionais n
ao-lineares
Neste captulo faremos um estudo mais geral de modelos din
amicos empregando
duas variaveis dependentes, que denotaremos x(t) e y(t), ambas funcoes da
mesma variavel dependente, o tempo t. Cada variavel dependente satisfaz uma
equacao diferencial de primeira ordem em relacao ao tempo, onde a derivada de
cada variavel depende das duas variaveis. N
ao consideraremos o caso em que
as derivadas dependam explicitamente do tempo, ou seja, estudaremos apenas
sistemas autonomos de duas equacoes diferenciais de primeira ordem acopladas:
dx
dt
dy
dt

f (x, y),

(3.1)

g(x, y),

(3.2)

onde f (x, y) e g(x, y) s


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

d2 x
dx
+b
+ cx + d = 0.
2
dt
dt

(3.3)

Introduzindo a variavel auxiliar


y

dx
dt

(3.4)

e derivando em relacao ao tempo ambos os lados da expressao,


d2 x
dy
2,
dt
dt
113

(3.5)

de tal maneira que a equacao (6.5) fica


a

dy
+ by + cx + d = 0.
dt

(3.6)

Isolando dy/dt temos, portanto, o seguinte sistema de duas equacoes diferenciais


de primeira ordem:
dx
dt
dy
dt

y,

(3.7)

b
c
d
y x ,
a
a
a

(3.8)

que tem a forma geral da Eq. (3.1), para


f (x, y)
g(x, y)

c
d
b
y x .
a
a
a

(3.9)
(3.10)

Reescrevemos o sistema de equacoes diferenciais (3.1) de forma compacta usando a notacao matricial. Definimos a matriz coluna das variaveis dependentes
como


x(t)
v(t) =
,
(3.11)
y(t)
e o campo vetorial
F(v) =

f (x, y)
g(x, y)

(3.12)

de modo que (3.1) fica


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


x0
x(0)
=
.
(3.14)
v(0) =
y0
y(0)

3.1

Trajet
orias no plano de fase

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

y
(a)

fluxo

(b)

trajetoria
yo

xo

Figura 3.1: (a) Trajet


oria no plano de fase. (b) Fluxo de trajet
orias no plano
de fase.

fase [Fig. 3.1(b)]. Podemos imaginar estas trajet


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

(3.15)

onde F e uma funca


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

(3.16)

para todo v U e I [Fig. 3.2(a)].


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

(3.17)

Neste caso, a funca


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

0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
1
0
1
I0
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1

(a)

(b)

R2
(v0 , . )

(U)
t

U
U
1
0
1
0

v0

Figura 3.2: (a) Trajet


oria t (v), e (b) fluxo t no plano de fase.

cada qual com sua propria condicao inicial. Ent


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

Outra forma de encarar as solucoes de um sistema de equacoes diferenciais e


lembrar que, num dado ponto das trajet
orias, a inclinacao de uma reta tangente
a curva e igual `
`
a derivada de y em relacao a x, dy/dx. Por outro lado, de (3.1),
como
dy
dy/dt
g(x, y)
=
=
dx
dx/dt
f (x, y)

(3.18)

no ponto de tangencia (x, y) a inclinacao da reta e dada pela raz


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

(b)

(a)

Figura 3.3: (a) Campo de direcoes no plano de fase. (b) Duas falsas trajet
orias
que se cruzam no plano de fase.

3.1.1

Exist
encia e unicidade

No captulo 1 mencionamos o teorema da existencia e unicidade para equacoes


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

f (x, y),

(3.19)

g(x, y),

(3.20)

com as condicoes iniciais x(t = 0) = x0 e y(t = 0) = y0 . Supondo as funcoes f e


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

(b)

(a) y

Figura 3.4: (a) Orbita


peri
odica representada por uma trajet
oria fechada no
plano de fase. (b) Trajet
oria dentro de uma orbita fechada.

ent
ao haveria duas solucoes diferentes partindo da mesma condicao inicial, o
que violaria a unicidade garantida pelo teorema.
Assim como em sistemas lineares, nos interessam particularmente as solucoes
de equilbrio, definidas como os pontos (x , y ), tais que eles nao variem com o
tempo, ou seja
dx
dt
dy
dt

f (x , y ) = 0,

(3.21)

g(x , y ) = 0,

(3.22)

eles fazem o campo vetorial anular-se. No entanto, ha em sistemas bidimensionais nao-lineares outras solucoes estacion
arias possveis, alem dos pontos de
equilbrio, e que vem a ser as orbitas peri
odicas, representadas por trajet
orias
fechadas no plano de fase [Figura 3.4(a)] tais que, iniciando de um ponto qualquer sobre elas, apos um intervalo de tempo T bem-determinado, retornaremos
ao ponto de partida, ou seja,
x(t) = x(t + T )

y(t) = y(t + T )

(3.23)

para todos os valores do tempo t, sendo o perodo T um n


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

a-la, e isso, como vimos, viola o teorema de existencia


e unicidade.

3.2

Diagramas de fase

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

Como, para sistemas bidimensionais, temos quatro variaveis ao todo (a saber,


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

=
=

x + ey ,
y,

(3.24)
(3.25)

para o qual os pontos de equilbrio s


ao dados pelas solucoes de
0 =
0 =

x + ey ,
y ,

(3.26)
(3.27)

ou seja, y = 0 e x = ey = e0 = 1.
Uma particularidade deste exemplo e que a equacao (3.25) e linear, e portanto sua solucao e
y(t) = y0 et ,
(3.28)
onde y0 = y(t = 0) e a condicao inicial respectiva, tal que, para t ,
y(t) tende a zero. A outra equacao, (3.24), nao tem solucao analtica, mas
para tempos grandes vimos que y tende a zero, portanto uma aproximacao sera
x x + e0 = x + 1, a qual tem como solucao (veja a eq. 1.12)
x(t) = (x0 + 1)et 1,

(3.29)

a qual, para t leva a x(t) tambem tendendo ao infinito. Nesse caso, o ponto
de equilbrio (x = 1, y = 0) e certamente instavel, e a existencia de uma
direcao est
avel (ja que y tende a zero) sugere um comportamento semelhante a
um ponto de sela, no caso de modelos lineares.
Para construir o diagrama de fase deste exemplo, examinemos primeiramente
suas isoclinas (ou nulclinas). A condicao y = 0 implica em y = 0, ou seja, o eixo
x e uma isoclina, que denotaremos por A. Ja a condicao x = 0 leva `a relacao
ey = x, ou seja
1
,
(y < 0),
(3.30)
y=
ln(x)
que e a equacao da segunda isoclina, que denotaremos B, e e a curva no semiplano `a esquerda na figura 3.5. O ponto P de equilbrio, de coordenadas (1, 0),
e a intersecao entre as duas isoclinas, por definicao.
A intersecao entre as isoclinas A : y = 0 e B : x = ey cria quatro
quadrantes na figura 3.5. Analisamos os sinais das derivadas em (3.24)-(3.25),
e os consequentes sentidos do campo vetorial para os quadrantes da seguinte
forma:
se y > 0 (acima de A), y = y < 0, flecha para baixo na direcao y;
se y > 0 (abaixo de A), y = y > 0, flecha para cima na direcao y;
119

A
x

B
Figura 3.5: Diagrama de fase para o sistema (3.24)-(3.25).

se x < ey (a esquerda de B), x = x + ey < 0, flecha para esquerda na


direcao x;
se x > ey (a direita de B), x > 0, flecha para direita na direcao x;
combinando essas possibilidades temos as flechas apontando nos sentidos indicados pelas flechas na figura 3.5. Evidentemente essa analise nos fornece apenas
uma ideia qualitativa do campo vetorial, pois o valor exato das componentes
depende das coordenadas (x, y) de cada ponto no quadrante, de acordo com a
Eq. (3.18).
Alem disso:
se y = 0 (sobre A), y = y = 0, fluxo e puramente horizontal, para a
direita ou esquerda, dependendo do valor de x;
se x = ey (sobre B), x = x + ey = 0, fluxo e puramente vertical, para
cima ou para baixo, dependendo do valor de y;

3.3

Solu
c
oes num
ericas

Mesmo tendo uma ideia qualitativa do campo vetorial, o metodo das isoclinas
nao nos permite conhecer com detalhes as possveis trajet
orias de fase do modelo em estudo. Em v
arias situacoes e importante conhecer o comportamento
transit
orio das trajet
orias no plano de fase, de modo que precisamos resolver
numericamente as equacoes do modelo bidimensional. O metodo de Euler, introduzido no Captulo 1 pode ser facilmente generalizado para duas (ou mais)
equacoes.
No captulo 1 vimos que, do ponto de vista computacional, a solucao x = x(t)
de uma equacao do tipo x = f (x), sujeita `a condicao inicial x0 = x(t0 ), consiste
numa sequencia de pontos xk = x(t = tk ), onde
tk = tk1 + t = t0 + kt,
120

(3.31)

fornece uma sequencia de valores discretizados do tempo. O par


ametro t e
denominado passo da integracao, e deve ser suficientemente pequeno para
permitir uma aproximacao da derivada x por uma raz
ao incremental. Para
duas equacoes da forma
dx
dt
dy
dt

f (x, y),

(3.32)

g(x, y),

(3.33)

com as condicoes iniciais (x0 , y0 ), consideramos a sequencia de coordenadas de


pontos no plano de fase: (xk , yk ) = (x(tk ), y(tk )); e podemos generalizar a
equacao (1.50) na forma
xk+1
yk+1

3.3.1

= xk + f (xk , yk )t,
= yk + g(xk , yk )t.

(3.34)
(3.35)

Uso de planilhas eletr


onicas

O metodo de Euler para modelos bidimensionais pode ser implementado em


planilhas eletr
onicas. Consideremos, a ttulo de exemplificacao, a solucao numerica
do sistema de equacoes diferenciais (3.24)-(3.25)
x =
y =

f (x, y) = x + ey ,
g(x, y) = y,

(3.36)
(3.37)

com as condicoes iniciais (x0 = 1/2, y0 = 1/4), com um passo de integracao


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

(3.38)

e escrita na celula B9 como


= B8 + (B8 + EXP (C8) $F $3

(3.39)

ao passo que a equacao (3.35),


y1 = y0 + g(x0 , y0 )t = y0 (1 t),

(3.40)

e escrita na celula C9 como


= C8 (1 $F $3)

(3.41)

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

Figura 3.6: Planilha e gr


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

3.3.2

Programa em linguagem C

A mesma equacao tratada com o auxlio da planilha eletr


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

Figura 3.7: Planilha e gr


afico da solucao das Eqs. (3.24)-(3.25) para a condicao
inicial x0 = 0, 5, y0 = 4, 0.

double f(double x,double y), g(double x,double y);


main( )
{
int k, points;
/* declaracoes de variaveis */
double x_k, y_k, x_0, y_0, t_0, t_k, delta;
fp = fopen("euler2.dat","w");/* abre arquivo */
points = 100;
/* numero total de iteracoes */
x_0 = -0.5;
/* condicoes iniciais */
y_0 = 0.25;
x_k = x_0;
/* inicializa os valores de x e y */
y_k = y_0;
t_0 = 0.0;
/* tempo inicial */
t_k = t_0;
/* inicializa o valor de t_k */
delta = 0.05;
/* passo da integracao */
k = 0;
for (k = 1; k <= points; ++k) { /* varre os valores de k */
t_k = t_k + delta;
/* incremento no tempo */
x_k = x_k + f(x_k,y_k)*delta;
/* calculo das iteracoes */
y_k = y_k + g(x_k,y_k)*delta;
fprintf(fp,"%d %f %f %f \n",k,t_k,x_k,y_k); /* imprime
resultados no arquivo de saida */
}
fclose(fp);
/* fecha o arquivo de dados */
}
/* especifica o campo vetorial */
double f(double x,double y)
{
123

k
0
1
2
3
4
5
6
7
8
9
10
20
30
40
50

tk
0, 000000
0, 050000
0, 100000
0, 150000
0, 200000
0, 250000
0, 300000
0, 350000
0, 400000
0, 450000
0, 500000
1, 000000
1, 500000
2, 000000
2, 500000

xk
0, 500000
0, 486060
0, 470933
0, 454579
0, 436954
0, 418014
0, 397709
0, 375988
0, 352797
0, 328078
0, 301771
0, 064868
0, 690082
1, 725937
3, 423936

yk
0, 250000
0, 237500
0, 225625
0, 214344
0, 203627
0, 193445
0, 183773
0, 174584
0, 165855
0, 157562
0, 149684
0, 089621
0, 053660
0, 032128
0, 019236

Tabela 3.1: Algumas iteracoes do metodo de Euler para solucao numerica das
equacoes (3.24)-(3.25) com as condicoes iniciais x0 = 0, 5 e y0 = 0, 25.
return(x + exp(-y));
}
double g(double x,double y)
{
return(-y);
}
Alem dessa, na figura indicamos tambem outras trajet
orias possveis que
foram geradas a partir de outras condicoes iniciais. Em uma linha tracejada
indicamos tambem uma das isoclinas do sistema, de modo que o leitor pode
comparar os resultados numericos com a analise do diagrama de fase da Figura
importante salientar que as isoclinas nao s
3.5. E
ao, em geral, trajet
orias do
sistema, a nao ser em casos particulares, como o eixo das abscissas que e ao
mesmo tempo uma isoclina e uma trajet
oria do sistema.
Uma inspecao atenta da Fig. 3.8 nos sugere que o ponto de equilbrio (x =
1, y = 0) e um ponto de sela, pois ha uma direcao - o eixo x - que corresponde
a uma trajet
oria que afasta-se do equilbrio e cujos pontos nunca deixam o eixo.
De fato, o eixo x e uma direcao instavel para o ponto de sela. As trajet
orias
convergem para o ponto de equilbrio de forma a sugerir a existencia de uma
direcao est
avel (e que tambem nao e a isoclina tracejada da figura).

3.3.3

Uso de software matem


atico

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


arios ambientes computacionais e sistemas operacionais
como Linux, Mackintosh e Windows: o Maple, Mathematica e Matlab. Tais pacotes oferecem a comodidade de trazerem embutidas as rotinas computacionais
para integracao numerica das equacoes diferenciais, e ainda terem um ambiente
124

0,2

0,1

-0,1

-0,2
-8

-6

-4

-2

Figura 3.8: Trajet


orias de fase obtidas por solucao numerica do sistema (3.24)(3.25) com diferentes condicoes iniciais.

gr
afico para tracar diagramas como series temporais e retratos de fase. Vamos, pois, indicar aqui as modificacoes necessarias para resolver as equacoes
(3.36)-(3.37), bem como o tipo de gr
aficos produzidos.
Maple
Necessitaremos apenas do pacote DEtools e da funcao DEplot. Escrevemos as
equacoes (3.36)-(3.37) na seguinte forma:
deq1 := diff(x(t),t) = x + e^{-y}:
deq2 := diff(y(t),t) = -y:
Vamos considerar a trajet
oria obtida a partir da condicao inicial x0 = 0, 5
e y0 = 0, 25, para o intervalo de tempo 0 t 50 com passo de integracao
t = 0, 05. Para tracar o retrato de fase contendo essa trajet
oria, usamos os
comandos:
with(DEtools):
DEplot([deq1,deq2],[x,y],t=0..50, x=-8..8, y=-0.25..0.25,
{[x(0)=-0.5, y(0)=0.25]}, stepsize=0.05,linecolor=black, arrows=none);
onde os comandos linecolor e arrows dizem respeito `a cor da curva a ser
tracada, e `
a presenca (ou nao) de flechas indicativas do sentido do tempo, respectivamente [Fig. 3.9].
Para tracar a serie temporal das variaveis x e y, procedemos assim [Fig.
3.10]:
DEplot([deq1,deq2],[x,y],t=0..2.0,{[x(0)=-0.5, y(0)=0.25]},
stepsize=0.05,scene= [t,x], linecolor=black, arrows=none);
DEplot([deq1,deq2],[x,y],t=0..5.0,{[x(0)=-0.5, y(0)=0.25]},
stepsize=0.05,scene= [t,y], linecolor=black, arrows=none);
125

0,2
y
0,1

0
-8

-4

x
-0,1

-0,2

Figura 3.9: Retrato de fase obtidas por solucao numerica do sistema (3.24)(3.25) usando o Maple.

0,25
1,5
x

y
1

0,2

0,15

0,5

0,1

0
0

0,5

1,5

0,05

t
-0,5

0
0

Figura 3.10: Series temporais obtidas por solucao numerica do sistema (3.24)(3.25) usando o Maple.

126

y
0.25
0.2
0.15
0.1
0.05
1

Figura 3.11: Retrato de fase obtidas por solucao numerica do sistema (3.24)(3.25) usando o Mathematica.

Mathematica
No Mathematica tambem devemos antes especificar as equacoes diferenciais na
seguinte forma:
deq1 = x[t] == x[t] + Exp[-y[t]];
deq2 = y[t] == -y[t];
Usamos o comando NDSolve para resolver numericamente esse sistema de
equacoes. Para o intervalo 0 t 10 e condicao inicial (x0 , y0 ) = (0, 5, 0, 25,
usamos
soln = NDSolve[{deq1,deq2, x[0]==-0.5, y[0]==0.25},{x[t],y[t]}, {t,0,10}];
Para representar a trajet
oria correspondente no plano de fase, usamos o comando [Fig. 3.11]:
ParametricPlot[
Evaluate[{x[t],y[t]} /. soln], {t,0,3}, AxesLabel ->{x,y}];
enquanto, para as series temporais, usamos [Fig. 3.12]:
Plot[Evaluate[ x[t] /. soln], {t,0,10}, AxesLabel ->{t,x}];
Plot[Evaluate[ y[t] /. soln], {t,0,10}, AxesLabel ->{t,y}];
Matlab
No Matlab o sistema de equacoes diferenciais deve ser especificado por meio de
um arquivo-m, que vamos chamar de exemplo.m, contendo uma funcao que denominaremos exemplo, onde as variaveis independentes s
ao o vetor de variaveis
v e o tempo t e a variavel dependente e o vetor vp, contendo as derivadas do
campo vetorial:
function vp = exemplo(t,v)
% exemplo.m
vp = v;
x = v(1);
127

x
3000

y
0.12

2500

0.1

2000

0.08

1500

0.06

1000

0.04
0.02

500
4

10

10

Figura 3.12: Serie temporal obtida por solucao numerica do sistema (3.24)-(3.25)
usando o Mathematica.

0.25

0.2

0.15

0.1

0.05

0
1

3
x

Figura 3.13: Retrato de fase obtidas por solucao numerica do sistema (3.24)(3.25) usando o Matlab.

y = v(2);
vp(1) = x + exp(-y);
vp(2) = -y;
Para integrar numericamente o sistema de equacoes, o Matlab conta com
v
arios integradores. Recomendamos usar ode45, para obter uma solucao no
intervalo 0 t 50, partindo da condicao inicial (x0 , y0 ) = (0, 5, 0, 25), e com
passo de integracao 0, 05:
[t,v] = ode45(exemplo, [0:0.05:3.0], [-0.5,0.25]);
Para tracar os gr
aficos correspondentes `a trajet
oria no plano de fase[Fig. 3.13],
e`
as series temporais de x e y [Fig. 3.14], usamos os comandos:
plot(v(:,1),v(:,2))
plot(t,v(:,1), t,v(:,2))

128

4
3.5

x(t)

y(t)

2.5
2
1.5
1
0.5
0
0.5
1

0.5

1.5
t

2.5

Figura 3.14: Series temporais obtidas por solucao numerica do sistema (3.24)(3.25) usando o Matlab.

3.4

Solu
c
oes de equilbrio e sua estabilidade

Para sistemas nao-lineares da forma geral (3.15) procuramos solucoes de equilbrio


v , tais que
 
dv
x
= 0,
(3.42)

v =

y
dt
ou seja, as solucoes da equacao vetorial
F(v ) = 0.

(3.43)

No plano de fase, as solucoes de equilbrio s


ao identificadas como o ponto
de coordenadas (x , y ), que nao se alteram com o tempo. Para investigar
sua estabilidade consideramos uma pequena vizinhanca em torno de (x , y )
na forma de um crculo de raio , onde |x | e |y | (Figura 3.15).
Consideramos, agora, desvios da solucao de equilbrio em ambas as direcoes
x(t)
y(t)

=
=

x + wx (t),
y + wy (t),

(3.44)
(3.45)

onde supomos que os modulos de tais desvios sejam pequenos o suficiente para
estarem contidos na vizinhanca definida anteriormente: |wx,y | . Como vimos
no Captulo 1, isso nos permite truncar as series de potencias a partir dos termos
quadr
aticos nos desvios.
Expandimos em serie de potencias as duas componentes do campo vetorial
(3.12) f (x, y) e g(x, y), na vizinhanca do ponto (x , y ); o que fornece, ate os
129

y
y
v

11111111111
00000000000
00000000000
11111111111
00000000000
11111111111
00000000000
11111111111
00000000000
11111111111

00000000000
11111111111
00000000000
11111111111
00000000000
11111111111
00000000000
11111111111
00000000000
11111111111
v*
00000000000
11111111111
00000000000
11111111111
00000000000
11111111111
00000000000
11111111111
00000000000
11111111111
00000000000
11111111111
00000000000
11111111111
00000000000
11111111111
00000000000
11111111111
00000000000
11111111111
00000000000
11111111111

Figura 3.15: Estabilidade linear de um ponto de equilbrio no plano de fase

termos lineares nos desvios, as seguintes expressoes


dx
dwx
+
dt
dt

dy
dwx
+
dt
dt

f (x + wx , y + wy )
(3.46)
 
 
f
f
+ wy
,
f (x , y ) + wx
x (x ,y )
y (x ,y )
g(x + wx , y + wy )
 
 
g
g

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

(3.47)

Por outro lado, pela definicao de solucao de equilbrio,


x = f (x , y )
y = g(x , y )

=
=

0,
0,

(3.48)
(3.49)

de forma que, na aproximacao linear, a din


amica que os desvios satisfazem e
dada por:
 
 
f
f
dwx
+ wy
,
(3.50)
= wx
dt
x (x ,y )
y (x ,y )
 
 
g
g
dwy
+ wy
,
(3.51)
= wx
dt
x (x ,y )
y (x ,y )
e que, por sua vez, pode ser escrita na forma
dw
= DF(v ).w(t),
dt
onde
w(t) =

wx (t)
wy (t)

(3.52)

(3.53)

e um vetor de desvios em relacao `a solucao de equilbrio, e DF(v ) e chamada


matriz Jacobiana do campo vetorial, cujos elementos s
ao as derivadas parciais
130

das componentes do campo vetorial, calculadas no ponto fixo (x , y ):

 
 
f

x
DF(v ) =  g (x ,y )
x

(x ,y )

f
y

g
y

(x ,y )

(3.54)

(x ,y )

A equacao (3.52) representa um modelo contnuo bidimensional linear, cujo


equilbrio na origem corresponde `
a solucao de equilbrio v do modelo nao-linear
(3.13). Como vimos no captulo II, a estabilidade da solucoes de equilbrio do
sistema linear, e determinada pelos autovalores da matriz Jacobiana, calculada
no ponto de equilbrio A = DF(v ). Neste caso, o equilbrio sera assintoticamente est
avel se as partes reais dos autovalores forem negativas. Vimos, no
Captulo 2, que as condicoes necessarias e suficientes para isso s
ao
= T rDF(v ) < 0,
= det DF(v ) > 0,

(3.55)
(3.56)

Caso uma das condicoes acima nao seja satisfeita, a solucao de equilbrio sera
instavel. A convergencia (ou divergencia, no caso instavel) dos desvios a esta
solucao de equilbrio e oscilat
oria se D < 0 e nao-oscilat
oria se D > 0, onde
D = 2 4 e o discriminante.
O teorema de existencia e unicidade 3.2 garante que, se a funcao vetorial
F(v) for suficientemente suave, a solucao da equacao (3.13) e definida em algum
intervalo de tempo (, + ) centrado em t = 0. Nesse caso, um fluxo local
t : R2 R2 pode ser definido por t (v0 ) = v(t, v0 ) [1]. Em particular, o
fluxo linearizado, que denotaremos Dt (v )w, pode ser obtido integrando-se
a equacao linearizada (3.52) em torno de v , o que como veremos no proximo
captulo com mais detalhes.

3.4.1

Pontos hiperb
olicos e o Teorema de Hartman e Grobman

A linearizacao do campo vetorial permite-nos classificar a estabilidade da solucao


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

0,2

0,1

(a)

(b)

0,1

0,05

-0,1

-0,05

-0,2
-0,2

-0,1

0,1

0,2

-0,1

-0,05

0,05

0,1

0,15

0,2

Figura 3.16: Retrato de fase do sistema (3.57)-(3.58) para (a) = 0 (centro


linear); (b) = 100 (foco est
avel).

e negativos) e um ponto hiperbolico e, portanto, permanecera um no est


avel
mesmo quando consideramos o sistema nao-linear como um todo.
Caso contrario, ou seja, se um ou mais autovalores tiverem parte real nula,
ent
ao o criterio de linearizacao falha, ou seja, pela aproximacao linear em torno
do ponto de equilbrio nao e possvel dizer se o ponto de equilbrio e est
avel ou
instavel. Consideremos o exemplo:
x

= f = y,

(3.57)

= g = x x2 y,

(3.58)

cujo ponto de equilbrio e facilmente identificado como sendo a origem do plano


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

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


0 1
.
A = DF(x = y = 0) =
1 0

(3.60)

cujos traco, determinante e discriminante s


ao, respectivamente

=
=

T rA = 0,
det A = 1,

(3.61)
(3.62)

2 4 = 4.

(3.63)

o que identifica o ponto de equilbrio como um centro nao-hiperbolico, ja que os


autovalores da Jacobiana tem partes reais nulas:

+ D
= +i,
(3.64)
1 =
2
D
2 =
= i.
(3.65)
2
132

Vimos no captulo 2 que, neste caso, a solucao de equilbrio e um centro,


o qual e neutro ou marginalmente est
avel: uma condicao inicial nas proximidades do ponto de equilbrio gera trajet
orias circulares em torno desse ponto
[Fig. 3.16(a)]. N
ao devemos esperar, entretanto, que a linearizacao de uma
informacao confi
avel. De fato, se retivermos os termo nao-linear x2 y, o ponto
de equilbrio sera um foco est
avel se > 0 [Fig. 3.16(b)] e um foco instavel se
< 0. Como essa afirmacao independe do valor de , os centros lineares s
ao
frageis, pois s
ao alterados radicalmente devido a mudancas, mesmo que muito
pequenas, no campo vetorial.
Enquanto pontos de equilbrio hiperbolicos s
ao robustos, no sentido que
sua estabilidade nao se altera alem da aproximacao linear, os pontos naohiperbolicos s
ao fr
ageis, pois sua estabilidade pode ser alterada por qualquer
perturbacao devida aos termos nao-lineares. N
os e focos, bem como pontos de
sela s
ao robustos; ao passo que centros e demais pontos nao-hiperbolicos s
ao
marginais.
A formalizacao destas ideias e o objeto do
Teorema 4 (Hartman-Grobman) Se a matriz Jacobiana calculada no ponto
de equilbrio, DF(v ) n
ao tiver autovalores nulos ou puramente imagin
arios,
ent
ao existe um homeomorfismo h, definido em alguma vizinhanca U do ponto
de equilbrio v R2 , que leva trajet
orias do fluxo n
ao-linear t do sistema
dv(t)
= F(v(t)),
dt

v(0) = v0 ,

em trajet
orias do fluxo linear Dt (v )w do sistema
dw
= DF(v ).w(t).
dt
Um homeomorfismo e uma aplicacao contnua, com uma inversa tambem
contnua. O homeomorfismo h citado pelo teorema de Hartman-Grobman mapeia
as trajet
orias na vizinhanca do ponto de equilbrio do sistema em trajet
orias do
fluxo linear equivalente. Nessa aplicacao o sentido do tempo (as flechas nas trajet
orias) e preservado. N
ao e realmente necessario conhecer a forma analtica
desse homeomorfismo (ate porque pode ela nao existir!), mas basta-nos saber
que ele existe.
Uma maneira alternativa de exprimir o teorema de Hartman-Grobman e
dizer que as trajet
orias do sistema nao-linear na vizinhanca do equilbrio s
ao
topologicamente equivalentes `
as do sistema linearizado [Fig. 3.17]. Consequentemente a estabilidade do equilbrio e fielmente captada pela linearizacao.
Uma forma intuitiva de entender essa equivalencia topol
ogica e pensar que as
trajet
orias dos dois sistemas (nao-linear e linearizado) podem ser continuamente
deformadas uma em outra (e vice-versa): dobrar e esticar trajet
orias s
ao, pois,
operacoes permitidas, mas nao cort
a-las, por exemplo. Logo trajet
orias fechadas
permanecem fechadas pela acao do homeomorfismo h, trajet
orias conectando
pontos de sela nao podem ser quebradas, etc. [3].
Podemos tambem dizer que o retrato de fase nas vizinhancas de um ponto
de equilbrio hiperbolico, isto e, o conjunto das trajet
orias nessa regi
ao, e estruturalmente est
avel, pois sua topologia nao pode ser alterada por pequenas
perturbacoes do campo vetorial. O conceito de estabilidade estrutural formaliza
o de robustez introduzido anteriormente.
133

V
h

v*

U
h(U)

Figura 3.17: Retratos de fase nas vizinhancas de um ponto de equilbrio linear


e nao-linear, relacionados entre si por um homeomorfismo, conforme o Teorema
de Hartman-Grobman.

3.4.2

Exemplos de an
alise pelo diagramas de fase

1. Consideremos o sistema [adaptado de [7], pg. 200]


x =
y

0, 1x + 5y,
20
+ 0, 1y,
x

(3.66)
(3.67)

com x > 0, y < 0, e cuja solucao de equilbrio e dada por


0, 1x + 5y
20
+ 0, 1y
x

0,

(3.68)

0.

(3.69)

Isolando y de (3.69) temos que y = 200/x a qual, substituda em (3.68),


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

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


0, 1
5

A = DF(x = 100, y = 2) =
.
0, 002 0, 1

(3.71)

Calculando o traco, determinante e discriminante da matriz Jacobiana obtemos, respectivamente, que:


=
=
D

T rA = 0, 1 + 0, 1 = 0,
det A = 0, 12 5 0, 002 = 0, 02,
2 4 = 4 (0, 01) = 0, 08.
134

(3.72)
(3.73)
(3.74)

100

Figura 3.18: Diagrama de fase para o sistema (3.66)-(3.67)

Como < 0 segue que a solucao de equilbrio e um ponto de sela. Isso pode
ser confirmado pelos autovalores respectivos, que s
ao

+ D
0, 08
1 =
=
= 0, 14142,
(3.75)
2
2

0, 08
D
2 =
=
= 0, 14142.
(3.76)
2
2
Para ter uma ideia do comportamento das trajet
orias no plano de fase, vamos
determinar as isoclinas do sistema:
A : x = 0, 1x + 5y = 0
20
B : y = + 0, 1y = 0
x

y = 0, 02x,
200
y=
,
x

(3.77)
(3.78)

representadas, respectivamente, por uma reta que passa pela origem, e por uma
hiperbole no primeiro quadrante do plano (Figura 3.18). A intersecao dessas
isoclinas produz quatro quadrantes, nos quais os sinais do campo vetorial s
ao
determinados como segue: vamos inicialmente reescrever o sistema (3.66)- (3.66)
na forma equivalente
x

5(y 0, 02x),


200
0, 1 y
.
x

(3.79)
(3.80)

e podemos fazer agora a analise para cada quadrante:


se y > 0, 02 (acima de A), y 0, 02 > 0, e x = 5(y 0, 02x) > 0, flecha
para a direita na direcao x;
se y < 0, 02 (abaixo de A), y 0, 02 < 0, e x < 0, flecha para a direita na
direcao x;
135

100

50

150

200

Figura 3.19: Trajet


orias de fase obtidas por solucao numerica do sistema (3.66)(3.67) com diferentes condicoes iniciais.

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


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

x(3 x 2y),

y(2 x y),

(3.81)
(3.82)

onde x > 0, y < 0, e cujas solucoes de equilbrio s


ao obtidas a partir de
x (3 x 2y )

y (2 x y )
136

0,

(3.83)

0,

(3.84)

que tem uma solucao imediata:


P1 :

x1 = 0,

y1 = 0.

(3.85)

Outra solucao decorre de anularmos os termos entre parenteses em (3.81)-(3.82),


caindo no sistema
x + 2y
x + y

=
=

3,
2,

(3.86)
(3.87)

y2 = 1.

(3.88)

que e verificado para


P2 :

x2 = 1,

H
a duas outras possibilidades, facilmente verificadas por substituicao direta:
P3 :

x3 = 0,

y2 = 2,

(3.89)

P4 :

x4 = 3,

y4 = 0,

(3.90)

e
num total de quatro solucoes de equilbrio. A matriz jacobiana do sistema e


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


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


1 2

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


1 0

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


3 6

(3.95)
A(P4 ) = DF(x4 = 3, y4 = 0) =
0 1
137

P3
2
B
1,5
P2

A
P1

P4

0
0

Figura 3.20: Diagrama de fase para o sistema (3.81)-(3.82)

tem traco, determinante e discriminante iguais, respectivamente, a = 4,


= 3 e D = 4 > 0., e autovalores 1 = 3 e 2 = 1.
As isoclinas do sistema s
ao obtidas a partir das equacoes x = 0 e y = 0. Os
eixos das abscissas (y = 0) e ordenadas (x = 0) s
ao, portanto, isoclinas. Alem
deles, temos ainda
A : x = x + 2y 3 = 0
B : y = x + y 2 = 0

3x
,
2
y = 2 x,

y=

(3.96)
(3.97)

representadas como duas retas no plano de fase. As intersecoes dessas quatro


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



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

1,6

1,2

0,8

0,4

0,5

1,5

2,5

Figura 3.21: Trajet


orias de fase obtidas por solucao numerica do sistema (3.81)(3.82) com diferentes condicoes iniciais.

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


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

3.5

Exemplo em Economia: Modelo de capital


fsico e humano

No captulo 1 estudamos o modelo de Solow de crescimento econ


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

investimentos em educacao e aperfeicoamento tecnico do trabalhador, de modo


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

3.5.1

Hip
oteses do modelo

Algumas das hip


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

(3.100)

2. A funcao producao depende nao s


o do capital fsico K e da forca de trabalho L, como no modelo de Solow, mas tambem do capital humano H e
do nvel de progresso tecnico A. Tambem suporemos que a funcao producao
Q = f (K, H, A, L) seja homogenea de primeiro grau, e dada por uma forma do
tipo Cobb-Douglas:

Y (t) = K(t) H(t) [A(t)L(t)]

(3.101)

onde supomos que 0 < < 1, 0 < < 1, e tambem que + < 1.
3. O nvel de progresso tecnico cresce exogenamente a uma taxa g > 0:
A(t) = A0 egt ,

(3.102)

4. O capital fsico e o humano depreciam com o tempo `a mesma taxa > 0:


5. No equilbrio, o investimento I(t) e igual `a poupanca S(t), sendo uma proporcao s constante da renda poupada e invertida: I(t) = S(t) = sY (t). Parte
do investimento o e em capital fsico (sk ) e parte em capital humano (sh ).
I = S = sY =

dH
dK
+
,
dt
dt

(3.103)

onde
dK
dt
dH
dt

sk Y K,

(3.104)

sh Y H,

(3.105)

onde incluimos os efeitos da depreciacao, e tal que s = sk + sh .

3.5.2

Deriva
c
ao das equa
c
oes do modelo

Assim como no modelo de Solow, e conveniente definir variaveis relativas: renda/trabalho


e capital/trabalho, da seguinte forma:
y

Y
,
AL

K
,
AL

140

H
.
AL

(3.106)

Usando (3.100) e (3.102) temos


Y

yAL = yA0 L0 e(g+)t ,

K
H

=
=

kAL = kA0 L0 e(g+)t ,


hAL = hA0 L0 e(g+)t ,

que, derivadas em relacao ao tempo, fornecem:


dY
dt
dK
dt
dH
dt

=
=
=

dy
d
A0 L0 e(g+)t + yA0 L0 (g + n)e(g+)t = Q(K, H, A, L),
dt
dt
dk
(g+)t
(g+)t
A0 L0 e
+ kA0 L0 (g + n)e
= sk Y K,
dt
dh
A0 L0 e(g+)t + hA0 L0 (g + n)e(g+)t = sh Y H,
dt

onde tambem usamos (3.104) e (3.105), e a forma geral da funcao producao.


Dividindo as tres equacoes acima por AL = A0 L0 e(g+)t temos
dy
+ y(g + )
dt
dk
+ k(g + )
dt
dh
+ h(g + )
dt

=
=
=

1 (g+)t d
e
Q(K, H, A, L),
A0 L0
dt
Y
K
sk

= sk y k,
AL
AL
Y
H
sh

= sh y h.
AL
AL

(3.107)
(3.108)

Como a funcao producao e suposta homogenea de primeiro grau em AL


temos que
Q(K, H, A, L) =

1
K H
1
Q(
,
, 1, 1) =
Q(k, h, 1, 1).
AL AL AL
AL

No caso da funcao de producao do tipo Cobb-Douglas (3.101) temos


1

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


H
K

= k h ,
= K H (AL) (AL) =
AL
AL
y=

(3.109)

que, quando substituida em (3.107) e (3.108), fornece as equacoes do modelo:


dk
dt
dh
dt

3.5.3

f (k, h) = sk k h ( + g + )k,

(3.110)

g(k, h) = sh k h ( + g + )h.

(3.111)

Soluc
oes de equilbrio

A solucao de equilbrio deste modelo e


 
k

,
v =
h
141

(3.112)

faz o campo vetorial (3.110)-(3.111) se anular:


sk k h ( + g + )k

sh k

( + g + )h

0,

(3.113)

0.

(3.114)

Dividindo as equacoes (3.113) e (3.114) por sk e sh , respectivamente, temos


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

(3.116)

Substituindo (3.115) em (3.113)




sh
k
ck
sk k
sk
"  
#

s
h
+1
k sk
c
k
sk

0,

0,

(3.117)

que tem duas solucoes para a relacao capital fsico/trabalho de equilbrio. Uma
delas, que chamaremos de solucao trivial, e k = 0. A solucao nao-trivial e
1
! 1
1
s
s
sk
k
h
= k h .
k =
(3.118)
c
c
Usando (3.115), a relacao capital humano/trabalho de equilbrio (nao-trivial,
pois tambem temos h = 0 como uma solucao) sera

h =

1
s
k sh
c

1
 1

sh
k h .
c

(3.119)

Podemos simplificar consideravelmente a algebra envolvida na manipulacao


destas expressoes, definindo novas variaveis normalizadas aos seus valores de
equilbrio (nao-triviais), como
x1

k
,
k

x2

h
.
h

(3.120)

Quando modificamos variaveis dependentes em equacoes diferenciais, devemos


utilizar a regra da cadeia do calculo para transformar as derivadas onde tais
variaveis ocorrem. Ent
ao
dx1
dt
dx2
dt

=
=

dx1 dk
1 dk
= ,
dk dt
k dt
dx2 dh
1 dh
=
,
dh dt
h dt

(3.121)
(3.122)

Substituindo (3.120), (3.121) e (3.122) no campo vetorial (3.110)-(3.111):


dx1
dt
dx2
h
dt
k

s k k h x
1 x2 ck x1 ,

s h k h x
1 x2 ch x2 .

142

Usando (3.118) e (3.119) as equacoes acima reduzem-se a


dx1
dt
dx
2
h
dt
k

ck x
1 x2 ck x1 ,

ch x
1 x2 ch x2 ,

e, dividindo ambos os membros por ck e ch , respectivamente, temos o campo


vetorial nas novas variaveis
dx1
dt
dx2
dt

f1 (x1 , x2 ) = c(x
1 x2 x1 ),

(3.123)

f2 (x2 , x2 ) = c(x
1 x2 x2 ).

(3.124)

Para esta forma do campo vetorial, a solucao nao-trivial de equilbrio e


facilmente encontrada como sendo
x1 =

k
= 1,
k

x2 =

h
= 1,
h

(3.125)

sendo (x1 , x2 ) = (0, 0) a solucao trivial, que representa ausencia de crescimento


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

3.5.4

Diagrama de fase

Antes de fazer uma analise quantitativa da estabilidade dos pontos de equilbrio


pela aproximacao linear, e conveniente realizar uma an
alise qualitativa das
solucoes com o auxlio do diagrama de fase. Para isso, determinamos as isoclinas
do sistema:

x 1 = f1 (x1 , x2 ) = c(x
1 x2 x1 ) = 0

x 2 = f2 (x2 , x2 ) =

c(x
1 x2

x2 ) = 0

x
1 x2 = x1 ,

(3.126)

x
1 x2

(3.127)

= x2 ,

ou seja
(1)/

A : x2

x1

(3.128)

B : x2

/(1)
x1
,

(3.129)

alem das isoclinas representadas por x1 = 0 e x2 = 0 [Figura 3.22] (veja o


Problema 6). Para a analise do diagrama de fase, consideremos as derivadas
parciais [21]
f1
x2
f2
x1

1
cx
> 0,
1 x2

(3.130)

x2 > 0,
cx1
1

(3.131)

ja que tanto x1 como x2 s


ao sempre positivos, e 1 > 0 e 1 > 0, uma vez
que e s
ao menores do que 1 nas funcoes de Cobb-Douglas.
143

A
x2
B
1

0
0

x1

Figura 3.22: Diagrama de fase para o sistema (3.123)-(3.124).

Tomemos um valor arbitrario de x1 , que determina um ponto sobre a curva


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

f2
dx1 > 0,
x1

onde, em ambas as expressoes, usamos a expressao da diferencial total de uma


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

3.5.5

Estabilidade do equilbrio

Para estudar a estabilidade das solucoes de equilbrio, devemos inicialmente


obter os elementos da matriz Jacobiana do campo vetorial (3.123)-(3.124)
f1
x1
f1
=
x2
f2
=
x1
f2
=
x2

J11 =

= c(x1 y 1),

(3.132)

J12

= cx y 1 ,

(3.133)

= cx1 y ,

(3.134)

= c(x y 1 1),

(3.135)

J21
J22

(3.136)
de forma que
DF = c

x1 y 1
x y 1
x1 y
x y 1 1

(3.137)

Vamos considerar a solucao trivial de equilbrio 0 : (0, 0). Fazendo x = y = 0


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


1

DF(1, 1) = c
,
(3.138)

1
cujo traco e determinante s
ao, respectivamente, dados por

=
=

T rDF(1, 1) = c( + 2),
(3.139)
2
2
det DF(1, 1) = c [( 1)( 1) ] = c (1 ). (3.140)

A solucao de equilbrio sera est


avel se as duas desigualdades em (2.213)(2.214) forem verificadas:
= c( + 2) < 0,
2

= c (1 ) > 0.

(3.141)
(3.142)

Como c > 0, (3.141) implica em que + 2 < 0, ou seja, que + < 2.


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

=
=
=

2 4 = c2 ( + 2) 4c2 (1 )
2

c2 [( + ) 4( + ) + 4 4(1 )
2

c2 ( + ) ,

145

(3.143)

1,5

0,5

0,5

1,5

Figura 3.23: Trajet


orias de fase para o modelo de capital humano (3.123)-(3.124)
obtidas a partir de diferentes condicoes iniciais, quando = 0, 50, 0, 25, e
c = 1, 0.

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

3.6

Direc
oes e curvas invariantes

Ate o momento, demos muita importancia aos autovalores da matriz Jacobiana


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

3.6.1

Auto-direc
oes e autovetores

Vamos retornar aos modelos bidimensionais lineares da forma


dv
= A.v,
dt
onde
v(t) =

x(t)
y(t)

v0 =

(3.144)


x(t = 0)
y(t = 0)

(3.145)

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


(3.144) chegamos `
a equacao dos autovalores:
A.u = u,

(3.146)

onde u e o autovetor correspondente ao autovalor da matriz A, e que e uma


raiz da equacao secular
det(A I) = 0.
(3.147)
Uma solucao geral da eq. (3.144) e portanto uma combinacao linear dos dois
autovetores, na forma (2.60):
v(t) = c1 e1 t u1 + c2 e2 t u2

(3.148)

onde c1,2 s
ao constantes de integracao determinadas pelas condicoes iniciais x(0)
e y(0).
Sera fundamental, nesse ponto, definirmos o conceito de invariancia na din
amica:
Defini
c
ao 7 Um conjunto S e dito invariante sob a din
amica gerada pelo campo
vetorial v = F(v) se, para qualquer v0 S tenhamos v(v0 , t) S para todos os
tempos t R.
Cada autovetor define uma direcao invariante no plano de fase, que pode ser
est
avel ou instavel, caso o autovalor correspondente ao autovetor tenha parte
real negativa ou positiva, respectivamente. Logo, as retas definidas pelos autovetores s
ao tais que, colocando uma condicao inicial exatamente sobre elas, todos
os demais pontos da trajet
oria resultante estarao confinados `a essa direcao.
Para mostrar esta afirmacao consideramos uma condicao inicial colocada
sobre a direcao determinada por um dos autovetores, por exemplo, u1 . Nesse
caso, a condicao inicial sera escrita como
v 0 = c1 u1 .
147

(3.149)

Por outro lado, a solucao geral do modelo e dada por (2.76). Fazendo t = 0
na mesma, teremos que v0 = v(0) = c1 u1 + c2 u2 . Comparando com (3.149),
vemos que c2 = 0. Logo, a solucao para tempos arbitrarios fica
v(t) = c1 e1 t u1 ,

(3.150)

que representa vetores sempre na mesma direcao u1 , ou seja, essa direcao e


invariante. Caso Re1 > 0 sera dita uma auto-direcao instavel; e se Re1 < 0
nos a chamaremos uma auto-direcao est
avel.
Para um exemplo ilustrativo, vamos revisitar o sistema (2.98), ja estudado
no Captulo anterior:
dx
dt
dy
dt

= x + y,

(3.151)

= 4x 2y,

(3.152)

para o qual a matriz dos coeficientes e




1 1
A=
,
4 2

(3.153)

cujo traco, determinante e discriminante s


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




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

3.6.2

Teorema das curvas invariantes

O ponto de sela e um ponto de equilibrio hiperbolico (autovalores com partes


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

Es

Eu

u1
O
u2

Figura 3.24: Ponto de sela para o sistema (3.151)-(3.152).

modelo (3.81)-(3.82), o ponto de sela (x = y = 1) tambem subsiste no caso


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

Vloc (v ), respectivamente, como os seguintes conjuntos:


s
Vloc
(v ) = {x U |t (x) v quando t , e t (x) U,

t 0}, (3.155)

u
Vloc
(v ) = {x U |t (x) v quando t , e t (x) U,

t 0}.
(3.156)

Observe que definimos as curvas invariantes est


avel e instavel apenas localmente, ou seja, dentro de uma vizinhanca U que contem o ponto de equilbrio
149

Es

Eu

v*
x

Figura 3.25: Variedades e auto-direcoes invariantes para um ponto de sela.

v . Alem disso, na definicao da curva instavel, usamos o expediente de fazer o


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

s
t (Vloc
(v )),

(3.157)

u
t (Vloc
(v )),

(3.158)

t0

V u (v ))

t0

A tangencia das curvas e direcoes invariantes e garantida pelo (esta e uma


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

= DF(v ).w, e tangentes `


sistema linearizado w
as auto-direco
es no ponto v ).
Na maioria dos sistemas nao-lineares, as curvas est
avel e instavel s
o podem
ser obtidas por metodos computacionais [37]. Uma tecnica numerica simples
para obter a curva instavel e partir da auto-direcao instavel e colocar um grande
150

n
umero de pontos num pequeno intervalo centrado no ponto de equilbrio. Resolvemos numericamente o sistema de equacoes encontrando as imagens destes
pontos para tempos posteriores. No entanto, pela analise das trajet
orias de fase
nas vizinhancas de um ponto de sela e possvel ter uma ideia qualitativa da
forma dessas curvas invariantes. H
a um exemplo onde isso pode ser feito de
forma analtica [1]:
dx
dt
dy
dt

f (x, y) = x,

(3.159)

g(x, y) = y + x2 ,

(3.160)

para o qual a solucao de equilbrio e dada por


x = 0,

y + x 2 = 0,

(3.161)

ou seja, x = 0, y = 0.
Construimos agora a matriz jacobiana do sistema
! 

f
f
1
0
x
y
DF(x, y) =
=
,
g
g
2x 1
x
y

(3.162)

que, no ponto de equilbrio, e


A = DF(x = 0, y = 0) =

1
0

0
1

(3.163)

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

  

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


 

0 0
ux
0
=
,
uy
0 2
0

(3.165)

que implica em uy = 0, sendo ux arbitrario. Escolhendo ux = 1 temos o


autovetor


1
u1 =
,
(3.166)
0

ou seja, a auto-direcao instavel E u e o proprio eixo das abscissas. Analogamente,


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


0
u2 =
,
(3.167)
1
que e o eixo das ordenadas.
151

y
s
s
E =V
u
V

O
E

Figura 3.26: Curvas e direcoes invariantes para o sistema (3.159)-(3.160).

Dividindo membro a membro as equacoes (3.159) e (3.160) chegamos a


dy
y + x2
y
y
=
=
= + x,
x
dx
x
x

(3.168)

que tem como solucao analtica,


y(x) =

x2
c
+ ,
3
x

(3.169)

onde c e uma constante de integracao, como pode ser verificado por substituicao
de (3.169) e sua derivada em (3.168).
u
Pelo teorema anterior, sabemos que a curva instavel local Vloc
deve ser tanu
gente `
a auto-direcao instavel E no ponto de equilbrio. Logo, a curva instavel
deve ser tangente ao eixo x na origem. Por outro lado, a curva invariante deve
ser necessariamente uma trajet
oria possvel para o sistema, De (3.169) vemos
que isso s
o e possvel se c = 0, de outra forma na origem teramos um termo
infinito. Concluimos que
x2
(3.170)
y(x) =
3
e a equacao da curva instavel do ponto de equilbrio na origem [Fig. 3.26].
Podemos, ainda, mostrar diretamente que o eixo y e a curva est
avel V s
do sistema. Para isso tomemos uma condicao inicial sobre ela, ou seja, x0 =
0 para y0 arbitrario. De (3.159) resulta que x = 0, ou seja, x = 0 e uma
constante. Isso significa que a trajet
oria resultante dessa condicao inicial est
a
fadada a permanecer sobre o eixo y para todos os tempos. Colocando x = 0 em
(3.160) temos uma equacao linear y = y, cuja solucao e y(t) = y0 et , ou seja,
aproximamo-nos da origem para t . Logo o eixo y, alem de ser a autodirecao est
avel E s , e tambem a curva est
avel V s . No captulo 4 definiremos
o termo variedade invariante para generalizar o conceito de curva invariante,
de modo que as aspas que aqui usamos serao desnecess
arias.
152

2,5

1,5

0,5

0,5

1,5

2,5

Figura 3.27: Ciclo-limite num modelo contnuo bidimensional

3.7

Trajet
orias fechadas

H
a dois tipos de trajet
oria fechada num modelo contnuo bidimensional: (i) as
trajet
orias em torno de um centro nao-linear; e (ii) os ciclos-limite. Em ambos
os casos, elas correspondem `
a solucoes peri
odicas do modelo que repetem-se
ciclicamente apos um dado perodo T :
(x(t + T ), y(t + T )) = (x(t), y(t)).
A existencia das trajet
orias em torno de um centro nao-linear tem uma pecu mais
liaridade: cada condicao inicial leva a uma trajet
oria fechada diferente. E
comum nos modelos bidimensionais a existencia dos chamados ciclos-limite,
que s
ao trajet
orias fechadas isoladas, para as quais convergem ou divergem
trajet
orias pr
oximas a elas. Por outro lado, as trajet
orias em torno de um centro nao s
ao isoladas: se (x(t), y(t)) e uma destas trajet
orias fechadas, ent
ao
(cx(t), cy(t)), para c arbitrario, tambem e uma trajet
oria fechada possvel.
Um ciclo-limite pode ser est
avel (instavel), quando atrai (repele) as trajet
orias que se originam de pontos na sua proximidade [Fig. 3.28(a) e (b)] .
Tambem pode ser semi-est
avel, quando atrai trajet
orias vindas de seu interior
e repele trajet
orias provenientes do seu exterior, ou vice-versa. Trajet
orias orbitando em torno de um centro podem existir em sistemas lineares, como vimos
no Cap. 2, mas ciclos-limite s
ao exclusividade de modelos nao-lineares.
Um exemplo de ciclo-limite ocorre para o modelo bidimensional
dx
dt
dy
dt

x(1 x2 y 2 ) y,

(3.171)

y(1 x2 y 2 ) + x.

(3.172)

Aqui sera mais conveniente trabalharmos em coordenadas polares, como fizemos


no Cap. 2 x = r cos , y = r sin (veja as Eqs. 2.167-2.168 e os desenvolvimentos
153

(a)

(b)

-1

-1

-1

-2
-2

-1

Figura 3.28: Ciclo-limite (a) est


avel, (b) instavel.

algebricos subsequentes se tiver alguma d


uvida quanto a essa transformacao).
Derivando x e y em relacao ao tempo, e levando em conta que ambas s
ao funcoes
das coordenadas r e , temos
dx
dt
dy
dt

cos r r sin ,

(3.173)

sin r + r cos .

(3.174)

Multiplicando (3.173) por cos , (3.174) por sin e somando membro a membro, obtemos a primeira das seguintes equacoes
dr
dt

= cos x + sin y,

(3.175)

y
x
x + y,

r
r
y
x
= cos sin ,
r
r
x
y
=
y 2 x,

r2
r

(3.176)

d
dt

sendo que a segunda pode ser obtida analogamente, multiplicando (3.173) por
sin , (3.174) por cos e novamente somando as duas.
Lembrando, ainda, que, de (2.170), r2 = x2 + y 2 , o sistema (3.171)-(3.172)
assume, ent
ao, a seguinte forma em coordenadas polares:
dr
dt
d
dt

= r(1 r2 ),

(3.177)

= 1.

(3.178)

onde r 0. A escolha dessas coordenadas e conveniente porque, com elas, o


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

0,5

dr/dt

-0,5

-1

0,5

1,5

Figura 3.29: Diagrama de fase unidimensional para a equacao (3.177).


2

-1

-2
-2

-1

Figura 3.30: Ciclo-limite e trajet


orias de fase do sistema (3.177)-(3.178).

Em termos do sistema bidimensional, a solucao r = 0 representa um foco


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

3.7.1

Crit
erios para impossibilidade de trajet
orias fechadas

relativamente simples saber se ha ou nao pontos de equilbrio para um modelo


E
bidimensional, bastando achar as solucoes do sistema de equacoes (3.21). Por
outro lado, e bem mais difcil saber se ha ou nao trajet
orias fechadas para um
modelo nao-linear qualquer. H
a, no entanto, diversos resultados matematicos
que podem ser usados para explorar a possibilidade ou impossibilidade da existencia de trajet
orias fechadas. Dada a natureza introdut
oria desse livro, nao
vamos demonstrar a maioria dos resultados mostrados nesta secao, mas remetemos o leitor interessado `
a bibliografia especfica [2, 3].
155

Sistemas gradientes
Um modelo contnuo bidimensional e dito um sistema gradiente se tiver a forma
geral
dx
dt
dy
dt

=
=

V
,
x
V
,
y

(3.179)
(3.180)

onde V (x, y) e uma funcao qualquer, desde que seja contnua e diferenciavel
possvel mostrar que trajet
nos seus argumentos 1 E
orias fechadas nao podem
ocorrer em sistemas gradientes [3].
Considere, por exemplo, o sistema:
dx
dt
dy
dt

y(2x y),

(3.181)

x(x 2y).

(3.182)

nao pode exibir trajet


orias fechadas, pois trata-se de um sistema gradiente, onde
V (x, y) = xy(x y), como pode ser verificado por substituicao direta.
Fun
c
oes de Lyapunov
Teorema 6 Seja um modelo bidimensional escrito na forma vetorial
dv
= F(v),
dt

(3.183)

onde v e F s
ao dados por (3.11) e (3.12), respectivamente, e que tem um ponto
de equilbrio v dado por (3.42). Seja, ainda, uma funca
o (de Lyapunov) L(v) :
W R onde W R2 e uma vizinhanca de v , com as seguintes propriedades:
L e continuamente diferenci
avel e tem valores reais;
L(v ) = 0;
L(v) > 0 para todo v 6= v ;
L < 0 para todo v 6= v .

Ent
ao v e globalmente assintoticamente est
avel, ou seja, para todas as condico
es
iniciais em R2 temos que v(t) v quando t .
Observe que, no presente contexto, a derivada temporal da funcao de Lyapunov e calculada ao longo das trajet
orias no plano de fase:
L
L
L
L
x +
y =
f (x, y) +
g(x, y).
L =
x
y
x
y

(3.184)

Na Figura 3.31 mostramos esquematicamente o gr


afico da funcao de Lyapunov L(x, y) que satisfaz `as propriedades acima enunciadas: todas as trajet
orias movem-se na direcao do fundo do poco, que e o proprio ponto de
1 As derivadas de V em rela
c
ao a x e y s
ao as componentes do gradiente de V , que
e um
operador diferencial vetorial [36].

156

L(x,y)

1
0
1
0

Figura 3.31: Esquema da funcao de Lyapunov no entorno de um ponto de


equilbrio x = y = 0.

equilbrio. Uma das consequencias, portanto, e que nao podem haver trajet
orias
fechadas. Note que essa afirmacao sobre a estabilidade de v nao se baseia na
linearizacao do sistema, como fizemos no incio deste captulo. O metodo das
funcoes de Lyapunov fornece, portanto, um metodo global para a determinacao
da estabilidade dos equilbrios. A funcao V (x, y) nos sistemas gradientes representa um exemplo importante da funcao de Lyapunov.
Considere, por exemplo, o sistema [[2], pg. 13].
dx
dt
dy
dt

y,

(3.185)

x + x2 y,

(3.186)

onde e um par
ametro variavel. Esse sistema tem um ponto de equilbrio na
origem (x = 0, y = 0), como pode ser verificado diretamente substituindo em
(3.185) e (3.186). Para mostrar que (0, 0) e assintoticamente est
avel nos usamos
a funcao de Lyapunov
x2 + y 2
,
(3.187)
L(x, y) =
2
que satisfaz as condicoes (1), (2): L(0, 0) = 0; (3)L(x, y) > 0 para qualquer
x 6= 0 e y 6= 0. Para verificar a condicao (4) nos calculamos a derivada total da
funcao de Lyapunov, a saber
L(x, y)
dt

=
=

L dx L dy
+
,
x dt
y dt
xy + y(x + x2 y) = x2 y 2 .

(3.188)

Logo L < 0 para todo x 6= 0 e y 6= 0, desde que < 0. Nesse caso todas as
condicoes iniciais no plano geram trajet
orias que convergem para (0, 0), o que
157

exclui automaticamente a possibilidade de existirem trajet


orias fechadas neste
sistema.
Poderamos perguntar como achar a funcao de Lyapunov em geral. O problema est
a em que e relativamente raro encontrarmos uma funcao de Lyapunov
dado um sistema nao-linear arbitrario, e infelizmente n
ao ha metodos gerais
para essa investigacao.
Um criterio u
til para excluir a possibilidade de existirem trajet
orias fechadas
e o
Teorema 7 (Bendixson) Seja um sistema bidimensional da forma (3.1). Se,
numa regi
ao simplesmente conexa D do plano de fase 2 a express
ao
B(x, y) =

f
g
+
x y

(3.189)

n
ao for identicamente nula nem mudar de sinal em D, ent
ao o sistema n
ao
exibe trajet
orias fechadas inteiramente contidas em D [2].
Considere o sistema
dx
dt
dy
dt

f =y

(3.190)

g = x x3 5y,

(3.191)

onde D e todo o plano de fase. A expressao (3.189) sera igual a


B(x, y) =

f
g
+
= 5 < 0
x y

(3.192)

para todo x e y, ou seja, ela nao muda de sinal nem e nula, de sorte que nao ha
trajet
orias fechadas no plano.
Uma generalizacao do criterio de Bendixson e o [2]
Teorema 8 (Dulac) Seja h(x, y) uma funca
o contnua e diferenci
avel na regi
ao
simplesmente conexa D. Se a express
ao
H(x, y) =

(hf ) (hg)
+
x
y

(3.193)

n
ao for identicamente nula nem mudar de sinal, ent
ao n
ao h
a trajet
orias fechadas
em D.
Por exemplo, no modelo [[3], pg. 202]
dx
dt
dy
dt

f = x(2 x y),

(3.194)

g = y(4x x2 3),

(3.195)

2 Aqui o termo simplesmente conexo implica n


ao existirem buracos na regi
ao, ou seja,
aus
encia de singularidades do campo vetorial

158

onde D e o quadrante positivo: x > 0 e y > 0, vamos tomar h(x, y) = 1/xy, tal
que (3.193) seja




y(4x x2 + 3)
x(2 x y)
+
=
H(x, y) =
x
xy
y
xy
1
= <0
(3.196)
y
que nunca muda de sinal, desde que nos restrinjamos a D, o que exclui portanto
a possibilidade de haver trajet
orias fechadas contidas inteiramente no primeiro
quadrante.

3.7.2

Indice de Poincar
e

A teoria do ndice, devida a Poincare, e que veremos de forma muito breve


aqui, e uma ferramenta u
til para analisar a impossibilidade da existencia de
trajet
orias fechadas. Consideremos um modelo bidimensional escrito na forma
explcita
dx
= f (x, y),
(3.197)
dt
dy
= g(x, y),
(3.198)
dt
e seja C uma curva fechada smples, ou seja, uma curva que nao se autointercepta (uma curva na forma de n
umero oito, por exemplo, nao seria
possvel) e que nao passe por ponto de equilbrio algum. A curva C nao precisa
ser necessariamente uma trajet
oria fechada do sistema.
O campo vetorial (f (x, y), g(x, y)), quando calculado num ponto qualquer
dessa curva, pode ser representado por um vetor (de componentes f e g ao
longo das direcoes x e y, respectivamente) que faz um angulo com o eixo x
positivo dado por [Fig. 3.32(a)]:
arctan

g(x, y)
f (x, y)

(3.199)

Percorrendo a curva C no sentido anti-hor


ario, por convencao, o vetor ira
apontar numa direcao diferente em cada ponto, dependendo dos valores de f e
g, de modo que o
angulo tambem aumenta continuamente. Apos uma volta
completa ao longo da curva C, em geral o vetor ter
a girado de um m
ultiplo
de 2 radianos, ou seja, = 2k, onde k e um n
umero inteiro (positivo ou
negativo), dito ndice da curva C, ou seja, IC = /2.
possvel mostrar que o ndice de uma curva nao depende da sua forma
E
especfica, mas sim do n
umero e da natureza dos pontos de equilbrio envolvidos
por ela. Se a curva C for escolhida tal que ela envolva apenas um ponto de
equilbrio v do sistema, ent
ao o ndice da curva e tambem chamado de ndice
do ponto de equilbrio. Na Figura 3.32(b) mostramos uma trajet
oria circular
C envolvendo um no instavel degenerado do tipo estrela. Devido `a simetria
do campo vetorial, sempre afastando-se do ponto de equilbrio, e facil ver que,
percorrendo C no sentido hor
ario, o campo vetorial gira de um angulo igual a
2, de maneira que o ndice desse ponto de equilbrio e +1.
As propriedades do ndice que nos interessam mais diretamente s
ao o conteudo do
159

(a)

(f,g)

(b)

v*
C

Figura 3.32: (a) Definicao do ndice de uma curva. (b) Indice de um no instavel
do tipo estrela.

Teorema 9
1. Se a curva C e continuamente deformada para tornar-se uma
curva C sem passar por um ponto de equilbrio, ent
ao I C = I C ;
2. Se C n
ao envolve ponto de equilbrio algum, ent
ao IC = 0;
3. Se C coincidir com uma trajet
oria fechada, ent
ao IC = +1;
4. Se C envolver n pontos de equilbrio isolados, IC ser
a igual `
a soma dos
ndices de cada ponto de equilbrio;
5. O ndice de um n
o ou foco (est
avel ou inst
avel), bem como de n
os degenerados e centros e +1;
6. O ndice de um ponto de sela e 1.
Caso a curva C coincida com uma trajet
oria fechada no plano de fase, o
teorema anterior exige que o ndice da curva seja +1. Se houver mais de um
ponto de equilbrio sendo envolvido por C, ent
ao a soma dos ndices de cada
ponto deve ser igual a +1. Logo, deve haver pelo menos um ponto de equilbrio
no interior de uma trajet
oria fechada. Se ele for o u
nico ponto, nao pode ser
um ponto de sela (mas pode ser um no, foco, ou centro).
Uma aplicacao mais concreta do teorema do ndice e o sistema (3.81)-(3.82),
estudado anteriormente nesse captulo. Vimos que ele possui quatro pontos de
equilbrio: (0, 0), que e um no instavel, (0, 2) e (3, 0), que s
ao nos est
aveis, e
(1, 1), que e um ponto de sela. Na Figura 3.33 mostramos esses quatro pontos
e as possveis trajet
orias fechadas que os circundam, denotadas C1 , C2 , e C3
(lembremos que outras trajet
orias podem ser continuamente deformadas para
essas tres, sem mudar o seu ndice). A primeira delas, C1 , e impossvel por nao
envolver ponto de equilbrio algum. Da mesma forma, C2 nao pode existir, pois
o seu ndice seria 1 ao inves e +1, como requerido pelo teorema anterior.
O teorema do ndice nao impede a existencia da trajet
oria C3 . Porem, usando outros resultados podemos ver que C3 tambem e inadmissvel. Observe
que C3 intercepta o eixo x ou o eixo y (ou, ainda, ambos os eixos, como na figura
160

y
C1
C3
+1

1
C2

+1

+1

Figura 3.33: Candidatos a trajet


orias fechadas no modelo bidimensional (3.81)(3.82).

3.33). Mas estes eixos contem trajet


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

3.7.3

Crit
erios para exist
encia de trajet
orias fechadas

Todos os criterios anteriores tinham como objetivo provar que trajet


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

(a)

(b)

U
P

U
C

Figura 3.34: (a) Teorema de Poincare-Bendixson: a regi


ao U sempre contem
uma
orbita fechada; (b) U e uma regi
ao de aprisionamento: o campo vetorial
sempre aponta para dentro de U .

O teorema de Poincare-Bendixson pode ser usado para sabermos se pode


ou nao haver trajet
orias fechadas numa dada regi
ao do plano de fase. Temos
basicamente que mostrar que ha uma trajet
oria confinada no interior da regi
ao
U do plano de fase. Isto nao e uma tarefa facil, em geral. Uma forma de levar
isto a cabo e encontrar uma regi
ao de aprisionamento, onde o campo vetorial
aponta para dentro em todos os pontos da fronteira da regi
ao U [Fig. 3.34(b)].
Mais precisamente,[1]
Defini
c
ao 9 Seja t (.) o fluxo das soluco
es de v = F(v). Uma regi
ao de
aprisionamento e um conjunto simplesmente conexo U R2 tal que t (U ) U
para todo tempo t > 0.
Se conseguirmos encontrar uma regi
ao de aprixionamento U para um sistema
din
amico, podemos garantir que todas as trajet
orias originadas de condicoes
iniciais pertencentes a U estarao confinadas em U por todos os tempos subsequentes. Logo, caso nao haja pontos de equilbrio em U , o teorema de PoincareBendixon assegura a existencia de uma trajet
oria fechada contida em U [3].
Alem desse papel na analise da existencia de trajet
orias fechadas, o teorema
de Poincare-Bendixson constitui uma severa limitacao nos tipos de comportamento din
amico possveis em modelos bidimensionais nao-lineares. Se uma
trajet
oria est
a confinada a uma regi
ao fechada e limitada do plano de fase que
nao contem pontos de equilbrio, ent
ao essa trajet
oria deve necessariamente
espiralar convergindo para uma trajet
oria fechada.
Sistemas de Li
enard
Uma grande classe de modelos contnuos bidimensionais pode ser escrita na
forma geral
dx
dt
dy
dt

y,

(3.200)

G(x) F (x)y,

(3.201)

162

onde F e G s
ao funcoes arbitrarias de seus par
ametros. Para estes sistemas, ha
um resultado matematico que demonstra a existencia de um ciclo limite u
nico
e est
avel circundando a origem do plano de fase (0, 0), desde que as funcoes F
e G satisfacam certas hip
oteses, na forma do
Teorema 11 (Li
enard) Seja um modelo bidimensional da forma geral (3.200)(3.201), onde F e G sejam tais que:
1. F (x) e G(x) s
ao continuamente diferenci
aveis para todo x;
2. G(x) = G(x) para todo x (G e uma funca
o mpar);
3. G(x) > 0 para todo x > 0;
4. F (x) = F (x) para todo x (F e uma funca
o par);
5. a funca
o
F(x) =

F (x)dx
0

tem exatamente uma raiz positiva em x = a, e negativa para 0 < x < a, e


positiva e n
ao-decrescente para x > a, e vai a infinito quando x .
Ent
ao o sistema (3.200)-(3.201) tem um ciclo limite u
nico e est
avel envolvendo
a origem (0, 0).
Um exemplo notavel e a chamada equacao de Van der Pol [38]:
dx
dt
dy
dt

y,

(3.202)

(x2 1)y x.

(3.203)

onde 0 e um par
ametro do modelo. Comparando (3.202) e (3.203) com
(3.200) e (3.201) vemos que o sistema tem a forma de Lienard, com
F (x)
G(x)

=
=

(x2 1),
x.

(3.204)
(3.205)

que s
ao continuamente diferenciaveis para todo x real (condicao 1); e tem as
seguintes propriedades: G(x) = x = G(x) (condicao 2); G(x) = x > 0 se
2
x > 0 (condicao 3); e F (x) = ((x) 1) = F (x) (condicao 4).
Para verificar a condicao 5 construimos a funcao auxiliar
Z x
Z x
(x2 1)dx,
F (x)dx =
F(x) =
0
0

 3
1
x
x = x(x2 3),
(3.206)
=
3
3

que tem tres raizes, a saber: x1 = 0, x


3, e x3 =
3. Apenas uma delas
2 =
e positiva, donde podemos tomar a = 3.
x < 3 temos que x2 3 < 0,
Se 0 <
2
donde tambem F(x) < 0. Para x > 3 e x 3 > 0, e F(x) > 0, alem
de ser monotonicamente crescente Fig. [3.35], e de tambem tender ao infinito
163

F(x)

0,5

x*3

x*2

x*1

-0,5

-1
-3

-2

-1

Figura 3.35: Funcao auxiliar F(x), Eq. (3.206), com /mu = 1.

-2

-2

Figura 3.36: Trajet


orias de fase para o sistema (3.202)-(3.203), com /mu = 1.

164

1
0

-1
-2
2
1
0
-1
-2
-3
0

10

15

20

Figura 3.37: Evolucao temporal das variaveis para o sistema (3.202)-(3.203),


com /mu = 1.

quando x . Logo, pelo teorema de Lienard, as equacoes de Van der Pol


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

(a)
V

(b)

v*

v*2

v*1
(c)
u

V
Vs

v*1

v*2

Figura 3.38: Orbitas


(a) homoclnica e (b) heteroclnica. (c) Conexao de sela

Oscilacoes de relaxacao tem in


umeras aplicacoes na fsica, eletr
onica, biologia, etc. [39]. Le Corbeiller foi o primeiro autor a apontar a possibilidade de
uso de oscilacoes de relaxacao em ciclos de neg
ocios [40], seguido por Samuelson [41], Georgescu-Roegen [43], Hamburger [42], Goodwin [81] e outros. Uma
referencia moderna sobre o assunto e o artigo de Chian e colaboradores [44].

3.7.4

Orbitas
homoclnicas

Para que o teorema da existencia e unicidade nao seja violado, duas trajet
orias
em geral nao podem se cruzar no plano de fase. H
a um caso particular, no
entanto, que merece uma analise em separado: ha trajet
orias, ditas
orbitas
homoclnicas, que comecam e terminam em um mesmo ponto de sela [Fig.
3.38(a)]. Neste caso, a
orbita homoclnica funde um ramo da curva invariante
est
avel V s e um ramo da curva invariante instavel V u , que emanam do ponto de
sela P . Por isso mesmo uma orbita homoclnica nao e uma trajet
oria fechada do
sistema, a despeito das aparencias: lembre que uma condicao inicial colocada
exatamente sobre a curva est
avel (instavel) gera uma trajet
oria que aproxima-se
do ponto de sela quando o tempo tende a + (). Logo, uma orbita homoclnica representa uma trajet
oria que levaria um tempo infinitamente grande
para ser completada, o que conflita com a definicao que demos para uma trajet
oria fechada.
Se uma trajet
oria conecta dois pontos de equilbrio (sela) diferentes, ela e
dita uma
orbita heteroclnica [Fig. 3.38(b)]. Podemos ter percursos fechados
formados por trajet
orias heteroclnicas, e chamados conex
oes de sela [Fig.
3.38(c)]. Pelo mesmo motivo anterior, as conex
oes de sela tambem nao s
ao
trajet
orias fechadas do sistema.
As
orbitas homo e heteroclnicas s
ao comuns em modelos bidimensionais
166

1,5

E>0

E = H(x,0)

0,5

ponto de sela
0

E=0
E<0

-0,5

-1
-2

centro

centro

-1

Figura 3.39: Hamiltoniana para o sistema (3.210) e (3.211), calculada no plano


y = 0.

ditos sistemas hamiltonianos, que podem ser escritos na forma geral


dx
dt
dy
dt

=
=

H
,
y
H

,
x

(3.207)
(3.208)

onde a funcao H(x, y) : R2 R e dita hamiltoniana do sistema. Uma propriedade notavel deste tipo de sistema e que as trajet
orias no plano de fase
s
ao curvas de nvel da hamiltoniana, ou seja, lugares geometricos para os quais
H(x, y) = constante. Para mostrar esta importante propriedade, calculamos a
derivada temporal da hamiltoniana,
H(x, y)
dt

=
=

H dx H dy
+
,
x dt
y dt
H H
H H

= 0,
x y
y x

(3.209)

onde usamos (3.207) e (3.208). Logo H e uma constante para as trajet


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

y2
x2
x4

+ ,
2
2
4
167

(3.212)

-1

-2
-2

-1

Figura 3.40: Trajet


orias de fase para o sistema (3.210) e (3.211).

que, ao ser substituida em (3.207) e (3.208), fornece imediatamente as equacoes


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

3.8

Exemplo em Economia: Modelo de luta de


classes de Goodwin

Ate o momento estudamos unicamente modelos econ


omicos onde as solucoes
de equilbrio s
ao pontos fixos, cuja estabilidade estudamos tanto qualitativamente pelo diagrama de fase, como quantitativamente pela aproximacao linear.
168

No entanto, como vimos no incio deste captulo, tambem trajet


orias fechadas
s
ao possveis para sistemas bidimensionais nao-lineares, e representam solucoes
peri
odicas, ou seja, trajet
orias que se repetem apos um determinado perodo de
tempo.

Orbitas
peri
odicas em economia representam ciclos econ
omicos, ou seja,
fenomenos que se repetem a intervalos de tempo mais ou menos bem-determinados.
Um modelo que apresenta tal comportamento foi proposto por R. Goodwin em
1967 [45], abordando a relacao entre o nvel de emprego e a participacao dos
salarios. O modelo baseia-se na luta de classes entre os capitalistas e os trabalhadores, tornando-se uma versao do famoso problema do predador-presa,
descrito no incio do seculo XX por Lotka e Volterra [23].

3.8.1

Macrovari
aveis e hip
oteses do modelo

O modelo de Goodwin usa, como macrovariaveis, Y : produto total; N : n


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

Y
,
L

(3.214)

a fracao dos salarios dos trabalhadores em relacao ao produto total sera


x

wL
w
= ,
Y

(3.215)

ao passo que a fracao dos lucros dos capitalistas sera, usando (3.213), dada por
P
wL
w
=1
=1 .
Y
Y

(3.216)

Uma das hip


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



w
wL
=Y 1
S = P = Y wL = Y 1
,
(3.217)
Y

e, alem disso, o reinvestem inteiramente:


I=


w
dK
.
=S =Y 1
dt

(3.218)

Nessas condicoes, a taxa (normalizada) de crescimento do estoque de capital


sera 3




dK/dt = d ln K = Y 1 w = 1 1 w
K
(3.219)
K
dt
K

3 Usaremos aqui a conven


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

169

onde definimos a raz


ao capital-produto
v

K
,
Y

(3.220)

e suporemos que essa ela seja constante: de K = vY decorre que K = v Y e


v Y
Y
K
=
= ,
K
vY
Y

(3.221)

de modo que a taxa (normalizada) de crescimento de capital seja igual `a taxa


de crescimento do produto.
Outra hip
otese e a de que ha progresso tecnologico contnuo, de modo que
a produtividade do trabalho, ou seja, o produto per capita cresce exponencialmente com o passar do tempo, de modo que
= 0 et ,

(3.222)

onde > 0 e a taxa de crescimento da produtividade devido ao progresso tecnico.


Como = Y /L, tomando logaritmos e derivando temos
 
Y
= ln Y ln L,
ln = ln
L
d
d
d ln Y
d ln L
ln =
(ln Y ln L) =

,
dt
dt
dt
dt
d/dt
dY /dt dL/dt
dK/dt dL/dt
=

Y
L
K
L


= d/dt = 1 1 w dL/dt ,
(3.223)

L
onde usamos (3.221) e (3.219).
Derivando (3.222) em relacao ao tempo resulta que
d
= 0 et = ,
dt

(3.224)

que, substituida em (3.223), fornece a seguinte taxa de crescimento do n


umero
de trabalhadores empregados


= dL/dt = 1 1 w
(3.225)
L
L
v

Supoe-se, ainda, que o n


umero de trabalhadores (o qual nao e igual `a forca de
trabalho, por nao estarmos supondo pleno emprego) cresce Malthusianamente
com o tempo com uma taxa n > 0, de modo que
N = N0 ent ,

(3.226)

cuja derivada fornece

dN
= N0 nent = nN.
dt
Definimos, tambem, a taxa de emprego como
y

L
,
N

170

(3.227)

(3.228)

(dw/dt)/w

(dw/dt)/w

(b)

(a)

Figura 3.41: Curva de Phillips para a taxa de variacao dos salarios. (a) N
aolinear; (b) Linear.

Sendo N = L+U a soma do n


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

,
dt
dt
dt
dt
dy/dt
dL/dt dN/dt
dL/dt
=

=
n,
y
L
N
L
w
1
dy/dt
1
n,
(3.229)
=
y =
y
v

onde usamos (3.225). Repetimos esse procedimento para (3.215):


w
ln x = ln
= ln w ln ,

d ln w d ln
d
ln x =

,
dt
dt
dt
dx/dt
dw/dt d/dt
x
=
=

=w

x
w

(3.230)

onde usamos (3.224), e batizamos w


= w/w

a taxa normalizada de crescimento


dos salarios.
Uma u
ltima hip
otese do modelo de Goodwin e a de que os salarios reais
aumentam na situacao proxima ao pleno emprego, e que haja uma curva de
Phillips do tipo
w
= f (y),
(3.231)
171

onde f (y) e uma funcao monotonicamente crescente com df /dy > 0, do tipo
mostrado na figura 3.41(a). Em termos econ
omicos, ela expressa o aumento
relativo nos salarios provocado pela aproximacao da situacao ideal de pleno
emprego (y = 1). Nesse caso, os trabalhadores s
ao cada vez mais valorizados
pelos capitalistas, que aumentam seus salarios devido `a escassez de mao de
obra. Ja numa situacao de grande desemprego (y proximo a zero) os salarios
podem inclusive diminuir em valores reais, devido `a grande oferta de mao de
obra. Por isso a funcao f (y) assume valores negativos para y suficientemente
pequeno. Uma aproximacao linear da curva de Phillips, adequada para descrever
o comportamento proximo a essa situacao, e [Figura 3.41(b)]:
w
= + y,

(3.232)

onde e s
ao coeficientes positivos.
Substituindo (3.232) em (3.230) temos
x
=

dx/dt
= + y ,
x

(3.233)

e, finalmente, usando (3.215), podemos exprimir (3.229) e (3.233) na forma de


um modelo bidimensional nao-linear
dx
dt
dy
dt

3.8.2

=
=

[( + ) + y]x,


x
1
y.
( + n) +
v
v

(3.234)
(3.235)

Soluc
oes de equilbrio e sua estabilidade

O sistema (3.234)-(3.235) tem a forma das equacoes de Lotka-Volterra, que descrevem um problema ecologico onde coexistem duas populacoes: um predador
e uma presa [vide a Ref. [21], pg. 461]:
x =
y =

(a1 + b1 y)x,
(a2 b2 x)y,

(3.236)
(3.237)

onde os coeficientes s
ao identificados como
a1

+ ,

(3.238)

b1

(3.239)

a2

b2

1
( + n) + ,
v
1
.
v

(3.240)
(3.241)

Nesse caso, a variavel x, que est


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

+ n, de modo que 1/v > + n e podemos supor ent


ao que tambem a2 seja
positivo.
Os pontos de equilbrio, (x , y ), serao as solucoes de
(a1 b1 y )x

(a2 + b2 x )y

0,

(3.242)

0,

(3.243)

que fornece um total de quatro solucoes, tres das quais s


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


e (x , 0) e uma quarta nao-trivial,(x , y ), onde:
x

a2
= 1 ( + n)v,
b2
+
a1
=
.
b1

(3.244)
(3.245)

Para estudar a estabilidade da solucao de equilbrio nao-trivial, devemos


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


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



0
(a1 b1 y )
b1 x
=
DF(x , y ) =

b2 y
(a2 + b2 x )
b2 ab11

b1 ab22
0

. (3.247)

O seu traco, determinante e discriminante s


ao, respectivamente,

T rDF(x , y ) = 0,
a2 a1
det DF(x , y ) = b1 b2
= a1 a2 > 0,
b2 b1
2 4 = 4a1 a2 < 0,

(3.248)
(3.249)
(3.250)

o que identifica a solucao de equilbrio como um centro. De fato, os autovalores


da matriz Jacobiana s
ao complexos conjugados, a saber:
r

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

y = 0

y*

x = 0

x*

Figura 3.42: Diagrama de fase para o sistema (3.236)-(3.237).

No entanto, o proprio ponto de equilbrio (x , y ) nao tem sua estabilidade


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

3.8.3

Diagrama de fase

Reescrevemos o modelo (3.236)-(3.237) na forma conveniente


x
y

=
=

b1 (y y)x,

b2 (x x )y,

(3.252)
(3.253)

Para construir o diagrama de fase do modelo (3.252)-(3.253) nos determinamos


inicialmente as suas isoclinas:
0 =
0 =

b1 (y y)x,
b2 (x x )y,

(3.254)
(3.255)

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

1,4

1,2

0,8

0,6

0,4
0,4

0,6

0,8

1,2

1,4

Figura 3.43: Trajet


orias de fase para o sistema (3.236)-(3.237).

y = y (sobre A): x = 0, fluxo puramente vertical (para cima ou para


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

=
=

a1 ln y + b1 y
a2 ln x b2 x + C

(3.256)
(3.257)

Podemos nos valer do fato de usarmos somente o primeiro quadrante do plano de


fase xy para fazer uma construcao engenhosa usando os outros tres quadrantes
ociosos [Fig. 3.44]. N
os usamos os semi-eixos que est
ao sobrando para indicar a
175

F(y)
y2
y*
y1

45

x1

x*

G(x,C)
z
Figura 3.44: Diagrama para curvas fechadas do sistema (3.236)-(3.237).

variavel muda z. Podemos passar do segundo para o quarto quadrante por meio
da funcao identidade, representada no terceiro quadrante pela bissetriz (reta de
45o ). Os pontos da trajet
oria no primeiro quadrante s
ao aqueles que satisfazem
simultaneamente ambos os gr
aficos de F e G nos respectivos quadrantes. Podese mostrar que y e um mnimo e x e um maximo local para os gr
aficos de F
e G, respectivamente (veja o Problema 16)

3.9

Problemas

1. Considere o sistema bidimensional n


ao-linear
dx
dt
dy
dt

y,

x x3 ,

(a) Ache os pontos de equilbrio no plano, e determine sua estabilidade na aroximaca


o linear;
(b) Encontre as variedades invariantes para cada ponto de equilbrio;
(c) Ache as is
oclinas e esboce o diagrama de fase.
2. Idem para os seguintes sistemas
(a)
dx
dt
dy
dt

y y3

x y 2

176

(b)
dx
dt
dy
dt

x x2

(c)
dx
dt
dy
dt

2 cos x cos y

2 cos y cos x

(d)
dx
dt
dy
dt

x x3 y + x2 y

3. Seja o sistema bidimensional n


ao-linear
dx
dt
dy
dt

y + ax(x2 + y 2 )

x + ay(x2 + y 2 )

(a) Ache os pontos de equilbrio no plano, e determine sua estabilidade na aroximaca


o linear
(b) Faca uma transformaca
o para coordenadas polares x = r cos e y = r sin
(veja o Captulo II), e mostre que o sistema reduz-se `
a forma
dr
dt
d
dt

ar3

(c) Ache os pontos de equilbrio do sistema em coordenadas polares e estude sua


estabilidade sem recorrer `
a aproximaca
o linear
4. Determine as auto-direco
es est
avel e inst
avel para o ponto de equilbrio do modelo (3.66)-(3.67). Comparando essas direco
es com as trajet
orias na vizinhanca
do ponto de equilbrio, que podemos afirmar sobre as curvas invariantes do
equilbrio?
5. Repita a an
alise do problema anterior para o ponto de sela do modelo (3.81)(3.82).
6. Construa as is
oclinas e o respectivo diagrama de fase, e compare seus resultados
com trajet
orias obtidas numericamente (adaptando o programa euler2.c do
apendice A) para:
dx
dt
dy
dt

x + y + x2 y

1 y x2 y

177

7. Sejam as is
oclinas A e B do modelo (3.123)-(3.124). Obtenha algebricamente
as derivadas dx2 /dx1 e d2 x2 /dx21 para ambas, bem como os limites de dx2 /dx1
quando x1 tende para 0 e para infinito, justificando assim as formas das curvas
para as is
oclinas representadas na figura 3.22. Detalhes em [21], pg. 288 e 289.
8. Mostre que, no modelo de capital fsico/humano, os autovalores da matriz Jacobiana na soluca
o n
ao-trivial de equilbrio s
ao
1 = c( + 1)

2 = c

e que os autovetores correspondentes s


ao, respectivamente, dados por




1
1
u1 =
,
u2 =
,
1
/
Com estes elementos, esboce no plano de fase (x1 , x2 ) as trajet
orias na vizinhanca da soluca
o de equilbrio.
9. Mostre que (3.169) e uma soluca
o da equaca
o diferencial (3.168).
10. Mostre, usando a funca
o de Lyapunov L(x, y) = x2 + 4y 2 , que o sistema
dx
dt
dy
dt

x + 4y

x y 3

n
ao pode exibir trajet
orias fechadas.
11. Considere o exemplo dos falsos centros obtidos por linearizaca
o [Equaco
es (3.57)(3.58)]. Ache uma funca
o de Lyapunov conveniente para mostrar que, se > 0
o ponto de equilbrio e um foco est
avel, e se < 0, um foco inst
avel.
12. Determine os pontos de equilbrio e sua estabilidade, na aproximaca
o linear,
para o sistema
dx
dt
dy
dt

x x3 y + x2 y

Aplique o criterio de Bendixson para determinar, no plano de fase, as possibilidades para a existencia de trajet
orias fechadas, nos casos em que > 1 e
0 < < 1.
13. Mostre, usando o criterio de Dulac, que o sistema
dx
dt
dy
dt

y,

x y + x2 + y 2 ,

n
ao tem trajet
orias fechadas no plano de fase. Sugest
ao: use h = e2x .
14. Mostre, usando o teorema de Poincare-Bendixson, que o sistema
dr
dt
d
dt

r(1 r2 ) + r cos ,

1,

178

tem um ciclo limite est


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

onde fundimos todas as constante de integraca


o em C. Cada trajet
oria fechada
do sistema e individualizada por um valor diferente de C. (b) Mostre que y e
um mnimo e x e um m
aximo local para os gr
aficos de F e G, respectivamente.

179

180

Captulo 4

Modelos contnuos
multidimensionais
4.1

Complementos de
algebra linear

Nos captulos anteriores consideramos apenas matrizes reais 2 2. Para descrever modelos multidimensionais, no entanto, e necessario trabalhar com matrizes
reais N N . Praticamente todos os resultados matematicos que abordamos na
revis
ao de
algebra de matrizes 2 2, do captulo 2, s
ao facilmente extensveis a
matrizes N N . No entanto, para uma discussao mais geral dos autovalores e
autovetores, necessaria `
a analise de estabilidade das solucoes de equilbrio, serao
necessarios conceitos adicionais da
algebra linear, em particular do calculo matricial.

4.1.1

Autovalores e autovetores

Na discussao a seguir, consideraremos matrizes reais N N escritas, na sua


forma geral, como

M=

M11
M21
..
.

M12
M22
..
.

..
.

M1N
M2N
..
.

MN 1

MN 2

MN N

(4.1)

Os seus autovalores , correspondentes aos autovetores u, s


ao as solucoes da
equacao
(M I).u = 0,
(4.2)
onde I e a matriz identidade N N . Os autovetores s
ao vetores coluna com N
linhas:

u1
u2

u = . ,
(4.3)
..
uN
181

de forma que a equacao (4.2) e, de fato uma equacao matricial:

..
.

M1N
M2N
..
.

M11
M21
..
.

M12
M22
..
.

MN 1

MN 2 MN N

M11
M12
M21
M
22

..
..

.
.
MN 1

MN 2

1 0
0 1
.. ..
. .
0 0

..
.

..
.

0
0
..
.

M1N
M2N
..
.

MN N

u1
u2
..
.
uN
u1
u2
..
.
uN

0
0
..
.
0
0
0
..
.
0

.(4.4)

Esse e um sistema linear e homogeneo de N equacoes algebricas. Em geral,


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

M11

M21

det(M I) =
..

.

MN 1

M12
M22
..
.

..
.

MN 2






= 0,


M1N
M2N
..
.
MN N

(4.5)

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

4.1.2

Espa
cos e sub-espacos vetoriais

A linguagem de espacos vetoriais e essencial para a compreens


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

Nos captulos 2 e 3 abordamos modelos contnuos bidimensionais, para os


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

Elemento neutro: existe um u


nico vetor 0 V (vetor nulo) tal que,
para todo v V, v + 0 = 0 + v = v,

Elemento inverso: existe um u


nico vetor v V (vetor oposto) tal
que, para todo v V: v + (v) = v + v = 0.

3. Uma conjunto F cujos elementos s


ao chamados de escalares (c)
4. Uma aplicaca
o de F V em V, dita multiplicaca
o de vetor por escalar,
com as propriedades
Associatividade: se c, c F e v V, c(c v) = (cc )v,

Distributividade I: c(v1 + v2 ) = cv1 + cv2 .

Distributividade II: (c + c )v = cv + c v,

Elemento neutro: existe um u


nico escalar 1 F tal que, para todo
v V, 1v = v.

O espaco vetorial mais conhecido e aquele para o qual F = R (escalares reais)


e V e o conjunto dos vetores geometricos representados por flechas no espaco
euclidiano tridimensional (R3 ). Neste captulo os modelos a serem estudados
est
ao associados a um espaco vetorial real no RN . As operacoes de adicao de
vetores e multiplicacao de escalar por vetor s
ao obtidas como a generalizacao
das respectivas operacoes no caso bidimensional vistas nos dois captulos precedentes.
Defini
c
ao 11 Um vetor v pertencente ao espaco vetorial V sobre F e uma
combina
c
ao linear dos vetores vi V, (i = 1, 2, N ), e existem escalares
ci F, (i = 1, 2, N ), tais que
v = c1 v 1 + c2 v 2 + + cN v N
Defini
c
ao 12 Um sub-conjunto n
ao-vazio S do espaco vetorial V sobre F e
dito linearmente independente (LI) se, para quaisquer vetores vi S, (i =
1, 2, N ), e escalares ci F, (i = 1, 2, N ), a seguinte combinaca
o linear
c1 v 1 + c2 v 2 + + cN v N = 0
implica em que c1 = c2 = = cN = 0, ou seja, todos os coeficientes escalares
s
ao nulos.
183

Defini
c
ao 13 Uma base para o espaco vetorial V sobre F e um sub-conjunto
S de V formado por vetores linearmente independentes, e que gera V, ou seja,
todo vetor em V pode ser escrito como uma combinaca
o linear de vetores de
base S.
Como um exemplo smples, tomando o espaco dos vetores geometricos no R3 ,
se considerarmos um sistema de coordenadas cartesianas (x, y, z). Os versores
(vetores unitarios) (i, j, k) dos eixos num sistema de coordenadas cartesianas
ortogonais (em tres dimensoes) s
ao linearmente independentes, pois o vetor nulo
se escreve 0i + 0j + 0k = 0, ou seja, os coeficientes escalares s
ao identicamente
nulos. O conjunto (i, j, k) forma uma base para esse espaco, pois todo vetor
pode ser escrito como uma combinacao linear dos mesmos
v = xi + yj + zk
onde os escalares (x, y, z) s
ao as componentes do vetor v nas direcoes x, y e
z, respectivamente. Dizemos, ent
ao, que o conjunto (i, j, k) gera este espaco
vetorial. O conjunto de vetores de base e completo, ou seja, se tent
assemos
adicionar outro vetor de base, ele poderia ser escrito como combinacao linear
dos outros, e portanto nao seria vetor de base. A dimensao de um espaco vetorial
e o n
umero de vetores de base usados para ger
a-lo.
Defini
c
ao 14 Seja o espaco vetorial constituido do conjunto V de vetores e F
de escalares. Um sub-espaco vetorial consiste num sub-conjunto S V se e
somente se, para todo c F e vi V, (i = 1, 2), temos: (i) v1 + v2 S, (ii)
cvi S.
No exemplo do espaco dos vetores geometricos no R3 , os planos (x, y), (x, z)
e (y, z) s
ao sub-espacos vetoriais no R2 . Estes sub-espacos s
ao gerados pelos vetores unitarios dos eixos correspondentes: {i, j}, {i, k}, e {j, k} respectivamente.

4.1.3

Matrizes semelhantes

Duas matrizes M e N s
ao ditas semelhantes se existir uma matriz inversvel
T, denominada matriz de similaridade, tal que
T.M = N.T,

(4.6)

e escrevemos que M N (le-se: M e semelhante a N (por meio de S)).


Por exemplo, as matrizes




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


2 1
,
T=
1 1
pois

2
1

1
1



1
2

1
4

184

2 0
0 3



2 1
1 1

Da definicao (4.6) decorre que, dada uma matriz N, podemos obter uma
matriz semelhante M, por meio da seguinte transformacao de similaridade:
M = T1 .N.T

(4.7)

Matrizes semelhantes tem potencias tambem semelhantes, o que e uma propriedade notavel, e que sera utilizada mais `a frente em nosso estudo. Para
mostrar esse fato, escrevemos a t-esima potencia (com t inteiro positivo) da eq.
(4.7):
Mt

= (T1 .N.T)

(4.8)

t vezes
}|
{
z
1
1
= (T .N.T).(T .N.T). .(T1 .N.T)
= T1 .N.I.N.I. .I.N.T = T1 .Nt .T

ou seja, Mt Nt .

4.1.4

Formas de Jordan

possvel mostrar que duas matrizes semelhantes tem autovalores (1 , 2 , N )


E

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


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


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


0
,
1

(4.9)

(4.10)

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


e reais;



.
(4.11)

Para matrizes N N as formas de Jordan s
ao semelhantes, mas poderao
ocorrer casos mais complicados do que em N = 2, visto que parte dos autovalores
pode ser real e parte complexa. No entanto, um teorema da teoria das equacoes
algebricas garante que, se houver um autovalor complexo da forma = + i,
ent
ao o seu complexo conjugado, = i, tambem sera um autovalor possvel.
Por exemplo, se N = 3 e ja houver um par de autovalores complexos conjugados entre si (1,2 = i), o outro autovalor (3 ) deve ser necessariamente
real. Na forma de Jordan correspondente, a matriz 3 3 sera diagonal em
blocos, onde cada bloco e uma forma de Jordan do tipo (4.10):

0
0 .
(4.12)
J=
0 0 3
185

De modo geral, uma matriz N N pode ser reduzida, por uma transformacao
de similaridade, a uma matriz diagonal em blocos de Jordan, de acordo com
o tipo dos autovalores. A matriz de similaridade que transforma uma dada
matriz A a uma das suas formas de Jordan possveis e construida a partir
dos autovetores de A. Sejam eles escritos como (o primeiro ndice refere-se `a
componente, e o segundo ao autovalor correspondente):

u1N
u12
u11
u2N
u22
u21

uN = . . (4.13)
u2 = . ,
u1 = . ,
..
..
..
uN N
uN 2
uN 1

Ent
ao a matriz A e similar a uma das formas de Jordan J dadas por (4.9),
(4.10), ou(4.11), tal que existe uma matriz de similaridade T tal que
J = T1 .A.T,
onde os autovetores de A s
ao as colunas dessa matriz:

u11 u12 u1N


u21 u22 u2N

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


1 1
,
A=
4 2

(4.14)

(4.15)

(4.16)

cujos dois autovalores, reais e distintos, s


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




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


1 1
T=
,
1 4

(4.18)

Para verificar explicitamente que a matriz A e similar `a respectiva forma de


Jordan


2 0
,
(4.19)
J=
0 3

bastara ao leitor mostrar que T J = A T.

4.1.5

Fatos sobre matrizes de terceira ordem

Para referencia posterior, dada a matriz de terceira ordem com elementos genericos

a b c
A = d e f ,
(4.20)
g h i
186

sua inversa e dada por


A1
onde

ei f h
1
gf di
=

dh ge

hc ib
ai gc
gb ah

bf ce
dc af ,
ae db

= det A = aei + bf g + cdh gec hf a icb

(4.21)

(4.22)

Outro resultado u
til e a equacao secular para uma matriz de terceira ordem
do tipo (7.125), cujas razes s
ao seus autovalores.


a
b
c

e
f = 0,
det(A I) = d
g
h
i
(a )(e )(i ) + dhc + gbf cg(e ) f h(a ) bd(i ) = 0,
3 + (a + e + i) 2 [(ae bd) + (ai gc) + (ei hf )]+
(aei + dhc + gbf ceg f ha dbi) = 0,
3 Tr A 2 + c2 det A = 0,

(4.23)

onde definimos a soma dos menores principais da matriz A, ou seja, dos menores
obtidos a partir dos elementos de sua diagonal principal.
c2 = (ae bd) + (ai gc) + (ei hf ).

4.2

(4.24)

Modelos lineares

Consideraremos, neste captulo, a presenca de N variaveis dependentes do tempo


xi = xi (t), com i = 1, 2, . . . N . Modelos contnuos multidiimensionais s
ao tais
que a taxa temporal de variacao, ou seja, a derivada em relacao ao tempo de
cada variavel xi e dada por funcoes arbitrarias Fi de todas as outras variaveis,
o que configura um sistema de N equacoes diferenciais de primeira ordem em
relacao ao tempo.
A forma geral de um modelo contnuo multidimensional e
dx1
dt
dx2
dt
..
.
dxN
dt

F1 (x1 , x2 , xN ),

F2 (x1 , x2 , xN ),

..
.

FN (x1 , x2 , xN ).

(4.25)

Definindo uma matriz coluna N 1 das variaveis dependentes:

x1 (t)
x2 (t)

v(t) =
,
..

.
xN (t)
187

(4.26)

e o campo vetorial

F(v(t)) =

F1 (v(t))
F2 (v(t))
..
.
FN (v(t))

(4.27)

o sistema de N equacoes (4.25) pode ser escrito na compacta forma vetorial


dv(t)
= F(v(t))
dt

(4.28)

Um modelo multidimensional linear afim e dado por


dv(t)
= A.v(t) + B,
dt
onde as matrizes constantes

A11 A12
A21 A22

A= .
..
..
.
AN 1

4.2.1

AN 2

(4.29)

A e B s
ao

..
.

A1N
A2N
..
.

AN N

B11

B = B12 .
..
.B

(4.30)

1N

Soluc
ao geral do modelo linear

A equacao linear matricial (4.29) e, formalmente, muito parecida com a equacao


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


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

v(t) = v(0) + A1 .B etA A1 .B.
(4.31)
desde que, naturalmene, a matriz A seja nao-singular e portanto inversvel, o
que exige que det A 6= 0. Caso, ainda, o sistema linear seja tal que B = 0, ou
seja, quando
dv
= A.v,
(4.32)
dt
a solucao, para a condicao inicial v(0), sera simplesmente
v(t) = v(0)eAt .

(4.33)

onde aparece uma nova operacao algebrica, que e a exponencial de uma matriz
A, e que e o analogo da exponencial de um escalar, ex , a qual escreveremos eA .
Partimos da expansao em serie de Taylor da exponencial de uma variavel, que
e a soma infinita
ex = 1 + x +

X
1 2
1
1 n
x + x3 + . . . =
x
2!
3!
n!
n=0

188

(4.34)

A despeito de somarmos um n
umero infinito de termos, a soma resulta finita,
e e igual a ex . Em outras palavras, a serie infinita acima e convergente para
qualquer valor de x, o que se demonstra nos livros-texto de calculo [36].
De forma analoga, podemos definir a exponencial de uma matriz A como a
serie infinita
eA = I + A +

X
1 2
1 n
1
A + A3 + . . . =
A
2!
3!
n!
n=0

(4.35)

que, tal como no caso anterior, e sempre convergente. No caso de (4.33) temos
a seguinte exponencial
etA = I + tA +

X
1 2 2
1
1 n n
t A + t 3 A3 + . . . =
t A .
2!
3!
n!
n=0

(4.36)

Em geral, a exponencial de uma matriz e uma tarefa trabalhosa, e normalmente


pensamos nela do ponto de vista de uma solucao computacional, a menos que
a matriz esteja numa forma de Jordan. Esse assunto sera visto com detalhes
quando abordarmos a quest
ao da estabilidade do equilbrio de modelos multidimensionais.
Uma solucao geral de (4.32) pode ser obtida como a combinacao linear de
N solucoes linearmente independentes {v1 (t), v2 (t), , vN (t)}, na forma
v(t) =

N
X

cj vj (t),

(4.37)

j=1

onde cj s
ao coeficientes constantes a serem determinados a partir das condicoes
iniciais adotadas. Generalizando o procedimento adotado no Captulo 2 [vide
Eq. 2.55], vamos adotar como solucoes linearmente independentes
vj (t) = ej t uj

(4.38)

onde uj e o autovetor da matriz A correspondente ao autovalor j , onde j vai


de 1 ate N .
A partir dessas N solucoes linearmente independentes podemos formar a
chamada matriz fundamental de solucao, que e montada com os N autovetores
servindo como colunas:
V(t) = (v1 (t), v2 (t), , vN (t))

(4.39)

que est
a associada `
a exponencial da matriz pela relacao (vide o Problema 3):
etA = V(t)V( 0)1 .

(4.40)

instrutivo considerar o fluxo das solucoes do modelo linear no espaco de


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

4.3

Solu
c
oes de equilbrio e sua estabilidade

Os modelos contnuos tambem apresentam solucoes de equilbrio v , que s


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

x1
x2

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

(4.43)

desde que, naturalmente, A seja inversvel.


Com o auxlio de (2.49), a solucao geral (4.31) pode ser reescrita como
v(t) = (v(0) v ) etA + v ,

(4.44)

onde a exponencial da matriz e definida como em (4.35).


Para conveniencia de calculos, podemos transladar o ponto de equilbrio para
a origem, o que equivale a definir a nova variavel

w1 (t)
w2 (t)

(4.45)
w(t) =
v(t) v = v(t) + A1 .B
..

.
wN (t)

Derivando em relacao ao tempo, e usando (4.42), temos que o novo vetor satisfaz
a equacao
dw
= A.w,
(4.46)
dt
cuja solucao geral e
w(t) = w(0)etA ,
(4.47)
e o ponto de equilbrio e a propria origem do espaco de fase N -dimensional.

4.3.1

An
alise da estabilidade do equilbrio

A estabilidade da solucao de equilbrio v pode ser estudada investigando o


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

A solucao do modelo linearizado para um tempo t arbitrario depende, como


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


A11

A12

A1N


A21

A

A
22
2N


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


.
.
.
.


AN 1
AN 2
AN N
que, ao ser desenvolvido o determinante, fornece uma equacao algebrica de grau
N , na forma geral
ao N + a1 N 1 + . . . + aN 1 + aN = 0,

(4.49)

que possui N razes, reais ou complexas. Consequentemente, a matriz A ter


a
sempre N autovalores, i , com i = 1, 2, . . . N ; associados a N autovetores ui
que satisfazem a relacao caracterstica
A.ui = i ui

(4.50)

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

4.3.2

Crit
erio de Routh-Hurwitz

possvel determinar condicoes gerais para a estabilidade de um ponto de


E
equilbrio a partir do conhecimento da equacao secular da matriz A. Como vimos, todos os seus autovalores (sejam eles reais ou complexos) devem ter parte
real negativa para que a origem seja um equilbrio assintoticamente est
avel. Felizmente nao e necessario resolver a equacao secular para saber quando todas as
suas razes ter
ao partes reais negativas.
191

Os autovalores da matriz A s
ao as razes da equacao secular (4.49)
N + a1 N 1 + a2 N 2 + + aN 1 + aN = 0,

(4.51)

Mesmo que o termo em N tenha um coeficiente qualquer, podemos dividir toda


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

2 > 0,

onde o determinante generico de ordem k e



a1
1
0
0
0

a3
a
a
1
0
2
1

a5
a
a
a
a
4
3
2
1
k =

..
..
..
..
..

.
.
.
.
.

a2k1 a2k2 a2k3 a2k4 a2k5

N > 0,

0
0
1
..
.

..
.

a2k6

(4.52)











ak
0
0
0
..
.

(4.53)

e onde tomamos am = 0 sempre que m > k.


A seguir analisaremos alguns casos particulares desse importante e muito
utilizado criterio de estabilidade
N=1
um caso trivial, pois a equacao secular, + a1 = 0, tem uma solucao imediata
E
= a1 . Pelo criterio anterior a parte real do autovalor sera negativa se e s
o
se 1 = a1 > 0, como de fato deve se-lo.
N=2
A equacao secular e do segundo grau
2 + a1 + a2 = 0,

(4.54)

de modo que a3 = 0, etc. Nesse caso, o criterio (4.52) impoe que 1,2 < 0 se e
somente se 1 > 0 e 2 > 0. De (4.53) temos, ent
ao, que
1

a1 > 0,

a1 1

0 a2

(4.55)


= a1 a2 > 0,

(4.56)

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


necessariamente em que a2 > 0.
Comparando com (2.37) reconhecemos que a1 = Tr A e a2 = det A, donde
as condicoes podem ser reescritas na forma
Tr A

<

0,

(4.57)

det A

<

0,

(4.58)

e que s
ao justamente as inequacoes (2.213)-(2.214) empregadas no Captulo 2.
192

N=3
Os autovalores serao as razes da equacao secular do terceiro grau
3 + a1 2 + a2 + a3 = 0,

(4.59)

com a4 = a5 = = 0. As condicoes para que as razes tenham partes reais


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

a > 0,
1
a1 1

a3 a2

a1 1

a3 a2

0 0

(4.60)


= a1 a2 a3 > 0,


0
a1 = a1 a2 a3 a23 = a3 (a1 a2 a3 ) > 0.
a3

(4.61)
(4.62)

ja que a4 = a5 = 0. Observe que a condicao (4.62), em vista de (4.61), implica,


simplesmente, em que a3 > 0.
No captulo 4 [vide Eq. (7.114)] mostramos que a equacao secular para uma
matriz 3 3 e dada por
3 Tr A 2 + c2 det A = 0,

(4.63)

onde c2 e a soma dos menores principais da matriz A, de sorte que os coeficientes


s
ao a1 = Tr A, a2 = c2 , e a3 = det A. Dessa forma, as condicoes (4.60)(4.62) podem ser reescritas na forma alternativa
Tr A
det A c2 Tr A

det A

<
>

0,
0,

(4.64)
(4.65)

<

0,

(4.66)

N=4
A equacao secular sera
4 + a1 3 + a2 2 + a3 + a4 = 0,

(4.67)

cujas razes ter


ao partes reais negativas se, e somente se
1

a > 0,
1
a1 1

a3 a2

a1 1

a3 a2

0 a4

a1 1

a3 a2

0 a4

0 0

(4.68)


= a1 a2 a3 > 0,


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


0 0
a1 1

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

(4.69)
(4.70)
0
a1
a3




= a4 3 > 0,
(4.71)

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


o teorema de Laplace na quarta linha para reduzir a ordem do determinante.
Como a1 e positivo, ent
ao imediatamente temos que a4 > 0.
193

4.3.3

Sub-espacos invariantes

O conceito de auto-direcao invariante foi introduzido no captulo 2 para descrever as direcoes, determinadas pelos autovetores da matriz dos coeficientes de
um modelo bidimensional linear. Tais direcoes s
ao invariantes pois quaisquer
trajet
orias iniciadas em pontos das retas que as indicam permanecem nestas
retas para todos os tempos posteriores. A auto-direcao instavel (estavel) est
a
associada ao autovalor da matriz cuja parte real seja positiva (negativa); e as
condicoes iniciais que ali se coloquem geram trajet
orias que se afastam (aproximam) do ponto de equilbrio quando t tende ao infinito.
Esse conceito pode ser generalizado para uma matriz N -dimensional, que
tenha N autovalores (reais ou complexos), dos quais
s autovalores tem partes reais negativas;
u autovalores tem partes reais positivas;
c autovalores tem partes reais nulas;
onde N = s + u + c.
A estes autovalores estarao relacionados N autovetores correspondentes ui ,
i = 1, 2, . . . N , que podem ser classificados da seguinte forma:
s autovetores: u1 , us ;
u autovetores: us+1 , us+u ;
c autovetores: us+u+1 , uN ;
e os quais, por serem linearmente independentes, servem de base para subespacos do RN , denominados:
Es : sub-espaco est
avel, gerado pelos autovetores {u1 , us };
Eu : sub-espaco instavel, gerado pelos autovetores {us+1 , us+u };
Es : sub-espaco central gerado pelos autovetores {us+u+1 , uN }.
Esses sub-espacos s
ao invariantes em relacao ao fluxo linear t = etA : RN
R . Se uj e um autovetor de A correspondendo a um autovalor real e distinto
j , ent
ao ele tambem e autovetor de etA . Suponha que uj gere um sub-espaco
E, e que coloquemos uma condicao inicial exatamente nesse sub-espaco:
N

v(0) = cj uj E

(4.72)

Ent
ao a solucao correpondente para tempos posteriores sera dada por (4.38)
como
v(t) = cj ej t uj ,
(4.73)
que naturalmente tambem pertence a E, o qual portanto e invariante. Essa
prova tambem pode ser estendida a autovalores complexos e reais e repetidos,
com pequenas modificacoes.
Se uma condicao inicial for colocada exatamente em E s (E u ), a trajet
oria
resultante permanecer
a sempre nesse sub-espaco, e ira aproximar-se assintoticamente (afastar-se) da origem quando t tende ao infinito. Assim, os sub-espacos
194

est
avel e instavel s
ao generalizacoes diretas do conceito de auto-direcao est
avel e
instavel. No entanto, a variedade central s
o ocorre para autovalores com partes
reais nulas, o que torna o ponto de equilbrio nao-hiperbolico, e muito cuidado
deve-se tomar ao lidar com esse caso, ja que nessa situacao a aproximacao linear
pode ou nao nos fornecer uma informacao confiavel sobre o comportamento do
sistema nao-linear.

4.4

An
alise de estabilidade em alguns casos

Embora facamos uso de criterios gerais de estabilidade, que nao dependem da


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

4.4.1

Tr
es autovalores reais e distintos

Suponhamos que a matriz A tenha tres autovalores reais e distintos: 1 , 2


e 3 , correspondendo aos autovetores linearmente independentes u1 ,u2 , e u3 ,
respectivamente. Como vimos no incio deste captulo, podemos encontrar uma
matriz de similaridade T que satisfaz
T1 .A.T = J,
ou seja, a matriz A e similar `
a seguinte forma de Jordan

1 0 0
J = 0 2 0 ,
0 0 3

(4.74)

(4.75)

e que e uma matriz diagonal. Em outros termos, a matriz A e diagonalizada


por meio da transformacao de similaridade T, que e obtida justapondo os tres
autovetores da matriz A, coluna a coluna. Pode-se mostrar que a exponencial
de uma matriz diagonal 2 2 e a matriz cujos elementos s
ao as exponenciais
dos elementos diagonais, o que pode ser estendido para tres dimensoes:
t

e1
0
0
e 2 t
0 .
eJt = 0
(4.76)
0
0
e 3 t

Vimos anteriormente que matrizes semelhantes tem as mesmas potencias


[veja a Eq. (4.8)]. Como a exponencial de uma matriz nada mais e do que uma
soma de um n
umero infinito de potencias, assim tambem se A e semelhante `a
matriz de Jordan (diagonal) J, ent
ao a matriz etA e semelhante a etJ . Sabemos
que a solucao geral do modelo linear (7.179) e dada por w(t) = eAt .w(0). Como
195

10
5

0
-5
-10
10
5
z

0.5
0.25
0 z
-0.25
-0.5
0.5

-5
-10
-10

-1
-5

0 y

0
x

-0.5

10

Figura 4.1: Comportamento das trajet


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

(4.77)

de modo que, multiplicando por w(0) obtemos


w(t) = T.eJt .T1 .w(0).

(4.78)

z(t) T1 .w(t),

(4.79)

z(t) = eJt .z(0),

(4.80)

Definindo o vetor

a Eq. (4.78) fica

cujas componentes s
ao
t
e1
z1 (t)
z2 (t) = 0
z3 (t)
0

0
e 2 t
0

0
0
e 3 t

z1 (0)
z2 (0) ,
z3 (0)

(4.81)

o que desacopla as equacoes, fornecendo imediatamente as solucoes desejadas:


z1 (t)
z2 (t)
z3 (t)

=
=
=

e1 t z1 (0),
2 t

e z2 (0),
e3 t z3 (0).

(4.82)
(4.83)
(4.84)

Desta maneira, podemos fazer uma classificacao dos tipos de ponto de equilbrio
a partir dos valores (reais e distintos) dos autovalores da matriz A:
196

I. 1 < 0, 2 < 0, e 3 < 0


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

4.4.2

Dois autovalores complexos e um real

Supomos, agora, que dois dos autovalores de A sejam complexos conjugados,


dados por
1 = + i,
2 = 1 = i,
(4.85)
enquanto um terceiro autovalor 3 e real. De (4.12), a matriz A e similar a uma
matriz diagonal em blocos de Jordan:

0
0 ,
(4.86)
J=
0 0 3

onde o bloco 2 2 corresponde aos autovalores complexos e o elemento solteiro


ao autovalor real.
A exponencial de um bloco de Jordan 2 2 relativo a um par de autovalores
complexos pode ser efetuada a partir das series de Taylor das funcoes seno e
197

x
-0.1
-0.05
0.1
0
0.05
0

0.05

0.1

-0.05
-0.1

0.4

0.2
0.5

z
0
-0.5
0.5
-0.2
0.25

z
0
-0.4
-0.25

-0.5
-0.1
-0.05 0
0.05
0.1
x

Figura 4.2: Comportamento das trajet


orias quando (a) 1 = 0.8, 2 = 0, 6,
e 3 = 0, 5, e (b) 1 = 0.8, 2 = 0, 6, e 3 = 0, 5

198

cosseno. Ja a exponencial do elemento solteiro e semelhante ao caso anterior,


de forma, a exponencial da matriz (4.86) fica

t
e cos(t) et sin(t)
0
0 ,
(4.87)
eJt = et sin(t) et cos(t)
3 t
0
0
e

e que e, por sua vez, similar `


a matriz eAt .
Definindo o vetor z(t) como em (4.79), e substituindo (4.87), teremos para
as suas componentes

t
e cos(t) et sin(t)
0
z1 (0)
z1 (t)
z2 (t) = et sin(t) et cos(t)
0 z2 (0) ,
(4.88)
3 t
z3 (0)
z3 (t)
0
0
e
ou seja,

z1 (t)
z2 (t)
z3 (t)

=
=
=

et [cos(t)z1 (0) + sin(t)z2 (0)]


et [ sin(t)z1 (0) + cos(t)z2 (0)]
e3 t z3 (0)

(4.89)
(4.90)
(4.91)

As equacoes acima mostram que a din


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


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

z12 (t) + z22 (t) + z32 (t)

e2t [cos(t)z1 (0) + sin(t)z2 (0)] +

e2t [ sin(t)z1 (0) + cos(t)z2 (0)] + e23 t z32 (0)



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

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

=
=

e23 t z32 (0)





e2t sin2 (t) + cos2 (t) (z12 (t) + z22 (t)) e23 t z32 (0)
e2t (z12 (t) + z22 (t)) + e23 t z32 (0),

(4.93)

que representa a combinacao de uma dilatacao (ou encolhimento) do vetor z(t)


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

Figura 4.3: Comportamento das trajet


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

concomitantemente dela por meio espirais divergentes `a direcao u3 . A origem e


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

4.4.3

Dois autovalores reais repetidos e outro distinto

Consideramos, agora, o caso onde ha dois autovalores reais repetidos (1 = 2 )


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


1
,
(4.94)
0
para o modelo tridimensional em analise, a matriz A e similar a uma matriz
diagonal em blocos de Jordan, com um elemento solteiro que refere-se ao terceiro
autovalor real e diferente dos outros dois:

1 0
0 0 .
(4.95)
0 0 3
A exponencial de uma matriz-bloco de Jordan 2 2 da forma (4.95), e
eJt

et

0
=
0

tet
et
0

0
0
e 3

(4.96)

Da mesma forma que nos casos anteriormente abordados, as matrizes eAt e


e s
ao similares [vide Eq. (4.77)]. As componentes do vetor z(t) s
ao obtidas
substituindo (4.96) em (4.88):
Jt

t
e
z1 (t)
z2 (t) = 0
z3 (t)
0

tet
tet
0

0
z1 (0)
0 z2 (0) ,
z3 (0)
e 3

(4.97)

ou seja,
z1 (t)
z2 (t)
z3 (t)

= et z1 (0) + tet z2 (0)


t

= e z2 (0)
= e3 t z3 (0)

(4.98)
(4.99)
(4.100)

Pela similaridade em muitos aspectos com a situacao de autovalores reais e


distintos, apresentaremos apenas dois casos dos v
arios possveis:
201

x
1
0.5
0

-1
0
1

-0.5
-1
5

2.5
x
y

-1
1

0
1

0
-1
z
0

-2.5
z
0

-5

-2

Figura 4.4: Comportamento das trajet


orias quando (a) = 0.5, = 3, e
3 = 0, 3, e (b) = 0.5, = 3, e 3 = 0, 3

202

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

4.5

Estabilidade do equilbrio

Modelos contnuos multidimensionais nao-lineares da forma geral


dv
= F(v)
dt

(4.101)

tem solucoes de equilbrio, definidas como vetores de N componentes constantes


no decorrer do tempo, ou seja, que anulam o campo vetorial F
F(v ) = 0.

(4.102)

A estabilidade do ponto de equilbrio e investigada pela linearizacao do


campo vetorial na vizinhanca de v , cujas coordenadas s
ao (x1 , , xN ), tal
que a vizinhanca seja uma hiper-esfera de raio , onde xi . Para linearizar
o modelo, e verificar se o ponto fixo e est
avel dentro dessa vizinhanca limitada
por , nos expandimos em serie as N funcoes Fi (v). Escrevemos o vetor nas
vizinhancas do ponto fixo como
v(t) = v + w(t),
onde

w(t) =

tal que (4.101) fique

w 1 + x1
w 2 + x2
..
.
w N +

xN

=
=
=
=

w1 (t)
w2 (t)
..
.
wN (t)

x1 (t) x1
x2 (t) x2
..
.
xN (t) xN

(4.103)

(4.104)

F1 (w1 + x1 , w2 + x2 , . . . wN + xN ),
F2 (w1 + x1 , w2 + x2 , . . . wN + xN ),
..
.
FN (w1 +

x1 , w2

203

x2 , . . . wN

xN ).

(4.105)

-0.1
-0.05

0.05
0.1

0.5

z
0

-0.5

0.1
0.05

0
-0.05
-0.1
0.1

0.1
0.05
0
-0.05
-0.1

0.05
z

-0.05
-0.1
-0.1
-0.05
0
x

204

0.05
0.1

Figura 4.5: Comportamento das trajet


orias quando (a) = 0.8, 3 = 0, 5, e
(b) = 0.8, 3 = 0, 5

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






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






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






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






F1
F1
F1
.
.
.
 xN v
 x1 v  x2 v

F2
F2
F2
...

x1
x2
xN

v
v
v

(4.107)
J(v ) =
,
..
..
.
.
..
..

.
.






FN
x1

FN
x2

...

FN
xN

tal que (7.182) pode ser escrita na forma compacta

dw
= J(v ).w,
(4.108)
dt
e que e um modelo linear da forma (4.32), cujo ponto de equilbrio e a origem
no espaco N -dimensional. Alem disso, de (4.33), a solucao geral para os desvios
do equilbrio pode ser escrita na forma

w(t) = w(0)etJ(v ) .

(4.109)

O teorema de Hartman-Grobman, que introduzimos no Captulo 2, e naturalmente v


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

Figura 4.6: Variedades e sub-espacos est


avel e instavel.

4.5.1

Variedades invariantes

No captulo 2 definimos curvas invariantes relacionadas a um ponto de equilbrio


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

e instavel (Wloc ) associadas ao ponto de equilbrio v , da seguinte forma: seja


U RN uma vizinhanca de v . Ent
ao
s
Wloc
(v ) = {x U |t (x) v quando t , e t (x) U,

t 0},
(4.110)

u
Wloc
(v ) = {x U |t (x) v quando t , e t (x) U,

t 0}.
(4.111)

As variedades est
avel e instavel s
ao, pois, obtidas pela uni
ao das imagens das
variedades locais pelo fluxo t , ou
[
s
W s (v )) =
t (Vloc
(v )),
(4.112)
t0

W u (v ))

u
t (Vloc
(v )),

(4.113)

t0

Se o ponto de equilbrio e hiperbolico, ou seja, caso nao haja sub-espaco


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

E
E

c
u

Figura 4.7: Variedades e sub-espacos est


avel, instavel e central.

Quanto `
a variedade central W c , se houver autovalores com parte real nula, a
natureza das trajet
orias nela restritas nao pode ser inferida a partir do respectivo
sub-espaco central E c . H
a tecnicas matematicas sofisticadas, como a teoria das
formas normais, que permitem-nos trabalhar com tais situacoes e investigar
possvel, ainda, generalizar o teorema
a estabilidade do equilbrio [2, 1]. E
u
anterior para inclu-lo neste estudo: a variedade local central Wloc
tambem e
c

tangente ao sub-espaco central E no ponto de equilbrio v mas, enquanto as


variedades est
avel e instavel s
ao u
nicas e de classe C r , a variedade central nao
e necessariamente u
nica, e e de classe C r1 [Fig. 4.7].

4.6

Exemplo em Economia: Modelo WKP de


Tobin

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


1975 em seu estudo dos modelos Keynesianos de recess
ao e depressao [50]. As
macrovariaveis a serem utilizadas s
ao (a notacao utilizada nao e a sempre a
mesma de Tobin, seguindo `
as vezes a da Ref. [51]): Y : produto real agregado;
E: demanda real efetiva agregada; M : estoque nominal de moeda; p: nvel de
precos; : taxa de inflacao; e : taxa de inflacao esperada; T : impostos lquidos;
r: taxa nominal de juros; e L: demanda por moeda.
Temos a relacao
E = C + I + G,

(4.114)

onde C, I e G denotam o consumo, investimento e gastos governamentais, respectivamente. Supomos que G, assim como os impostos T e o estoque de moeda
M , sejam constantes.
207

4.6.1

Hip
oteses do modelo

A hip
otese fundamental do modelo WKP e a relacao IS-LM de equilbrio macroecon
omico, representada pelas equacoes ([51]):
YE
M
p

E(YE T, rE e ),

(4.115)

L(YE , rE ),

(4.116)

onde YE e rE representam a demanda e a taxa nominal de juros de equilbrio,


respectivamente. De forma equivalente, o ponto (YE , rE ) e a intersecao das
curvas IS e LM. Como usualmente a curva IS e monotonicamente decrescente,
e a curva LM monotonicamente crescente, este ponto de equilbrio e u
nico.
A funcao demanda E(Y T, r e ) depende da taxa de juros reais, ou seja,
a taxa nominal menos a inflacao esperada. As concavidades das curvas IS e LM
implicam nas seguintes relacoes para as derivadas parciais da funcao demanda
EY

Er

E
> 0,
(Y T )
E
< 0,
(r e )

(4.117)
(4.118)

onde usamos a notacao compacta yx para a derivada parcial de y em relacao a x,


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

(4.119)

onde > 0 e uma constante que mede a velocidade do ajuste do produto em


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

(4.120)

e cujos produtos marginais s


ao supostos positivos:
rY

rp

r
> 0,
Y
r
> 0.
p

(4.121)
(4.122)

Finalmente, supomos a demanda por moeda e os gastos governamentais como


, G = G).

ex
ogenos (M = M
Neste esprito, podemos reescrever a equacao
(4.119) como
dY
= [E(Y, p, e ) Y ].
(4.123)
dt
208

O nvel de precos, por sua vez, est


a relacionado com a taxa de inflacao por
=

d
dp/dt
= (ln p),
p
dt

(4.124)

e supomos que as expectativas da taxa de inflacao s


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


dp/dt
d e
e
=
= ( e + (Y YE ) e ) = (Y YE ).
dt
p

4.6.2

(4.127)

Ponto de equilbrio e sua estabilidade

Coletando as equacoes (4.123), (4.127), e (4.127), obtemos as equacoes do modelo WKP na forma de um fluxo tridimensional:
dY
dt
dp
dt
d e
dt

[E(Y, p, e ) Y ],

(4.128)

p [(Y YE ) + e ] ,

(4.129)

(Y YE ).

(4.130)

As coordenadas (Y , p , e ) do ponto de equilbrio s


ao, portanto, as solucoes
do sistema de equacoes
0
0
0

= [E(Y , p , e ) Y ],
= p [(Y YE ) + e ] ,
= (Y YE ).

(4.131)
(4.132)
(4.133)

De (4.133) segue imediatamente que Y = YE , ou seja, a solucao de equilbrio


din
amico coincide com o ponto de equilbrio macroecon
omico. Como supusemos
que as curvas IS e LM tem uma u
nica intersecao, s
o haver
a um valor para
o equilibrio din
amico; o que, alias, ja era esperado, visto que o modelo foi
construido tendo esse fato em mente. De (4.132), temos p e = 0. Como no
209

equilbrio o nvel de precos nao pode ser nulo, decorre que e = 0. Finalmente,
de (4.131),
E(YE , p , 0) = YE ,
(4.134)
relacao esta que determina implicitamente o nvel de precos no equilbrio p .
Para estudar a estabilidade desta solucao, precisamos obter inicialmente a
matriz Jacobiana do sistema (4.128)-(4.130), o que implica em calcular nove
derivadas parciais, a saber:
Y
Y
= (EY 1),
J12 =
= Ep ,
(4.135)
J11 =
Y
p
Y
p
J13 =
= Ee ,
J21 =
= p,
(4.136)
e

Y
p
p
= (Y YE ) + e ,
J23 =
= p,
(4.137)
J22 =
p
e
e
e
e
J31 =
= ,
J32 =
= J33 =
= 0. (4.138)
Y
p
e
as quais, computadas no ponto de equilbrio (YE , p , 0), fornecem

A B C
A J(YE , p , 0) = p 0 p ,
0 0

(4.139)

onde introduzimos as seguintes abreviacoes:


A

#

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

E

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

E
,
Ee (YE , p , 0) = e

"

(4.140)
(4.141)
(4.142)

(YE ,p ,0)

Os autovalores da matriz acima s


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


A B C


p 0 p = 0.
(4.143)


Utilizando a regra de Sarrus temos

(A ) 2 + p B + C + p B = 0,
3 A 2 (C + p B) p B = 0,

(4.144)

apos multiplicar todos os termos por 1 para trocar os sinais. Sendo uma
equacao do terceiro grau, sabemos que haver
a tres razes reais ou complexas.
Comparando (4.144) com a forma geral da equacao secular de terceiro grau
(7.113) identificamos os seguintes coeficientes:
a0

1,

(4.145)

a1
a2

=
=

(4.146)
(4.147)

a3

A,
(C + p B),
p B.
210

(4.148)

O criterio de Routh-Hurvicz atesta que os autovalores 1,2,3 ter


ao partes reais
positivas se e somente se as desigualdades (??)-(??) forem satisfeitas simultaneamente, ou seja,
a1
a2
a3

=
=
=

a1 a2 a0 a3

A > 0 A < 0,
(C + p B) > 0 (C + p B) < 0,
p B > 0 p B < 0,
A(C + p B) + p B > 0.

(4.149)
(4.150)
(4.151)
(4.152)

Como A = [EY (YE , p , 0) 1] e > 0, temos que EY 1 < 0 para que


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

2 [EY 1] (Ee + p Ep ) + p Ep > 0,


onde todas as derivadas parciais s
ao calculadas no ponto de equilbrio. Dividindo
novamente por > 0 temos:
[EY 1] (Ee + p Ep ) + p Ep > 0.

(4.153)

Como EY 1 < 0 e Ep < 0, para que a soma das duas parcelas acima de
positiva, resulta necessario que o termo entre parenteses seja negativo, que e a
condicao encontrada no artigo original de Tobin [50]:
(Ee + p Ep ) < 0.

4.7

(4.154)

Solu
c
oes num
ericas

Para modelos contnuos multidimensionais nao existem, em geral, solucoes analticas,


de forma que nosso conhecimento sobre as trajet
orias no espaco de fase est
a
condicionado `
a obtencao de solucoes numericas. Aqui, da mesma forma que nos
captulos 1 e 3, usamos os metodos de Euler (nao-recomendavel) e Runge-Kutta,
ou adaptacoes dos mesmos. Pode-se usar, igualmente, planilhas eletr
onicas ou
escrever programas em alguma linguagem, como C, para executar estas tarefas.
No entanto, pela praticidade do seu uso, abordaremos neste captulo apenas o
uso de software matematico.
Como exemplo de solucao numerica consideraremos o seguinte modelo tridimensional contnuo, proposto por Roessler em 1976 para estudo dos atratores
caoticos [52].:
dx
dt
dy
dt
dz
dt

(y + z),

(4.155)

x + ay,

(4.156)

b + z(x c),

(4.157)

211

10
passo = 0,1
passo = 0,01
passo = 0,001

-5

500

510

520

530

540

550

Figura 4.8: Solucoes numericas para o sistema de Rossler pelo metodo de RungeKutta com diferentes valores do passo de integracao.

para a = 0, 2, b = 0, 2 e c = 4, 7. Como condicoes iniciais adotaremos:


x(0) = 5, 0

y(0) = z(0) = 5, 0

(4.158)

e integraremos de ti = 0 ate tf = 10, 0.


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

1 e aqui adaptado para um modelo contnuo multidimensional. O programa est


a
reproduzido abaixo:
/* runge.c: metodo de Runge-Kutta de quarta ordem para solucao
numerica de um modelo continuo tridimensional. Saida dos
dados no arquivo runge.dat */
#include <stdio.h>
#include <math.h>
FILE *fp;
double f(double x,double y,double z),g(double x,double y,double z),
h(double x,double y,double z);
void main()
{
int k, points;
double xk, yk, zk, x0, y0, z0, tk, ti, tf, delta;
double kx1, kx2, kx3, kx4, ky1, ky2, ky3, ky4, kz1, kz2,
kz3, kz4;
fp = fopen("runge.dat","w");
/* inicializacoes */
points = 1000; /* numero de pontos calculados */
ti = 0.0; /* tempo inicial */
tf = 10.0; /* tempo final */
delta = fabs(tf - ti)/points; /* passo de integracao */
x0 = -5.0; /* condicoes iniciais */
y0 = 5.0;
z0 = 5.0;
/* coloca os valores iniciais nas variaveis */
k = 0;
xk = x0;
yk = y0;
zk = z0;
tk = ti;
fprintf(fp,"%d %f %f %f %f\n",k,tk,xk,yk,zk);

/* varre intervalos de ti a tf */
for(k = 1;k <= points;++k) {
tk = tk + delta; /* inicio do intervalo */
/* vetor auxiliar r1 */
kx1 = f(xk,yk,zk)*delta;
ky1 = g(xk,yk,zk)*delta;
kz1 = h(xk,yk,zk)*delta;
/* vetor auxiliar r2 */
kx2 = f(xk+(kx1/2),yk+(ky1/2),zk+(kz1/2))*delta;
ky2 = g(xk+(kx1/2),yk+(ky1/2),zk+(kz1/2))*delta;
kz2 = h(xk+(kx1/2),yk+(ky1/2),zk+(kz1/2))*delta;
/* vetor auxiliar r3 */
kx3 = f(xk+(kx2/2),yk+(ky2/2),zk+(kz2/2))*delta;
213

ky3 = g(xk+(kx2/2),yk+(ky2/2),zk+(kz2/2))*delta;
kz3 = h(xk+(kx2/2),yk+(ky2/2),zk+(kz2/2))*delta;
/* vetor auxiliar r4 */
kx4 = f(xk+kx3,yk+ky3,zk+kz3)*delta;
ky4 = g(xk+kx3,yk+ky3,zk+kz3)*delta;
kz4 = h(xk+kx3,yk+ky3,zk+kz3)*delta;
/* variaveis no final do intervalo */
xk = xk + (kx1+(2*kx2)+(2*kx3)+kx4)/6;
yk = yk + (ky1+(2*ky2)+(2*ky3)+ky4)/6;
zk = zk + (kz1+(2*kz2)+(2*kz3)+kz4)/6;
/* imprime k, t, x, y, z no arquivo de dados */
fprintf(fp,"%d %f %f %f %f\n",k,tk,xk,yk,zk);
}
fclose(fp);
}
/* Equacoes do campo vetorial
Exemplo: sistema de Roessler
x = -(y+z), y= x + 0.2y, z= 0.2 + z(x-4.7) */
double f(double x,double y,double z)
{
return(-y-z);
}
double g(double x,double y,double z)
{
return(x+(0.2*y));
}
double h(double x,double y,double z)
{
return(0.2+z*(x-4.7));
}

4.7.1

Uso de software matem


atico

Maple
Escrevemos inicialmente as equacoes diferenciais (4.155)-(4.157) como
a :=
b :=
c :=
deq1
deq2
deq3

0.2;
0.2;
4.7;
:= diff(x(t),t) = -y(t) - z(t):
:= diff(y(t),t) = x(t) + a*y(t):
:= diff(y(t),t) = b + z(t)*(x(t) - c):

Vamos considerar a trajet


oria obtida a partir da condicao inicial x0 = 5 e
y0 = 5 e z0 = 5, no intervalo de tempo 0 t 100, com passo de integracao
0, 01. Para tracar essa trajet
oria, usamos os comandos:
with(DEtools):
214

10
20

5
z

15

0
-10

-5

10

10

x
-5
5

-10

0
-10

-5

10

20

15

10

0
-10

-5

10

Figura 4.9: Projecoes sobre os planos (a) xy, (b) yz e (c) xz da trajet
oria obtida
por solucao numerica do sistema (4.155)-(4.156) usando o Maple.

DEplot([deq1,deq2,deq3], [x,y,z], t=0..100, x=-10..10, y=-10..10,


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

20

15
z
10
10
10

5
5
0
-5

0
-10

5
0

x
-5
-10

Figura 4.10: Trajet


oria no espaco de fase obtida por solucao numerica do sistema
(4.155)-(4.156) usando o Maple.

x=-10..10, y=-10..10, z=0..20,{[x(0)=-5,y(0)=5,z(0)=5]},


stepsize=0.01,linecolor=black, arrows=none);
cujo resultado pode ser visto na Fig. 4.10. Na verdade, a perspectiva mostrada
na figura pode ser alterada com o mouse, quando ainda a figura e tracada na
tela do computador (worksheet), de forma a exibir o maior n
umero possvel de
detalhes.
Para tracar as series temporais das variaveis din
amicas, empregamos o comando
DEplot([deq1,deq2,deq3], [x,y,z], t=0..100, x=-10..10, y=-10..10,
z=0..20, {[x(0)=-5,y(0)=5,z(0)=5]}, stepsize=0.01, scene= [t,x],
linecolor=black, arrows=none);
como mostra a Fig. 4.11(a). As Figuras 4.11(b) e (c) s
ao obtidas aplicando no
comando anterior as opcoes scene= [t,y] e scene= [t,z], respectivamente.
Mathematica
Para usar o Mathematica especificamos o campo vetorial como:
a = 0.2;
b = 0.2;
c = 4.7;
deq1 = x[t] == -y[t] -z[t];
deq2 = y[t] == x[t] + a*y[t];
deq3 = z[t] == b + z[t]*(x[t] - c);
216

10

10

0
0

20

40

60

80

100

20

40

60

80

100

-5

-5

-10

-10

20

15

10

0
0

20

40

60

80

100

Figura 4.11: Series temporais obtidas por solucao numerica do sistema (3.24)(3.25) usando o Maple.

A trajet
oria originada pela condicao inicial x0 = 5 e y0 = 5 e z0 = 5, ao
longo do intervalo de tempo 0 t 500 pode ser visualizada a partir das suas
projecoes sobre os planos com os comandos [Fig. 4.12]:
soln = NDSolve[{deq1,deq2,deq3,x[0]=-5.0,y[0]=5.0,z[0]=5.0},
{x[t],y[t],z[t]}, {t,0,500}];
ParametricPlot[
Evaluate[{x[t],y[t]} /. soln], {t,0,100},
AxesLabel ->{x,y}];
ParametricPlot[
Evaluate[{y[t],z[t]} /. soln], {t,0,100},
AxesLabel ->{y,z}];
ParametricPlot[
Evaluate[{x[t],z[t]} /. soln], {t,0,100},
AxesLabel ->{x,z}];
sendo que o Mathematica tambem conta com um comando especfico para visualizacao tridimensional da trajet
oria [Fig. 4.13]:
ParametricPlot3D[
Evaluate[{x[t],y[t],z[t]} /. soln], {t,0,200},
PlotRange -> All, PlotPoints -> 10000,
AxesLabel ->{x,y,z}];
Para representar as series temporais, usamos [Fig. 4.14]:
217

z
2

5
1.5

2.5
-7.5 -5 -2.5
-2.5

2.5

7.5

10

1
0.5

-5
-7.5
-7.5

-5

-2.5

2.5

z
2.5
2
1.5
1
0.5
-7.5 -5 -2.5

2.5

7.5

10

Figura 4.12: Projecao sobre os planos yz e xz da trajet


oria obtida por solucao
numerica do sistema (4.155)-(4.156) usando o Mathematica.

y
0
-5

15

z 10
5
0
-5
0
x

5
10

Figura 4.13: Trajet


oria no espaco de fase obtida por solucao numerica do sistema
(4.155)-(4.156) usando o Mathematica.

218

x
10

7.5

2.5

2.5

20
20

40

60

80

40

60

80

100

t -2.5
100

-2.5

-5

-5

-7.5

-7.5
z

2
1.5
1
0.5
20

40

60

80

100

Figura 4.14: Serie temporal obtida por solucao numerica do sistema (3.24)-(3.25)
usando o Mathematica.

Plot[Evaluate[ x[t] /. soln], {t,0,100},


AxesLabel ->{t,x}];
Plot[Evaluate[ y[t] /. soln], {t,0,100},
AxesLabel ->{t,y}];
Plot[Evaluate[ z[t] /. soln], {t,0,100},
AxesLabel ->{t,z}];

Matlab
Para resolver as equacoes (3.24)-(3.25) no Matlab, elas tem de ser especificadas
no arquivo rossler.m:
function rp = rossler(t,v)
% rossler.m
a = 0.2;
b = 0.2;
c = 4.7;
rp = v;
x = v(1);
y = v(2);
z = v(3);
vp(1) = -y - z;
vp(2) = x + a*y;
vp(3) = b + z*(x-c);
Da mesma forma que nos casos anteriores, podemos visualizar as projecoes
da trajet
oria ao longo do intervalo 0 t 100 [Fig. 4.15], partindo da condicao
inicial (x0 , y0 , z0 ) = (5, 5, 5), e com passo de integracao 0, 05, bem como as
219

16

14

12

10
z

18

10
8

0
10

10

18
16
14
12

10
8
6
4
2
0
8

10

Figura 4.15: Projecao sobre os planos xy, yz, e xz da trajet


oria obtida por
solucao numerica do sistema (4.155)-(4.156) usando o Matlab.

series temporais resultantes [Fig. 4.16], por meio da seguinte sequencia de comandos:
[t,v] = ode45(rossler, [0:0.05:100], [-5,5,5]);
plot(v(:,1),v(:,2))
plot(t,v(:,1), t,v(:,2))
O Matlab conta, ainda, com um comando para visualizacao tri-dimensional
dos resultados [Fig. 4.17].
plot3(v(:,1),v(:,2),v(:,3))

4.8

Exemplo em Economia: Modelo de Inovac


ao
Tecnol
ogica

Vamos estudar um modelo proposto por Goodwin em 1990 que incorpora a


inovacao tecnologica na din
amica do produto e salarios, baseado em ideias anteriores de Schumpeter [81]. Os avancos tecnologicos ocorrem de modo r
apido
(swarms), deslocando o equilbrio macroecon
omico para um novo ponto, tal que
a trajet
oria do sistema para este u
ltimo seja cclica, ao inves de monotonica.

4.8.1

Macrovari
aveis e hip
oteses do modelo

As macrovariaveis definidas s
ao q: produto corrente; qd : demanda corrente total;
w: fluxo de salarios reais; e k: capacidade inovadora. As hip
oteses do modelo,
220

20
x(t)
y(t)
z(t)

15

10

10

20

40

60

80

100

Figura 4.16: Series temporais obtidas por solucao numerica do sistema (4.155)(4.156) usando o Matlab.

20

15

10

0
10
5

10
5

5
y

5
10

10

Figura 4.17: Trajet


oria no espaco de fase tridimensional obtida por solucao
numerica do sistema (4.155)-(4.156) usando o Matlab.

221

e as equacoes din
amicas resultantes, s
ao as seguintes:
1. O produto e dinamicamente ajustado `a demanda total:
dq
= e(qd q),
dt

(4.159)

onde e > 0 e um coeficiente de ajuste. A demanda corrente total e dada por


qd = aq + wd + Ik + d,

(4.160)

onde aq representa a demanda industrial, (sendo a > 0 um coeficiente que


representa a influencia do produto na demanda), wd a demanda ligada aos
salarios, Ik o investimento em inovacoes, e d representa outros componentes da
demanda. Estes u
ltimos serao supostos ex
ogenos e constantes no tempo, para
que se possa isolar, no modelo, o impacto da inovacao na variacao do produto
e dos salarios.
2. Supomos um crescimento do tipo logstico para a capacidade inovadora


k
dk
,
(4.161)
= bk 1
dt
c
onde b > 0 e uma taxa de crescimento da capacidade inovativa, e c > 0 representa uma capacidade-limite, acima da qual o crescimento passa a ser negativo,
ao inves de positivo. Estudamos essa equacao no Captulo 1, a qual tem uma
solucao na forma de um S elongado, que modelaria os swarms representados por
inovacoes tecnologicas.
3. Supomos uma relacao linear entre investimento em inovacoes e o crescimento
da capacidade produtiva


dk
k
Ik = m
,
(4.162)
= mbk 1
dt
c
onde m e a raz
ao capacidade inovadora/produto.
4. A demanda ligada aos salarios depende da taxa real de sal
arios w e do
produto q na forma
wd = a wq,
(4.163)
onde a e um coeficiente renda/trabalho, nao-constante. Seu inverso representa
a produtividade do trabalho, a qual e afetada pelo crescimento logstico da
capacidade de inovacao, na seguinte forma:
a (t) = h(1 sk(t)),

(4.164)

onde s e um coeficiente que mede o efeito das inovacoes tecnologicas sobre a


produtividade, e h = a (0) e a produtividade inicial.
Substituindo (4.164) em (4.163) temos, pois
wd = wqh(1 sk(t)),

(4.165)

tal que a taxa de variacao do produto e obtida colocando (4.165), (4.162) e


(6.150) em (4.159):




dq
k
+dq ,
= e aq + wqh(1 sk) + mbk 1
dt
c




k
= e d + [a + (1 sk)hw]q + mbk 1
q .
(4.166)
c
222

5. H
a um nvel de equilbrio de emprego n, tal que a taxa real de salario
permanece estacion
aria, sem pressoes de alta ou baixa devido `a carencia ou
excesso de mao-de-obra disponvel. A taxa real de salarios varia com o tempo,
portanto, conforme a diferenca entre o nvel de emprego corrente a q e seu valor
de equilbrio numa forma linear:
dw
= f (a q n) = f ((1 sk)hq n),
dt

(4.167)

onde f e um par
ametro de ajuste din
amico do salario `as flutuacoes do nvel de
emprego.
O modelo contnuo tridimensional que iremos estudar compoe-se, pois, das
Eqs. (4.166), (4.167), e (4.161):




dq
k
q ,
(4.168)
= e d + [a + (1 sk)hw]q + mbk 1
dt
c
dw
= f [(1 sk)hq n],
(4.169)
dt


k
dk
.
(4.170)
= bk 1
dt
c

4.8.2

Pontos de equilbrio e sua estabilidade

O produto de equilibrio, q , o nvel salarial de equilbrio w , e a capacidade


inovativa de equilbrio k serao solucoes do seguinte sistema de equacoes:




k

e d + [a + (1 sk )hw ]q + mbk 1
= 0,
(4.171)
q
c
f [(1 sk )hq n] = 0,
(4.172)



k
bk 1
= 0.
(4.173)
c
A equacao (4.173) tem duas solucoes, a saber,
k1 = 0,

k2 = c.

(4.174)

A primeira delas corresponde `


a ausencia de crescimento, o que nao teria interesse econ
omico, mas ainda sera considerada do ponto de vista matematico.
A segunda solucao e o nvel assint
otico de inovacao tecnologica, que decorre
tambem do fato da solucao k(t) (que tem uma forma analtica, vide Eq. (1.58))
tender a c quando o tempo vai a infinito.
Isolando q de (4.172) temos
q =

n
,
h(1 sk )

(4.175)

que corresponde, conforme (4.174) a duas solucoes de equilbrio para o produto


q1 =

n
,
h

q2 =

n
.
h(1 sc)

(4.176)

Dividindo a Eq, (4.171) por e e levando em conta (4.173), temos


q = d + [a + (1 sk )hw ]q ,
223

(4.177)

e, isolando w , temos o nvel salarial de equilbrio:


w =

(1 a)q d
,
q

(4.178)

que, em vista das duas solucoes em (4.176), tambem tem duas solucoes possveis,
que s
ao
hd
1a
hd
,
w2 =

.
(4.179)
w1 = 1 a
n
1 sc
n
Resumindo, temos os dois vetores de equilbrio:

n
n
h

v1 = 1 a
0

hd
n

h(1sc)
hd
hd
n n

v2 = 1 a

(4.180)

A estabilidade destes equilbrios, na aproximacao linear, depende dos autovalores da matriz Jacobiana do sistema de equacoes (4.168)-(3.104), cujos
elementos s
ao as derivadas parciais seguintes:
q
= e[(a 1) + hw(1 sk)],
q
q
=
= ehq(1 sk),
w



2k
q
,
= e shqw + mb 1
=
k
c
w
=
= f h(1 sk),
q

J11 =

(4.181)

J12

(4.182)

J13
J21

w
= f shq,
k
k
=
= 0,
w

(4.183)
w
= 0,
(4.184)
w
k
=
= 0,
(4.185)
q


k
2k
.
=
=b 1
k
c
(4.186)

J22 =

J23 =

J31

J32

J33

Analisamos separadamente cada uma das solucoes de equilbrio (4.180). A


matriz Jacobiana correspondente `a solucao v1 e

2
e[(a 1)(1 h) hnd ] en e[sn(1 a) + shd + mb]
, (4.187)
J(v1 ) =
fh
0
f sn
0
0
b
no enquanto para a solucao bf v 1 a matriz e

2
] en
e[(a 1)(1 h) h d(1sc)
n

J(v2 ) =
f h(1 sc)
0
0
0

esn(1a)
(1sc)2

eshd
1sc
f sn
1sc

emb

(4.188)
Para facilitar os calculos, observamos que ambas as matrizes Jacobianas podem
ser colocadas numa forma comum, que e

i en
i
,
i
(4.189)
J(vi ) = i 0
i
0
0 (1) b
224

onde i = 1, 2, e definimos os seguintes smbolos




h2 d
,
1 = e (a 1)(1 h)
n
1 = e[sn(1 a) + shd + mb],


h2 d(1 sc)
2 = e (a 1)(1 h)
,
n
esn(1 a)
eshd
2 =
2 + 1 sc emb,
(1 sc)

1 = f h,

(4.190)

1 = f sn,

(4.191)

2 = f h(1 sc),

(4.192)

2 =

f sn
.
1 sc

(4.193)

Os autovalores da matriz Jacobiana s


ao as solucoes da respectiva equacao
secular,


i en

i


= 0,

i
det[J(vi I] = i
(4.194)

i

0
0 (1) b

a qual, desenvolvida pela regra de Sarrus, fornece uma equacao c


ubica para os
autovalores:
i

[(i ) + eni ][(1) b + ] = 0,


i

(4.195)

+ [i (1) b] + [eni + i (1) b] + [(1) eni b] = 0.


Comparando com a forma geral da equacao c
ubica (7.113) achamos os coeficientes
i

a0 = 1,

a1 = i (1) b,

(4.196)

a3 = (1) eni b,

(4.197)

a2 = eni + i (1) b,

Pelo criterio de Routh-Hurwitz, os pontos de equilbrio vi serao assintoticamente est


aveis se e somente se, os coeficientes da equacao secular satisfizerem
simultaneamente as inequacoes (??)-(??), que assumem as seguintes formas
i

i (1) b

>

0,

(4.198)

>

0,

(4.199)

>

0.

(4.200)

[i (1) b][eni + i (1) b] + (1) eni b


(1) eni b

Observe que os termos i e i nao participam da analise da estabilidade, ao


menos nessa etapa.
Para a solucao de equilbrio v1 a condicao de estabilidade (4.200) implica
em que 1 = f h < 0. Mas, como tanto f como h s
ao supostos positivos, essa
desigualdade nunca e verificada. Ent
ao sabemos que essa solucao de equilbrio e
sempre instavel. Isso nao e surpreendente de todo, pois vimos que esse equilbrio
corresponde a uma ausencia de capacidade inovativa (k1 = 0), e sem interesse
maior. Ja para a outra solucao, v2 , o mesmo raciocnio leva `a condicao 2 =
f h(1 sc) > 0, ou seja, que sc < 1. Alem disso, as desigualdades (4.198) e
(4.199) necessarias a que o equilbrio seja est
avel s
ao
h2 d
]
n
(2 b)(en2 + 2 b) + en2 b
2 = e[(a 1)(1 h)

225

>

b,

(4.201)

>

0.

(4.202)

8
7
6

q(t)
w(t)
k(t)

5
4
3
2
1
0

10

20

30

40

50

60

70

80

90

100

Figura 4.18: Solucoes numericas para o sistema de Goodwin pelo metodo de


Runge-Kutta com f = 0, 0.

4.8.3

Exemplo num
erico

Consideremos os seguintes valores numericos estudados por Goodwin para os


coeficientes do modelo: a = 0, 2, b = 0, 12, c = 4, 0, d = 4, 0, e = 0, 161,
h = 0, 3, s = 0, 05, m = 3, 0, e n = 2, 4. N
os conservaremos como par
ametro
variavel apenas f . Neste caso particular as solucoes de equilbrio (4.180) s
ao,
respectivamente,

8, 0
10, 0
v1 = 0, 3 , v2 = 0, 5 ,
(4.203)
0
4, 0

independentemente do valor escolhido para f , e cuja estabilidade depende do


calculo dos seguintes coeficientes
1 = 0, 06601

1 = 0, 3f

2 = 0, 70035

2 = 0, 15f.

1 = 0, 052164
2 = 0, 10948

1 = 0, 12f
2 = 0, 24f

Podemos, agora, verificar as condicoes (4.201)-(4.202) para que o ponto v2


seja est
avel (ja que, como vimos, v1 e sempre instavel para par
ametros positivos
do modelo), uma vez que sc = 0, 04 4 = 0, 8 < 1. Como 2 < b ent
ao, para
essa escolha de coeficientes, tambem o ponto 2 e instavel. A condicao restante e
verificada se f > 0, 29694617 o que, naturalmente, nao altera nossa conclus
ao.
Para ter uma ideia mais concreta da evolucao das variaveis do modelo,
fazemos a integracao numerica do sistema tridimensional de equacoes com as
seguintes condicoes iniciais:
q(0) = 8, 0

w(0) = 1, 0

k(0) = 0, 1.

e o mesmo conjunto de par


ametros adotado na analise da estabilidade, alem
de tomar f = 0. Na figura 4.18 mostramos a evolucao temporal das tres
226

8
q(t)
w(t)
k(t)

6
4
2
0
-2
-4
-6
0

10

20

30

40

50

60

70

80

90

100

Figura 4.19: Solucoes numericas para o sistema de Goodwin pelo metodo de


Runge-Kutta com f = 0, 07.

macrovariaveis, de t = 0 ate t = 108, 0. Observamos que os salarios permanecem


constantes, o que e uma consequencia de fazer f = 0 em (4.169), donde tiramos
que
dw
= 0,
w(t) = w(0).
(4.204)
dt
Alem disso, o comportamento da capacidade inovativa e uma curva sigmoide,
o que decorre imediatamente do fato da equacao (3.104) possuir tal solucao,
inclusive na forma analtica [vide Eq. (1.58)]. Ja o produto inicialmente cresce
ate atingir um valor maximo por volta de 8, 25, para depois diminuir alcancando
um patamar por volta de 7, 16 para t = 108, 0, e inclusive permanecendo nesse
valor para todos os tempos posteriores.
Alterando o valor do par
ametro f para 0, 07 observamos na Figura 4.19 modificacoes significativas no comportamento do produto e dos salarios (uma vez que
a capacidade inovativa evolui de forma independente das outras macrovariaveis,
como vimos). O produto praticamente nao cresce em relacao ao seu valor inicial, e logo inicia uma trajet
oria descendente dentro do intervalo considerado
(ate t = 108, 0). Ja os salarios (reais) tem uma evolucao tambem descendente,
chegando mesmo a assumir valores negativos esp
urios.

4.9

Problemas

1. Determine os autovalores da matriz

1
A= 6
1

2
1
2

1
0 ,
1

2. (a) Mostre que duas matrizes semelhantes tem os mesmos determinantes. (b)
Mostre que duas matrizes semelhantes tem os mesmos autovalores.

227

3. Se V(t) e a matriz fundamental de soluca


o, mostre que
etA = V(t)V( 0)1 .
4. Considere a matriz [[1], pg. 9]

2
A= 0
1

1
2
0

3
0 ,
0

(a) Ache etA


(b) Resolva o sistema v = A.v para as seguintes condico
es iniciais:

5
2
1
3 .
0 ,
v0 = 1 ,
2
2
1
5. Seja a matriz

1 1 0
1 0 ,
M= 1
0
0
2
Determine os sub-espacos est
avel, inst
avel e central associados a
` origem.

6. Um modelo tridimensional importante na hist


oria da teoria do caos foi proposto
por Lorenz em 1963:
dx
= (y x)
dt
dy
= rx y xz
dt
dz
= xy bz
dt
onde , r e b s
ao par
ametros positivos.
(a) Mostre que, para toda trajet
oria no espaco de fase (x(t), y(t), z(t)) haver
a
uma trajet
oria simetrica (x(t), y(t), z(t));

(b) Mostre que as soluco


es de equilbrio s
ao
0

C+

(0, 0, 0)
p
p
( b(r 1), b(r 1), r 1)
p
p
( b(r 1), b(r 1), r 1)

(c) Construa a matriz Jacobiana, e estude a estabilidade da soluca


o 0.
(d) Usando os valores numericos = 10, e b = 8/3 estude a estabilidade das
soluco
es C+ e C quando r = 10 e r = 28.
(e) Considere o caso = 10, b = 8/3, e r = 28. Ache soluco
es numericas para
as trajet
orias de fase nesse caso, e comente seus resultados. Qual o aspecto das
trajet
orias no espaco de fase?
7. Considere o modelo Marshalliano introduzido por Tobin como contraponto do
modelo WKP (as notaco
es e interpretaca
o s
ao as mesmas):
dY
= (Y YE )
dt
= [E(Y, p, e ) Y ] + e
d e
= ( e )
dt
Determine as soluco
es de equilbrio e estude sua estabilidade.

228

(4.205)
(4.206)
(4.207)

Captulo 5

Modelos discretos
unidimensionais
V
arios modelos econ
omicos de interesse tem o tempo como variavel discreta (ou
seja, o tempo assume apenas valores inteiros t = 0, 1, 2, . . .). Se considerarmos,
por exemplo, os rendimentos de uma aplicacao financeira, sera conveniente medir
o tempo em meses. Caso estejamos tratando da producao agrcola de um determinado bem, o tempo pode ser medido em safras. Num modelo macroecon
omico
que envolva taxas de desemprego, inflacao, etc. a unidade conveniente de tempo
sera um ano, e assim por diante. Tais modelos discretos s
ao tambem denominados equacoes a diferencas, mapeamentos, ou simplesmente mapas (este u
ltimo
termo e mais empregado na literatura de Dinamica N
ao-Linear [3, 34, 54]).

5.1

Modelos discretos unidimensionais lineares

Nossa analise seguira a sequencia dos captulos anteriores para modelos contnuos,
e comecar
a pelos modelos discretos unidimensionais lineares, cuja forma mais
geral e a do chamado modelo discreto afim.

5.1.1

Modelo discreto afim

Vamos imaginar uma aplicacao financeira a uma taxa de juros 100% ao mes,
onde 0 < < 1. Vamos denominar xt o montante (em reais) da aplicacao no
mes t = 0, 1, 2, . . ., de modo que x0 e o montante inicial da mesma, no mes t = 0.
O montante no mes t, em funcao do montante no mes anterior t 1, sera dado
por
xt = xt1 + xt1 = (1 + )xt1 .
(5.1)
Agora suponhamos que, a cada mes, o investidor faca um dep
osito fixo de A
reais. O modelo discreto resultante sera
xt = (1 + )xt1 + A.

(5.2)

Este e um exemplo de modelo discreto unidimensional (onde ha uma u


nica
variavel, no caso, o montante da aplicacao) denominado modelo discreto afim,
229

e que e escrito de forma geral como


xt = f (xt1 ) = xt1 + ,

(5.3)

onde e s
ao n
umeros reais. O modelo discreto (5.2) corresponde `a escolha
= (1 + ) e = A.
O modelo discreto (5.3) e uma relacao de recorrencia para a qual, dado o
valor da variavel num dado instante, obtemos o valor da variavel no instante
seguinte. Por exemplo, supondo conhecida a condicao inicial x0 , no proximo
instante teremos
x1 = f (x0 ) = x0 + ,
e no instante seguinte
x2 = f (x1 ) = x1 + = (x0 + ) + = 2 x0 + (1 + ).
Usaremos a seguinte notacao: x2 = f (x1 ) = f (f (x0 )) f [2] (x0 ), onde f [2] (x)
f (f (x)) denota a segunda iterada da funcao f (x), ou seja, a funcao composta com ela mesma, e que nao deve ser confundida com a funcao elevada
2
ao quadrado, ou [f (x)] . Da mesma forma, f [t] (x) e a t-esima iterada de f , ou
seja, a funcao f (x) composta com ela mesma t vezes.
Analogamente, as iteradas subsequentes do modelo discreto resultam da
composicao da funcao f repetidas vezes:
x3

=
=
=

f (x2 ) = f (f (x1 )) = f (f (f (x0 ))) f [3] (x0 )


x2 + = (2 x0 + (1 + )) +
3 x0 + (1 + + 2 )

(5.4)

A sequencia de iteradas sucessivas do modelo discreto, {x0 , x1 , x2 , . . . xn , . . .},


e chamada de
orbita gerada pelo modelo discreto f (x), a partir da condicao
inicial x0 . Podemos usar o princpio de inducao finita para determinar o valor
da t-esima iterada xt , em funcao da condicao inicial x0 .
xt
..
.

=
=
=
=

f (xt1 ) = xt1 +
(xt2 + ) + = 2 xt2 + (1 + )
..
.
t x0 + (1 + + 2 + . . . + t1 ).

(5.5)

A expressao entre parenteses na u


ltima das equacoes anteriores e igual `a soma
dos t primeiros termos de uma progress
ao geometrica de raz
ao e termo inicial
1. Usando a formula para a soma dos termos de uma progress
ao geometrica,
temos
t1
X
1(t 1)
n = 1 + + 2 + . . . t1 =
,
(5.6)
1
n=0

de modo que

(t 1)
=
xt = x0 +
1
t

x0 +
1

,
1

(5.7)

que e a solucao geral do modelo discreto afim (5.3), pois fornece o valor de xt
para qualquer valor do tempo t > 0, sem a necessidade de se calcular as iteradas
intermediarias. So nos foi possvel obter esta solucao geral devido ao fato da
funcao f (x) ser linear.
230

x
t+1

t+1

=x

x
t+1

t+1

=x

x*
x
3
x

(a)
= tg

(b)

f(x ) = x +
t
t

x x x*
2 3

Figura 5.1: (a) Modelo Discreto afim. (b) Diagrama de escada de um modelo
discreto afim.

5.1.2

Diagramas de escada

Uma maneira conveniente de visualizar as sucessivas iteradas de um modelo


discreto unidimensional
xt = f (xt1 ),

(5.8)

seja ele linear ou nao, e construir o diagrama de escada correspondente. Como


veremos posteriormente, eles s
ao bastante parecidos com os diagramas do tipo
teia de aranha, que aparecem em diversos modelos econ
omicos de oferta e
demanda.
Usamos dois eixos cartesianos representando as variaveis xt (eixo das ordenadas) e xt1 (eixo das abscissas), e neste sistema tracamos o gr
afico da funcao
f (x). No caso da funcao afim x + o gr
afico e uma reta com coeficientes
angular e linear iguais, respectivamente, a e [Fig. 5.1(a)]. Da geometria
analtica, sabemos que = tan , onde e o angulo entre a reta e o eixo horizontal, medido no sentido anti-hor
ario (declividade da reta); e e a ordenada do
ponto de intersecao da reta com o eixo vertical. Tracamos tambem a primeira
bissetriz, que e o gr
afico da funcao identidade xt = xt1 , e que e uma reta que
passa pela origem e faz 45o com o eixo horizontal.
Localizamos no eixo horizontal o valor correspondente `a condicao inicial
x0 , e subimos uma perpendicular ate encontrar o gr
afico da funcao f (x), no
caso a reta x + [Fig. 5.1(b)]. O valor correspondente no eixo vertical sera
x1 = f (x0 ). N
os tracamos uma paralela ao eixo horizontal a partir deste ponto
ate interceptar a primeira bissetriz. A abscissa do ponto de intersecao e obviamente igual a x1 . A partir deste ponto repetimos o processo: construimos
uma perpendicular ao eixo horizontal passando por x1 ate encontrar o gr
afico
da funcao obtendo x2 = f (x1 ), rebatemos no eixo horizontal e assim por diante.
O diagrama resultante assemelha-se a uma escada, onde o incio de cada degrau
indica o valor da iterada do modelo discreto.
231

x =x
t+1 t

x
x

(a)

t+1

(b)

t+1
x

=x
t+1 t

1
*

x
x

x*x x
0

x
t

x*

x1

Figura 5.2: (a) Modelo Discreto afim com inclinacao maior que 45o . (b) Modelo
Discreto afim com inclinacao negativa.

5.1.3

Pontos fixos e sua estabilidade

Na figura 5.1(b) observamos que a sequencia de iteracoes aproxima-se do ponto


de intersecao entre o gr
afico da funcao afim e a primeira bissetriz. A coordenada
x deste ponto e a solucao da equacao
x = x + ,
ou seja

,
(5.9)
1
desde que 6= 1. Caso = 1 e 6= 0, nao ha ponto de intersecao entre a reta
da funcao e a primeira bissetriz, elas s
ao retas paralelas. Se = 1 e = 0 as
duas retas coincidem, de modo que todos os seus pontos satisfazem (5.9).
O ponto x e mais comumente chamado ponto fixo do modelo discreto f (x),
pois ele e um ponto que mapeia a si proprio. Esta definicao se aplica a
qualquer tipo de modelo discreto, seja ele linear ou nao-linear. De modo geral,
para o modelo discreto unidimensional
x =

xt = f (xt1 ),

(5.10)

o ponto fixo e a solucao da equacao


x = f (x ).

(5.11)

Voltando ao modelo discreto afim (5.3), podemos usar o ponto fixo (5.9)
para reescrever a sua solucao geral (5.7) como
xt = (x0 x )t + x .

(5.12)

Os pontos fixos desempenham para os modelos discretos um papel analogo


`s solucoes de equilbrio em modelos contnuos. Ambos representam solucoes
a
estacion
arias do modelo em analise. Consequentemente, e necessario tambem
232

x2

(a)

t+1

(b)

t+1

x = xt
t+1

x = xt
t+1

x1

x0

x1

x2

Figura 5.3: Diagrama de escada de um modelo discreto afim para (a) = 1 e


6= 0, (b) = 1 e = 0.

estudar sua estabilidade em relacao a pequenos desvios. Vamos, pois, analisar


com mais detalhes as situacoes ilustradas pelas Figuras 5.1(b) e 5.2(a). No
primeiro caso, as iteracoes do modelo discreto aproximam-se do ponto fixo x
quando t , o que ocorrera tanto se x0 estiver `a esquerda como `a direita do
ponto fixo. Neste caso, o ponto fixo x e assintoticamente est
avel, pois pequenas
perturbacoes fazem o sistema retornar a ele quando o tempo t tende a infinito.
Por outro lado, na Figura 5.2(a), tomando-se uma condicao inicial proxima ao
ponto fixo, observamos que as iteradas subsequentes do modelo discreto afastamse de x . Se fizermos o tempo tendendo ao infinito, tambem o valor das iteradas
tender
a ao infinito. Neste caso o ponto fixo e instavel, pois qualquer condicao
inicial em sua vizinhanca produz uma orbita que afasta-se do ponto fixo.
Para obter um criterio que determine se um ponto fixo e est
avel ou instavel,
vamos tomar a solucao geral do modelo discreto afim (5.12), lembrando que xt
depende do tempo basicamente segundo as potencias t . Se || < 1 as sucessivas
potencias de v
ao fornecendo n
umeros cada vez menores, e t 0 quando t
tende ao infinito. Usando (5.12) temos, portanto, que xt x quando t 0,
ou seja, o ponto fixo x e assintoticamente est
avel. Por outro lado, se || > 1,
as potencias de v
ao crescendo com o passar do tempo, e t quando t
tende ao infinito, de forma que tambem xt diverge, e o ponto fixo x e instavel.
Como = tan , onde e o
angulo que o gr
afico faz com o eixo das abscissas,
se > 0 o ponto fixo e est
avel desde que o angulo seja agudo e menor
que 450 (ja que tan 450 = 1). Podemos ter, ainda, um gr
afico com inclinacao
negativa, como exemplificado pela Figura 5.2(b). Agora, para negativo o
ponto fixo e est
avel se 1 < < 0, desde que o angulo seja obtuso e maior
que 900 + 450 = 1350 .
Na situacao onde || = 1, ha duas possibilidades: caso = 1 e 6= 0, como
tan 450 = 1, a reta do gr
afico e paralela `a primeira bissetriz e nao havera ponto
fixo x . O diagrama de escada mostra que, partindo de uma condicao inicial
qualquer x0 as iteracoes subsequentes v
ao para infinito [Fig. 5.3(a)]. Se = 0,
a reta do gr
afico passar
a pela origem e, na verdade, coincidira com a primeira
bissetriz [Fig. 5.3(b)]. Podemos dizer, ent
ao, que ha infinitos pontos fixos, que
233

(a)
x

t+1

(b)
t

x = xt
t+1

x*
x

x0

x*

x1

0 1 2 3 4 5

Figura 5.4: (a) Diagrama de escada de um modelo discreto afim para = 1 e


6= 0; (b) Serie temporal correspondente.

nao podem ser classificados nem como est


aveis nem como instaveis.
Se = 1, ent
ao t e igual a 1 se t for par, e 1, se t for mpar. Como
x = /1 (1) = /2, as iteracoes subsequentes serao
x1

x2

(1) (x0 x ) + x = x0 ,
2

(1) (x0 x ) + x = x0 ,

e assim sucessivamente, formando um ciclo de perodo 2


{x0 , x0 , x0 , x1 , . . .},
ja que a cada duas iteracoes o valor inicial se repete. O diagrama de escada correspondente e uma figura fechada, diferente para cada condicao inicial [Fig.
5.4(a)]. Esse tipo de ciclo e muito semelhante, em que pese as diferencas
matematicas, `
as trajet
orias no plano de fase em torno de um centro (vistas
no Captulo 2): as iteracoes oscilam indefinidamente em torno do ponto fixo x
sem jamais alcanca-lo, seja qual for a condicao inicial [Fig. 5.4(b)]. Novamente,
podemos associar esse tipo de comportamento a um equilbrio indiferente. Finalmente, se = 0 a mesma situacao repetir-se-
a, mas com o ponto fixo na
origem x = 0.
Podemos resumir nossa analise no seguinte criterio de estabilidade para modelo discretos lineares afins:
|| < 1: x e assintoticamente est
avel,
|| > 1: x e instavel,
=1
6= 0: nao existe ponto fixo,
= 0: existem infinitos ponto fixos (nem est
aveis nem instaveis),
= 1: ciclo de perodo 2 em torno do ponto fixo.
234

5.2

Exemplo em Economia: Modelo linear da


teia de aranha

O modelo de teia de aranha descreve o preco de equilbrio de um certo produto,


num mercado simples com um hiato de oferta. Ele e particularmente u
til na descricao de precos de produtos agrcolas. Um fazendeiro tem de decidir o quanto
vai produzir de um certo bem em um certo perodo, antes que o preco deste
bem seja determinado pelo mercado, e antes que o produto da sua venda seja
recebido. Logo, a quantidade deste bem a ser ofertada num perodo depende do
preco esperado do bem neste perodo, que por sua vez pode ser uma funcao mais
ou menos complicada do preco deste bem no perodo anterior (ou anteriores).
Matematicamente, o modelo de teia de aranha pode ser representado por um
modelo discreto unidimensional.
O equilbrio entre oferta e procura, numa situacao idealizada de mercado
onde nao haja excedentes de producao nem insatisfacao da demanda, implica
na existencia de um preco de equilbrio para o bem, determinado pelo proprio
mercado. As origens desse modelo remontam aos trabalhos de Ezekiel e Leontiev, na decada de 30 [55, 56]. No entanto, estudos econometricos apontaram
que tal preco de equilbrio seria frequentemente instavel [57]. Nerlove, em 1958,
mostrou que a introducao de expectativas melhoraria a estabilidade do preco de
equilbrio [58]. Estas expectativas representariam a incorporacao da experiencia
anterior na fixacao de precos esperados sobre os precos futuros. Contribuicoes
mais recentes ao modelo de teia de aranha foram dadas por Carlson [59] e Manning [60, 61].

5.2.1

Vers
ao tradicional

Seja t = 0, 1, 2, . . . o perodo correspondente, por exemplo, a uma safra de um


produto agrcola. Vamos denominar pt o preco do produto no perodo t. A
demanda pelo produto, ou seja, a quantidade deste produto, Dt , procurada
pelos seus consumidores no perodo t, decresce com o seu preco neste perodo
(quanto menor o preco, maior a demanda, e vice-versa). Usa-se comumente uma
funcao-demanda linear [21]
Dt = a bpt ,
(5.13)
onde a > 0 e b > 0 s
ao coeficientes conhecidos a priori. O par
ametro b e a
elasticidade da demanda, e indica o quanto a demanda dimuinui para um dado
aumento de preco. Considerando dois instantes de tempo, onde D1 = a bp1 e
D2 = a bp2 , a variacao da demanda e D = D1 D2 = b(p1 p2 ) = bp.
Por exemplo, se b = 0, 3, um aumento de 20% no preco do produto provocar
a
uma diminuicao na sua demanda de 0, 2 0, 3 = 0, 06 100% = 6%.
A quantidade do produto oferecida pelos produtores sera denotada Ot . No
modelo tradicional de teia de aranha, a oferta num dado perodo t e determinada
pelo preco no perodo anterior t 1. Quanto maior o preco num dado perodo,
tambem maior sera a oferta do produto para o perodo seguinte. Adotamos uma
relacao linear entre estas duas variaveis
Ot = c + dpt1 ,
onde c > 0, e d > 0 e a elasticidade da oferta.
235

(5.14)

(a)
p

t+1
p = p
t
t+1

p1
p
3
p*
p

p p
0

p*

(b)
111
000
000
111
000
111
000
111
000
111
000
111

p
t
p
1
p
3
p*
p
4
p
2
p
0

p
t

(b)

Figura 5.5: Modelo tradicional de teia de aranha. Preco de equilbrio assintoticamente est
avel. (a) Diagrama de escada; (b) Serie temporal

Supomos que o mercado define o preco final do produto tal que a demanda
por ele absorva completamente a sua oferta, ou seja, nem os consumidores ficam
privados do produto, nem os produtores retem estoques do mesmo
Dt = Ot .

(5.15)

Substituindo (5.14) e (5.13) em (5.15) obtemos ent


ao para o preco do produto
num certo perodo, em funcao do seu valor no perodo precedente, a seguinte
relacao
  

d
ac

pt1 ,
(5.16)
pt =
b
b

que tem a forma de um modelo discreto afim xt = xt1 + , fazendo-se as


seguintes substituicoes:
x t pt ,

ac
,
b

d
.
b

(5.17)

Na abordagem est
atica do modelo de teia de aranha, o preco final que o
mercado estabelece para o produto, dito seu preco de equilbrio, pE , e encontrado
pela intersecao das retas que identificam as funcoes oferta e demanda.
pE =

ac
.
b+d

(5.18)

Dado um preco inicial maior ou menor que pE , a sua evolucao pode ser acompanhada tracando retas paralelas aos eixos vertical e horizontal (da o apelido
de teia de aranha para o gr
afico resultante), e que tendem para o preco final
de equilbrio. O preco de equilbrio e o ponto fixo do modelo discreto (5.16),
dado por

ac
p =
=
= pE .
(5.19)
1
b+d
O ponto fixo sera assintoticalmente est
avel, como vimos na secao anterior,
se || < 1, ou seja, se


d d
= < 1,
(5.20)
b b
236

(a)
p
p
3

p =p
t+1 t

t+1

(b)

1111
0000
0000
1111
0000
1111
0000
1111
0000
1111
0000
1111

p
t

(b)

p
3
p
1
p*
p
0
p
2
p
4

p
1
p*
p

p p p* p
2 0
1

p
t

Figura 5.6: Modelo tradicional de teia de aranha com preco de equilbrio


instavel. (a) Diagrama de escada; (b) Serie temporal

ja que tanto d quanto b s


ao supostos positivos. Logo, o preco de equilbrio
sera est
avel se d < b, ou seja, caso a elasticidade da oferta seja menor que
a da demanda. Neste caso o gr
afico do modelo discreto e uma reta com inclinacao negtiva e menor do que 45o (Figura 10.19a). Um preco inicial proximo
ao preco de equilbrio ira se aproximando deste em cada perodo (oscilacoes
amortecidas)(Figura 10.19b). Em cada iteracao, o preco do produto sera alternadamente um pouco maior ou um pouco menor que o valor de equilbrio. Se
fizermos o diagrama de escada para as iteracoes sucessivas do modelo discreto,
obteremos uma figura bastante semelhante `a teia de aranha que da nome ao
modelo.
Caso || > 1 (ou seja, se d > b) o preco de equilbrio sera instavel: se
tomarmos um preco inicial proximo a ele, as iteracoes sucessivas irao divergir
deste, na forma de oscilacoes explosivas, cujas amplitudes ficam cada vez
maiores e tendem para o infinito (Figura 10.20b). Para este caso, o gr
afico
do modelo discreto e uma reta com inclinacao negativa e superior a 45o , e o
diagrama de escada ainda e uma teia de aranha, s
o que divergente (Figura
10.20a). O caso || = 1 leva ao ciclo peri
odico visto na secao anterior, uma vez
que = d/b < 0, e a hip
otese d = b resulta em = 1. O preco de equilbrio,
neste caso, nao pode ser classificado como est
avel ou instavel, e qualquer preco
inicial gerara um ciclo de perodo 2: {p0 , p1 , p0 , p1 , . . .} (Figura 5.7), registrado
pela primeira vez por Leontiev [56].

5.2.2

Expectativas adaptativas

O modelo tradicional de teia de aranha pode ser interpretado em termos de


expectativas. Denominando pet o preco do produto esperado pelos produtores,
podemos reescrever a funcao-oferta na seguinte forma
Ot = c + dpet ,

(5.21)

onde o preco esperado num dado perodo e o preco corrente no perodo anterior
pet = pt1 ,
237

(5.22)

(a)
p
t+1

p =p
t+1 t

111
000
000
111
000
111
000
111
000
111

(b)

p
1

p*

p*
p

(b)
p
t

p
0

0
p

p*

p1

p
t

Figura 5.7: Modelo tradicional de teia de aranha. Preco de equilbrio indiferente


(a) Diagrama de escada; (b) Serie temporal

o que comumente e denominado expectativa ingenua. A raz


ao dessa terminologia
depreciativa e facil de entender: todos aprendemos pela experiencia, e com ela
sabemos (ou pensamos saber) como adequar nossas previsoes, tendo em vista
o sucesso ou insucesso das mesmas. Desta forma, os precos esperados devem
mudar conforme sejam mais ou menos bem-sucedidas.
Uma maneira de formular as expectativas, ja descrita por Nerlove em 1958
[58], consiste em revisar, ou adaptar as expectativas em cada perodo com base
na diferenca entre o preco efetivamente observado e aquele previamente esperado. Se o preco alcancado num perodo for maior do que o valor esperado
(pt1 > pet1 ), ent
ao o preco esperado para o perodo seguinte e revisado para
cima (pet > pet1 ); caso contrario, e revisado para baixo. Emprega-se, tambem,
uma relacao linear na forma
pet = pet1 + w(pt1 pet1 ),

(5.23)

onde 0 < w < 1 e um coeficiente de incorporacao da experiencia pregressa a


novas expectativas de precos. O caso w = 1 reduz-se ao modelo tradicional (expectativas ingenuas), ao passo que w = 0 representa uma expectativa mope,
no sentido que o preco esperado nao e alterado ao longo do tempo
u
E
til reescrever a relacao anterior como
pet = (1 w)pet1 + wpt1 ,

(5.24)

de forma que o preco esperado para um perodo e uma media ponderada entre o preco esperado anterior e o preco real anterior. Alem disso, de (5.21),
considerada no perodo t 1, temos que
Ot1 = c + dpet1 .

Isolando pet de (5.21), e pet1 da expressao anterior, e substituindo os resultados


em (5.24), obtemos
Ot = (1 w)Ot1 + wc + wdpt1 .

(5.25)

Aplicando, agora, a hip


otese de que a oferta iguale a demanda para quaisquer
perodos, temos que
Ot1 = Dt1 = a bpt1 ,
238

donde podemos eliminar Ot e Ot1 em favor de pt e pt1 , respectivamente. O


resultado final e um novo modelo discreto para o preco


w
wd
pt1 + (a c),
(5.26)
pt = 1 w
b
b
que tem a forma de um modelo discreto afim, desde que


d
,
1w 1
b
w(a c)

.
b
O ponto fixo do modelo discreto com expectativas adaptativas continua
sendo o preco de equilbrio do modelo tradicional de teia de aranha
ac

=
= pE ,
1
b+d
e que e assintoticamente est
avel se || < 1, ou seja, se


d
1 < 1 w 1 +
< +1.
b
p =

(5.27)

(5.28)

Subtraindo 1, multiplicando por w, e novamente subtraindo 1 a ambos os lados


da desigualdade acima, chegamos ao seguinte resultado
2
d
< 1.
(5.29)
b
w
Como tanto b como d s
ao positivos, essa condicao e simplesmente 0 < d/b <
2/w1. Mas 0 < w < 1, de modo que (2/w)1 > 1. Lembremos que a condicao
de estabilidade do ponto fixo no modelo tradicional e d/b < 1. Concluimos que
a adocao de expectativas aumenta o tamanho do intervalo de estabilidade do
preco de equilbrio por um fator 2/w; ou seja, a introducao das expectativas
melhora as propriedades de estabilidade do preco de equilbrio, tendo em vista
que a nova condicao e menos restritiva do que a do modelo tradicional.
1 <

5.3

Modelos
lineares

discretos

unidimensionais

n
ao-

Aprendemos que o modelo discreto afim possui uma solucao geral, ou seja, dado
qualquer perodo de tempo t, podemos saber qual o valor de xt . H
a poucos comportamentos din
amicos possveis nesse caso: os valores de xt podem convergir
assintoticamente para um ponto fixo, divergir para infinito, ou ainda estacionar
num equilbrio nem est
avel nem instavel (e que pode ser um u
nico ponto ou
um ciclo com dois pontos). Modelo Discretos nao-lineares, por outro lado, apresentam uma din
amica bem mais rica e complicada, que nao se restringe aos
comportamentos listados acima, incluindo outras possibilidades, como orbitas
peri
odicas, bifurcacoes, caos, crise, intermitencia, etc.
Como um modelo discreto nao-linear nao tem uma solucao geral, somos
quase sempre obrigados a determinar numericamente as iteradas sucessivas, a
partir de uma dada condicao inicial. Embora existam infinitos modelo discretos
que possam ser classificados como nao-lineares, nos tradicionalmente introduzimos o seu estudo a partir de um paradigma, que e o modelo logstico discreto.
239

5.3.1

Modelo logstico discreto

O modelo logstico discreto tem a forma


xt = f (xt1 ) = rxt1 (1 xt1 ),

(5.30)

onde 0 xt 1 e 0 < r 4. O gr
afico do modelo discreto e uma par
abola
cujo vertice (ponto de maximo) tem coordenadas (xt1 = 1/2, xt = r/4) [Fig.
??(a)]. Quando r = 4 o vertice da par
abola logstica est
a em x = 1; logo se
r > 4 a condicao que x esteja no intervalo [0, 1] deixa de ser satisfeita. Da
mesma forma, se r = 0 a par
abola reduz-se ao eixo horizontal, e para valores
negativos de r a concavidade da par
abola e invertida, o que tambem leva x a
valores fora do domnio [0, 1].
O nome logstico para o modelo discreto (5.30) vem do fato deste ser
uma versao discreta do modelo logstico de Verhulst para o crescimento populacional que estudamos no Captulo 1. Consideremos xt como a populacao de
um determinado grupo. A suposicao, feita inicialmente por Malthus, de que o
crescimento dessa populacao deva ser exponencial, leva a um modelo discreto
linear: xt = xt1 , onde t = 0, 1, 2 . . . indica as sucessivas geracoes populacionais, e > 1 representa a sua taxa lquida de crescimento (ou seja, a taxa
de natalidade menos a taxa de mortalidade). Em cada instante de tempo a
populacao e xt = t x0 , o que rapidamente leva a populacoes muito grandes.
comum, em aplicacoes econ
E
omicas, descrever o crescimento exponencial de
t
uma certa variavel discreta vt como v0 (1 + g) , onde 0 < g < 1 e uma taxa de
crescimento, e v0 e um valor inicial. Supondo, agora, que a taxa de crescimento
seja limitada pelo aumento da populacao, a taxa lquida de crescimento nao sera
mais constante, porem diminuir
a com o aumento da populacao:
r(1 xt1 ),
o que resulta no modelo logstico discreto (5.30).
Um outro exemplo de problema que resulta neste modelo discreto e uma
aplicacao financeira com taxas de juros auto-limitadas [62]. Como vimos no
incio deste captulo, o montante zt de uma aplicacao, no mes t = 0, 1, 2, . . ., e
dado por (5.1)
zt+1 = (1 + )zt ,
(5.31)
onde 0 < < 1 e a taxa de juros. Suponhamos que, para coibir um enriquecimento ilimitado por meio desta aplicacao, algum poltico ou tecnocrata imponha
que a taxa de juros seja auto-limitada, ou seja, que ela seja reduzida proporcionalmente `
a diferenca entre o montante e um certo valor maximo zmax :


zt
,
(5.32)
0 1
zmax
onde 0 e a taxa de juros inicial.
Substituindo (5.32) em (5.31), e definindo um montante normalizado como


zt
0
,
(5.33)
xt
1 + 0 zmax
podemos escrever
xt = (1 + 0 )xt1 (1 xt1 ),
240

(5.34)

(a)

(b)

0,8

0,8

0,6

0,6

xt+1

xt+1
0,4

0,4

0,2

0,2

0,2

0,4

0,6

0,8

0,2

xt

0,4

0,6

0,8

xt

Figura 5.8: Primeira iterada do modelo logstico discreto com (a) r = 0, 7; (b)
r = 1, 5.

que, definindo-se r = 1 + 0 , reduz-se ao modelo logstico discreto (5.30).


Os pontos fixos do modelo logstico discreto s
ao dados por
xa = 0,

1
xb = 1 .
r

(5.35)

No entanto, se r < 1 segue que xb e necessariamente negativo, ou seja, fora do


intervalo de definicao do modelo discreto [0, 1]. Neste caso, portanto, apenas o
ponto fixo na origem, xa = 0, existe. Podemos conferir este fato no exemplo da
figura 5.8(a), que mostra haver apenas uma intersecao do gr
afico da funcao (no
caso para r = 0, 7) e a primeira bissetriz.

5.4

Itera
c
oes sucessivas

N
ao possuimos uma solucao geral para o modelo logstico discreto, nem para
modelos nao-lineares, no caso de tempo t arbitrario e r qualquer. Temos, pois,
de calcular as iteracoes sucessivas a partir de uma condicao inicial x0 , para obter
xt :
x1

f (x0 ) = rx0 (1 x0 )

x2
x3
..
.

=
=

f (x1 ) = f (f (x0 )) = f [2] (x0 ) = rx1 (1 x1 )


f (x2 ) = f (f (f (x0 ))) = f [3] (x0 ) = rx2 (1 x2 )
..
.

xt

f (xt1 ) = f (f ( f (x0 ) )) = f [t] (x0 ).

(5.36)

As iteradas sucessivas podem se tornar funcoes extremamente complicadas.


241

t+1

(a)

0
1

0
21
0
1
t+11
0

(b)

0
1

11111111111
00000000000
00000000000
11111111111
[2]
00000000000
11111111111
00000000000
11111111111
00000000000
11111111111
f(f(x))=f (x)
00000000000
11111111111
00000000000
11111111111

T(x)

T(T(x))

__
1 x*
2

__
1
4

3 x*
x* __
4 2

1
x * __
1 2

Figura 5.9: (a) Primeira e (b) segunda iteradas do modelo da tenda

Por exemplo, a segunda iterada do modelo logstico discreto e a funcao


f [2] (x)

=
=
=

f (f (x)) = rf (x)(1 f (x))


r[rx(1 x)][1 rx(1 x)]
2

r2 x(1 x) r3 x2 (1 x) ,

(5.37)

cujo gr
afico e mostrado na [Fig. ??(b)]. Esse procedimento leva rapidamente a
funcoes polinomiais de grau bastante alto.
Um modelo discreto cujas iteradas sucessivas s
ao relativamente mais faceis
de ser obtidas, e que nos permitira chegar a resultados analticos em secoes
futuras, e o chamado modelo da tenda [34]
xt = T (xt1 ) =

2xt1
2(1 xt1 )

se 0 xt1 12 ,
se 21 < xt1 1,

(5.38)

cujo gr
afico tem a forma de uma tenda [Fig. 5.9(a)], sendo linear por partes
nos intervalos [0, 1/2] e (1/2, 1]. No ponto x = 1/2 a funcao T (x) e contnua,
mas nao diferenciavel, o que significa que a derivada do modelo discreto T (x)
em relacao a x neste ponto nao e u
nica, ou seja, depende se estamos olhando `a
esquerda ou `
a direita de x = 1/2 1 . Um modelo discreto linear por partes, como
o modelo da tenda, comporta-se de forma mais proxima de um modelo discreto
nao-linear, como o logstico.
O modelo da tenda tem dois pontos fixos, que s
ao as solucoes da equacao
x = T (x ). Como T (x) e definida de forma diferente nos intervalos [0, 1/2] e
(1/2, 1], temos de impor ambas as formas do modelo discreto na equacao que
fornece o ponto fixo. No intervalo [0, 1/2] a condicao x = 2x e satisfeita por
x = 0; ao passo que no intervalo (1/2, 1] temos que x = 2(1 x ) resulta em
x = 2/3.
Na Figura 5.9(b) mostramos a segunda iterada do modelo da tenda, que e
1 As

T (x+
c )

derivadas s
ao diferentes numa vizinhanca do ponto crtico xc = 1/2: T (x
c ) = 2 e
= 2. Dizemos tamb
em que T (x) n
ao
e suave neste ponto.

242

dada em quatro intervalos:

4x,

2(1 2x),
[2]
T (x) =
2(1 + 2x),

4(1 x),

se
se
se
se

0 x 1/4,
1/4 < x 1/2,
1/2 < x 3/4,
3/4 < x 1.

(5.39)

Neste caso, a funcao tem tres pontos crticos, a saber: x = 1/4, 1/2 e 3/4.
Observe que a segunda iterada e uma especie de copia reduzida e duplicada
da primeira iterada do modelo da tenda. De forma semelhante, a terceira iterada
duplica novamente o gr
afico, o que pode ser visto na figura 5.10(b).
A primeira iterada do modelo da tenda T (x) = T [1] (x) tem um (= 20 )
vertice no ponto crtico x = 1/2, e a declividade (coeficiente angular) das retas
e (1)/(1/2) = 2 = 21 . A segunda iterada, T [2] (x), tem dois (= 21 ) vertices,
sendo a declividade (1)/(1/4) = 4 = 22 ; ao passo que a terceira iterada T [3] (x)
tem quatro (= 22 ) vertices e declividade (1)/(1/8) = 8 = 23 . Por inducao
finita, o gr
afico da t-esima iterada do modelo da tenda deve ter 2t1 vertices, e
a declividade de cada segmento de reta e 2t .

5.4.1

Pontos finalmente fixos

Pontos que, se usados como condicoes iniciais num modelo discreto f (x), levam
depois de um certo n
umero finito de iteracoes ao ponto fixo x s
ao chamados de
pontos finalmente fixos. Dito de maneira mais formal, x e um ponto finalmente
fixo de f (x) se existe um inteiro positivo n tal que f [n] (x) e um ponto fixo de f .
Como um exemplo, no modelo da tenda x = 1/8 e um ponto eventualmente
fixo, pois as imagens de x por meio do modelo discreto T (x) convergem a o
ponto fixo x = 0 em n = 4 iteracoes:
T (1/8) = 1/4,

T (1/4) = 1/2,

T (1/2) = 1,

T (1) = 0,

T (0) = 0.

De forma geral pode-se mostrar (veja o Problema 1) que, se x = k/2n , onde k


e n s
ao inteiros positivos, e 0 < k/2n 1, ent
ao x e um ponto finalmente fixo
do modelo da tenda.
Se o modelo discreto f (x) for inversvel, ele possui uma u
nica funcao inversa
f [1] . Nesse caso, os pontos finalmente fixos s
ao dados pelas suas imagens
inversas (ou pre-imagens) f [t] , ou seja, as suas imagens pela t-esima iterada da
funcao inversa. No entanto, mesmo que o modelo discreto n
ao seja inversvel,
como no exemplo do modelo da tenda (onde a funcao inversa nao e u
nica),
ainda assim podemos falar nas imagens inversas de um ponto fixo e associa-las
aos pontos finalmente fixos.
O conceito de pre-imagens aplica-se mesmo quando x nao e um ponto fixo
do modelo discreto. Como um exemplo, 2/5 e a imagem de dois pontos pelo
modelo da tenda, a saber, x = 1/5 e 4/5. Logo ha duas pre-imagens do ponto
2/5 pela primeira iterada,
1/5 = T [1] (2/5),

4/5 = T [1] (2/5)

quatro pre-imagens pela segunda iterada,


1/10 = T [2] (2/5), 2/5 = T [2] (2/5), 11/20 = T [2] (2/5), 11/10 = T [2] (2/5),
243

e assim por diante. Conclumos que um modelo discreto inversvel tem uma
u
nica
orbita para tempos negativos, ao passo que se ele for nao-inversvel, ha
um n
umero infinito de pre-imagens (e orbitas) possveis.

5.5

Estabilidade dos Pontos Fixos

No caso de modelo discretos lineares, a analise da estabilidade de um ponto


fixo e importante para que saibamos: (i) se ele e assintoticamente est
avel, caso
contrario nao sera alcancado por condicoes iniciais tpicas; (ii) se as iteracoes
do modelo discreto convergem ao ponto fixo (estavel) de forma amortecida ou
oscilat
oria. O criterio que usamos anteriormente para a determinacao da estabilidade do ponto fixo no caso linear depende da existencia de uma solucao geral
e, portanto, nao se aplica para modelo discretos nao-lineares, como o logstico,
nem para modelo discretos lineares por partes, como o da tenda. Para eles, um
novo criterio deve ser deduzido, baseado nas propriedades do modelo discreto
nas vizinhancas do ponto fixo.
De forma analoga ao procedimento empregado para modelos contnuos unidimensionais, faremos a linearizacao do modelo discreto nas vizinhancas do ponto
fixo, o que e v
alido apenas se esta vizinhanca for muito pequena em comparacao
com o domnio da variavel do modelo discreto. Por exemplo, no caso do modelo logstico discreto, o ponto fixo x = 2/3 pertencente ao intervalo [0, 1] sera
estudado em um pequeno intervalo aberto nele centrado (2/3 , 2/3 + ), onde
2/3. Consideremos, pois, um modelo discreto nao-linear xt = f (xt1 ) com
ponto fixo x = f (x ), e seja xt uma iteracao do modelo discreto proxima ao
ponto fixo, ou seja, vamos supor que xt pertence a uma pequena vizinhanca de
x . Vamos definir uma distancia entre estes pontos como
t = |xt x |.

(5.40)

Naturalmente, como o valor de xt muda conforme iteramos o modelo discreto,


assim tambem esperamos que a distancia t varie com o tempo. Se ela diminuir
a medida em que passa o tempo t, (t < t1 ) ent
`
ao o ponto fixo x e assintoticamente est
avel; se aumentar, (t > t1 ) o ponto fixo e instavel.
Calculando t1 teremos
t = |xt x | = |f (xt1 ) x | = |f (x + t1 ) x )|,

(5.41)

tal que, sendo t1 um n


umero pequeno por hip
otese, podemos expandir a
funcao do modelo discreto f (x) em uma serie de Taylor em torno de x = x ,
em potencias de t1 :


df (x)
1 2 d2 f (x)

f (x + t1 ) = f (x ) + t1
+
+ . . . , (5.42)
dx x=x 2 t1 dx2 x=x

onde desprezaremos os termos da expansao contendo potencias de t de ordem


igual ou superior a 2. Lembramos que para que esta linearizacao seja v
alida,
2
=
t1 deve ser suficientemente pequeno: por exemplo, se t1 = 0, 1, ent
ao t1
3
0, 01 0, 1, t1
= 0, 001 0, 1, e assim por diante. Desta forma, o erro
cometido neste truncamento e sempre significativamente menor que os termos
que estamos retendo. O termo que multiplica t e a derivada do modelo discreto
244

|| < 1
|| = 0
|| > 1
|| = 1

x e est
avel
x e super-est
avel
x e instavel
o criterio de linearizacao falha

Tabela 5.1: Estabilidade do ponto de equilbrio de um modelo discreto unidimensional


0<<1
1 < < 0
>1
< 1

convergencia monotonica a x ,
convergencia oscilat
oria a x ,
divergencia monotonica de x ,
divergencia oscilat
oria de x ,

Tabela 5.2: Comportamento das


orbitas na vizinhanca de um ponto fixo de um
modelo discreto unidimensional
f (x), calculada no ponto fixo x = x , portanto uma constante, que vamos
escrever como

df (x)

.
(5.43)
dx x=x

tal que a equacao (5.41) fica

t |f (x ) + t1 x | = |t | ,

(5.44)

onde usamos a definicao de ponto fixo x = f (x ). Observe que, segundo (5.44),


as distancias na vizinhanca do ponto fixo obedecem a um modelo discreto afim
da forma (5.3), onde = || e = 0.
Se o ponto fixo x for localmente est
avel (instavel), ent
ao as distancias a
ele diminuem (aumentam) com o passar do tempo, o que leva ao criterio de
estabilidade linear resumido na Tabela (5.5). Por falha do criterio, queremos
dizer que a linearizacao efetuada nao e suficiente para esclarecer se o ponto fixo
e ou nao est
avel. O intervalo de estabilidade e 1 < || < +1, ou seja, quanto
mais afastados estivermos dos seus limites, mais est
avel sera o ponto fixo.
Em particular, o ponto mais est
avel (super-est
avel) e aquele equidistante dos
extremos, tal que = 0.
Finalmente, o sinal de determina o tipo de comportamento dos pontos
da orbita, de forma analoga ao caso linear: se 0 < < 1 a convergencia (ou
divergencia) das iteracoes ao ponto fixo e monotonica, ou seja, as distancias t
tem sempre o mesmo sinal, seja positivo ou negativo. Ja se 1 < < 0, as
iteracoes que convergem assintoticamente a x tem sinais alternados, de forma
que a convergencia (ou divergencia) e oscilat
oria. Os quatro casos possveis
est
ao listados na Tabela (5.5). A ttulo de exemplo, considere o modelo da
tenda (10.27). Como = T (x) = 2 > 1, seja qual for o valor de x, os pontos
fixos x = 0 e 2/3 s
ao instaveis, e a divergencia das iteracoes e monotonica.

5.5.1

Modelo logstico discreto

Lembramos que o modelo logstico discreto tem dois pontos fixos, a saber, xa =
0, e xb = 1 1/r. A estabilidade da origem e determinada pela derivada do
245

modelo discreto, calculada no ponto fixo



df
= r(1 2xt )|x=x = r.
a
dx x=x

(5.45)

Logo, como impusemos que r > 0, o ponto fixo x = 0 sera est


avel desde que
r < 1, caso contrario sera instavel. Quando r = 1 sabemos que o criterio
linear adotado nao e suficiente para determinar a estabilidade. Alem disso, a
convergencia ao ponto assintoticamente est
avel e monotonica, e nao oscilante.
Ja para o segundo ponto fixo a derivada do modelo discreto e




1
df
= r(1 2xt )|x=x = r 1 2 1
= 2 r,
(5.46)
b
dx x=x
r
b

xb

tal que
sera assintoticamente est
avel se |f (xb )| = |2 r| < 1, ou seja,
para 1 < 2 r < +1. Subtraindo 2 e invertendo o sinal de todos os termos
das desigualdades, obtemos que o intervalo de estabilidade e 1 < r < 3. Se
r < 2, podemos facilmente verificar que o ponto fixo xb e menor que o ponto
crtico 1/2, e maior que ele caso contrario [veja a figura 5.8(b)]. A proposito,
como para r = 2 a derivada do modelo discreto se anula, ent
ao o ponto fixo
avel.
xb = 1 (1/2) = 1/2 e super-est
Vejamos o que ocorreu ate o momento: para 0 < r 1 apenas a origem e
ponto fixo, e e est
avel. Quando r passa pelo valor 1, a origem torna-se instavel,
e surge o segundo ponto fixo, xb = 1 (1/r), que e est
avel ate que r = 3. Este
e um exemplo de bifurcacao, no sentido ja empregado no Captulo anterior, ou
seja, uma alteracao abrupta na estabilidade um ponto fixo ou orbita peri
odica,
a medida em que um par
`
ametro do sistema e variado.

5.6

Orbitas
peri
odicas

Modelos contnuos unidimensionais tem uma din


amica relativamente simples,
no sentido de possuir apenas pontos de equilbrio, como vimos no captulo 1.
Modelos discretos unidimensionais, por outro lado, ja possuem comportamentos
mais complexos, como a presenca de orbitas peri
odicas, bifurcacoes e ate mesmo
caos. Recordemos que um ponto fixo x de um modelo discreto xt = f (xt1 )
e um ponto que mapeia a si proprio, ou seja, tal que x = f (x ). Uma orbita
peri
odica de perodo 2, tambem chamada 2-ciclo, e um conjunto de dois pontos
{x1 , x2 } tais que um mapeia no outro, e vice-versa:
x1 = f (x2 ),

x2 = f (x1 ),

(5.47)

ao x2 , assim como x1 , e um ponto


Como x2 = f (x1 ) = f (f (x2 )) = f [2] (x2 ), ent
fixo da segunda iterada do modelo discreto f (x). Logo, os pontos de uma orbita
de perodo 2 s
ao solucoes de
x = f [2] (x ) = f (f (x )).

(5.48)

Vamos tomar como um exemplo o modelo da tenda T (x), visto na secao


ao solucoes
anterior. Os pontos {x1 , x2 } pertencentes a uma orbita de perodo 2 s
de x = T [2] (x ), onde a segunda iterada do modelo da tenda e dada por
(5.39). Como ha quatro intervalos onde e definida a segunda iterada, precisamos
analisar os quatro casos possveis [Fig. 5.10(a)]:
246

00
11
2
t+1
00
11
00
11

(a)

11
00
00
11

00
11
3
t+1
00
11

(b)

1
1111111111
0000000000
0000000000
1111111111
0000000000
1111111111
[2]
0000000000
1111111111
0000000000
1111111111
f(f(x))=f (x)
0000000000
1111111111
0000000000
1111111111
0000000000
1111111111

1111111111
0000000000
0000000000
1111111111
[3]
0000000000
1111111111
0000000000
1111111111
f(f(x))=f (x)
0000000000
1111111111
T(T(T(x)))
0000000000
1111111111
0000000000
1111111111

T(T(x))

__
1
4

1
x * __
1 2

3 x*
x* __
4 2

1
1 __
0 __
8 4

__
1
2

__
3
4

Figura 5.10: (a) Segunda e (b) terceira iteradas do modelo da tenda

x [0, 1/4]: a equacao x = 4x tem apenas a solucao x = 0, que e um


dos pontos fixos do modelo discreto;
x (1/4, 1/2]: a equacao do primeiro grau x = 2(1 2x ) tem raiz
x1 = 2/5, que e um dos pontos do 2-ciclo;
x (1/2, 3/4]: o segundo ponto fixo x = 2/3 do modelo discreto e a
solucao de x = 2[1 2(1 x )];
x (3/4, 1]: o segundo ponto do 2-ciclo, x2 = 4/5 e raiz da equacao
x = 4(1 x ).
Observe que ha quatro pontos com essa propriedade, dos quais dois ja s
ao os
pontos fixos, restando apenas dois pontos que comp
oem a orbita de perodo 2:
{2/5, 4/5}.
Para generalizar essa discussao, dizemos que x e um ponto de perodo m
(ou m-peri
odico) do modelo discreto f (x) se ele for um ponto fixo da m-esima
iterada do modelo discreto:
x = f [m] (x ).
(5.49)
e se, adicionalmente, os pontos x , f (x ), f [2] (x ), f [m1] (x ) forem distintos. Se x for um ponto de perodo m, as suas imagens formam uma orbita de
perodo m (ou m-ciclo):
{x , f (x ), f [2] (x ), f [m1] (x )}

(5.50)

Em outras palavra, um m-ciclo e um conjunto de m pontos de perodo m


{x1 , x2 , x3 , . . . xm }, tais que um mapeia o outro, de forma cclica, ou seja:
xi+1
x1

=
=

f (xi ),
f (xm ).

(i = 1, 2, . . . m 1),

(5.51)

Aplicando sucessivamente as condicoes acima a qualquer um dos pontos do mciclo, por exemplo xm , vemos que
xm = f (xm1 ) = f (f (xm2 )) = f (f (f (xm3 ))) = . . . = f [m] (xm ),
247

(5.52)

importante salientar que nem todos os pontos de perodo m pertencem


E
a um m-ciclo, como vimos no exemplo do modelo da tenda para m = 2. A
terceira iterada do modelo da tenda, T [3] (x) tem quatro vertices, delimitando
oito regi
oes, de forma que ha um total de oito pontos de perodo 3 [Fig. 5.10(b)].
Desses oito pontos, dois ja s
ao os pontos fixos de T , mas nao est
ao aqui incluidos
os pontos do 2-ciclo, ja que 2 nao divide 3 (isto e, s
ao primos entre si). Ent
ao
restam 8 2 = 6 pontos de perodo 3 para T . Como cada 3-ciclo contem
3 pontos, ha dois 3-ciclos. Um deles e {2/7, 4/7, 6/7}, como pode-se mostrar
facilmente.
De forma geral, ha 2m pontos fixos da m-esima iterada do modelo discreto,
[m]
T (x). Alguns desses pontos s
ao tambem pontos fixos de T [k] (x) com k <
m; os pontos restantes juntando-se para formar orbitas de perodo m. Para
encontrar o n
umero de m-ciclos (
orbitas de perodo m), nos subtraimos o n
umero
total de pontos de perodo k para todos os valores de k < m e tais que k divide m.
Por exemplo, quando m = 4, ha 24 = 16 pontos fixos da quarta iterada T [4] (x).
Dois desses pontos fixos tambem s
ao pontos fixos de T (x), e dois outros s
ao
pontos fixos de T [2] (x). Sobram 16 2 2 = 12 pontos fixos de T [4] (x) que
formam 12/4 = 3
orbitas de perodo quatro.
Pontos finalmente perodicos s
ao aqueles cujas imagens pelo modelo discreto
f (x) levam, apos um n
umero finito de iteracoes, a um ponto peri
odico do modelo
discreto. Por exemplo, x = 7/10 e um ponto finalmente peri
odico para o modelo
da tenda, pois suas imagens levam, apos duas iteradas de T (x), a um 2-ciclo:
T (7/10) = 3/5,

T (3/5) = 4/5,

T (4/5) = 2/5,

T (2/5) = 4/5,

Pode-se mostrar que, para o modelo da tenda, se x e um n


umero racional pertencente ao intervalo (0, 1), ent
ao x e um ponto finalmente peri
odico e vice-versa.
Em particular, se x = k/m, onde k e um inteiro par e m e um inteiro mpar,
ent
ao x e ponto peri
odico, sendo a recproca verdadeira. Um ponto e finalmente
fixo se e s
o se ele tiver a forma x = k/2m ou k/(3.2m ), sendo k e m inteiros
nao-negativos [34].

5.6.1

Estabilidade das
orbitas peri
odicas

Assim como os pontos fixos, tambem as orbitas peri


odicas podem ser est
aveis ou
instaveis. Por exemplo, um 2-ciclo {x1 , x2 } e assintoticamente est
avel se, dada
uma condicao inicial suficientemente proxima a ele, as iteracoes subsequentes
do modelo discreto v
ao aproximando-se, alternadamente, dos pontos peri
odicos.
A analise de estabilidade de uma orbita de perodo m, ou m-ciclo, pode ser feita
a partir da observacao que todos os m pontos dessa orbita s
ao pontos fixos do
modelo discreto m vezes iterado f [m] (x): xi = f [m] (xi ), para i = 1, 2, . . . m.
Caso um destes pontos seja est
avel, todos os outros tambem o serao, e o ciclo
como um todo sera assintoticamente est
avel. A mesma observacao vale para os
outros casos de estabilidade tal que, desta forma, podemos adaptar o criterio
deduzido na secao anterior.
No caso de
orbitas peri
odicas (que formam um sub-conjunto dos pontos de
perodo m), o par
ametro determinante da estabilidade e a derivada do modelo
discreto m vezes iterado em relacao a x, calculada em qualquer um dos pontos
248

do m-ciclo, por exemplo x1 :


m


df [m] (x)
,
dx x=x

(5.53)

Sendo as iteradas sucessivas nada mais que funcoes compostas, podemos utilizar
a chamada regra da cadeia do calculo para computar a derivada de funcoes
compostas. Por exemplo, se f (x) e g(x) s
ao duas funcoes do mesmo argumento,
a derivada da funcao composta h(x) = f (g(x)) e

df (g(x))
df (g) dg(x)
df (x)
dh(x)
dg(x)
=
=
=
.
(5.54)
dx
dx
dg
dx
dx x=g(x) dx

Para calcular a derivada da composicao de m funcoes, usamos a propriedade


evidente f [m] (x) = f (f [m1] (x)) na regra da cadeia (5.54). Logo




df [m1] (x)
df (f [m1] (x)
df (x)
df [m] (x)
=
=
.


dx x=x
dx
dx x=f [m1] (x )
dx
x=x
x=x
1
1
1
1
(5.55)
Como os pontos de um m-ciclo mapeiam uns aos outros pela funcao f (.), ou
seja, xm1 = f [m1] (x1 ), temos que



df [m1] (x)
df (x)
df [m] (x)
=
.
(5.56)

dx x=x
dx x=x
dx
x=x
1

m1

Procedendo de forma analoga para a derivada de f [m1] , teremos






df [m] (x)
df (x)
df [m2] (x)
df (x)
=
,

dx x=x
dx x=x
dx x=x
dx
x=x
1

m1

(5.57)

m2

que podemos generalizar, usando inducao finita, pra o produto de m fatores,


iguais `
as derivadas do modelo discreto em cada ponto da orbita peri
odica:





df [m] (x)
df (x)
df (x)
df (x)
df (x)

=
,
dx x=x
dx x=x
dx x=x
dx x=x dx x=x
1
2
1
m1
m2
(5.58)
ou, na notacao mais convencional de produt
orio,
m


df [m] (x)
=
dx

=
x=x
1

m1
Y
i=0

Assim, os pontos do m-ciclo serao:


df (x)
.
dx x=x
i

Assintoticamente est
aveis se |m | < 1,
Super-est
aveis se m = 0,
Inst
aveis caso |m | > 1.
No caso est
avel, a convergencia `
a orbita peri
odica sera:
Monotonica se 0 < m < 1,
249

(5.59)

Oscilat
oria se 1 < m < 0.
Se a
orbita peri
odica for instavel, a divergencia sera:
Monotonica se m > 1,
Oscilat
oria se m < 1.
Finalmente, se |m | = 1, a linearizacao nao e suficiente para decidir sobre a
estabilidade do m-ciclo.
Considere novamente o modelo da tenda (10.27), como um exemplo simples
de aplicacao desse criterio. Como sabemos, por inducao, que a m-esima iterada
do modelo discreto consiste numa sucess
ao de m tendas de altura 1 e largura
m
[m]
da base 1/2 , a derivada e |T | = m = 2m que e sempre maior que um, em
modulo, para m 6= 0, logo todas as orbitas de perodo m que possamos encontrar
para este modelo discreto serao instaveis.

5.6.2

Modelo logstico discreto

Retornando, `
a guisa de exemplo, ao modelo logstico discreto f (x) = rx(1 x),
vamos analisar agora a existencia e a estabilidade de orbitas de perodo superior,
a partir do caso mais smples, as orbitas de perodo 2, ou 2-ciclos: {x1 , x2 }, cujos
integrantes s
ao pontos fixos da segunda iterada do modelo: x = f [2] (x ). A
segunda iterada e, por sua vez,
f [2] (x)

=
=
=

rf (x)(1 f (x))

r[rx(1 x)][1 rx(1 x)]


r2 [rx4 + 2rx3 (1 + r)x2 + x],

(5.60)

tal que os pontos do 2-ciclo sejam solucoes da seguinte equacao algebrica de


quarto grau
(5.61)
x = r2 [rx 4 + 2rx 3 (1 + r)x 2 + x ].
Pelo teorema fundamental da algebra [47], esta equacao ter
a quatro razes,
reais ou complexas. No entanto, como ja vimos na secao 2.8, os pontos fixos da
primeira iterada do modelo discreto f (x), tambem s
ao pontos fixos da segunda
f [2] (x), ja que
f [2] (x ) = f (f (x )) = f (x ) = x .
(5.62)
Logo, das quatro solucoes esperadas para (5.61), duas ja s
ao conhecidas, a saber:
xa = 0, e xb = 1 (1/r). A forma can
onica de uma equacao algebrica do quarto
grau e
(x x1 )(x x2 )(x x3 )(x x4 ) = 0,
(5.63)
onde xi , i = 1, 2, 3, 4, s
ao as razes, das quais x3 = xa e x4 = xb . Logo os pontos
do 2-ciclo s
ao os zeros restantes do polin
omio



1
(5.64)
P (x) (x x1 )(x x2 )(x 0) x 1 +
r
=

r2 [rx4 + 2rx3 (1 + r)x2 + x] x.


250

0,8

0,8

0,6

0,6

xt+1

xt+1
0,4

0,4

0,2

0,2

0,2

0,4

0,6

0,8

xt

0,2

0,4

xt

0,6

0,8

Figura 5.11: Segunda iterada do modelo logstico discreto para (a) r = 1, 5; (b)
r = 3, 2.

Como x (1 1/r) e um divisor do polin


omio P (x), usando o dispositivo
de Briot-Ruffini [47], obtemos


1
P (x) = rx x 1 +
[r2 x2 + r(1 + r)x r 1],
(5.65)
r
donde os pontos do 2-ciclo s
ao as razes do trin
omio quadr
atico entre colchetes:
q
2
r(r + 1) r2 (r + 1) 4r2 (r + 1)
,
(5.66)
x1,2 =
2
onde o sinal positivo refere-se a x1 , e o negativo a x2 .
O discriminante desta solucao e
=
=

r2 (r + 1) 4r2 (r + 1)

r2 (r2 2r 3).

(5.67)

O trin
omio quadr
atico entre parenteses tem razes r = 1 e r = 3. Logo,
se 1 < r < 3 este trin
omio sera negativo. Como r2 e sempre positivo, o
discriminante sera negativo para 0 < r < 3, e consequentemente os pontos x1,2
serao complexos, ou seja, nao ha um 2-ciclo neste caso. O diagrama da escada
da figura 5.11(a) ajuda a entender o porque: `a excecao dos pontos fixos, nao ha
outras intersecoes da segunda iterada com a reta de 45o .
Ja para r > 3 os pontos do 2-ciclo s
ao as razes (reais) dadas por (5.66) [Fig.
5.11(b)]
1
1
1p
x1,2 = +
(r 3)(r + 1).
(5.68)

2 2r 2r
A estabilidade desta
orbita peri
odica e determinada pelo fator
2

=
=
=
=

f (x1 )f (x2 ) = r(1 2x1 ).r(1 2x2 )


r2 2r2 (x1 + x2 ) + 4r2 x1 x2




1
1
r2 2r2 1 +
+ 4r 1 +
r
r

r2 + 2r + 4.

251

(5.69)

Figura 5.12: Planilha e gr


afico das 16 primeiras iteracoes do modelo logstico
discreto para r = 0, 5.

O 2-ciclo sera assintoticamente est


avel se |2 | = |r2 2r4| = |(r 1) 5| <
2
1, que e equivalente ao par de inequacoes do segundo grau: 1 < (r 1) 5 <
1. Resolvendo para r,temos que o intervalo de valores para os quais o ciclo e
est
avel e 3 < r < 1 + 6 3, 4495. O aparecimento do 2-ciclo no ponto r = 3
e a consequente perda de estabilidade do ponto fixo xb e um segundo exemplo
de bifurcacao, ja que houve em r = 3 uma mudanca s
ubita tanto na existencia
como na estabilidade de orbitas peri
odicas.

5.7
5.7.1

Solu
c
oes num
ericas
Uso de planilhas eletr
onicas

O car
ater recursivo do calculo das iteracoes de um modelo discreto faz com
que esta seja uma tarefa bastante smples para planilhas eletr
onicas. Vamos
exemplificar o procedimento para o modelo logstico discreto (5.30) para o valor
do par
ametro r = 0, 5:
xt = f (xt1 ) = 0, 5xt1 (1 xt1 ).

(5.70)

Considerando a condicao inicial x0 = 0, 1, por exemplo, vamos computar a


sequencia das quinze primeiras iteracoes do modelo discreto.
Colocamos o valor de r (0, 5), na celula C1, e o valor de x0 (0, 1), na celula
B1. A formula matematica do modelo discreto, Eq. (5.70), e escrita simbolicamente na celula B2 como
+$C$1 B1 (1 B1)

(5.71)

onde o smbolo $C$1 indica o endereco absoluto da variavel (a planilha sempre


buscara o valor de r na celula C1). Ja B1 e um endereco relativo. O conte
udo
da celula B1 e copiado na area de transferencia. O valor armazenado na area
de transferencia e copiado quatorze (= 16 2) vezes para baixo, o que pode
ser feito com o mouse copiando a celula e colando em bloco. O resultado e o
252

Figura 5.13: Planilha e gr


afico das 16 primeiras iteracoes do modelo logstico
discreto para r = 2, 0.

conjunto das quinze primeiras iteracoes do modelo discreto na segunda coluna


(a primeira coluna lista os tempos t = 0, 1, 2, . . .), e que podem ser mostradas
em um gr
afico xt versus t usando-se os recursos gr
aficos especficos da planilha
(Fig. 5.12)
A operacao de colar em bloco faz cada celula referenciar a celula anterior,
que e justamente o princpio de recorrencia envolvido na iteracao de um modelo
discreto. Por exemplo, se deslocarmos o cursor (usando o mouse) para a celula
B3, onde encontra-se o valor da segunda iteracao x2 , vemos a seguinte operacao
simbolica: +$C$1 B2 (1 B2), e assim por diante, ate o u
ltimo valor de t
que colocamos nas celulas da coluna A. Caso quisessemos obter as 50 primeiras
iteracoes, deveramos colocar os respectivos valores em A, e colar a celula B2
no bloco que abrange todos estes valores.
Podemos observar, pela Fig. 5.12, que as iteracoes do modelo logstico convergem para o ponto fixo na origem. Este e, de fato, assintoticamente est
avel,
pois, computando a derivada da funcao logstica
df (x)
d
=
(rx(1 x)) = r(1 2x),
dx
dx
e calculando seu valor no ponto fixo, para r = 0, 5, vemos que



df (x)
1
= 0, 5 < 1.
(0) =
= 0, 5 1 2
dx x=0
2

(5.72)

(5.73)

Uma das vantagens de usar uma planilha eletr


onica e a possibilidade de
refazer os calculos simplesmente atualizando os valores das celulas. Suponha,
por exemplo, que desejassemos refazer a sequencia de iteracoes para outro valor
do par
ametro r, digamos 2, 0. Para tal, basta alterar o valor de r na celula
C1, de modo que os valores na coluna B s
ao atualizados simultaneamente, bem
como o gr
afico [Fig. 5.13].
No caso exemplificado pela Figura 5.13, observamos pela serie temporal que,
apos cinco iteracoes (que chamamos transit
orias) a orbita do modelo discreto
converge para o ponto fixo x = 1 (1/r) = 1 (1/2) = 0, 5. Para saber da
253

Figura 5.14: Planilha e gr


afico das 16 primeiras iteracoes do modelo logstico
discreto para r = 3, 2.

estabilidade deste ponto fixo, nos calculamos o fator de estabilidade correspondente






df (x)
1

(x ) =
=
(5.74)
=r 12 1
dx x=x
r


2
= r 1 +
=2r =22=0<1
(5.75)
r
Alem disso, para este valor de r, o ponto fixo em x = 0 e instavel, ja que

df (x)
= 2 (1 2 0) = 2 > 1.
(5.76)
(0) =
dx x=0

Mudando o valor de r para 3, 2, vemos na figura 5.14 que as iteracoes convergem para uma
orbita de perodo 2, ou 2-ciclo, apos cerca de 15 iteracoes
transit
orias:
x1 0, 799 x2 0, 513 x1 x2 .
O fator de estabilidade correspondente a esta orbita e, por (5.53), dado por



df [2] (x)
df (x)
df (x)
2 =
=
dx x=x
dx x=x dx x=x
1

[r(1 2x1 )][r(1 2x2 )]


2

(3, 2) (1 2 0, 80)(1 2 0, 51) 0, 12 < 1,

(5.77)

mostrando que este ciclo e, de fato, assintoticamente estavel, e com uma convergencia monotonica.
Alem disso, o ponto fixo x = 1 1/r tornou-se instavel para esse valor de
r, ja que o fator de estabilidade

df (x)

(x ) =
= 2 3, 2 = 1, 2
(5.78)
dx x=x

tem modulo maior que um.

254

Figura 5.15: Planilha e gr


afico das 16 primeiras iteracoes do modelo logstico
discreto para r = 3, 54.

Uma
orbita de perodo 4 pode ser observada quando aumentamos o valor do
par
ametro r para 3, 54, por exemplo. Apos menos de 10 iteracoes transit
orias,
temos o 4-ciclo (Fig. 5.15)
x1 0, 517 x2 0, 884 x3 0, 367 x2 0, 822 x1 x2 ,
o fator de estabilidade correspondente sendo
4 =



4
4
Y
Y
df [4] (x)
df (x)
4
=
=
r
(1 2xi ) 0, 943 < 1,
dx x=x i=1 dx x=x
i=1
1

(5.79)

confirmando ser esta uma


orbita assintoticamente est
avel com convergencia
monotonica. No Captulo 8 aprofundaremos essa analise de estabilidade das
orbitas peri
odicas, mostrando a existencia de bifurcacoes, que s
ao alteracoes da
estabilidade e da natureza de pontos fixos e orbitas peri
odicas.

5.7.2

Programa de computador para iterac


oes do modelo
discreto

Podemos usar um programa simples para calcular um certo n


umero de iteracoes
do modelo logstico discreto, para valores dados do par
ametro r e da condicao
inicial x0 . Os passos necessarios para programacao desta tarefa s
ao os seguintes
1. Escolhemos um valor para o par
ametro r (por exemplo, r = 2, 0);
2. Escolhemos a condicao inicial x0 (por exemplo, x0 = 0, 1);
3. Inicializamos o valor da iteracao com a condicao inicial;
4. Iteramos o modelo logstico discreto f (x) = rx(1 x). N
ao e necessario
o uso de duas variaveis, para xt e xt1 . O uso do comando de atribuicao
(que em linguagem C e o smbolo =) permite que o valor de xt seja
sempre atualizado a cada chamada da funcao f (x);
255

(a)

(b)
1

0,5
0,8

0,4
0,6

xt

xt

0,3

0,4
0,2

0,2
0,1

10

20

30

40

50

10

20

30

40

50

0,8

0,6

xt
0,4

0,2

10

20

30

40

50

Figura 5.16: Iteracoes do modelo logstico discreto para (a) r = 2, 0, (b) r = 3, 2,


(c)r = 3, 54.

256

5. Repetimos o passo anterior ate o n


umero de pontos desejado, por exemplo
100.
Incluimos abaixo um programa de computador em linguagem C que implementa este procedimento. Nas Figuras 5.16(a), (b), e (c) mostramos os resultados da aplicacao do programa acima para valores do par
ametro iguais a r = 2, 0,
3, 2, e 3, 54, respectivamente.
/* iteracoes_logistico.c: produz uma serie temporal
para o modelo logistico discreto. Saida dos dados no arquivo
iteracoes_logistico.dat (tabela com duas colunas) */
#include <stdio.h>
#include <math.h>
FILE *fp;
main( )
{
int n, points;
/* declaracoes de variaveis */
float x_n, x_0, r;
fp = fopen("iteracoes_logistico.dat","w");/* abre arquivo */
r = 2.0;
/* valor inicial de r */
points = 100;
/* numero total de iteracoes */
x_0 = 0.1;
/* condicao inicial */
x_n = x_0;
/* inicializa o valor de x_n */
n = 0;
fprintf(fp,"\%d \%f \n", n, x_n);
for (n = 1; n <= points; ++ n) { /* varre os valores de n */
x_n = r * x_n * (1 - x_n);
/* calculo das iteracoes */
fprintf(fp,"\%d \%f \n", n, x_n); /* imprime resultados */
no arquivo de saida */
}
fclose(fp);
/* fecha o arquivo de dados */
}

5.7.3

Uso de software matem


atico

Os softwares matematicos disponveis permitem, alem da determinacao das iteracoes de um modelo discreto nao-linear, tambem a visualizacao dos respectivos
diagramas de escada, o que facilita bastante a interpretacao dos resultados. No
entanto, a especificidade das tarefas anteriores faz com que nao haja comandos
proprios, como no caso de solucoes numericas de equacoes diferenciais. Logo,
haver
a a necessidade de alguma programacao, na respectiva linguagem do software.
Maple
Tarefas como o calculo de
orbitas s
ao executadas pelo Maple por meio de
procedures. Vamos descrever a procedure chamada orbita, cujos argumentos s
ao a funcao do modelo discreto F, a condicao inicial x0, o n
umero de iteracoes transit
orias transit que eventualmente nao queiramos levar em conta,
257

e linhas, que e o n
umero total de linhas do arquivo de dados onde serao armazenados os resultados. Os valores do tempo t e de xt s
ao salvos num arquivo
de seis colunas (para economia de espaco) correspondente a uma tabela chamada
orbita, de forma que o n
umero total de iteracoes mostradas e 3linhas [63]:
orbita := proc(f, x0, transit, pontos)
local x, k, c, orbita;
x := x0;
for k from 1 to transit do x := f(x); od:
orbita := array(1..pontos,1..6);
for c from 1 to 3 do
for k from 1 to pontos do
orbita[k,2*c-1] := transit+(c-1)*pontos+k-1;
orbita[k,2*c] := x;
x := f(x);
od:
od:
op(orbita);
end:
Vamos exemplificar para o modelo logstico discreto quando r = 3, 2, x0 =
0, 1, e queremos um total de 30 iteracoes (isto e, 10 linhas no arquivo), apos
descartar as primeiras 100 transit
orias.
f := (x) -> r*x*(1-x):
r := 3.2:
orbita(f, 0.1, 100, 10);
cujo resultado e o seguinte:
[[100,
[101,
[102,
[103,
[104,
[105,
[106,
[107,
[108,
[109,

.5130445093,
.7994554906,
.5130445093,
.7994554906,
.5130445093,
.7994554906,
.5130445093,
.7994554906,
.5130445093,
.7994554906,

110,
111,
112,
113,
114,
115,
116,
117,
118,
119,

.5130445093,
.7994554906,
.5130445093,
.7994554906,
.5130445093,
.7994554906,
.5130445093,
.7994554906,
.5130445093,
.7994554906,

120,
121,
122,
123,
124,
125,
126,
127,
128,
129,

.5130445093],
.7994554906],
.5130445093],
.7994554906],
.5130445093],
.7994554906],
.5130445093],
.7994554906],
.5130445093],
.7994554906]]

Para visualizar o gr
afico de xt em funcao do tempo usamos a procedure
orbitagraf, onde o primeiro par
ametro e o modelo discreto F, o segundo a
condicao inicial x0, o terceiro(list) e uma lista de pares de n
umeros, e o quarto
(legenda) a legenda do gr
afico. O primeiro n
umero em cada par e o n
umero de
iteracoes transit
orias a serem descartadas e o segundo e o n
umero de iteracoes
a serem colocadas no gr
afico, etc. Por exemplo, para descartar as primeiras
100 iteracoes, tracar as 200 iteracoes seguintes, voltar a descartas 100 iteralcoes
e tracar as proximas 100, usamos a lista [100, 200, 100, 100], o que gera dois
gr
aficos para as series temporais.
orbitagraf := proc(f, x0, lista)
258

local x, xf, i1, i2, s, k, intervalo, pontos,


p1, p2, transit, iter;
x := x0:
i1 := 0;
i2 := 0;
for s from 1 to nops(lista)/2 do
transit := op(2*s-1,lista);
iter := op(2*s,lista);
i1 := i2 + transit;
i2 := i1 + iter;
for k from 1 to transit do x := f(x); od:
pontos := array(1..iter+1);
for k from 1 to iter+1 do
pontos[k] := [i1+k-1, x];
xf := x;
x := f(x);
od:
x := xf;
intervalo := i1..i2, 0..1;
p1 := plot(pontos, intervalo, color=black, style=LINE):
p2 := plot(pontos, intervalo, color=black, symbol=BOX, style=POINT):
print(plots[display]([p1, p2]));
od:
end:
As Figuras 5.17(a) ate (d) exemplificam o comportamento do modelo logstico
discreto para ponto fixo na origem, fora da origem, 2-ciclo e 4-ciclo, respectivamente, que s
ao geradas, por sua vez, pelos seguintes comandos:
f
r
r
r
r

:=
:=
:=
:=
:=

x -> r*x*(1-x):
0.5: orbitagraf(f, 0.8, [0,50]);
2.00: orbitagraf(f, 0.1, [0,50]);
3.20: orbitagraf(f, 0.1, [0,50]);
3.54: orbitagraf(f, 0.1, [0,50]);

Outro recurso disponvel no Maple e a construcao do diagrama de escada.


Para o caso de r = 0, 5 o respectivo diagrama e obtido usando a seguinte
sequencia de comandos
f := (r,x) -> r*x*(1-x):
r := 0.5: n := 20: x[0] := 0.9:
for i from 1 to n do x[i] := f(r,x[i-1]); od:
p := seq( op([[x[i-1],x[i]],[x[i],x[i]]]),i=1..n):
OPTS := x=0.0..0.25, color=black:
diag := plot(x,OPTS):
stair := plot([p],OPTS):
parabola := plot(f(r,x),OPTS):
plots[display]([diag,parabola,stair],scaling=CONSTRAINED);}
cujo resultado pode ser visto na Fig. 5.19(a). Para os outros valores de r ja
considerados anteriormente alteramos a segunda linha para r := 2.0: n :=
20: x[0] := 0.01: [Fig. 5.19(b)], r := 3.2: n := 50: x[0] := 0.01:
[Fig. 5.19(c)], e r := 3.54: n := 100: x[0] := 0.01: [Fig. 5.19(d)].
259

(a)

(b)

0,8

0,8

0,6

0,6

0,4

0,4

0,2

0,2

0
0

10

20

30

40

50

10

20

30

40

(c)
1

0,8

0,8

0,6

0,6

0,4

0,4

0,2

0,2

50

(d)

0
0

10

20

30

40

50

10

20

30

40

50

Figura 5.17: Iteracoes do modelo logstico discreto, obtidas com o uso do Maple,
para (a) r = 0, 5; (b) r = 2, 0; (c) r = 3, 2; (d) r = 3, 54.

260

(a)

(b)

0,25

0,5

0,2

0,4

0,15

0,3

0,1

0,2

0,05

0,1

0
0

0,05

0,1

0,15

0,2

0,25

0,1

0,2

0,3

0,4

0,5

(c)

(d)

0,8

0,8

0,6

0,6

0,4

0,4

0,2

0,2

0
0

0,2

0,4

0,6

0,8

0,2

0,4

0,6

0,8

Figura 5.18: Diagramas de escada do modelo logstico discreto, obtidos com o


uso do Maple, para (a) r = 0, 5; (b) r = 2, 0; (c) r = 3, 2; (d) r = 3, 54.

261

x
0.1

x
0.5

0.08

0.4

0.06
0.3
0.04

(a)

0.02
4

(b)

0.2
n

10

x
0.8

10

x
0.8

0.6
0.6
0.4

0.4

(c)

0.2

10

20

30

40

50

(d)

0.2
n

10

20

30

40

50

Figura 5.19: Series temporais do modelo logstico discreto, obtidas com o uso
do Mathematica, para (a) r = 0, 5; (b) r = 2, 0; (c) r = 3, 2; (d) r = 3, 54.

Mathematica
A iteracao de modelos discretos unidimensionais pode ser feita facilmente no
Mathematica por meio da funcao NestList. Para obter, por exemplo, as 10
primeiras iteracoes do modelo logstico discreto quando r = 0, 5, a partir da
condicao inicial x0 = 0.1, podemos usar os comandos
r = 0.5;
NestList[r # (1 - #) &, 0.1, 10];
para obter a Fig. ??(a). Mudando o valor de r para 2, 0, 3, 2, e 3, 54, resultam
as Figuras ??(b) a (c), respectivamente.
Para tracar os gr
aficos da primeira iteracao do modelo logstico discreto, bem
como os diagramas de escada, podemos usar a seguinte sequencia de comandos
(para r = 0, 5, com condicao inicial x0 = 0, 3, e desenhando 8 degraus da
escada):
T[x_] := 0.5 x (1- x);
o = {{0.3, T[0.3]}};
p = {{0.3,0},{0.3,T[0.3]}};
Do[I = Last[Last[o]];
o = Append[o,{I,I}];
o = Append[o,{I,T[I]}],{8}];
Show[Plot[{T[x],x},{x,0,1}],Graphics[{Line[p],Line[o]}]];
resultando na Fig. 5.20(a). O resultado, quando o valor de r e alterado para
2, 0, 3, 20, e 3, 54, pode ser visto nas Figuras 5.20(b) a (e), respectivamente.
262

0.7
0.6

0.7

(a)

0.6

0.5

0.5

0.4

0.4

0.3

0.3

0.2

0.2

0.1

0.1
0.2

0.4

0.6

0.8

0.2

1
0.8

(b)

0.4

0.6

0.8

0.4

0.6

0.8

(c)

0.8

0.6

0.6

0.4

0.4

0.2

0.2
0.2

0.4

0.6

0.8

(d)

0.2

Figura 5.20: Diagramas de escada do modelo logstico discreto, obtidos com o


uso do Mathematica, para (a) r = 0, 5; (b) r = 2, 0; (c) r = 3, 2; (d) r = 3, 54.

Matlab
Para gerar series temporais do modelo logstico discreto usando o Matlab, escrevemos um pequeno programa que usa o comando de repeticao for, e onde os
valores das iteracoes s
ao armazenados num vetor (matriz coluna) de dados x(i).
Por exemplo, para r = 0, 5, e condicao inicial x0 = 0, 9, usamos os seguintes
comandos para tracar as 50 primeiras iteracoes:
r = 0.5; x0 = 0.9; N = 50;
x(1) = x0;
for i=1:N
x(i+1) = r * x(i) * (1 - x(i));
end
figure(1); hold off;
plot(x,k*); hold on; plot(x,k);
axis([1 N 0 1]);
mostradas na Fig. 5.21(a). Alterando o valor de r para 2, 0, 3, 20, e 3, 54,
obtemos as Figuras 5.21(b) a (e), respectivamente.
O diagrama de escada para o modelo logstico discreto e obtido por meio de
um programa dividido em tres partes: a primeira traca os gr
aficos da funcao
logstica e da primeira bissetriz. A segunda calcula os pontos do gr
afico, tal como
na geracao das series temporais. A terceira e u
ltima parte traca os degraus da
escada usando os comandos line e plot. O programa-exemplo para r = 0, 5 e:
fplot(2.0*y*(1-y),[0,1],k);hold on;
axis(square); axis([0 1 0 1]);
263

(a)

0.9

0.8

0.7

0.7

0.6

0.6

0.5

0.5

0.4

0.4

0.3

0.3

0.2

0.2

0.1

0.1

10

15

20

25

30

35

40

45

50

10

15

20

25

30

35

40

45

50

(c)

0.9

0.8

0.7

0.7

0.6

0.6

0.5

0.5

0.4

0.4

0.3

0.3

0.2

0.2

0.1

0.1

10

15

20

25

30

35

40

45

(d)

0.9

0.8

(b)

0.9

0.8

50

10

15

20

25

30

35

40

45

50

Figura 5.21: Series temporais do modelo logstico discreto, obtidas com o uso
do Matlab, para (a) r = 0, 5; (b) r = 2, 0; (c) r = 3, 2; (d) r = 3, 54.

264

(a)
0.9

0.9

0.8

0.8

0.7

0.7

0.6

0.6

0.5

0.5

0.4

0.4

0.3

0.3

0.2

0.2

0.1

0.1

0
0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

(b)

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

(d)

(c)
0.9

0.9

0.8

0.8

0.7

0.7

0.6

0.6

0.5

0.5

0.4

0.4

0.3

0.3

0.2

0.2

0.1

0.1

0.9

0
0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

Figura 5.22: Diagramas de escada do modelo logstico discreto, obtidos com o


uso do Matlab, para (a) r = 0, 5; (b) r = 2, 0; (c) r = 3, 2; (d) r = 3, 54.

set(gca,XTick,(0:0.1:1),YTick,(0:0.1:1))
grid on;
fplot(1*y,[0 1],k);
r=2.0;x0=0.9;N=50;
x(1) = x0;
for i=1:N
x(i+1)=r*x(i)*(1-x(i));
end
line([x(1) x(1)],[0 x(2)],Color,k)
plot(x(1),x(1),ko);
for j=1:N-1
line([x(j) x(j+1)],[x(j+1) x(j+1)],Color,k)
line([x(j+1) x(j+1)],[x(j+1) x(j+2)],Color,k)
plot(x(j+1),x(j+1),ko);
end
conforme mostrado na Fig. 5.22(a); ao passo que os casos r = 2, 0; 3, 2 e 3, 54
est
ao representados nas Figs. 5.22(b) a (d), respectivamente.
265

5.8

Exemplos em Economia: Modelos n


ao-lineares
de teia de aranha

Anteriormente estudamos o modelo de teia de aranha linear para formacao de


precos num mercado idealizado, onde a procura por um determinado produto
e totalmente satisfeita pela sua oferta pelos produtores. O modelo tradicional,
que pressupoe expectativas ingenuas para o preco, leva a um valor de equilbrio
cuja estabilidade pode ser consideravelmente melhorada pela adicao de expectativas, as quais tambem levam a modelo discretos lineares. Em todos os casos
anteriormente estudados, a din
amica dos precos tem apenas tres possibilidades:
ponto fixo est
avel precos tendem de forma monotonica ou oscilat
oria
para um valor de equilbrio;
ponto fixo instavel precos sofrem oscilacoes explosivas e divergem com
o passar do tempo;
ciclo (indiferente) de perodo 2 dois precos repetem-se indefinidamente,
nem est
avel nem instavelmente.
Devido a esta relativamente pequena gama de comportamentos possveis, os
modelos lineares de teia de aranha eram considerados de aplicabilidade restrita,
e sua validade face aos dados econometricos era questionada, por v
arias raz
oes
[64]
nao existe um mercado explosivo, com precos e quantidades negativas, de
forma que a solucao instavel nao tem significado econ
omico real;
o ciclo de perodo 2 e estruturalmente instavel: qualquer mudanca nos
par
ametros do modelo levaria ao desaparecimento do ciclo;
a flutuacao de precos num mercado pode ser tambem encarada como o
efeito de choques ex
ogenos de natureza aleat
oria.
No incio da decada de 80, com o surgimento dos trabalhos de Feigenbaum
e outros sobre din
amica complexa em modelo discretos unidimensionais, v
arios
autores retomaram o modelo de teia de aranha de um ponto de vista naolinear, a partir da premissa que um mecanismo endogeno (e determinstico)
do mercado poderia gerar tambem series temporais irregulares, ou caoticas. A
nao-linearidade pode entrar no modelo de teia de aranha a partir das curvas de
oferta e demanda. Artstein [65], Jensen e Urban [66], Chiarella [67] e Hommes
[68] mostraram que o uso de curvas nao-lineares de oferta e demanda pode
levar a series caoticas para precos e quantidades de bens. Uma outra fonte de
nao-linearidade vem da aversao ao risco presente nos mercados [64].
O modelo de teia de aranha nao-linear proposto por Chiarella [67] assume
uma curva de oferta nao-linear que leva a um modelo discreto semelhante ao
logstico que, no entanto, nao e satisfat
orio por possuir apenas um ponto crtico.
Um modelo quadr
atico similar foi proposto por Jensen e Urban [66] (veja o
Problema 10). Hommes propos modelos nao-lineares nos quais a curva de oferta
e sigmoide [69], de tal sorte que o modelo discreto da teia de aranha seja nao sobre este modelo, em particular, que vamos fixar nossa atencao.
monotonico. E
Para isso, no entanto, e conveniente antes exprimir o modelo de teia de aranha
numa forma generalizada, o que permitira sua adaptacao a v
arios casos que tem
sido estudados na literatura recente.
266

(a)

(b)

Figura 5.23: (a) Funcao demanda generica. (b) Funcao demanda linear.

5.8.1

Modelo generalizado de teia de aranha

Vamos supor que a procura pelo produto dependa do seu preco corrente pt de
acordo com uma funcao demanda generica
Dt = D(pt ).

(5.80)

que e monotonicamente decrescente [Fig. 5.23(a)], ou seja, quanto maior o preco


do produto, menor a demanda por ele pelos consumidores. Logo D (p) < 0 para
todo p no domnio de interesse.
No modelo tradicional de teia de aranha, a funcao demanda e afim [Fig.
5.23(b)]
D(p) = a bp.
(5.81)
onde a > 0 e b > 0. Onozaki e colaboradores [70] propuseram uma funcao
demanda nao-linear do tipo lei de potencia, na forma
 1/
c
,
(5.82)
D(p) =
p

onde 1/ > 0 e a elasticidade do preco, e c > 0 e um par


ametro representando
a extens
ao do mercado.
Analogamente, introduzimos uma funcao oferta, caracterizando o n
umero de
unidades do produto ofertadas num certo perodo. Os produtores determinam
esta quantidade em funcao do preco esperado para o dado perodo, pet :
Ot = S(pet ).

(5.83)

No modelo tradicional de teia de aranha a funcao oferta, (5.14), e afim e monotonicamente crescente, S (pe ) > 0, representando o aumento da oferta em funcao
do tambem aumento do preco esperado pelos produtores [Fig. 5.24(a)]:
S(pe ) = c + dpe .

(5.84)

O preco esperado segue algum dos seguintes tipos de expectativa dos produtores
267

(a)

(b)

D(p)
S(p)

p
Figura 5.24:
monotonicas.

p
t

(a) Funcao oferta linear.

(b) Funcoes oferta e demanda

Ingenuas: pet = pt1 ;


Adaptativas: pet = (1 w)pet1 + wpt1 ;
Normais: pet = pt1 + k(pE pt1 ) (vide o Problema 9)
onde pE = (a c)/(b + d) e o preco de equilbrio do produto, e tanto 0 k 1
como 0 w 1 s
ao coeficientes representando o grau com que as experiencias
precedentes influenciam na formacao de novas expectativas. Hommes [71] define uma funcao expectativa H = H(pt1 , pt2 , . . . ptL ), que incorpora a experiencia de um n
umero maior de perodos precedentes, e que pode depender
de pesos estatsticos, que decrescem com o aumento do retardo L. Tais modelos
nao serao considerados neste trabalho.

5.8.2

Modelo generalizado com expectativas adaptativas

Supondo que a demanda absorva completamente a oferta, temos que Dt = Ot .


Aplicando as equacoes (5.83) e (5.80), o preco em cada perodo e dado por uma
composicao de funcoes:
pt = D1 (S(pet )),
(5.85)

onde D1 e a funcao demanda inversa. Repetindo este procedimento para o


tempo t 1, e substituindo pt1 na relacao para expectativas adaptativas, o
preco esperado sera
pet = (1 w)pet1 + wD1 (S(pet1 )).

(5.86)

Vamos definir uma funcao fw pela relacao (z e um argumento real qualquer):


fw (z) (1 w)z + wD1 (S(z)),

(5.87)

de modo que (5.86) pode ser escrita numa forma simples:


pet = fw (pet1 ).
268

(5.88)

Vamos supor que tanto D como S sejam funcoes monotonicamente decrescente e crescente, respectivamente, de seus argumentos [Fig. 5.24(b)]. Dessa
maneira, podemos trabalhar com o modelo discreto (5.88) para os precos esperados, ja que as outras variaveis - os precos reais, a oferta e a demanda - tem
qualitativamente a mesma din
amica de pe . O preco de equilbrio preconizado

por este modelo, p , e o ponto fixo do modelo discreto (5.88), ou seja, a solucao
da equacao
p = fw (p ) = (1 w)p + wD1 (S(p )),
que reduz-se a
p = D1 (S(p )),

(5.89)

tal que o preco de equilbrio nao depende do grau das expectativas adaptativas,
resultado este que ja havamos deduzido no modelo linear (cf. Eq. (5.27)).
A estabilidade deste ponto fixo e determinado pelo modulo da derivada do
modelo discreto (5.88) neste ponto:



d
1

(5.90)
D (S(p))
= fw (p ) = (1 w) + w
dp
p=p
"
#



dD1 (p)
dS(p)
= (1 w) + w
dp
dp
p=S(p )=p
p=p
 
S (p )
= (1 w) + w
.
D (p )
Como p e assintoticamente est
avel se || < 1, devemos satisfazer as seguintes
desigualdades:
 
S (p )
< +1
1 < (1 w) + w
D (p )
2
S (p )
1
<
< 1.
(5.91)
w
D (p )
Lembrando que o caso de expectativas ingenuas, pet = pt1 corresponde
a w = 1, a correspondente condicao de estabilidade, 1 < S /D < +1 e
mais restritiva do que (5.91), ja que 1 (2/w) > 1. Logo, a introducao das
expectativas adaptativas aumenta o intervalo de par
ametros para os quais o
preco de equilbrio e est
avel, como ja havamos mostrado no caso do modelo
linear.

5.8.3

Modelo sigm
oide de Hommes

Hommes investigou a classe mais geral de modelo discretos para a evolucao


din
amica do preco esperado num modelo de teia de aranha com expectativas
adaptativas: nela, tanto as funcoes oferta como demanda s
ao monotonicas e
contnuas, tais que S (p) 0 e D < 0, de forma que o modelo discreto fw (z),
dado por (5.87), seja uma funcao contnua, e sua derivada satifaca a seguinte
desigualdade
< fw (p) d < 1,
(5.92)
para algum d > 0. Nesse caso, o modelo discreto fw pode ser nao-monotonico,
com um ou mais pontos crticos.
269

(a)

(b)

S(p)
_
O
x

_
pe

pe

Figura 5.25: (a) Curva de oferta sigmoide. (b) Curva de oferta do tipo arcotangente

Um modelo discreto nao-linear que satisfaz ao criterio de Hommes apresenta


uma funcao demanda linear, como em (5.81), e uma funcao oferta sigmoide [Fig.
5.25(a)], tendo em vista as seguintes consideracoes econ
omicas:
1. se os precos de um certo produto s
ao baixos, ent
ao sua oferta cresce lentamente, devido a custos iniciais e custos fixos de producao;
2. se os precos forem altos, ent
ao a oferta tambem crescera lentamente, devido a limitacoes de oferta e capacidade de producao;
Isso implica em que a curva tenha uma baixa inclinacao tanto para precos baixos
como altos, e que sua inclinacao seja maxima para um preco intermediario, que
chamaremos pe . A oferta do produto correspondente a este preco sera denotada
O ponto (
e um ponto de inflexao para a curva de oferta S(p).
O.
pe , O),
conveniente redefinir as variaveis
E

St Ot O,

xt pet pe ,

(5.93)

tal que o ponto de inflexao fique na origem do novo sistema de coordenadas


x S. Neste caso, tanto a oferta como o preco podem ser tanto positivos
como negativos. Introduziremos, tambem, um par
ametro que caracteriza a
inclinacao maxima da curva de oferta. Hommes propos a seguinte funcao de
oferta sigmoide:
S(x) = arctan(x),
(5.94)
de modo que, quanto maior for o par
ametro , mais ngreme e a inclinacao da
curva sigmoide na origem [vide Figs. 5.26(a) e (b)]. Outra funcao que apresenta
resultados similares ao arco-tangente para a curva sigmoide e a funcao tangente
hiperbolica [71]:
ex ex
.
(5.95)
S(x) = tanh(x) = x
e + ex
270

(a)

(b)
1

S(x)

S(x)

-1

-1

-2
-2

-1

-2
-2

-1

Figura 5.26: Funcao de oferta do topo arco-tangente para (a) = 1 e (b) = 5.

Substituindo (5.81) em (5.87), temos que


fw (x)

=
=

(1 w)x + wD1 (S(x))




a w
a S(x)
= (1 w)x + w S(x). (5.96)

(1 w)x + w
b
b
b
b

Usando, agora a funcao arco-tangente (5.94) para a curva de oferta, o modelo


discreto nao-linear que descreve a evolucao dos precos esperados (normalizados)
e
aw
w
.
(5.97)
xt = fw (xt1 ) = arctan(xt1 ) + (1 w)xt1 +
b
b
Podemos verificar explicitamente que o modelo discreto arco-tangente (5.97)
satisfaz o criterio de admissibilidade de Hommes (5.92). Tanto a funcao oferta
como demanda s
ao monotonicas, respectivamente crescente e decrescente em
seus argumentos. Alem disso, a derivada do modelo discreto (5.97) e
fw (x) = (1 w)

1 w,
b 1 + 2 x2

(5.98)

ja que w, b e s
ao nao-negativos. Fazendo d 1 w, tal que 0 < d < 1 temos,
portanto, satisfeito o criterio dado por (5.92), e o modelo discreto sigmoide e
aceitavel como descricao do modelo de teia de aranha. Isso ja nao acontece,
no entanto, para o modelo logstico discreto fr = rx(1 x), introduzido por
Chiarella [67] e Jensen e Urban [66], como possveis modelos de teia de aranha
quadr
aticos. O motivo e que a derivada do modelo logstico discreto, dada por
fr = r 2rx = r(1 2x), pode ter valores maiores que 1 ou menores que 1, de
modo que nao existe um limite superior 0 < d < 1 para a derivada, e o criterio
de Hommes (5.92) nao e satisfeito.

5.8.4

Pontos fixos e sua estabilidade

Para um modelo sigmoide geral como (5.96) o ponto fixo x , satisfazendo


x = (1 w)x + w

a w
S(x ),
b
b

e a solucao da equacao
S (x ) = a bx ,
271

(5.99)

arctg(4,8 x)
0,3 - 0,25 x

-1

x* = 0,07
-2
-5

-4

-3

-2

-1

Figura 5.27: Solucao gr


afica da Eq. (5.100) para a = 0, 3, b = 0, 25, e = 4, 8.

que, no caso da funcao arco-tangente (5.94), torna-se a equacao trigonometrica


arctan(x ) = a bx ,

(5.100)

que nao tem solucao analtica exata. No entanto, podemos encontrar a solucao
determinando graficamente o(s) ponto(s) de intersecao dos gr
aficos dos lados
esquerdo e direito de (5.100).
Tomemos, como exemplo, o caso em que a = 0, 3, b = 0, 25, e = 4, 8. Na
Figura 5.27 mostramos a solucao gr
afica da Equacao (5.100), a qual e x 0, 07.
Como a funcao arco-tangente tem sempre o mesmo comportamento sigmoide
(variando a inclinacao da parte proxima `a origem), a reta da funcao demanda
s
o pode interceptar a funcao oferta em um u
nico ponto; logo ha sempre um
u
nico ponto fixo para o modelo sigmoide.
Alem disso, podemos constatar que o ponto fixo est
a proximo `a origem, o que
nos provoca `
a obter uma solucao analtica aproximada para Eq. (5.100) supondo
que, se x e suficientemente pequeno podemos aproximar arctan(x ) x
(onde x e subentendido um arco a ser medido em radianos). Neste caso, a
Eq. (5.100) ficaria, simplesmente,
x a bx ,

a
.
+b

(5.101)

a qual, no exemplo da Fig. 5.27 , corresponderia a x 0, 3/(4, 8+0, 25) = 0, 06,


portanto em boa concord
ancia com o resultado da solucao gr
afica.

5.8.5

Determinac
ao num
erica do ponto fixo

Mesmo assim, solucoes numericas confiaveis para Eq. (5.100) devem ser procuradas a partir do uso do metodo de Newton-Raphson. O ponto fixo sera a
(
unica) raiz da funcao erro:
(x) = arctan(x) + a bx,
272

(5.102)

ou seja, que (x ) = 0. O metodo de Newton requer, ainda, a derivada da


funcao erro, a saber


d

(x) = b
.
(5.103)
(arctan(x)) = b
dx
1 + 2 x2
Como sabemos que a raiz e proxima de x = 0, podemos adotar este valor
como nosso chute inicial x0 . As aproximacoes sucessivas no metodo de Newton
(o qual e, tambem, um modelo discreto unidimensional!) serao dadas por [9]:
xi+1 = xi

(xi )
,
(xi )

(i = 0, 1, 2, ),

(5.104)

e esperamos que xi x apos um n


umero suficientemente grande de iteracoes
de (5.104), desde que obviamente (xi ) nunca seja um n
umero muito proximo
de zero (caso em que o metodo falharia). Abaixo mostramos um programa
em linguagem C que implementa o metodo de Newton-Raphson para o modelo
sigmoide:
/* root.c: determina os pontos fixos
para o modelo sigmoide de Hommes pelo m
etodo de Newton */
#include <stdio.h>
#include <math.h>
double psi(double arg), dpsi(double arg);
main( )
{
int n,points;
/* declaracoes de variaveis */
double xnew,xold,x0,tol,dif,der;
points = 100;
/* numero total de iteracoes */
x0 = 0.0;
/* condicao inicial */
xold = x0;
/* inicializa o valor de x_n */
n = 0;
tol = 1e-6;
for (n=1; n<=points;++n) { /* varre os valores de n */
xnew = xold - (psi(xold)/dpsi(xold));
dif = fabs(xnew - xold);
xold = xnew;
}
der = 0.7 - (5.76/(1+(23.04*xnew*xnew)));
printf("%f %f\n",xnew,der);
}
/* especifica a equacao */
double psi(double arg)
{
double a, b,sigma;
a = 0.0;
b = 0.25;
273

0,5
soluo analtica aproximada
soluo numrica

x*

0,25

-0,25

-0,5
-1,25

-1

-0,75

-0,5

-0,25

0,25

0,5

0,75

1,25

Figura 5.28: Solucao numerica da Eq. (5.100) para b = 0, 25, = 4, 8, e a


variavel.

sigma = 4.8;
return(a - b*arg - atan(sigma*arg));
}
/* especifica a derivada */
double dpsi(double arg)
{
double b,sigma,aux;
b = 0.25;
sigma = 4.8;
aux = sigma/(1+(sigma*sigma*arg*arg));
return(-b-aux);
}
Na Figura 5.28 mostramos o resultado da aplicacao do metodo de Newton
quando b = 0, 25, = 4, 8, e fazemos o par
ametro a variar de 1, 25 a +1, 25.
Podemos constatar que x = 0 para a = 0, e que x (a) e uma funcao mpar
do seu argumento, ou seja, x (a) = x (a). Alem disso, a solucao analtica
aproximada (10.35) s
o e aceitavel para valores 0, 25 . a . 0, 25. Para valores
maiores de a a solucao analtica aproximada subestima a solucao real de forma
crescente.
O ponto fixo sera assintoticamente est
avel se |fw (x )| < 1 ou, em vista de
(5.96) e (5.103), caso sejam verificadas as inequacoes
1

<

<

w
S (x ) < 1,
b

2
S (x )
< 1.
b
w

(1 w)

(5.105)

No caso da funcao oferta dada por (5.94), a condicao de estabilidade do ponto


274

estvel

estvel

-1

instvel

instvel

fw(x*)

-2

-3

-4

a* = -1,053

-5

-6
-1,25

-1

-0,75

-0,5

a* = 1,053

-0,25

0,25

0,5

0,75

1,25

Figura 5.29: Estabilidade do ponto fixo da Eq. (5.100) para w = 0, 3, b = 0, 25,


= 4, 8, e a variavel.

fixo se exprime como


2

i < 1.
1 < h
2
w
2

b 1 + (x )

(5.106)

Vamos analisar a estabilidade dos pontos fixos determinados numericamente


para o modelo discreto sigmoide. No caso particular a = 0, quando x = 0,
temos que

fw (0) = 1 w
.
(5.107)
b [1 + 2 ]
Tomando o caso em que w = 0, 3, b = 0, 25 e = 4, 8, temos que |fw (0)| =
5, 06 > 1, logo o ponto fixo e instavel. Recordamos que x = 0 corresponde
economicamente a um preco de equilbrio igual ao ponto de inflexao da curva
de oferta. Quando a = 0, portanto, esse preco de equilbrio e instavel. Alem
disso, como fw (0) = 5, 06 < 0 os precos afastam-se do equilbrio atraves de
oscilacoes explosivas, com violentas quedas e subidas de preco a cada perodo.
Na figura 5.29 tracamos o gr
afico de fw (x ) versus o par
ametro a para
w = 0, 3, b = 0, 25, e = 4, 8, usando (5.106) e os pontos fixos determinados numericamente. Observamos que o ponto fixo e instavel sempre que
1, 053 . a . a = 1, 053. Para a > a a derivada do modelo discreto e maior
que um, em modulo, e o ponto fixo tornar-se-
a est
avel. Essa mudanca de estabilidade abrupta num ponto fixo quando um par
ametro passa por um valor
crtico e denominada bifurcacao, e sera estudada com mais detalhes no Captulo
??.
Dependendo da inclinacao do gr
afico da curva sigmoide na origem, , o
modelo discreto (5.97) pode ter um, mais de um, ou mesmo nenhum ponto
crtico. Pontos crticos do modelo discreto, ci , s
ao tais que fw (ci ) = 0. De
(5.96) temos
b(1 w)
,
(5.108)
S (ci ) =
w
275

que, para o modelo discreto arco-tangente (5.94), implica em

b 1 + 2 (ci )

i = ,

donde os pontos crticos do modelo discreto s


ao
r
1 w
1.
c1,2 =
w

(5.109)

Como = S (0) e a inclinacao da curva sigmoide na origem, concluimos que, se


> , o modelo discreto tem dois pontos crticos, c2 = c1 , ao passo que, se
, o modelo discreto e monotonicamente crescente (nao tem ponto crtico).
No captulo ?? retornaremos `a analise desse modelo, agora sob o ponto de vista
da teoria de bifurcacoes e comportamento caotico, o qual e possvel para essa
classe de modelo discretos sigmoides.

5.9

Problemas

1. Encontre os pontos fixo do modelo discreto xt = x2t1 e discuta sua estabilidade.


Faca o diagrama de escada e verifique graficamente suas respostas.
2. Mostre que a estabilidade do ponto fixo do modelo discreto xt = sin(xt1 ), com
xt [0, ), n
ao pode ser determinada pelo criterio de linearizaca
o. Faca um diagrama de escada, no entanto, para mostrar que o ponto fixo e assintoticamente
est
avel.
3. (a) Mostre que (2/7, 4/7, 6/7) e uma
orbita de perodo 3 para o modelo da tenda
T (x). Este ciclo e est
avel ou inst
avel? (b) Determine todos os pontos fixos da
terceira iterada do modelo da tenda, T [3] (x). (c) Ache o n
umero de pontos fixos
de T [m] (x), o n
umero de pontos de perodo m para T (x), e o n
umero de
orbitas
de perodo m para T (x), quando m = 1, 2, 3, 4, 5.
4. Considere a seguinte generalizaca
o do modelo da tenda [34]:

2axt1 se 0 xt1 12 ,
xt = Ta (xt1 ) =
2a(1 xt1 ) se 12 < xt1 1,
(a) Determine os pontos fixos do modelo discreto e estude sua estabilidade, de
acordo com os valores do par
ametro a.
(b) Ache uma
orbita de perodo 2 e estude sua estabilidade.
5. Obtenha numericamente e trace o gr
afico correspondente das iteraco
es do modelo discreto xt = x2t1 +, onde xt [0, 1] e 0. Escolha valores diversos para
o par
ametro , bem como para as condico
es iniciais x0 , usando uma planilha
eletr
onica, adaptando o programa iteracoeslogistico.c, ou algum dos softwares
matem
aticos.
6. Considere um modelo macroecon
omico Keynesiano onde Ct e o consumo num
dado perodo, Yt a renda nacional, e It e o investimento, satisfazendo a relaca
o
Yt = Ct + It . Suponha: (i) que o consumo num perodo dependa da renda no
perodo anterior:
Ct = a + bYt1

276

onde a 0 e 0 < b < 1 (propens


ao marginal de consumo); (ii) que o investimento
seja totalmente aut
onomo. Ele parte de um valor inicial I0 e e aumentado de
uma parcela I, sendo mantido nesse nvel pelos perodos subsequentes:
It = I0 + I
(a) Mostre que a renda nacional evolui de acordo com um modelo discreto afim;
(b) Determine o ponto fixo e sua estabilidade;
(c) Interprete seus resultados em termos econ
omicos.
7. Uma adaptaca
o do modelo de multiplicadores do exerccio anterior sup
oe ser o
investimento parcialmente aut
onomo e pacialmente dependente da renda anterior, tal que
It = I0 + I + hYt1
onde 0 < h < 1 e a propens
ao marginal de investimento. Repita os passos (a),
(b) e (c) do exerccio anterior.
8. Um modelo smples de expectativas futuras leva em conta o chamado preco
normal, denotado pN , ou aquele que se acredita ser o preco que o mercado, cedo
ou tarde, estabelecer
a para o produto. Caso os produtores tiverem conhecimento
perfeito da din
amica do mercado, poderiam estabelecer como preco normal o
preco de equilbrio pN = pE = (ac)/(b+d). Desta forma o preco esperado num
certo perodo poderia ser alterado em funca
o deste, num perodo precedente,
estar mais ou menos pr
oximo do preco normal.Uma relaca
o linear para tais
expectativas pode ser escrita como [21]:
pet = pt1 + k(pE pt1 )
onde 0 < k < 1 e um coeficiente que representa o grau com que as diferencas dos
precos correntes com o valor normal s
ao incorporadas `
a formaca
o de expectativas
para os precos futuros. Por exemplo, se o preco efetivamente observado for
inferior ao valor normal (pt1 < pN ), ajustamos o preco esperado no pr
oximo
perodo para cima (pet > pt1 ); caso contr
ario, para baixo. Caso j
a tenha
chegado ao valor normal, n
ao haver
a o que ajustar.
(a) Estude os casos particulares deste modelo, k = 0 e k = 1. Mostre que 1/k
pode ser interpretado como o tempo necess
ario para que os precos atinjam seu
valor normal.
(b) Mostre que o preco obedece ao seguinte modelo discreto afim:

 

d(1 k)
a c kdpE
pt =

pt1
b
b
(c) Determine o ponto fixo deste modelo e estude sua estabilidade, comparando
com a do modelo de teia de aranha tradicional.
9. Em 1984, Jensen e Urban [66] propuseram um modelo de teia de aranha supondo
uma curva de demanda linear D(p) = c dp, expectativas ingenuas, e a seguinte
curva de oferta n
ao-linear:
S(pet ) = a + bpet e(pet )2 .
(a) Mostre que o preco evolui de acordo com um modelo discreto quadr
atico da
forma
pt = pt1 + p2t1 ,

277

onde = (c a)/d, = b/d, e = e/d. Trace o gr


afico e alguns diagramas de
escada para este modelo discreto.
(b) Determine os pontos fixos e estude sua estabilidade;
(c) Ache as condico
es necess
arias para que os precos n
ao divirjam a infinito;
10. O chamado modelo de Ricker
xt = xt1 erxt1 (1xt1 )
e um modelo usado no estudo de populaco
es animais, sendo x a populaca
o e r
a taxa de crescimento.
(a) Determine analiticamente os pontos fixos e estude sua estabilidade.
(b) Use algum dos softwares matem
aticos para tracar series temporais e diagramas de escada para valores do par
ametro r que levem a pontos fixos,
orbitas de
perodo 2 e 4.
(c) Use o Mathematica (ou outro software) para determine numericamente uma
orbita de perodo 2, estudando sua estabilidade. Como um exemplo, para achar

o ponto fixo do modelo logstico discreto, usamos o comando


Solve[x = rx(1-x), x]
11. Use o Mathematica (ou outro software) para determinar analiticamente os pontos da
orbita de perodo 2 do modelo logstico discreto (veja o tem (c) do
problema anterior).

278

Captulo 6

Modelos discretos
bidimensionais
A extens
ao imediata do tratamento visto no Captulo precedente contempla
modelos a tempo discreto com duas variaveis din
amicas. A base matematica
para tratar tais modelos, a
algebra matricial, foi vista em detalhes nos Captulos
2 e 4, de forma que poderemos empregar com fluencia essa linguagem.

6.1

Modelos discretos bidimensionais lineares

Consideremos duas variaveis din


amicas discretas, xt e yt . A forma mais geral
de um modelo bidimensional envolvendo tais variaveis e
xt

f (xt1 , yt1 ),

(6.1)

yt

g(xt1 , yt1 ),

(6.2)

onde f e g s
ao funcoes de seus respectivos argumentos. N
os inicialmente estudaremos o caso onde elas s
ao funcoes lineares afins, ou seja, quando f (x, y) =
ax + by + j, e g(x, y) = cx + dy + k, onde a, b, c, d, k e j s
ao n
umeros reais.
Neste caso, um modelo discreto bidimensional linear e dado por
xt
yt

=
=

axt1 + byt1 + j,
cxt1 + dyt1 + k.

(6.3)
(6.4)

Modelos discretos bidimensionais podem aparecer, principalmente em aplicacoes


em economia, a partir de equacoes a diferencas de segunda ordem. Nestas, a
variavel num perodo t depende do seu valor nos dois perodos precedentes (t 1
e t 2). Por exemplo, considere a equacao
xt = 2xt1 3xt2 + 4.

(6.5)

Definindo yt = xt1 temos que yt1 = xt2 , de modo que xt = 2xt1 3yt1 +4.
Obtemos, assim, um modelo bidimensional linear na forma (6.3)-(6.4), onde
a = 2, b = 3, j = 4, c = 1, d = 0, e k = 0.
Definindo a matriz coluna 2 1 das variaveis din
amicas num certo tempo t
como


xt
vt =
,
(6.6)
yt
279

podemos escrever as equacoes (6.3)-(6.4) na forma compacta


vt = A vt1 + B,

(6.7)

onde introduzimos as matrizes dos coeficientes






a b
j
A=
,
B=
,
c d
k

(6.8)

Modelos discretos bidimensionais est


ao associados a um vetor de pontos fixos
 
x
,
(6.9)
v =
y
o qual mapeia a si proprio, resultando na equacao matricial
v

(I A) v

Supondo que a matriz I A seja



1a
b
det(I A) =
c
1d

A v + B,

B.

(6.10)

nao-singular, ou seja, que




= (1 a)(1 d) bc 6= 0,

(6.11)

(6.12)

ent
ao existe a matriz inversa, dada por
(I A)

1
(1 a)(1 d) bc

1d
c

b
1a

Multiplicando essa matriz por ambos os membros de (6.10) obtemos o ponto


fixo
v

=
=
=

6.1.1

(I A)

B



1
j
1d
b
k
c
1a
(1 a)(1 d) bc


1
(1 d)j + bk
.
cj
+ (1 a)k
(1 a)(1 d) bc

(6.13)

(6.14)

Soluc
ao geral do modelo linear

possvel estudar detalhadamente o comportamento das iteradas sucessivas do


E
modelo linear (6.3)-(6.4) pois ele exibe uma solucao geral. Tomando a forma
matricial (6.7),
vt = M(vt1 ) = A vt1 + B,
(6.15)
onde as matrizes A e B foram definidas em (6.8), partimos de uma condicao
inicial


x0
v0 =
,
(6.16)
y0
e iteramos uma vez para obter


x1
v1 =
= M(v0 ) = A v0 + B.
y1
280

(6.17)

As iteradas seguintes s
ao conhecidas a partir do princpio de inducao finita:
v2

v3
..
.
vt

=
=
=

M[2] (v0 ) = A v1 + B = A (A v0 + B) + B = A2 v0 + A B + B,

M[3] (vt ) = A3 v0 + (I + A + A2 ) B,
..
.
M[t] (vt ) = At v0 + (I + A + A2 + At1 ) B,

(6.18)

onde a somatoria de matrizes pode ser obtida, numa forma fechada, a partir
da generalizacao da formula da soma dos t primeiros termos de uma progress
ao
geometrica
I + A + A2 + . . . + At1 = (I At ) (I A)

(6.19)

desde que, naturalmente, a matriz I A seja inversvel.


Substituindo (6.19) em (6.18), a solucao geral do modelo discreto bidimensional linear e dada por
vt

=
=
=

At v0 + [(I At ) (I A)
t

A v0 + (I A)
t

A [v0 (I A)

1
t

] B,

B A [(I A)

B] + (I A)

B,

B],

(6.20)

onde aplicamos sucessivamente as propriedades associativa e distributiva da


1
multiplicacao de matrizes. A matrix constante (I A) B e o proprio ponto
fixo v , de modo que podemos reescrever a solucao geral (6.20) como
vt = M[t] (v0 ) = At [v0 v ] + v .

(6.21)

Infelizmente, para modelo discretos bidimensionais nao contamos com o recurso dos diagramas de escada para visualizar as iteracoes sucessivas. A determinacao da estabilidade dos pontos fixos, portanto, necessita do uso de criterios
analticos, como sera visto na proxima secao.

6.2

Estabilidade para modelos lineares

O conceito de estabilidade para o ponto fixo de um modelo discreto bidimensional linear e uma generalizacao do caso unidimensional. N
os acompanhamos
o comportamento das iteracoes do modelo discreto nas proximidades do ponto
fixo, de tal modo que, se elas convergem ao ponto fixo com o passar do tempo
t, este e assintoticamente est
avel. Caso contrario, se as iteracoes afastam-se do
ponto fixo, este sera instavel.
Dada uma condicao inicial v0 nas proximidades de um ponto fixo v , as
diferencas entre as iteradas sucessivas e o ponto fixo s
ao dadas pelo vetordiferenca
wt v t v .
(6.22)
Vamos investigar como evolui o vetor-diferenca com o passar do tempo. Substituindo (6.22) em (6.7)
wt + v

wt

=
=
=

A (wt1 + v ) + B,

A wt1 + A v v + B = A wt1 (I A) v + B,

A wt1 (I A) (I A)

A wt1 ,

281

B + B = A wt1 I B + B,

(6.23)

w
y

w
y

w0

w2

w3

w1

w1
w3

w2
w0

Figura 6.1: Ponto fixo (a) est


avel, (b) instavel.

Finalmente, a solucao geral do modelo discreto e obtida fazendo-se B = 0 em


(6.20), o que resulta em
w t = At w 0 ,
(6.24)

Nas novas variaveis do vetor-diferenca, o ponto fixo e a origem w = 0. Isso


significa que a substituicao de variaveis (6.22) equivale a transladar o sistema
de coordenadas, de modo que a origem recaia sobre o ponto fixo original v .
Escrevemos o vetor (6.22) em componentes


 
wxt
xt x
wt =
,
(6.25)
=
wy t
yt y

tal que a distancia entre o ponto de coordenadas (wx , wy ) e a origem e o modulo


do vetor w
q
(6.26)
|wt | = wx 2t + wy 2t .

O ponto fixo na origem w = 0 e assintoticamente est


avel se, dada uma
condicao inicial w0 , as iteracoes subsequentes, At w0 , s
ao tais que as distancias
a origem aproximam-se de zero quando o tempo t tende a infinito
`
|wt | 0

se

t .

(6.27)

Essa situacao est


a representada na Fig. 6.1(a). Para auxiliar na visualizacao
da evolucao temporal, nos ligamos as pontas dos vetores-diferenca, de modo
que o resultado lembra uma trajet
oria no plano de fase, tal como vimos no
Captulo 3. No entanto, devemos enfatizar que nao ha tais trajet
orias, de fato,
ja que a evolucao ocorre a intervalos de tempo discretos, ao inves de contnuos.
Da mesma forma, nao ha um teorema de existencia e unicidade para orbitas
de modelos discretos, de forma que as linhas que ligam as pontas dos vetores
podem interceptar-se, ao contrario de trajet
orias no plano de fase de sistemas
contnuos. Analogamente, a origem sera instavel se a distancia `a origem tende
para infinito com o passar do tempo [Fig. 6.1(b)]
|wt |

se

t .

(6.28)

Logo, para determinar a estabilidade do ponto fixo e necessario conhecer as


potncias sucessivas da matriz dos coeficientes At . Assim como a exponencial
de uma matriz, no caso de modelos contnuos, tambem a potenciacao de uma
282

matriz e uma tarefa difcil em geral, a nao ser que nos escrevamos a matriz em
termos dos seus autovalores 1 e 2 . Eles s
ao dados, como vimos no Captulo 2,
por

D
1,2 =
,
(6.29)
2
onde

T rA,

(6.30)

det A,
2 4.

(6.31)
(6.32)

e que podem ser reais ou complexos, iguais ou diferentes, dependendo do discriminante D, de modo que ha v
arias situacoes possveis, a saber:
1. D > 0: razes reais (1 6= 2 );
2. D = 0: razes reais e iguais (1 = 2 );
3. D < 0: razes complexas (2 = 1 ).
Podemos escrever a solucao geral dada por (6.24):
w t = At w 0 ,

(6.33)

em termos dos autovalores e autovetores da matriz A, que satisfazem


A u = u.

(6.34)

Multiplicando a matriz A pela equacao acima temos, por inducao finita,


A (A u)
A2 u
..
.
t
A u

=
=

A (u),
A u = 2 u,
..
.
t u.

(6.35)

Comparando (6.35) com (6.33) vemos que wt deve ser proporcional a t u. De


fato, como temos dois autovalores, 1 e 2 , temos a combinacao linear de ambos:
wt = c1 1t u1 + c2 2t u2 ,

(6.36)

onde c1 e c2 s
ao dois coeficientes ainda a determinar, a partir das condicoes
iniciais do problema, que s
ao as componentes do vetor w0 .
A natureza do ponto fixo, bem como das orbitas do modelo discreto na sua
vizinhanca, dependem dos autovalores da matriz dos coeficientes, tal como em
modelos contnuos. Vamos, assim, discutir separadamente as diversas situacoes
possveis por meio de exemplos, para os quais exibiremos as solucoes analticas
na forma (6.36). Um tratamento mais geral, usando as propriedades das formas
de Jordan, sera deixado para o proximo captulo. Alem disso, nos exemplos a
serem tratados a seguir o ponto fixo estara na origem do plano de fase, de tal
sorte que w(t) = v(t).
283

6.2.1

Autovalores reais e distintos

N
o est
avel (|1 | < 1 e |2 | < 1)
Como um exemplo, vamos considerar o modelo discreto bidimensional
xt

yt

1
xt1 + 2yt1 ,
2
1
yt1 ,
4

com os coeficientes formando a matriz



1/2
A=
0

2
1/4

(6.37)
(6.38)

(6.39)

cujos autovalores s
ao 1 = 1/2 e 2 = 1/4. Como B = 0 o ponto fixo tem
coordenadas (x = 0, y = 0). O traco, determinante e discriminante da matriz
dos coeficientes s
ao, respectivamente,
= 1/4,

= 1/8,

D = 2 4 = 9/16.

(6.40)

Os autovetores da matriz dos coeficientes s


ao as solucoes da equacao (A
I) u = 0, ou seja

  

ux
0
1/2
2
.
(6.41)
=
0
uy
0
1/4
As componentes do autovetor correspondendo ao autovalor 1 = 1/2 s
ao as
solucoes do sistema 2uy = 0, (3/4)uy = 0, cuja u
nica solucao e uy = 0, ficando
a outra componente indeterminada. Arbitrando, por simplicidade, ux = 1 o
autovetor (nao-normalizados) e
 
1
u1 =
.
(6.42)
0
Analogamente, o autovetor correspondente ao autovalor 2 = 1/4 e


8
u2 =
.
3

(6.43)

Aplicando a combinacao linear destes dois autovetores, em vista da equacao


(6.36), temos
 




1
8
xt
t
t
= c1 2
+ c2 (4)
,
(6.44)
yt
0
3
ou ent
ao
xt
yt

=
=

c1 2t + 8c2 (4) ,
t
3c2 (4) .

(6.45)
(6.46)

Quando o tempo t tende ao infinito, as potencias acima tendem a zero,


de modo que xt e yt tendem a zero, de modo que o ponto fixo na origem e
assintoticamente est
avel, tambem chamado de no est
avel (em analogia com a
284

terminologia introduzida no Captulo 2 para modelos contnuos). Para termos


uma ideia de como os pontos da orbita aproximam-se do ponto fixo, vamos
considerar a seguinte condicao inicial


x0
v0 =
,
(6.47)
y0
de modo que, colocando t = 0 em (6.45)-(6.46), resulta no sistema
x0
y0

=
=

c1 + 8c2 ,
3c2 ,

(6.48)
(6.49)

cuja solucao fornece os coeficientes


8
= x 0 + y0 ,
3
1
= y0 ,
3

c1
c2

(6.50)
(6.51)

A solucao final do modelo sera, portanto,


xt

yt

8
t
x0 .2t + y0 (2t (4) ),
3
t
y0 (4) .

(6.52)
(6.53)

N
os representamos graficamente algumas das solucoes, para diferentes valores das condicoes iniciais (x0 , y0 ) na Fig. 6.2. Como os pontos de cada orbita
correspondem a instantes de tempo discretos as linhas pontilhadas foram incluidas apenas como auxlio `
a visualizacao da evolucao dos valores de x(t) e y(t).
Observamos que, ao longo da direcao u2 (correspondente ao autovalor negativo)
o comportamento das iteracoes e oscilat
orio na sua convergencia `a origem, ao
passo que ao longo do eixo x, que e a auto-direcao relativa ao autovalor positivo,
as iteracoes pr
oximas ao no tendem a zero de forma nao-oscilat
oria. Em geral,
as iteracoes correspondentes `
a autodirecao com autovalor negativo (positivo) apresentam um comportamento predominantemente oscilat
orio (nao-oscilat
orio).
N
o inst
avel (|1 | > 1 e |2 | > 1)
Exemplificaremos com o modelo
xt

xt1 + yt1 ,

(6.54)

yt

4xt1 2yt1 ,

(6.55)

com os coeficientes formando a matriz



1
A=
4

1
2

(6.56)

com traco = 1, determinante = 6, discriminante D = 25, e autovalores


1 = 2, 2 = 3, correspondendo aos seguintes autovetores (nao-normalizados)


 
1
1
.
(6.57)
,
u2 =
u1 =
4
1
285

yt

u2

-1

-2
-4

-2

xt

Figura 6.2: Orbitas


do modelo (6.37)-(6.38) na vizinhanca de um no est
avel na
origem. As linhas pontilhadas servem apenas para indicar a ordem em que os
pontos sucedem-se, nao correspondendo a trajet
orias do modelo.

Aplicando a combinacao linear destes dois autovetores, em vista da equacao


(6.36), temos






1
1
xt
t
,
(6.58)
= c1 2t
+ c2 (3)
yt
4
1

tal que

xt
yt

=
=

c1 2t + c2 (3) ,

(6.59)

(6.60)

c1 2 4c2 (3) .

Para o tempo t tendendo ao infinito, as potencias acima tambem tendem ao


infinito tal qual xt e yt , de modo que o ponto fixo na origem e instavel (no
instavel). Considerando a condicao inicial (x0 , y0 ) e fazendo t = 0 em (6.59)(6.60), obtemos o sistema
x0
y0

=
=

c1 + c2 ,
c1 4c2 ,

(6.61)
(6.62)

cuja solucao e
c1

c2

4x0 + y0
,
5
x 0 y0
,
5

(6.63)
(6.64)

Substituindo (6.63)-(6.64) em (6.59)-(6.60) chegamos `a solucao geral do modelo






4x0 + y0
x 0 y0
t
t
xt =
2 +
(3) ,
(6.65)
5
5




4x0 + y0
x 0 y0
t
yt =
2t 4
(3) .
(6.66)
5
5
286

yt

u2

-1

-2
-2

-1

xt

Figura 6.3: Orbitas


do modelo (6.54)-(6.55) na vizinhanca de um no instavel na
origem.

Na Fig. 6.3 representamos


orbitas originadas de alguns valores de (x0 , y0 ).
Quando a condicao inicial e colocada exatamente sobre a direcao do autovetor u1 (correspondente ao autovalor positivo) as iteracoes sucessivas do modelo permanecem sobre essa auto-direcao, como esperado, e divergem de forma
monotonica. Ja ao longo da direcao definida por u2 , cujo autovalor e negativo,
essa divergencia ocorre de forma oscilat
oria.
Ponto de sela (|1 | < 1 e |2 | > 1 ou vice-versa)
Um exemplo representativo e
xt
yt

1
= xt1 ,
2
= 3xt1 + 2yt1 ,

com os coeficientes formando a matriz



1/2
A=
3

0
2

(6.67)
(6.68)

(6.69)

com autovalores 1 = 1/2 e 2 = 2, correspondendo respectivamente aos autovetores (nao-normalizados)



 

0
5
.
(6.70)
, u2 =
u1 =
1
6
A solucao geral e a combinacao linear






xt
5
0
t
= c1 (2)
+ c2 2t
,
yt
6
1

(6.71)

fornecendo
xt
yt

=
=

5c1 (2) ,
6c1 (2)
287

(6.72)
t

+ c2 2 .

(6.73)

auto-direo instvel
4

yt

-2

auto-direo estvel

-4

-6
-4

-2

xt

Figura 6.4: Orbitas


do modelo (6.67)-(6.68) na vizinhanca de um ponto de sela
na origem.

que, para t = 0, resulta em


x0

5c1 ,

(6.74)

y0

6c1 + c2 ,

(6.75)

c1

c2

cuja solucao fornece


1
x0 ,
5
6
x 0 + y0 ,
5

(6.76)
(6.77)

de forma que
xt

yt

x0 (2) ,


6
6
t
x0 (2) +
x0 + y0 2t .
5
5

(6.78)
(6.79)

O ponto fixo na origem e um ponto de sela. Se colocarmos a condicao inicial sobre a auto-direcao u1 , que corresponde ao autovalor com modulo menor
que um, os pontos subsequentes da orbita aproximam-se da origem assintoticamente, nunca deixando a direcao onde est
ao (auto-direcao invariante est
avel).
Alem disso, a convergencia e oscilat
oria, ja que o autovalor e negativo. Se
(x0 , y0 ) forem escolhidos ao longo da direcao u2 , eles afastar-se-ao da origem
sem abandonar essa direcao (auto-direcao invariante instavel). Como o autovalor e tambem positivo, essa divergencia e monotonica. Para condicoes iniciais
em geral as
orbitas afastam-se da origem, divergindo ao longo da auto-direcao
instavel de forma monotonica e oscilando ao longo da auto-direcao est
avel [Fig.
6.4].
288

(b)

(a)
y

y0 11
00
11
00 11
11
00 11
11
00
11
00
00
11
00
00
00
11
00 11
11
00 11
00

x0

Figura 6.5: Feixe de retas paralelas para o caso de um autovalor nulo, sendo o
outro de modulo (a) menor que 1, e (b) maior que 1.

6.2.2

Feixe de retas paralelas

Suponha que 1 6= 0 e 2 = 0, correspondendo `a matriz dos coeficientes, ja na


forma diagonal


1 0
A=
,
(6.80)
0 0
com o ponto de equilbrio na origem. Os autovetores s
ao dados por
(1 )ux
uy

=
=

0,
0.

(6.81)
(6.82)

Considerando o autovalor nao-nulo 1 , decorre que ux = 0 para qualquer uy ,


situacao que se inverte quando levamos em conta o autovalor igual a zero, de
sorte que os autovetores correspondentes a eles podem ser escolhidos, respectivamente, como
 
 
0
1
.
(6.83)
,
u2 =
u1 =
1
0
Podemos, pois, escrever a solucao geral do modelo como
 
 
0
1
v(t) = c1 1t u1 + c2 u2 = c1 1t
,
+ c2
1
0

(6.84)

ou ainda
x(t)
y(t)

=
=

c1 1t ,
c2 .

(6.85)
(6.86)

Em termos das condicoes iniciais x(0) = x0 , y(0) = y0 o sistema (6.85)-(6.86)


fornece, para t = 0, c1 = x0 e c2 = y0 ; donde
x(t)
y(t)

=
=

x0 1t ,
y0 .

(6.87)
(6.88)

Logo, apenas a variavel x muda com o tempo: se |1 | < 1 os seus valores


convergem assintoticamente para zero [Fig. 6.5(a)], e divergem caso |1 | > 1
289

[Fig. 6.5(b)]. Se o autovalor for positivo essa convergencia ou divergencia e


monotonica, e sera oscilat
oria se o autovalor for negativo. Ja os valores de
y nao se alteram: seja qual for a condicao inicial y0 , seu valor permanecera
constante, o que define um feixe de retas paralelas `a direcao especificada pelo
autovetor u2 . No caso de 1 < 0 o movimento converge para esta direcao,
divergindo dela caso contrario [Figuras 6.5(a) e (b), respectivamente]. Observe
que as iteracoes nao convergem, a rigor, para o ponto fixo na origem, mas
tambem nao divergem. Podemos dizer que a origem e marginalmente est
avel, o
que fisicamente equivaleria a um equilbrio do tipo indiferente.

6.2.3

Autovalores complexos

Vamos inicialmente considerar um modelo discreto bidimensional mais generico,


que servira de paradigma aos exemplos que virao mais a frente:
xt

yt

axt1 byt1 ,

(6.89)

bxt1 + ayt1

(6.90)

onde a e b s
ao coeficientes formando a seguinte matriz


a b
A=
,
b a

(6.91)

cujo autovalores s
ao as razes da equacao secular


a
b
2

det(A I) =
= (a ) + b2 = 0,
b
a
(a )

ib2 = 0,
a bi,

(6.92)

(6.93)

ou seja, 1 = a bi e 2 = a + bi.
Os autovetores correspondentes a esses autovalores s
ao as solucoes da equacao
matricial


a
b

b
a

(A I)u


ux
uy

=
=

0,


(6.94)
0
0

(6.95)

que desdobra-se no sistema


(a )ux buy
bux + (a )uy

0,

(6.96)

0,

(6.97)

ambas fornecendo a mesma informacao: uy = (a )ux /b com ux arbitrario.


Para o autovalor 1 = a bi temos que uy = iux . Tomando, por simplicidade,
ux = 1, ent
ao uy = i, de modo que o autovetor (complexo) correspondente e
 
1
u1 =
.
(6.98)
i
Analogamente, o autovetor correspondente ao autovalor 2 = a + bi e


1
.
u2 =
i
290

(6.99)

Como os autovalores s
ao n
umeros complexos, e conveniente trabalhar com
os mesmos na forma trigonometrica, o que equivale a empregar coordenadas
polares no plano complexo, a partir das relacoes
a
b

=
=

r cos ,
r sin ,

(6.100)
(6.101)

Elevando ao quadrado as equacoes acima e somando membro a membro, tendo


em conta a identidade trigonometrica sin2 + cos2 = 1,
p
a 2 + b2 = r 2
=
r = a 2 + b2 ,
(6.102)

ja que o raio r e positivo por definicao. Dividindo (6.101) por (6.100) temos,
lembrando que tan = sin / cos ,
 
 
b
b
=
= arctan
.
(6.103)
tan =
a
a

Podemos, agora, escrever a solucao geral do modelo em termos de uma


combinacao linear dos autovetores complexos, usando a equacao (6.36):

 



xt
1
1
t
t
= c1 (a bi)
+ c2 (a + bi)
,
(6.104)
yt
i
i
As potencias dos autovalores complexos podem ser efetuadas usando a forma
exponencial dos mesmos:
t

(a bi) = (r cos ir sin ) = (rei ) = rt eit ,

(6.105)

de forma que (6.104) fica


xt
yt

c1 rt eit + c2 rt eit ,

t it

ic1 r e

t it

ic2 r e

(6.106)
.

(6.107)

Supondo a condicao inicial (x0 , y0 ) e colocando t = 0 em (6.106)-(6.107),


x0

c1 + c2 ,

(6.108)

y0

ic1 ic2 ,

(6.109)

de modo que as constantes na combinacao linear dos autovetores s


ao tambem
n
umeros complexos
c1

c2

x0 iy0
,
2
x0 + iy0
= c1 ,
2

(6.110)
(6.111)

ou seja,
xt

yt




x0 + iy0
x0 iy0
t it
re
+
rt eit ,
2
2




x0 iy0
x0 + iy0
t it
i
re
i
rt eit .
2
2

291

(6.112)
(6.113)

As expressoes acima tornam-se mais praticas se empregarmos as seguintes relacoes


entre funcoes trigonometricas e exponenciais complexas
cos

sin

eit + eit
,
2
eit eit
,
2i

(6.114)
(6.115)

com as quais temos, para (6.112)-(6.113), a solucao geral do modelo bidimensional


xt
yt

=
=

rt [x0 cos(t) y0 sin(t)] ,


rt [x0 sin(t) + y0 cos(t)] .

(6.116)
(6.117)

Sabemos que os autovalores da matriz dos coeficientes, quando complexos,


ao
s
ao mutuamente conjugados: 1 = 2 . Por exemplo, se 1 = a + bi, ent
2 = a bi, de modo que seus modulos s
ao iguais: |1 | = a2 + b2 = |2 |. Logo,
basta analisar um dos autovalores para saber se o ponto fixo e est
avel ou instavel.
H
a, pois, tres casos possveis:
Centro (|1 | = |2 | = 1)
Esse tipo de ponto fixo pode ser exemplificado pelo modelo discreto bidimensional
xt

yt1 ,

(6.118)

yt

xt1 ,

(6.119)

cuja matriz dos coeficientes,


A=

0 1
1 0

(6.120)

e um caso particular do sistema geral, para o qual a = 0 e b = 1. Temos, pois,


que de (6.102) e (6.103),
r

02 + 11 = 1


1

arctan
= arctan() = rad.
0
2

(6.121)
(6.122)

Como os autovalores nesse caso, 1 = i e 2 = i, tem modulo igual a


um, pelo criterio de estabilidade linear nao e possvel saber se o ponto fixo na
origem e est
avel ou instavel. No entanto, podemos investigar o comportamento
das iteracoes do modelo nas vizinhancas do ponto fixo, usando a solucao geral
dada por (6.116)-(6.117).
xt

yt

 
 
t + y0 sin
t ,
2 
2 

x0 sin
t + y0 cos
t
2
2

x0 cos

292

(6.123)
(6.124)

yt

-1

-2
-2

-1

xt

Figura 6.6: Orbitas


do modelo (6.118)-(6.119) na vizinhanca de um centro na
origem.

onde usamos que cos() = cos e que sin() = sin . Elevando ambas ao
quadrado chegamos `
as equacoes
 
 
 
 
t + 2x0 y0 sin
t cos
t + y02 sin2
t , (6.125)
x2t = x20 cos2
2 
 2 

 2 
 2 
yt2 = x20 sin2
t 2x0 y0 sin
t cos
t + y02 cos2
t , (6.126)
2
2
2
2

que, somadas membro a membro, tendo em conta a identidade trigonometrica


sin2 + cos2 = 1, fornecem
x2t + yt2 = x20 + y02 R2 ,

(6.127)

que e a equacao de um crculo no plano de fase (x, y) com centro na origem


e raio R. Interpretamos esse resultado dizendo que as iteracoes sucessivas do
modelo jazem sobre um crculo de raio R e centro no ponto fixo. Este e, por sua
vez, chamado centro, e nao pode ser classificado a rigor nem como est
avel nem
como instavel, pois as
orbitas permanecem nesse crculo nem aproximando-se
nem afastando-se indefinidamente da origem [Fig. 6.6].
Foco est
avel (|1 | = |2 | < 1)
Consideremos o seguinte exemplo
xt

yt

1
1
xt1 + yt1 ,
2
2
1
1
xt1 + yt1 ,
2
2

(6.128)
(6.129)

com a matriz de coeficientes


A=

1/2
1/2
293

1/2
1/2

(6.130)

yt

-1

-2

-3
-4

-2

xt

Figura 6.7: Orbitas


do modelo (6.128)-(6.129) na vizinhanca de um foco est
avel
na origem.

que e um caso particular do sistema geral, onde a = 1/2 e b = 1/2. Usando


(6.102) e (6.103), temos
q
p
2
2
(1/2) + (1/2) = 1/2 0, 707 < 1,
(6.131)
r =


1/2

= arctan
= arctan(1) = rad.
(6.132)
1/2
4
Os autovalores da matriz dos coenficientes tem modulo r menor que um, tal
que o ponto fixo na origem e assintoticamente est
avel. Como os autovalores
s
ao complexos, esperamos que a convergencia ao ponto fixo seja oscilat
oria para
ambas as direcoes do plano de fase. Esse fato pode ser observado diretamente
por meio da solucao geral (6.116)-(6.117):
t

(6.133)

(6.134)

xt

(0, 5) [x0 cos (t/4) + y0 sin (t/4)] ,

yt

(0, 5) [x0 sin (t/4) + y0 cos (t/4)] .

A distancia dos pontos (xt , yt ) `a origem diminui a cada iteracao, ao mesmo


tempo que os seus valores oscilam em torno de zero, de modo que a aproximacao
a origem e feita segundo uma espiral convergente de pontos [Fig. 6.7].O ponto
`
fixo e dito um foco est
avel, nesse caso. Como < 0 o sentido da rotacao dos
pontos das
orbitas e hor
ario (negativo).
Foco inst
avel (|1 | = |2 | > 1)
Um exemplo ilustrativo para este caso e
xt

yt

3
xt1 2yt1 ,
2
3
2xt1 + yt1 ,
2
294

(6.135)
(6.136)

yt

-2

-4
-4

-2

xt

Figura 6.8: Orbitas


do modelo (6.135)-(6.136) na vizinhanca de um foco instavel
na origem.

com coeficientes
A=

3/2
2

2
3/2

(6.137)

que recaem no sistema geral, para a = 3/2 e b = 2, donde


r

q
5
2
(3/2) + 22 = = 2, 5 > 1,
 2

2
= arctan(4/3) 0, 927rad.
arctan
3/2

(6.138)
(6.139)

Tendo os autovalores modulos maiores que um, o ponto fixo sera instavel.
Os pontos da
orbita afastam-se do ponto fixo com o tempo de forma oscilat
oria
em ambas as direcoes, de forma que a origem seja um foco instavel [Fig. 6.8].
A solucao geral (6.116)-(6.117) para esse exemplo sera
xt
yt

= (2, 5) [x0 cos (0, 927t) y0 sin (0, 927t)] ,


t
= (2, 5) [x0 sin (0, 927t) + y0 cos (0, 927t)] .

(6.140)
(6.141)

Uma vez que > 0 o sentido da rotacao dos pontos ao longo da espiral divergente
e anti-hor
ario (positivo).

6.2.4

Crit
erio geral de estabilidade

Independentemente de qual o caso considerado, dentre os anteriormente estudados, podemos estabelecer um criterio geral para que o ponto fixo w = 0 seja
assintoticamente est
avel: os autovalores da matriz A devem ter modulo menor
do que um (isto e, devem estar dentro do crculo unitario, no plano complexo):
w = 0 e est
avel se
295

|1 | < 1, |2 | < 1,

(6.142)

(a)

(b)

II

1
1

III

(c)

(d)

Figura 6.9: Retas correspondentes `as condicoes gerais de estabilidade do ponto


fixo no plano determinante versus traco da matriz A.

onde, se os autovalores forem reais (casos I e II), o modulo e o proprio valor


absoluto; caso sejam complexos (caso III), o modulo e calculado como
2

|1,2 | = a2 + b2 .

(6.143)

Para modelos bidimensionais os autovalores s


ao do que as razes da equacao
quadr
atica (2.34)
2 + a1 + a2 = 2 + = 0.
(6.144)
Se o ponto fixo e assintoticamente est
avel as razes de (6.144) ter
ao modulos
menores do que um. Pode-se demonstrar que isso acontece se, e somente se, as
tres inequacoes abaixo forem satisfeitas simultaneamente:
1 + a1 + a2
1 a2

1 a1 + a2

=
=
=

1 + > 0,
1 > 0,
1 + + > 0.

(6.145)
(6.146)
(6.147)

que sera visto, no proximo captulo, como o caso particular de um criterio mais
geral (Schur) para estabilidade de pontos fixos.
Podemos representar graficamente as tres condicoes de estabilidade acima
por meio de um diagrama, em cujos eixos horizontal e vertical representamos,
respectivamente, o traco e o determinante da matriz dos coeficientes. A condicao
(6.145), 1 + > 0 define uma reta crtica I : = 1 no diagrama [Fig.
6.9(a)], de modo que os valores de e para os quais o ponto fixo e est
avel
situam-se `
a esquerda da reta I. Ja a segunda condicao (6.146): 1 > 0 define
uma outra reta crtica II : = 1, paralela ao eixo horizontal do diagrama
296

3
FOCO INSTAVEL

FOCO INSTAVEL

2
NO INSTAVEL

NO INSTAVEL

1
FOCO ESTAVEL

SELA
0

SELA

NO ESTAVEL
SELA

SELA

-1
NO INSTAVEL

NO INSTAVEL
NO INSTAVEL
-2
4

Figura 6.10: Triangulo de estabilidade para o ponto fixo de modelos bidimensionais.

[Fig. 6.9(b)], de modo o ponto fixo e est


avel para valores abaixo da reta II.
Finalmente, o requisito (6.147), 1 + + > 0 define uma reta crtica III : =
1 no diagrama [Fig. 6.9(c)], tal que os pontos que fornecem a estabilidade
encontram-se `
a direita da reta III.

6.3

Classificac
ao dos pontos fixos

A uni
ao das tres condicoes fornece, como domnio de estabilidade do ponto fixo,
um triangulo limitado pelas retas I, II e III [Fig. 6.9(d)]. Da equacao (6.32), os
autovalores serao reais se o discriminante da equacao secular for nao-negativo,
ou seja, se D = 2 4 0 que, por sua vez, determina uma curva crtica
IV : = 2 /4. Esta e uma par
abola com vertice na origem e concavidade para
cima, a qual e tangente, tanto ao eixo horizontal do diagrama, como tambem aos
lados do triangulo de estabilidade nos seus vertices superiores, de coordenadas
(2, 1) [Fig. 6.10].
Podemos usar o triangulo de estabilidade para localizar tambem os tipos
de ponto fixo quanto `
a estabilidade vistos nesse captulo. Os valores de e
para os quais os autovalores s
ao reais situam-se abaixo da curva IV (par
abola).
Como os pontos dentro do triangulo limitado pelas retas I, II e III s
ao est
aveis,
aqueles abaixo da par
abola e dentro do triangulo referem-se a nos est
aveis;
enquanto os que est
ao acima da par
abola e dentro do triangulo tem autovalores
complexos e, portanto, referem-se a focos est
aveis. Os demais pontos acima da
par
abola est
ao fora do triangulo e, portanto, referem-se a focos instaveis.
Sobram, portanto, dois casos genericos: nos instaveis e selas. Como ambos
referem-se a autovalores reais e distintos, a matriz dos coeficientes pode ser
297

escrita numa forma diagonal, tendo como elementos os proprios autovalores:




1 0
A=
,
(6.148)
0 2
onde o traco e o determinante s
ao, respectivamente, dados por
= 1 + 2 ,

= 1 2

(6.149)

Ja || = |1 2 | > 1 para nos instaveis (pois |1 | > 1 e |2 | > 1). Logo os


pontos de sela est
ao relacionados aos pontos fora do triangulo de estabilidade
mas dentro da faixa 1 1. Os nos instaveis encontram-se em duas
regi
oes do diagrama: (i) ou est
ao fora da par
abola e acima de = 1, ou (ii)
est
ao abaixo de = 1. A localizacao destes pontos fixos no diagrama do traco
versus determinante de A pode ser vista na Fig. 6.10.

6.4

Exemplo em Economia: Modelo de multiplicadoracelerador de Samuelson

O modelo de interacao multiplicador-acelerador, introduzido por P. Samuelson


em 1939, descreve a din
amica da renda nacional a partir da combinacao do multiplicador Keynesiano com um princpio de aceleracao. Nossa descricao seguira
o tratamento classico encontrado, por exemplo, em [21] e [19].

6.4.1

Hip
oteses e equa
c
oes do modelo

Sejam Ct o consumo num perodo t, Yt a renda correspondente, Zt a demanda


por bens, Gt o gasto governamental, e It o investimento. Numa economia
fechada (sem considerar importacoes ou exportacoes) a demanda e igual `a soma
do consumo, do investimento induzido, e dos gastos governamentais:
Zt = Ct + It + Gt ,

(6.150)

onde suporemos que os gastos governamentais representam uma variavel exogena:

Gt = G.
Desconsiderando o papel de impostos e transferencias governamentais, podemos supor que o consumo num certo perodo e uma funcao linear da renda no
perodo anterior:
Ct = Yt1 ,
(6.151)
onde 0 < < 1 e a propensao marginal de consumo.
O investimento num dado perodo, por sua vez, dependera da variacao do
consumo entre o perodo atual e o precedente:
It = (Ct Ct1 ),

(6.152)

onde > 0 e dito o coeficiente de aceleracao. Substituindo (6.151) em (6.152)


teremos
It = (Yt1 Yt2 ),
(6.153)

que e uma forma alternativa. O coeficiente e o volume de capital necessario


para produzir uma unidade de bens durante um perodo de tempo. Se o investimento induzido fosse suprimido do modelo, este redundaria num modelo
298

justamente o
unidimensional descrevendo o multiplicador Keynesiano usual. E
investimento induzido que gera a interacao multiplicador-acelerador e a consequente obtencao de um modelo bidimensional.
A hip
otese de equilbrio macroecon
omico e a de que, em cada perodo, a
renda seja igual `
a demanda, de modo que
Yt = Zt .

(6.154)

Substituindo (6.150), (6.151) e (6.153) em (6.154), temos


Yt

=
=
=

Ct + It + Gt = Ct + It + G,

Yt1 + (Yt1 Yt2 ) + G,

(1 + )Yt1 Yt2 + G,

(6.155)

que pode ser transformada num modelo discreto bidimensional linear definindo
as seguintes variaveis:
yt

xt1

Yt ,

(6.156)

Yt2 xt = Yt1 .

(6.157)

Usando-as em (6.155) resulta


xt
yt

yt1 ,

(6.158)

xt1 + (1 + )yt1 + G,

(6.159)

que tem a forma geral (6.7) onde as matrizes dos coeficientes s


ao dadas por
A=

6.4.2

1
(1 + )

B=

(6.160)

Ponto fixo e sua estabilidade

Sabemos que o ponto fixo de um modelo discreto linear e dado por


 
x
1

= (I A) B,
v =
y

(6.161)

onde, em nosso modelo,


IA=

1
1 (1 + )

(6.162)

cujo determinante e
det(I A) = 1 (1 + ) + = 1 ,
de modo que a matriz (I A)
(I A)

(6.163)

existe desde que 6= 1, sendo dada por

1
=
1

1 (1 + )

299

1
1

(6.164)

Logo, o ponto fixo e o vetor


 

1
x
1 (1 + )
=
y

1



G
1
.
=
1
1

1
1




(6.165)

Podemos interpretar economicamente este resultado dizendo que a renda de


equilbrio e dada por
1
Y = x = y =
G,
(6.166)
1

onde o fator 1/(1 ) e o multiplicador Keynesiano. Como 0 < < 1, ent


ao
tambem 0 < 1 < 1, ou seja, 1/(1 ) > 1, de modo que espera-se que este
fator multiplique o gasto governamental, traduzindo-o num aumento da renda,
ou seja, criando um crculo virtuoso. Quanto maior for a propensao marginal
ao consumo, ou seja, quanto mais aproximar-se de 1, maior sera o valor do
multiplicador correspondente.
A estabilidade deste ponto fixo depende dos autovalores da matriz A, os
quais dependem do seu traco, determinante e discriminante, a saber:

=
D

trA = (1 + ),

(6.167)

det A = .

2
(1 + )
.
2

(6.168)
(6.169)

Os autovalores 1,2 serao reais se D 0, ou seja, caso


2

2 (1 + ) 4

0,

4,

(1 + )

4
(1 + )

2,

(6.170)

e complexos caso contrario. Se = o discriminante e nulo e os autovalores


s
ao iguais. O ponto fixo w = 0 sera assintoticamente est
avel se os autovalores
tiverem modulos menores que 1, o que, pelas condicoes (6.145), (6.146) e (6.147),
ocorrera se e somente se as seguintes desigualdades forem satisfeitas:
1 + =

1 =
1+ + =

1 (1 + ) + = 1 > 0,

1 > 0,
1 + (1 + ) + = 1 + (1 + 2) > 0.

(6.171)
(6.172)
(6.173)

A condicao (6.171) e sempre satisfeita, uma vez que 0 < < 1. A terceira,
(6.173), tambem e trivialmente satisfeita para e positivos. Ja a condicao
(6.172) implica em que o ponto fixo sera assintoticamente est
avel se
<

1
,

(6.174)

tanto no caso de autovalores reais como complexos. As v


arias situacoes possveis
podem ser esquematizadas na Tabela 6.4.2.
300

Autovalores
reais
reais
reais
complexos
complexos

Condicao



<
<

Modulos
<1
>1
> 1, < 1
<1
<1

Condicao
< (1/)
> (1/)
= (1/)
< (1/)
> (1/)

Ponto fixo
no est
avel
no instavel
ponto de sela
foco est
avel
foco instavel

Tabela 6.1: Estabilidade do ponto fixo no modelo de multiplicador-acelerador


de Samuelson
1,5

B
ponto de sela
1

n estvel

n instvel

A
foco instvel
0,5

foco estvel

Figura 6.11: Plano de par


ametros no modelo de multiplicadores

Uma maneira conveniente de visualizar estas condicoes de estabilidade consiste em construir um gr


afico da propensao de consumo versus o coeficiente
do multiplicador (Fig. 6.11), lembrando que, enquanto pode ter qualquer
valor real, est
a limitado ao intervalo [0, 1]. Pela Tabela 6.4.2, as diferentes
propriedades de estabilidade do ponto fixo est
ao delimitadas graficamente pelas
seguintes curvas
A : = =

4
(1 + )

2,

B:=

1
.

Os pontos acima (abaixo) da curva A s


ao nos (focos); enquanto os pontos `a
esquerda (direita) da curva B s
ao est
aveis (instaveis). Pode-se ver claramente
que ha um u
nico par de valores no plano de par
ametros que corresponde a
um ponto de sela, justamente a intersecao das duas curvas, em = = 1.
Como e desejavel que a renda de equilbrio seja assintoticamente est
avel, e
que a convergencia a ela seja monotonica, ou seja, um no est
avel, uma escolha
conveniente de par
ametros e uma alta propensao de consumo, combinada com
um baixo coeficiente do multiplicador (menor do que 1).
301

6.5

Modelos discretos bidimensionais n


ao-lineares

Seja o modelo discreto bidimensional nao-linear geral


xt
yt

=
=

f (xt1 , yt1 ),
g(xt1 , yt1 ),

(6.175)
(6.176)

onde f (x, y) e g(x, y) sejam funcoes reais suficientemente suaves de seus argumentos, ou seja, contnuas e deriv
aveis nos seus respectivos domnios. Podemos
escrever este modelo discreto na forma matricial
vt = F(vt1 ),
definindo os vetores-coluna
vt =

xt
yt

(6.177)

(6.178)

e a funcao vetorial de argumento tambem vetorial




f (xt1 , yt1 )
F(vt1 ) =
.
g(xt1 , yt1 )

6.5.1

(6.179)

Pontos fixos

Um ponto fixo de um modelo discreto bidimensional como (7.173) e o vetor


 
x

,
(6.180)
v =
y
que mapeia a si proprio pela acao do modelo discreto, ou seja
v = F(v ).

(6.181)

Como um exemplo, vamos considerar o modelo discreto bidimensional naolinear proposto por Henon em 1976 [?]
xt
yt

=
=

f (xt1 , yt1 ) = a x2t1 + byt1 ,


g(xt1 , yt1 ) = xt1 ,

(6.182)
(6.183)

onde a e b s
ao ambos par
ametros positivos. O ponto fixo sera dado pela solucao
do sistema de equacoes (6.179)
x
y

=
=

a (x ) + by ,
x .

(6.184)
(6.185)

Substituindo a segunda equacao na primeira obtemos uma equacao do segundo


grau para x :
2
(x ) + (1 b)x a = 0,
(6.186)
cuja solucao e

x+, = y+,
=

b1
302

q
2
(b 1) + 4a
2

(6.187)

ou seja, ha dois pontos fixos em geral (um para o sinal positivo, outro para o
sinal negativo). Na notacao matricial:
 
 
 
 
1
x
1
x+

.
(6.188)
,
v =
= x
v+ =
= x+

1
y
1
y+
Para que ambos sejam reais, e necessario que o radicando em (11.5) seja naonegativo, o que implica em
2
4a (1 b) .
(6.189)

6.5.2

Orbitas
peri
odicas

Uma orbita peri


odica de perodo 2, tambem chamada 2-ciclo, e um conjunto
de dois vetores {v1 , v2 } tais que um mapeia no outro, e vice-versa, da mesma
forma que em modelos discretos unidimensionais
v1 = F(v2 ),

v2 = F(v1 ),

(6.190)

tal que v2 = F(F(v2 )) = F[2] (v2 ). Consequentemente tanto v2 como v1 s


ao
um ponto fixo da segunda iterada do modelo discreto F(v). Logo, os pontos de
uma orbita de perodo 2 s
ao solucoes de
v = F[2] (v ) = F(F(v )).

(6.191)

De modo geral, diz-se que v e um ponto de perodo m (ou m-peri


odico) do
modelo discreto F(v) se ele for um ponto fixo da sua m-esima iterada
v = F[m] (v ),

(6.192)

A orbita de perodo m (ou m-ciclo) e formada pelo seguinte conjunto de pontos:


{v , F(v ), F[2] (v ), F[m1] (v )}.

(6.193)

} que
Dessa forma, um m-ciclo e um conjunto de m pontos {v1 , v2 , v3 , . . . vm
satisfazem

vi+1
v1

=
=

F(vi ),

F(vm
).

(i = 1, 2, . . . m 1),

(6.194)

Aplicando tais condicoes acima a um ponto generico do m-ciclo, xk , obtemos

vk = F(vk1
) = F(F(vk2
)) = F(F(F(vk3
))) = = F[m] (vk ),

(6.195)

onde k = 1, 2, m. Nem todos os pontos de perodo m pertencem a um mciclo, ja que alguns dos pontos de perodo m s
ao tambem pontos de perodo
m 1 e assim por diante. Essa discussao foi aprofundada no Captulo 5.

Orbitas
peri
odicas do modelo de H
enon
Novamente, nosso exemplo sera o modelo de Henon (11.20)-(11.21) , para o qual
os pontos de uma
orbita de perodo 2 serao denotados como
 
 
x2
x1

,
(6.196)
,
v2 =
v1 =
y2
y1
303

e que satisfazem vk = F[2] (vk ), ou seja, como


xt

yt

f (xt1 , yt1 ) = a x2t1 + byt1 ,

(6.197)

g(xt1 , yt1 ) = xt1 ,

(6.198)

procuramos a solucao (x, y) do seguinte sistema de equacoes algebricas acopladas:


x

f (f (x, y), g(x, y)) = a f (x, y) + bg(x, y),


2

a (a x2 + by) + bx,
g(f (x, y), g(x, y)) = f (x, y) = a x2 + by.

=
=

(6.199)
(6.200)

Podemos abrir (6.199) na forma


2

a [(a x2 ) + by] + bx,

x =

x + bx + a [(a x2 ) + 2(a x2 )by + b2 y 2 ],

0 =

(b 1)x + a (x2 a) 2b(a x2 )y b2 y 2 ,

0 =

(6.201)

Isolando y em (6.200) temos


y=
que, substituida em (6.201), fornece

a x2
,
1b

(6.202)

(b 1)x + a (x2 a) 2b(a x2 )

0 =

(1 b)

a x2
1b

b2

h
2
3
2
2
(1 b) x a(1 b) + (x2 a) (1 b)
2

+2b(1 b)(a x2 ) + b2 (a x2 )
2

(x2 a) + (1 b) x (1 b) a.

a x2
1b

2

,
(6.203)

Em princpio, o desenvolvimento desta expressao daria uma equacao do


quarto grau, cujas razes forneceriam pontos da orbita de perodo 2. No entanto,
podemos usar o fato de que duas destas razes s
ao os pontos fixos anteriormente
determinados, (6.187), ja que eles tambem s
ao solucoes da equacao obtida:
F[2] (v ) = F(F(v )) = (F(v )) = v .

(6.204)

Portanto, podemos fatorar o segundo membro de (6.203) de modo a obtermos o


produto do trin
omio quadr
atico que fornece os pontos fixos: x2 +(1b)xa e de
um trin
omio quadr
atico que podemos escrever como x2 +x+. Os coeficientes
deste u
ltimo podem ser encontrados aplicando o princpio da identidade de
polin
omios:
2

(x2 a) + (1 b) x (1 b) a = [x2 + (1 b)x a][x2 + x + ]. (6.205)


Expandindo ambos os membros desta expressao, e igualando potencias semelhantes de x obtemos

=
=

1,
(1 b) = 1 + b,

(6.206)
(6.207)
2

2a + a (1 b) = a + (1 b) ,
304

(6.208)

de forma que podemos reescrever


2

(x2 a) + (1 b) x (1 b) a = [x2 + (1 b)x a][x2 (1 b)x a + (1 b) ].


(6.209)
Os pontos da
orbita de perodo 2 serao as razes deste segundo trin
omio quadratico
2

x2 (1 b)x a + (1 b) = 0,
ou seja
x1,2 =

1b

4a 3(1 b)
2

(6.210)

(6.211)

e, usando (6.202),

y1,2
=

que serao n
umeros reais desde que
a

6.6

a x1,2 2
,
1b

3
2
(1 b) .
4

(6.212)

(6.213)

Solu
c
oes num
ericas

Uma vez que nao existem solucoes gerais para modelos discretos bidimensionais nao-lineares, somos obrigados a empregar metodos numericos para obter
solucoes para eles. Nessa secao exemplificaremos tais metodos usando, como
exemplo padrao, o modelo de Henon visto anteriormente nesse captulo:
xt
yt

=
=

a x2t1 + byt1 ,
xt1 ,

(6.214)
(6.215)

onde escolheremos valores de a = 1, 4 e b = 0, 3.

6.6.1

Uso de planilhas eletr


onicas

O procedimento para a obtencao das iteradas de um modelo bidimensional,


usando-se planilhas eletr
onicas, e uma extensao simples do que realizamos no
captulo 5 para modelos unidimensionais. Primeiramente colocamos os valores
dos par
ametros a e b nas celulas D1 e D2, respectivamente (serao considerados
como enderecos absolutos, ja que seus valores nao s
ao alterados durante as
iteracoes do modelo).
Na coluna A serao representados os valores (inteiros e positivos) do tempo,
enquanto nas colunas B e C est
ao os valores de xt e yt , respectivamente. As
condicoes iniciais t = 0, x0 = 0, 1 e y0 = 0, 3 s
ao colocados respectivamente nas
celulas A1, B1 e C1. As equacoes do modelo (6.197) s
ao escritas nas celulas A2,
B2 e C2 da seguinte forma:
=
=
=

1 + A1
+$D$1 B1 B1 + $D$2 C1
B1

305

Figura 6.12: Planilha eletr


onica com iteracoes do modelo de Henon, bem como
o retrato de fase.

Figura 6.13: Planilha eletr


onica com iteracoes do modelo de Henon, bem como
uma das series temporais.

Para obter as 16 primeiras iteracoes do modelo nos copiamos com o mouse


o conte
udo das celulas A2, B2 e C2 para a area de transferencia e colamos em
bloco nas 14 linhas abaixo, ou seja, da celula A3 `a celula C17 [Fig. 6.12]. Como
temos, agora, tres variaveis, devemos escolher duas delas para fazer os gr
aficos
possiveis: (i) series temporais xt versus t ou yt versus t; (ii) retrato de fase:
yt versus xt . Esta u
ltima opcao est
a ilustrada na Fig. 6.12, ao passo que a
primeira serie temporal na Fig. 6.13.

6.6.2

Programa de computador para iterac


oes do modelo
discreto

Um programa para tracar as iteracoes do modelo de Henon e uma extensao


bastante smples do correspondente para o modelo logstico discreto, e est
a
exemplificado abaixo:
/* henon.c: produz o gr
afico no plano de fase das trajet
orias
do modelo de H
enon. Saida dos dados no arquivo
henon.dat (tabela com duas colunas) */
306

#include <stdlib.h>
#include <stdio.h>
#include <math.h>
FILE *fp;
void main()
{
double a,b,xold,xnew,yold,ynew,x0,y0;
int t,tf;
fp = fopen("henon.dat","w");
a = 1.4;
b = 0.3;
t = 0;
tf = 20;
/* tempo final */
x0 = 0.1;
/* condi
co
~es iniciais */
y0 = 0.3;
xold = x0;
/* inicializando vari
aveis */
yold = y0;
fprintf(fp,"%d %f %f\n", t, xold, yold);
for(t=1;t<=tf;++t)
/* malha de c
alculo das fun
co
~es x(t) e y(t) */
{
xnew = a -xold*xold + b*yold;
ynew = xold;
fprintf(fp,"%d %f %f\n", t, xold, yold);
xold = xnew;
yold = ynew;
}
fclose(fp);
}
Em princpio, poderamos aproveitar a facilidade do comando de atribuicao
(=) para usar a mesma variavel para xt e xt1 . No entanto, em modelos com
duas ou mais dimensoes e conveniente evitar esse recurso. Se usarmos tal comando para calcular xt a partir de xt1 em (6.214), quando precisarmos novamente de xt1 para calcular yt1 em (6.215) ja nao teremos o valor antigo, e
sim o valor atualizado.
Para evitar esse problema nos criamos duas variaveis: xold para xt1 e xnew
para xt . Somente depois de calcularms os valores para as variaveis x e y e que
atualizamos as variaveis fazendo xold = xnew e yold = ynew, de forma que os
valores de xt1 na pr
oxima iteracao s
ao os atuais valores de xt . Os resultados
da aplicacao do programa henon.c podem ser apreciados na Fig. 6.14.

6.6.3

Uso de software matem


atico

Os softwares matematicos descritos no captulo anterior tambem s


ao u
teis para o
tratamento de modelos discretos bidimensionais e, essencialmente, s
ao extensoes
smples das rotinas ja descritas.
307

(b)

(a)
1

xt

yt

-1

-2
-2

-1

-1

xt

-2

10

15

20

Figura 6.14: (a) Retrato de fase e (b) serie temporal para o modelo de Henon,
obtidas a partir de um programa em linguagem C.

Maple
No programa descrito na secao anterior, os valores de xt e yt s
ao calculados
e depois esquecidos, uma vez que s
ao armazenados num arquivo de dados.
Outra forma de proceder, algo mais custosa em termos de espaco de mem
oria
do computador, e criar matrizes coluna (ou arrays) onde s
ao armazenados todos
os valores calculados de xt1 e yt1 , nos elementos x[i] e y[i], respectivamente.
Os valores novos, xt e yt , s
ao armazenados nos elementos x[i + 1] e y[i + 1],
respectivamente. De certa forma, o Maple tambem pode ser considerado uma
linguagem de programacao, que executa tarefas repetitivas como o calculo de
orbitas do modelo de Henon, por meio do comando for. A sintaxe desse co
mando e semelhante ao seu similar em linguagem C.
Apresentamos, abaixo, um programa em Maple para representar graficamente as imax = 5000 primeiras iteracoes do modelo de Henon, descartadas
as primeiras 300 iteracoes transientes (que podem ser omitidas para mostrar
apenas o estado assint
otico do sistema).
x := array(0..10000):
y := array(0..10000):
a := 1.4:
b := 0.3:
x[0] := 0.1:
y[0] := 0.3:
imax := 5000:
for i from 0 to imax do
x[i+1] := a - (x[i])^2 + b*y[i]:
y[i+1] := x[i]:
end do:
with(plots)
points := [[x[n],y[n]] \$ n=300..imax]:
308

Figura 6.15: Iteracoes do modelo de Henon , obtidas com o uso do Maple, para
a = 1, 4 e b = 0, 3.

pointplot(points,style=point,symbol=circle,
symbolsize=1,color=black,axes=BOXED);
O programa acima ja traca o gr
afico de yt em funcao de xt , ou seja, o retrato
de fase do sistema, que pode ser visto na figura 6.15.
Mathematica
A iteracao de modelos discretos bidimensionais tambem e implementada no
Mathematica pela funcao NestList, onde os argumentos s
ao as equacoes do
modelo de Henon. Para obter, por exemplo, as 2000 primeiras iteracoes de
Henon para os valores dos par
ametros a = 1, 4 e b = 0, 3, a partir das condicoes
iniciais (x0 , y0 ) = (0, 1; 0, 3), bem como colocar os resultados num gr
afico (retrato de fase) de xt versus yt , podemos empregar os comandos:
a := 1.4;
b := 0.3;
H[x_,y_] := {a - x^2 + b y, x};
pontos := NestList[H,{0.1,0.3},2000];
ListPlot[pontos, AxesLabel -> {x,y}]
para obter a Fig. 6.16.
Matlab
Podemos gerar o retrato de fase das iteracoes do modelo de Henon usando o
Matlab, criando duas funcoes, ou arquivos-m: (i) henon: que calcula os valores
309

y
1.5
1
0.5
-1.5 -1 -0.5
-0.5

0.5

1.5

-1
-1.5
Figura 6.16: Iteracoes do modelo de Henon , obtidas com o uso do Mathematica,
para a = 1, 4 e b = 0, 3.

de xt e yt dados os valores no tempo anterior; e (ii) iterate: que calcula e traca


as N primeiras iteracoes do modelo, dadas as condicoes iniciais x0 e y0:

function [x,y] = henon(x0,y0)


\% henon.m
a = 1.4;
b = 0.3;
x = a - x0 * x0 + b * y0;
y = x0;
end
function iterate (x0,y0,N)
\% iterate.m
x(1) = x0;
y(1) = y0;
for t=1:N,
[x(t+1),y(t+1)] = henon(x(t),y(t));
end
plot(x,y,.);
end

Para gerar, por exemplo, as 1000 primeiras iteracoes do modelo, usando


como condicoes iniciais (x0 , y0 ) = (0, 1, 0, 3), digitamos

iterate(0.1,0.3,1000)
o resultado podendo ser visto na Fig. 6.17.
310

Figura 6.17: Iteracoes do modelo de Henon , obtidas com o uso do Matlab, para
a = 1, 4 e b = 0, 3.

6.7

6.7.1

Estabilidade para modelos bidimensionais


n
ao-lineares
Estabilidade dos pontos fixos

Podemos obter a estabilidade do ponto fixo, como fizemos no caso unidimensional, pela linearizacao do modelo discreto nao-linear F(x, y) nas vizinhancas
do ponto v ; o que gera um modelo discreto linear, cujas propriedades foram
estudadas na secao precedente. Analogamente a modelos contnuos bidimensionais, trabalhamos num sistema de coordenadas cartesianas, onde a cada direcao
associamos uma das variaveis. Centrada no ponto fixo de coordenadas (x , y )
nos consideramos uma pequena vizinhanca representada por um crculo de
raio , onde x e y [vide a Fig. 3.15 do Cap. 3].
Para verificar se o ponto fixo e ou nao est
avel localmente, nos expandimos em
serie de Taylor as duas funcoes de duas variaveis f (x, y) e g(x, y) que aparecem
no modelo discreto nao-linear na vizinhanca do ponto (x , y ), escrevendo

xt1
yt1

=
=

x + xt1 ,

y + yt1 ,

(6.216)
(6.217)

e supomos que os incrementos xt1 e yt1 sejam pequenos o suficiente para


estarem contidos na vizinhanca de raio em volta do ponto fixo (x , y ), ou
311

seja, tal que |x, y| . Assim, teremos


f (xt1 , yt1 )

=
=

g(xt1 , yt1 )

=
=

f (x + xt1 , y + yt1 ),
(6.218)




f
f
+ yt1
+ ,
f (x , y ) + xt1
xt1 (x ,y )
yt1 (x ,y )

g(x + xt1 , y + yt1 ),


(6.219)




g
g
+ yt1
+ .
g(x , y ) + xt1
xt1 (x ,y )
yt1 (x ,y )

Sendo os incrementos xt1 e yt1 suficientemente pequenos, podemos


truncar as series (6.218) e (6.219) de forma a reter apenas termos em primeira
ordem nos incrementos. Usando a definicao de ponto fixo,
x
y

=
=

f (x , y ),
g(x , y ),

(6.220)
(6.221)

podemos escrever o seguinte conjunto de equacoes acopladas para o modelo


linearizado




f
f
xt = xt1
+ yt1
,
(6.222)
xt1 (x ,y )
yt1 (x ,y )




g
g
+ yt1
.
(6.223)
yt = xt1
xt1 (x ,y )
yt1 (x ,y )
Definimos o vetor-diferenca nas direcoes x e y no instante t:


xt1
vt =
,
yt1

(6.224)

podemos reescrever as equacoes linearizadas (6.222)-(6.223) na forma


vt = J(v ) vt1 ,
onde

J(v ) = 

f
xt1
g
xt1

(x ,y )
(x ,y )




f
yt1
g
yt1

(6.225)

(x ,y )

(6.226)

(x ,y )

e a matriz Jacobiana, cujos elementos s


ao as derivadas calculadas no ponto fixo
(x , y ), tendo, portanto, valores constantes.
O ponto fixo do modelo discreto linearizado (6.225) e a propria origem
v = 0, e que corresponde ao ponto fixo v do modelo discreto nao linear
(6.175). Logo, para estudar a estabilidade do ponto fixo v devemos investigar
a estabilidade da origem para o modelo discreto linearizado, a qual e determinada pelos autovalores da matriz J(v ), que escrevemos 1 e 2 . O ponto fixo
sera assintoticamente est
avel se |1 | < 1 e |2 | < 1. Caso os autovalores sejam
reais, os | | indicam valores absolutos; caso sejam complexos, eles indicam o
seu modulo. Se algum dos autovalores tiver modulo maior do que 1, alguma das
direcoes sera instavel para o ponto fixo. Finalmente, se algum dos modulos for
unitario, o criterio de estabilidade falha.
312

Usando o criterio geral de estabilidade, as condicoes necessarias e suficientes


para que a matriz J(v ) tenha autovalores com modulos menores do que 1 s
ao:
1 + > 0,
1 > 0,

(6.227)
(6.228)

1 + + > 0.

(6.229)

onde

6.7.2

trJ(v ),

(6.230)

(6.231)

det J(v ),

Estabilidade dos pontos fixos do modelo de H


enon

Vamos exemplificar novamente com o modelo discreto de Henon (11.20)-(11.21),


cuja matriz Jacobiana e
! 

f
f
2x b
x
y
J=
=
.
(6.232)
g
g
1
0
x
y
Para os valores a = 0 e b = 0, 4 o modelo de Henon possui pontos fixos reais,
uma vez que, de acordo com (6.189), temos
2

4a = 0 (1 b) ,
(6.233)
q
q
2
2
para qualquer valor de b. Como (1 b) + 4a = (1 0, 4) = 0.6, de (6.187)
resulta que

0, 6 + 0, 36

x+ = y+
=
= 0,
(6.234)
2
0, 6 0, 36

= 0, 6.
(6.235)
x = y
=
2

A matriz Jacobiana, calculada no ponto fixo v+


= (0, 0)


0 0, 4

J(v+
)=
,
1 0

T 1

e
(6.236)

cujos traco e determinante s


ao, respectivamente, a = 0 e = 0, 4. Neste
caso, podemos usar (6.237) para encontrar os seus autovalores

p
D
4
=
= 0, 4 0, 632.
(6.237)
1,2 =
2
2

Como os autovalores s
ao ambos reais e tem modulos menores do que um, ent
ao
T

o ponto fixo v+
= (0, 0) e um no est
avel.

=
Analogamente, avaliando a matriz Jacobiana no segundo ponto fixo v
T
(0, 6, 0, 6) :


1, 2 0, 4

J(v
)=
,
(6.238)
1
0
1 O s
mbolo T denota, aqui, a matriz transposta de uma matriz linha, que
e uma matriz
coluna.

313

com traco e determinante iguais a = 1, 2 e = 0, 4, respectivamente, donde


os seus autovalores s
ao
 s
2

p
1, 2
1, 2
(6.239)

+ 0, 4 = 0, 60 0, 76,
1,2 =
2
2

ou seja, 1 = 0, 60 + 0, 872 = 1, 472, e 2 = 0, 60 0, 872 = 0, 272; ambos reais e

tem modulos maior e menor do que um, respectivamente. Logo, v


e um ponto
de sela (instavel).
Podemos, agora, tornar a discussao um pouco mais geral supondo a e b quais
quer, e investigando as condicoes sob as quais os pontos fixos v
s
ao est
aveis.
Para isso temos que escrever a matriz Jacobiana nos pontos fixos


2x b

,
(6.240)
J(v ) =
1
0
tal que o seu traco e determinante sejam

(v
)

(v
)

2x = 1 b
b

(1 b) + 4a

(6.241)
(6.242)

Utilizamos, agora, o criterio geral (6.227)-(6.229), para determinar as condicoes

pelas quais os pontos fixos (x1,2 , y1,2


) serao est
aveis. A primeira condicao,
(6.227), fornece
q
1 +=

v+
,

(1 b) + 4a > 0,

(6.243)

v
.

que sempre e verificada para


mas nunca para
Imediatamente concluimos

nao podera ser est


avel para quaisquer valores de a ou de b. Ja a segunda
que v
condicao, (6.228) leva a
1 = 1 + b > 0,
(6.244)
ou b > 1. Alem disso, tambem e necessario que, de (6.229),
q
2
1 + + = 2 2b (1 b) + 4a > 0,

(6.245)

seja est
avel. Essa desigualdade implica, elevando ao quadrado os
para que v+
termos, que
2

(2 2b)
4 8b + 4b2

4a
a

> (1 b) + 4a,
> 1 2b + b2 + 4a,

< 3b2 6b + 3,
3
<
[1 + b(b 2)].
4

(6.246)

Alem disso, para que o ponto fixo seja real e necessario tambem que (6.189)

seja satisfeita, de modo que a condicao de estabilidade de v+


implica que o
par
ametro a deva estar contido dentro do seguinte intervalo
3
1
2
(1 b) a < [1 + b(b 2)].
4
4

(6.247)

Se fixamos b = 0, 4 (que e maior que 1 e portanto satisfaz (6.244)) temos que


o intervalo de estabilidade e 0, 09 a < 0, 27. O valor a = 0 tomado no
314

exemplo visto ha pouco pertence a este intervalo, de fato. Finalmente, como


todos os pontos fixos vistos aqui s
ao hiperbolicos (nenhum tem modulo igual
a um), as conclus
oes sobre a estabilidade advindas da linearizacao continuam
v
alidas quando consideramos o modelo nao-linear como um todo.
Caso o ponto fixo seja nao-hiperbolico, no entanto, o criterio de linearizacao
nao e capaz de nos informar se o ponto fixo e est
avel ou instavel, outros metodos
sendo necessarios para investigar sua estabilidade. Como um exemplo de ponto
fixo nao-hiperbolico, seja o seguinte exemplo de modelo discreto bidimensional
xt
yt

=
=

f (xt1 , yt1 ) = xt1 + xt1 yt1 ,


g(xt1 , yt1 ) = yt1 + x2t1 ,

(6.248)
(6.249)

cujo ponto fixo (x , y ) e determinado pela solucao de


x
y

=
=

f (x , y ) = x + x y ,
g(x , y ) = y + x 2 ,

(6.250)
(6.251)

e que e a origem (x = 0, y = 0).


A matriz Jacobiana desse modelo discreto, com seus elementos calculados
no ponto fixo, e dada por
 

 
f
f


1 0
 x (0,0)  y (0,0)

J(v ) = g
,
(6.252)
=
g
0 1
x

(0,0)

(0,0)

e que tem dois autovalores reais iguais a um. Pelo criterio de linearizacao, nao
se pode concluir se o ponto fixo e ou nao est
avel.
A extens
ao do teorema de Hartman-Grobman para difeomorfismos (modelos
discretos), a qual sera vista em detalhes no proximo captulo, garante que se
v for um ponto fixo tal que nao haja autovalores com modulo igual a um, a
estrutura das
orbitas nas vizinhanca do ponto fixo e topologicamente a mesma,
tanto se estudada pelo sistema original (nao-linear em geral) como pelo modelo
discreto linearizado equivalente.

6.7.3

Estabilidade de
orbitas peri
odicas

A analise da estabilidade de uma orbita de perodo m, cujos pontos s


ao

{v1 , v2 , v3 , . . . , vm
}, segue do fato destes serem pontos fixos da m-esima iterada do modelo, ou seja, vi = F[m] (vi ), com i = 1, 2, . . . , m. Caso um dos
vetores pertencentes a essa
orbita seja est
avel, por exemplo v1 , todos os demais
tambem o serao, donde e suficiente analisar os autovalores da matriz Jacobiana
do modelo m vezes iterado, com os elementos calculados neste ponto da orbita.
!
[m]
Fi

Jij (v1 ) =
.
(6.253)
xj

(v1 )

No captulo 5, usamos a regra da cadeia do calculo diferencial para determinar a derivada da funcao composta com ela propria m vezes (cf. Eq. 10.31).





m
Y
df [m] (x)
df (x)
df (x)
df (x)
df (x)
=

=
.
dx x=x
dx x=x dx x=x
dx x=x
dx x=x
i=1
m
1
1
2
i
(6.254)
315

[m]

No caso da funcao Fi
temos que fazer o mesmo para os componentes da
correspondente matriz Jacobiana, que sera denotada Jm . A demonstracao e
bastante trabalhosa, e nao sera feita aqui, mas o resultado e semelhante ao
obtido para modelos unidimensionais:

Jm (v1 ) = J(v1 ).J(v2 ) . . . .J(vm


)=

m
Y

J(vk ),

(6.255)

k=1

ou seja, a Jacobiana da matriz da funcao m vezes iterada e o produto de m


Jacobianas, uma para cada elemento da orbita de perodo m. Uma vez encontrada este produto de matrizes Jacobianas, podemos investigar a natureza e o
modulo dos seus autovalores para descobrir se a orbita e est
avel ou instavel, e
se a convergencia a ela e monotonica ou oscilat
oria.
Estabilidade de
orbitas peri
odicas do modelo de H
enon
Vamos considerar a seguinte escolha de valores para os coeficientes do modelo
de Henon (11.20)-(11.21): a = 0, 43 e b = 0, 4. Usando (6.211)-(11.7), como
2
2
4a 3(1 b) = 4 0, 43 3(1 0, 4) = 0, 64, os pontos de perodo 2 s
ao

0, 43 0, 72
1 0, 4 + 0, 64
= 0, 7;
y1 =
= 0, 1; (6.256)
x1 =
2
1 0, 4

2
0, 43 (0, 1)
1 0, 4 0, 64
= 0, 1;
y2 =
= 0, 7. (6.257)
x2 =
2
1 0, 4
A matriz Jacobiana calculada nestes pontos e:

 

1, 4 0, 4
2x1 b
,
=
J(v1 ) =
1
0
1
0

 

2x2 b
0, 2 0, 4
J(v2 ) =
=
,
1
0
1
0

(6.258)
(6.259)

tal que a matriz Jacobiana da segunda iterada do modelo de Henon e dada pelo
produto
J[2] (v1 )

=
=

J(v ).J(v2 )
 1

1, 4 0, 4
0, 2
1
0
1

0, 4
0

0, 12
0, 2

(6.260)

0, 56
.
0, 4

O traco e o determinante desta matriz s


ao
trJ[2] (v1 ) = 0, 52,

det J[2] (v1 ) = 0, 16

de modo que os seus autovalores s


ao dados por
 s
2

T rJ
T rJ

det J
1,2 =
2
2
s



2
0, 52
0, 52
=

0, 16
2
2
=

0, 26 0, 30i,
316

(6.261)

(6.262)

cujos modulos s
ao menores que um, ja que
p
p
|1,2 | = 0, 262 + 0, 302 = 0, 1576 0, 4 < 1.

(6.263)

Como os autovalores s
ao complexos, segue que a orbita de perodo 2 (v1 , v2 ) e
um foco est
avel.
Podemos fazer uma analise mais geral da estabilidade da orbitas de perodo
2, em funcao dos par
ametros a e b do modelo de Henon. Vamos escrever a
matriz Jacobiana do modelo discreto duas vezes iterado na forma literal:



 
2x1 b
2x2 b
4x1 x2 + b 2x1 b
J[2] (v1 ) =
, (6.264)
=
1
0
2x2
b
1
0
Calculando seu traco e determinante obtemos
(2)

=
=
=
=
=

(2)

trJ[2] = 4x1 x2 + 2b,





q
q
2
2
1 b 4a 3(1 b) + 2b,
1 b + 4a 3(1 b)
2

(1 b) 4a + 3(1 b) + 2b,
1 2b + b2 4a + 3(1 2b + b2 ) + 2b,
4 4a + 4b2 6b,

det J

[2]

(4x1 x2

+ b)b

4x1 x2 b

=b .

(6.265)
(6.266)

As condicoes (6.145)-(6.147) s
ao necessarias e suficientes para que a orbita
de perodo 2 (v1 , v2 ) seja est
avel:
1 (2) + (2)

1 (2)
1 + (2) + (2)

>

0,

(6.267)

>
>

0,
0.

(6.268)
(6.269)

A condicao (13.92) implica em que 1 b2 > 0, ou seja, que b2 < 1. Ja (13.91)


fornece
3 3b2 + 6b + 4a >
4a 3 >
a

>

0,
3b(b 2),
3
[1 + b(b 2)] a1 ,
4

(6.270)

ao passo que (13.93) leva-nos a


5 + 5b2 6b 4a >
4a + 5 >
4a 5 <
a

<

0,
b(5b + 6),
b(5b 6),
5 + b(5b 6)
a2 .
4

(6.271)

Resumindo: a
orbita sera est
avel se e somente se os par
ametros do modelo
discreto estiverem dentro dos seguintes intervalos: a1 < a < a2 e 1 < b < 1.
Por exemplo, se b = 0, 4, teremos o intervalo 0, 27 < a < 0, 85. O valor adotado
no exemplo acima, a = 0, 43, pertence naturalmente a este intervalo.
317

6.8

Pontos hiperb
olicos

A linearizacao do campo vetorial permite-nos classificar a estabilidade da solucao


de equilbrio. No entanto, como podemos saber se o resultado obtido via linearizacao pode ser estendido ao sistema nao-linear. Por exemplo: a analise linear
revela que um ponto de equilbrio e do tipo foco est
avel. Sera que ele manter
a
essa caracterstica se forem considerados os termos ignorados durante a linearizacao. A resposta a essa pergunta e dada, na teoria dos sistemas din
amicos,
por dois teoremas importantes, cujo conte
udo iremos apresentar ao longo desse
captulo.
Um ponto fixo v e dito hiperb
olico (ou nao-degenerado) se todos os autovalores da matriz Jacobiana do sistema, calculada nesse ponto, J(v ) tiverem
modulos diferentes de um. Caso um ou mais autovalores tenham modulos diferentes de um, v e dito nao-hiperbolico. Se v for um ponto hiperbolico, o
comportamento das solucoes na sua vizinhanca (e, portanto, sua estabilidade)
e determinado pela aproximacao linear. Supondo, por exemplo, que na aproximacao linear determinamos que um ponto fixo e um no est
avel (autovalores s
ao
reais e com modulos menores que um). Como este e um ponto hiperbolico, ele
permanecer
a um no est
avel mesmo quando consideramos o sistema nao-linear
como um todo.
Caso contrario, ou seja, se um ou mais autovalores tiverem parte real nula,
ent
ao o criterio de linearizacao falha, ou seja, pela aproximacao linear em torno
do ponto de equilbrio nao e possvel dizer se o ponto de equilbrio e est
avel
ou instavel. Como um exemplo de ponto fixo nao-hiperbolico, seja o mapa
bidimensional
xt
yt

f (xt1 , yt1 ) = xt1 + xt1 yt1 ,

g(xt1 , yt1 ) = yt1 +

x2t1 ,

(6.272)
(6.273)

cujo ponto fixo (x , y ) e determinado pela solucao de


x
y

f (x , y ) = x + x y ,

g(x , y ) = y + x ,

(6.274)
(6.275)

e que e a origem (x = 0, y = 0).


A matriz Jacobiana desse mapa, com seus elementos calculados no ponto
fixo, e dada por

 
 
f
f


1 0
 x (0,0)  y (0,0)

,
(6.276)
J(v ) = g
=
g
0 1
x

(0,0)

(0,0)

e que tem dois autovalores reais iguais a um. Pelo criterio de linearizacao, nao
se pode concluir se o ponto fixo e ou nao est
avel.
Enquanto pontos fixos hiperbolicos s
ao robustos, no sentido que sua estabilidade nao se altera alem da aproximacao linear, os pontos nao-hiperbolicos s
ao
fr
ageis, pois sua estabilidade pode ser alterada por qualquer perturbacao devida aos termos nao-lineares. N
os e focos, bem como pontos de sela s
ao robustos;
ao passo que centros e demais pontos nao-hiperbolicos s
ao marginais.
A formalizacao destas ideias e o objeto do teorema de Hartman-Grobman
[1, 2]: se a matriz Jacobiana calculada no ponto fixo, J(v ) nao tiver autovalores com modulos iguais a um, ent
ao existe um homeomorfismo h, definido em
318

alguma vizinhanca U do ponto de equilbrio v R2 , que correlaciona solucoes


do mapa nao-linear
vt+1 = F(vt ),
com as solucoes do mapa linearizado nas vizinhancas do ponto fixo
wt+1 = J(v ) wt .
Um homeomorfismo e uma aplicacao contnua, com uma inversa tambem contnua.
N
ao e realmente necessario conhecer a forma analtica desse homeomorfismo,
mas basta-nos saber que ele existe.
Uma maneira alternativa de exprimir o teorema de Hartman-Grobman e
dizer que as trajet
orias do mapa nao-linear na vizinhanca do equilbrio s
ao
topologicamente equivalentes `
as do sistema linearizado. Consequentemente
a estabilidade do ponto fixo e fielmente captada pela linearizacao. Uma forma
intuitiva de entender essa equivalencia topol
ogica e pensar que as trajet
orias dos
dois sistemas (nao-linear e linearizado) podem ser continuamente deformadas
uma em outra (e vice-versa): dobrar e esticar trajet
orias s
ao, pois, operacoes
permitidas, mas nao cort
a-las, por exemplo. Logo trajet
orias fechadas permanecem fechadas pela acao do homeomorfismo h, trajet
orias conectando pontos de sela nao podem ser quebradas, etc. [3].
Podemos tambem dizer que o retrato de fase nas vizinhancas de um ponto
de equilbrio hiperbolico, isto e, o conjunto das trajet
orias nessa regi
ao, e estruturalmente est
avel, pois sua topologia nao pode ser alterada por pequenas
perturbacoes do campo vetorial. O conceito de estabilidade estrutural formaliza
o de robustez introduzido anteriormente [1].

6.9

Mapa inverso e iterac


oes para tr
as

No Captulo 1 introduzimos o conceito de mapa unidimensional como uma


funcao f (x) que atribui valores bem-definidos, ou imagens, para cada valor
de x no domnio. A rigor, nos s
o chamamos f de mapa se o domnio e a imagem forem o mesmo conjunto [?]. Os pontos obtidos pela aplicacao sucessiva
do mapa, xt = f [t] (x0 ), a partir de uma dada condicao inicial x0 , s
ao chamadas
iteracoes para frente de f .
Um mapa f representa uma correspondencia biunvoca (um-para-um) se
f (x1 ) = f (x2 ) implicar em x1 = x2 . Caso isso ocorra, podemos definir um
mapa inverso f 1 u
nico. Dizemos que x1 = f 1 (x0 ) e uma imagem inversa,
ou pre-imagem de x0 mediante f . O domnio de f 1 e a imagem de f .
Se um mapa for inversvel, nos podemos obter pontos pela aplicacao sucessiva
do mapa inverso, xt = f t (x0 ), que chamamos de iteracoes para tras de f .
Um mapa linear f (x) = ax + b sempre tem inversa f 1 (x) = (x b)/a, caso
2
a 6= 0. Ja um mapa quadr
atico, por exemplo, f (x) = x
e inversvel pois
nao
cada ponto x > 0 tem duas pre-imagens reais, a saber, + x e x. No entanto,
f (x) = x3 e inversvel, ja que x1/3 e a u
nica pre-imagem de x, sendo f 1 = x1/3
o respectivo mapa inverso.
Para mapas bidimensionais as ideias s
ao essencialmente as mesmas. Um
mapa e inversvel se F(v1 ) = F(v2 ) implica em v1 = v2 . Em outras palavras,
w = F(v) se, e somente se, v = F1 (w). Para obter o mapa inverso nos
procedemos como em funcoes unidimensionais, trocando v por w e resolvendo
a equacao resultante para w.
319

Considere o mapa bidimensional linear F(v) = A v + B. O mapa inverso


sera
F1 (v) = A1 (v B),
(6.277)

logo, mapas lineares serao sempre inversveis desde que a matriz A seja nao
singular, ou seja, se det A 6= 0.
Seja, agora, o mapa nao-linear F(x, y) = (x + 2y, x3 ) [?]. Definindo
y1 = x 3 ,

(6.278)

1
1/3
(x1 y1 ),
2

(6.279)


1
1/3
, (x y ) .
2

(6.280)

x1 x + 2y,
e isolando x e y temos
1/3

x = y1 ,

y=

donde o mapa inverso e


F

(x, y) =

1/3

Podemos, ainda, checar esse fato mostrando que


F1 (F(x, y)) = (x, y),

(6.281)

ou seja, a funcao identidade.

6.10

Direc
oes e curvas invariantes

Considere um ponto fixo hiperbolico, tal que a matriz dos coeficientes tenha
autovalores especificados. Cada autovetor define uma direcao invariante no
plano, que sera dita est
avel ou instavel, caso o autovalor correspondente ao
autovetor tenha modulo menor ou maior que um, respectivamente. Logo, as
retas definidas pelos autovetores s
ao tais que, colocando uma condicao inicial
exatamente sobre elas, todos os demais pontos da orbita pertencem `a respectiva
direcao. Nesse sentido, a auto-direcao e invariante.
Recordemos que, de (6.36), a solucao geral de um modelo discreto linear vt =
A.vt1 e a combinacao linear dos autovetores associados aos dois autovalores
de A, escritos como 1 e 2 (l
a supostos reais e distintos, mas a ideia tambem
se aplica aos demais casos):
vt = c1 1t u1 + c2 2t u2 ,

(6.282)

onde c1 e c2 s
ao dois coeficientes ainda a determinar, a partir das condicao
inicial v0 . Colocando essa u
ltima exatamente sobre a direcao determinada pelo
autovetor u1 , a condicao inicial pode ser escrita como
v 0 = c1 u1 .

(6.283)

Fazendo t = 0 em (6.282) temos que


v 0 = c1 u1 + c2 u2 ,

(6.284)

de sorte que c2 = 0. A solucao geral para todos os tempos posteriores sera, pois
vt = c1 1t u1 ,
320

(6.285)

ou seja, vt pertence `
a direcao determinada por u1 para todos os tempos, como
queramos demonstrar.
O autovetor u1 define uma reta r no plano que e invariante sob a din
amica
do mapa, ou seja, colocando-se uma condicao inicial v0 sobre r, tanto as iteradas
para frente vt e para tras vt do mapa permanecem sobre r. Dizemos, ent
ao,
que u1 e uma auto-direcao invariante.
Um exemplo desse tipo de situacao e o mapa bidimensional linear F(x, y) =
(2x, y/2) [?]. A matriz dos coeficientes e


2
0
,
(6.286)
A=
0 1/2
com autovalores 1 = 2 e 2 = 1/2, correspondendo respectivamente aos autovetores
 
 
1
0
u1 =
, u2 =
.
(6.287)
0
1
Se a condicao inicial for colocada ao longo da reta (ou auto-direcao) determinada pelo autovetor u1 , ent
ao as iteradas sucessivas do mapa levar
ao a
pontos que continuam sobre essa mesma reta (a auto-direcao e, portanto, invariante). Alem disso, como o autovalor correspondente 1 tem modulo maior
do que 1, as iteracoes sucessivas para frente afastar-se-ao da origem monotonicamente (ja que o autovalor e positivo). Nesse caso dizemos que u1 determina
uma auto-direcao invariante instavel, que designaremos por E u .
Mas se a condicao inicial for colocada ao longo da auto-direcao determinada pelo autovetor u2 , ent
ao as iteradas do mapa para frente vt , alem de
continuar sobre essa mesma auto-direcao, aproximar-se-ao assintoticamente da
origem quando t tende a infinito, ja que o autovalor correspondente 2 tem
modulo menor do que 1. Dizemos, ent
ao, que u2 determina uma auto-direcao
invariante est
avel, que designaremos por E s .
Como o mapa tem uma inversa, podemos tambem dizer que, se v0 for colocado na auto-direcao invariante est
avel E s = u2 , as iteradas sucessivas para tras
do mapa vt afastam-se monotonicamente (pois 1 > 0) da origem e tendem a
infinito quando t tende a infinito.
De modo geral, para um ponto de sela v no qual |1 | > 1 e |2 | < 1,
temos que os autovetores u1 e u2 definem auto-direcoes invariantes instavel
E u e est
avel E s , respectivamente [Fig. 6.18]. Se v0 for colocada exatamente
s
sobre E as iteracoes subsequentes aproximar-se-iam do ponto fixo, ou seja,
vt = At v0 v quando t tende a infinito. Analogamente, caso v0 E u as
iteracoes subsequentes afastar-se-iam do ponto fixo para tempos positivos, ou
ainda aproximar-se-iam para pre-iteradas (tempos negativos): vt = At v0
v quando t .

6.10.1

Curvas invariantes

No caso de mapas bidimensionais nao-lineares ate agora tudo o que podemos


afirmar e que, apos serem linearizados, se o ponto fixo v for uma sela havera
auto-direcoes invariantes est
avel E s (v ) e instavel E u (v ) que se interceptam
no ponto fixo em um
angulo diferente de zero (o angulo sera igual /2, no
entanto, se exigirmos que os autovetores sejam ortogonais). Mas a existencia
de uma correspondencia entre os mapas linear e nao-linear quando o ponto fixo
321

W (v*)

E (v*)

1
0
1
0

1
0
0
1

1
0
0
1

11
00
11
00

1
0
0
1

1
0
0
1

1
0
0
1

u1
11
00
00
11
00
11
1
0
0
1

v*

1
0
1
0

u2
s

1
0
0
1

E (v*)

W
1
0
0
1

(v*)

Figura 6.18: Curvas e auto-direcoes invariantes para um ponto fixo do tipo sela.

e hiperbolico (caso do ponto de sela, pois os autovalores nao tem modulo igual
a um) sugere que, para o mapa nao-linear, tambem haja algum tipo de curva
invariante.
De fato, para mapas nao-lineares e possvel definir as chamadas curvas invariantes est
avel e instavel, denotadas por W s (v ) e W u (v ), respectivamente
[1]. Assim como nas auto-direcoes invariantes, uma condicao inicial colocada exatamente sobre W s (v ) ou W u (v ) gera uma orbita cujos pontos aproximam-se
ou afastam-se do ponto fixo, respectivamente.
No caso de mapas bidimensionais lineares, as curvas invariantes est
avel e
instavel coincidem com as auto-direcoes invariantes est
avel e instavel, respectivamente. Para mapas nao-lineares, no entanto, a determinacao das curvas
invariantes deve ser feita numericamente, na maioria das vezes. Apenas em alguns casos particulares e possvel obter analiticamente tais curvas. O chamado
teorema de variedades invariantes garante que (i) as curvas invariantes est
avel
e instavel interceptam-se transversalmente num ponto de sela, e (ii) as curvas
invariantes s
ao tangentes `as auto-direcoes invariantes respectivas no ponto de
sela [Fig. 6.18] [2].
Como um exemplo, seja o mapa nao-linear (e nao-inversvel) F(x, y) =
(x/2, 2y 7x2 ) [?]. Ele tem um ponto fixo na origem, o que pode ser facilmente verificado. Para analisar a estabilidade deste ponto fixo na aproximacao
linear nos construimos a matriz Jacobiana respectiva:





fx
fx


x
y
1/2 0

,
(6.288)
DF(0, 0) =  fy (0,0)  fy (0,0) =
0
2
x

(0,0)

(0,0)

que e um exemplo muito parecido com o que vimos ha pouco: a origem e um


ponto de sela com autovalores 1 = 2 e 2 = 1/2, com autovetores u1 = (1, 0)
e u2 = (0, 1), respectivamente. Ent
ao as auto-direcoes est
avel e instavel serao
dadas, respectivamente, por E s (0, 0) = u2 (eixo das ordenadas) e E u (0, 0) = u1
(eixo das abscissas) [Fig. 6.19].
322

s
s
E (0,0) = W (0,0)
u
W (0,0)

u1
u
E (0,0)
0

u2

Figura 6.19: Curvas e auto-direcoes invariantes para um ponto de sela do mapa


F(x, y) = (x/2, 2y 7x2 ).

Pelo teorema das variedades invariantes ja citado, a curva invariante est


avel
(instavel) e tangente `
a auto-direcao est
avel (inst
avel) na origem. Como F(0, y) =
(0, 2y), uma condicao inicial colocada no eixo das ordenadas ficara l
a para
sempre, logo a auto-direcao est
avel coincide com a a propria curva invariante
est
avel W s (0, 0) = {(0, y), |y R}. Ja a curva invariante instavel e descrita
pela par
abola y = 4x2 , ou seja, W u (0, 0) = {(x, 4x2 )|x R}. Podemos ver
esse fato se colocarmos uma condicao inicial exatamente sobre essa par
abola:
v0 = (x0 , y0 = 4x20 ). As iteracoes para frente subsequentes s
ao dadas por
v1 = f (x0 , y0 ) = (x0 /2, 2y0 7x20 ) = (x0 /2, 8x20 7x20 ) = (x0 /2, x20 ),
2

que continua sobre a par


abola, uma vez que y1 = x20 = 4(x0 /2) = 4x21 . A
curva invariante instavel e tangente `a auto-direcao instavel (eixo das abscissas)
na origem, pois
x0
xt = t 0, (t 0),
2
yt = 2yt1 7x2t1 = 8x2t1 7x2t1 = x2t1 =

x20
2(t1)
2

0,

(t 0).

Apenas em alguns casos muito especiais, como o deste exemplo, e possvel


obter de forma analtica as curvas invariantes de um ponto fixo. Em geral,
tais curvas s
o podem ser obtidas mediante o uso de metodos numericos, alguns bastante sofisticados. N
os remetemos o leitor interessado `a bibliografia
especializada para maiores detalhes [?].

6.11

Determinac
ao num
erica de pontos fixos e
sua estabilidade

Assim como em mapas unidimensionais, a determinacao dos pontos fixos de


mapas bidimensionais nem sempre pode ser feita analiticamente, dependendo
da natureza das funcoes que aparecem. O mesmo se pode dizer da investigacao
323

da estabilidade destes pontos fixos, que depende da determinacao dos autovalores das matrizes Jacobianas respectivas. Ja os sub-espacos invariantes s
ao
encontrados a partir dos autovetores.
Nesses casos e necessario o uso de procedimentos numericos para determinacao tanto dos pontos fixos como dos autovalores e autovetores das matrizes
Jacobianas respectivas. H
a v
arios pacotes (subrotinas) na literatura de metodos
numericos para todas estas tarefas, que podem ser acopladas a programas escritos em C ou Fortran. No entanto, e frequentemente mais simples o uso de
software numerico, como o Maple.
Vamos exemplificar o procedimento usando o seguinte mapa nao-linear [?]
xt

yt

1
(xt1 + yt1 ) ,
2
4 cos(xt1 ).

(6.289)
(6.290)

Os pontos fixos (x , y ) serao solucoes do sistema


x

1
(x + y ) ,
2
4 cos(x ),

(6.291)
(6.292)

de modo que x = y , onde y = 4 cos y e uma equacao transcendente que pode


ser resolvida numericamente, tracando o gr
afico da funcao 4 cos x x e localizando suas intersecoes com o eixo das abscissas. Outra maneira e encontrando
a intersecao entre os gr
aficos das funcoes y = x e y = 4 cos x. No Maple usamos
o comando plot, como segue:
g := x -> 4*cos(x) - x;
plot(g(x), x=-6..2);
plot( [x, 4*cos(x)], x);
Este procedimento nos informa que ha tres raizes e tambem da uma estimativa grosseira dos seus valores. Essas estimativas s
ao importantes para o uso
de metodos numericos (como Newton-Raphson) que s
o funcionam bem se usamos um chute inicial proximo `a raiz procurada. Dessa forma, para um valor
numerico mais preciso das tres raizes, usamos o comando fsolve indicando os
intervalos onde as raizes se encontram, da seguinte forma:
x3 := fsolve(g(x)=0, x=-4..-3);
x2 := fsolve(g(x)=0, x=-2.4..-2);
x1 := fsolve(g(x)=0, x=1..2);
que fornece as seguintes respostas:
x3 := -3.595304867
x2 := -2.133332252
x1 := 1.252353234
Uma das vantagens do Maple e a possibilidade de realizar tambem calculos
algebricos. No caso da matriz jacobiana, ha um comando proprio (jacobian),
que calcula as derivadas parciais das funcoes do mapa (x, y) (f (x, y), g(x, y))
em relacao a x e y:
324

f := (x + y) / 2;
g := 4*cos(x);
dfx := jacobian(vector([f,g]), [x,y])
fornecendo a matriz jacobiana
df x =

1/2
4 sin x

1/2
0

(6.293)

Para obter a matriz Jacobiana calculada no primeiro ponto fixo



  
1, 252353234
x1
=
1, 252353234
y1

(6.294)

e calcular os seus autovalores (bem como seus modulos) nos usamos os comandos
evalf e eigenvals:
dfx1 := evalf(subs({x=x1}, op(dfx)));
eig := [eigenvals(dfx1)];
eig1 := eig[1];
abs1 := abs(eig[1]);
eig2 := eig[2];
abs2 := abs(eig[2]);
o que fornece a matriz Jacobiana

0.500000000
df x1 :=
3.798896074
cujos autovalores s
ao (lembrando que I =

0.5000000000
0.

(6.295)

1)

eig := [0.2500000000 + 1.355340561 I, 0.2500000000 - 1.355340561 I]


eig1 := 0.2500000000 + 1.355340561 I
abs1 := 1.378204642
eig2 := 0.2500000000 - 1.355340561 I
abs2 := 1.378204642
donde concluimos que o ponto fixo e um foco instavel (autovalores complexos e
de modulo maior que 1).
Para os outros dois pontos fixos o trabalho e analogo:

  
2, 133332252
x2
=
(6.296)
y2
2, 133332252
e calcular os seus autovalores (bem como seus modulos) nos usamos os comandos
evalf e eigenvals:
dfx2 := evalf(subs({x=x2}, op(dfx)));
eig := [eigenvals(dfx2)];
eig1 := eig[1];
abs1 := abs(eig[1]);
eig2 := eig[2];
abs2 := abs(eig[2]);
325

df x2 :=

0.500000000
3.383621359

0.5000000000
0.

eig := [1.574503937, -1.074503937]


eig1 := 1.57450393
abs1 := 1.57450393
eig2 := -1.074503937
abs2 := 1.074503937
ent
ao o ponto fixo e um no instavel (autovalores reais e de modulo maior que
1).

  
3.595304867
x3
(6.297)
=
3.595304867
y3
dfx3 := evalf(subs({x=x3}, op(dfx)));
eig := [eigenvals(dfx3)];
eig1 := eig[1];
abs1 := abs(eig[1]);
eig2 := eig[2];
abs2 := abs(eig[2]);


0.500000000 0.5000000000
df x3 :=
1.753220725
0.

(6.298)

eig := [0.2500000000 + 0.902280645 I, 0.2500000000 - 0.902280645 I]


eig1 := 0.2500000000 + 0.902280645 I
abs1 := 0.9362747260
eig2 := 0.2500000000 - 0.902280645 I
abs2 := 0.9362747260
e o ponto fixo e um foco est
avel (autovalores complexos e de modulo menor que
1).

6.12

Exemplo em Economia: Modelo discreto


com curva de Phillips n
ao-linear

Neste exemplo vamos revisitar o modelo de inflacao e desemprego, cuja versao


a tempo contnuo foi estudada no Captulo 2, desta vez supondo uma curva
de Phillips nao-linear. As macrovariaveis din
amicas sao as taxas de inflacao
observada, esperada, e a taxa desemprego no tempo t, denotadas como t , te ,
e ut , respectivamente.
A curva de Phillips modificada por expectativas sera representada por
t ate = f (ut )

(6.299)

onde 0 < a < 1 e um coeficiente que mede o grau em que as expectativas


inflacion
arias s
ao incorporadas na inflacao observada; e adotaremos, de acordo
com [?], a seguinte forma exponencial (Fig. 6.20):
f (u) = 1 + 2 eu ,
326

(6.300)

20

1+2

f(u)

15

10

Figura 6.20: Curva de Phillips nao-linear.

onde 1 < 0 e 2 > 0 s


ao coeficientes de ajuste nao-linear. Observe que a curva
nao-linear obedece `
a condicao J/du < 0, indicando que o aumento da inflacao
leva a uma diminuicao da taxa de desemprego e vice-versa. A curva de Phillips
aumentada por expectativas (6.299) torna-se, pois,
t ate = 1 + 2 eut ,

(6.301)

Em nosso modelo, as expectativas inflacion


arias s
ao formadas adaptativamente, ou seja,
e
e
te = t1
+ c(t1 t1
),
(6.302)
onde 0 c 1 e um coeficiente de expectativas. Substituindo (6.301) em
(6.302) temos
te

=
=

e
e
),
t1
+ c(1 + 2 eut1 + (a 1)t1
e
ut1
),
[1 + c(a 1)]t1 + c(1 + 2 e

(6.303)

Seja Mt a base monet


aria no ano t. A sua taxa nominal de variacao (normalizada), ou
Mt Mt1
,
(6.304)
mt =
Mt1
representa o fluxo de capital injetado ou retirado da economia naquele perodo
pela autoridade monet
aria. A taxa real de expansao da base monet
aria e obtida
descontando-se da taxa nominal determinada por (6.304) a taxa de inflacao
naquele mesmo perodo:
m
t = m t t .
(6.305)
O efeito da poltica monet
aria sobre as macrovariaveis sera modelado por
uma relacao linear entre a variacao na taxa de desemprego e a taxa de expansao
monet
aria real
ut = ut1 bm
t1 = ut1 b(m t1 ),
327

(6.306)

onde tambem supusemos que a taxa de expansao monet


aria nominal e uma
variavel ex
ogena: mt m. O par
ametro b e a elasticidade da taxa de desemprego em relacao a variacoes da poltica monet
aria. Substituindo (6.301) em
(6.304) resulta
e
).
ut = ut1 b(m 1 2 eut1 at1

(6.307)

Reunindo (6.303) e (6.307) temos um modelo discreto bidimensional naolinear


te
ut

e
[1 + c(a 1)]t1
+ c(1 + 2 eut1 ),
e
),
ut1 b(m 1 2 eut1 at1

=
=

(6.308)
(6.309)

para as variaveis te e ut .

6.12.1

Pontos fixos e estabilidade

O ponto fixo do modelo (11.15)-(11.16), denotado ( e , u ) e dado pela solucao


do seguinte sistema de equacoes
e
u

=
=

(6.310)

a ),

(6.311)

bm ba e
= m a e ,
b

(6.312)

[1 + c(a 1)] e + c(1 + 2 eu ),

u b(m 1 2 e

De (6.311) temos

1 + 2 eu =

que, substituida em (6.310), fornece


0 =
e
(ca + c + ca) =
e = m.

c(a 1) e + c(m a e ),
cm,
(6.313)

Colocando (6.313) em (6.312) temos

1 + 2 eu
eu

m am = m(1 a),
m(1 a) 1
.
2

(6.314)

Aplicando logaritmos neperianos a ambos os membros obtemos finalmente




m(1 a) 1
u = ln
. .
(6.315)
2
O ponto fixo do modelo representa, pois, a taxa de inflacao esperada de
equilbrio, a qual e igual `a taxa de expansao da base monet
aria: e = m.
Esse resultado curiosamente nao depende da forma da curva de Phillips f (u).
Considerando a = 1 a taxa de inflacao esperada e igual `a taxa de inflacao do
perodo anterior. Nesse caso a taxa de desemprego de equilbrio,




1
2

,
(6.316)
u = ln
= ln
2
|1 |
328

(ja que 1 < 0) pode ser identificada como uma taxa de desemprego naoaceleradora da inflacao, ou NAIRU. Vamos, na sequencia, considerar apenas
essa importante situacao particular, deixando o caso de a arbitrario para a lista
de problemas.
te
ut

e
e
f (t1
, ut1 ) = t1
+ c(1 + 2 eut1 ),

e
g(t1
, ut1 )

= ut1 b(m 1 2 e

ut1

(6.317)

e
t1
).

(6.318)

Estudaremos, agora, a estabilidade deste ponto fixo. Inicialmente calculamos


os elementos da matriz Jacobiana, que s
ao as derivadas parciais de (11.15) e
(11.16) para a = 1, a saber:
f
e
t1
f
ut1
g
e
t1
g
ut1

1,

(6.319)

c2 eut1 ,

(6.320)

b,

(6.321)

1 b2 eut1 ,

(6.322)

tal que a matriz Jacobiana, calculada no ponto fixo, sera:



 


1 c2 eu
1 c|1 |

J=
=
,
b 1 b|1 |
b 1 b2 eu

(6.323)

uma vez que, por (6.314), eu = |1 |/2 .


Na sequencia, analisamos o traco e o determinante dessa matriz,

trJ = 2 b|1 |,

det A = 1 + b(c 1)|1 |,

(6.324)
(6.325)

e empregamos as condicoes (6.227)-(6.229) para que o ponto fixo seja est


avel.
Verificando a condicao (6.227) temos que
1 + = bc|1 | > 0,

(6.326)

que e sempre satisfeita, uma vez que b > 0 e 0 c 1. O mesmo ocorre para
a condicao (6.228) ja que sempre teremos
1 = b|1 |(1 c) > 0.

(6.327)

Ja para a u
ltima condicao (6.229) resulta
1 + + = 4 + b|1 |(c 2) > 0,

(6.328)

b(c 2) > 4,

(6.329)

ou seja
para que o ponto fixo seja est
avel. Como 0 c 1 segue que 2 c 2 1,
ou seja, seguramente c 2 e negativo. Multiplicando a desigualdade (6.329) por
1/(|1 |(c 2)) ela inverter
a o sentido, portanto
b < b1

4
|1 |(2 c)

329

(6.330)

e a condicao de estabilidade.
A convergencia oscilat
oria est
a ligada `a existencia de autovalores complexos
da matriz jacobiana; o que, por sua vez, ocorre se o discriminante for negativo.
Em contrapartida, para convergencia monotonica temos
D = 2 4 0,

(6.331)

a qual, em substituindo-se (6.324) e (6.325), pode ser reescrita como

(2 + b|1 |)

b |1 | 4b|1 |
2

b |1 |

4[1 + b|1 |(c 1)],

4b(2 c)|1 |c,

4b|1 | 4bc|1 |,

que, dividindo-se por b|1 | > 0, fornece


b b2 =

4(2 c)
.
|1 |

(6.332)

Logo, se b b2 os autovalores serao reais e a convergencia ou divergencia sera


monotonica (nos); enquanto se b < b2 os autovalores serao complexos, e a convergencia ou divergencia sera oscilat
oria (focos).
Usando (6.330) e (6.332) temos que
|1 |
4
1
b1
=
=
2.
b2
|1 |(2 c) 4(2 c)
(2 c)

(6.333)

Como 0 c 1 segue que 1c 0, 2c 1, ou ainda 1/(2c) 1. Elevando-se


2
ao, que
ao quadrado e 1/(2 c) 1. Multiplicando-se por b2 0 decorre, ent
b1 =

b2
(2 c)

b2 .

(6.334)

Ent
ao, se b < b1 ent
ao necessariamente b < b2 , tal que, se o ponto fixo for
est
avel dever
a ser um foco est
avel. Caso contrario, ou seja, se b > b1 podemos
ter um foco instavel se b1 < b < b2 , e um no instavel se b > b2 . Observe, ainda,
que nao existe a possibilidade de um no est
avel nesse modelo.
Essas tres possibilidades podem ser representadas num grafico de b versus c,
onde tracamos as curvas b = b1 = 4/(|1 |(2c)) e b = b2 = |1 |/4(2c) [cf. Fig.
6.21].Concluimos, ent
ao, que as taxas de inflacao e desemprego de equilbrio
s
ao est
aveis se a elasticidade do desemprego em relacao a variacoes na base
monet
aria for mantida abaixo de um limiar b1 . Se b > b1 , como o ponto fixo seria
instavel, as taxas de inflacao e desemprego nunca aproximar-se-iam das taxas
de equilbrio, e tenderiam a infinito com o tempo. Uma aceleracao inflacion
aria
(te ) combinada com uma taxa de desemprego tambem crescente (ut )
e um cen
ario conhecido como estagflaca
o.
Consideremos um exemplo numerico, tomando os coeficientes da curva de
Phillips usados por Soliman: 1 = 2, 5, 2 = 20 (as taxas de inflacao e desemprego est
ao expressas em percentuais) [?]. Neste caso a taxa de desemprego de
equilbrio e, de (6.315), dada por
u = ln

20
2, 08%.
2, 5
330

(6.335)

4
3,5

b = b2

n instvel

2,5

foco instvel

2
1,5

b = b1

0,5
0

foco estvel
0

0,5

Figura 6.21: Plano de par


ametros para o modelo da curva de Phillips nao-linear

Usando um coeficiente de expectativas inflacion


arias c = 0, 75, o limiar da elasticidade do desemprego vale
b1 =

4
4
=
1, 28,
|1 |(c 2)
2, 5 (2 0, 75)

(6.336)

de modo que um limiar de elasticidade igual, por exemplo, a b = 1, implicaria


que a cada 1% de aumento da base monet
aria haveria 1% de diminuicao da
taxa de desemprego. Se essa elasticidade for alta demais, no entanto, ao inves
de diminuir a taxa de desemprego, a mesma aumenta de forma incontrolavel.
Quanto `
a convergencia ao ponto fixo, esta sera sempre oscilat
oria.

6.13

Problemas

1. Determine a estabilidade do ponto fixo, e esboce as trajet


orias no plano de fase,
para os seguintes modelo discretos lineares, onde B e o vetor nulo:
(a)
A=

1/2
0

0
1/4

(b)
1
4

2
0

0
1/2

0
1

1
0

A=

1
2

A=

A=

(c)

(d)

331

2. Ache os pontos fixos do modelo discreto bidimensional n


ao-linear
2
xt = x2t1 yt1
+ c1 xt1 + c2 yt1 , yt = 2xt1 yt1 + c3 xt1 + c4 yt1 ,

e estude sua estabilidade linear.


3. Considere o seguinte modelo discreto bidimensional
xt = 2xt1

2
(mod2), yt = yt1 + yt1
+ cos(xt1 ),

onde > 0, > 0, e a prescrica


o z(mod2) significa tomar o resto da divis
ao
de z por 2. Por exemplo, 3(mod2) = .
(a) Ache os pontos fixos do modelo discreto;
(b) Estude a estabilidade dos pontos fixos;
(c) Trace, no plano de fase, uma centena de iteraco
es do modelo utilizando algum
dos metodos numericos abordados neste Captulo.
4. Considere o seguinte modelo de ajustes de mercado e expectativas racionais [21]:
as vari
aveis s
ao o consumo Ct , a produca
o Pt , o preco pt , o preco esperado pet ,
o efeito de fatores ex
ogenos (como o clima) sobre a oferta xt , e o estoque It . As
hip
oteses do modelo s
ao:
o consumo depende do preco atual: Ct = pt , com > 0;

a produca
o tem um hiato temporal e depende do preco esperado para
aquele perodo, bem como dos fatores ex
ogenos: Pt = pet + xi , onde
> 0;
o estoque (com fins especulativos) e proporcional `
a diferenca entre o preco
real e o esperado para o pr
oximo perodo: It = (pet+1 pt )

condica
o de equilbrio do mercado: a oferta total (Pt + It1 ) e igual `
a
demanda total (Ct + It )
expectativas racionais: pet = pt

(a) Formule uma equaca


o a diferencas para o preco pt como funca
o de pt1 e
pt2 ;
(b) Transforme a equaca
o a diferencas num modelo discreto bidimensional;
(c) Determine os pontos fixos e estude sua estabilidade ;
(d) Trace, no plano de fase, uma centena de iteraco
es do modelo utilizando
algum dos metodos numericos abordados neste Captulo.
5. Goodwin prop
os uma generalizaca
o do modelo de teia de aranha com expectativas extrapolativas e regressivas. As hip
oteses do modelo, usando a mesma
notaca
o do Captulo I, s
ao:
funca
o oferta linear: Ot = c + dpet , com c > 0, d > 0;

funca
o demanda linear: Dt = a bpt , com a > 0, b > 0;

equilbrio do mercado: Dt = Ot ;

expectativas: pet = pt1 + (pt1 pt2 ), onde > 0 implica extrapolaca


o,
< 0 implica regress
ao (o caso = 0 corresponde a expectativas ingenuas).

(a) Formule uma equaca


o a diferencas para o preco pt como funca
o de pt1 e
pt2 ;
(b) Transforme a equaca
o num modelo discreto bidimensional;
(c) Determine os pontos fixos e estude sua estabilidade. Interprete seus resultados.

332

6. Hicks modificou o modelo de multiplicador/aceleraca


o de Samuelson, incluindo
neste modelo um investimento aut
onomo que aumenta exponencialmente com o
tempo a uma taxa g > 0. Neste caso, a funca
o investimento, ao inves de (6.152)
e
It = It + It = (Ct Ct1 ) + A0 (1 + g)t
onde A0 e uma constante positiva. Usando a mudanca de vari
avel
Zt =

Yt
,
(1 + g)t

formule o modelo de Samuelson-Hicks na forma de um modelo discreto bidimensional linear. Determine o ponto de equilbrio e estude sua estabilidade.
Faca uma an
alise no plano de par
ametros. Interprete economicamente seus resultados. Detalhes em [?], onde tambem funco
es lineares por partes para o
investimento aut
onomo s
ao consideradas.
7. Estude novamente o modelo discreto para inflaca
o-desemprego abordado nesse
captulo, mas usando agora uma curva de Phillips linear do tipo f (u) = u.
Ache o ponto fixo e estude sua estabilidade no plano de par
ametros b versus c.
Use valores numericos para e (os mesmos do captulo 2).

333

334

Captulo 7

Modelos discretos
multidimensionais
Toda a discussao feita no captulo precedente sobre modelos discretos bidimensionais pode ser generalizada para o caso de v
arias dimensoes. A linguagem
matricial desenvolvida para o caso bidimensional e a ferramenta essencial nesse
processo de generalizacao, e relativamente poucos conceitos novos precisam ser
introduzidos.

7.1

Modelos multidimensionais lineares

Temos, em geral, N variaveis din


amicas discretas, `as quais denotaremos por xi ,
com i = 1, 2, . . . N . Se N = 2, por exemplo, batizamos x1 = x e x2 = y. No
tempo t = 0, 1, 2, . . . escrevemos (x1 )t , (x2 )t , , (xN )t . A forma geral de um
modelo discreto multidimensional e
(x1 )t
(x2 )t
..
.
(xN )t

=
=
=
=

F1 ((x1 )t1 , (x2 )t1 , . . . (xN )t1 )


F2 ((x1 )t1 , (x2 )t1 , . . . (xN )t1 )
..
.
FN ((x1 )t1 , (x2 )t1 , . . . (xN )t1 )

(7.1)

onde fi , i = 1, 2, . . . N s
ao funcoes, em princpio, de todas as variaveis. Na
notacao matricial, podemos definir uma matriz coluna N 1 das variaveis
din
amicas no instante t:

(x1 )t
(x2 )
t

vt =
(7.2)
,
..

.
(xN )t
e uma matriz coluna contendo as respectivas funcoes

F1 (vt )
F2 (vt )

F(vt ) =
,
..

.
FN (vt )
335

(7.3)

de modo que o modelo discreto multidimensional geral pode ser escrito numa
forma extremamente compacta como
vt = F(vt1 ).

(7.4)

Interessa-nos, em particular, o modelo N -dimensional linear, para o qual a


funcao vetorial e afim:
F(vt ) = A.vt + B.
(7.5)
onde definimos matrizes com elementos constantes:

A11 A12 A1N


A21 A22 A2N

B=
A= .
..
.. ,
..

..
.
.
.
AN 1 AN 2 AN N

B11
B12
,
..
.B1N

(7.6)

de modo que o mapa e escrito numa forma inteiramente analoga ao caso bidimensional
vt = A.vt1 + B.
(7.7)

7.2

Pontos fixos e estabilidade

A similaridade com o caso bidimensional permite a de muitos resultados do


Captulo 6. Por exemplo, podemos definir um vetor (matriz coluna) de pontos
fixos


(x1 )
(x2 )

v =
(7.8)
,
..

.
(xN )

que e dado pela mesma formula deduzida no captulo anterior, ja que a forma
geral do modelo e a mesma, na notacao matricial:
v = (I A)

.B,

(7.9)

desde que a matriz (I A) nao seja singular (possua inversa).


Analogamente, tambem, a solucao geral do modelo N -dimensional e dada
por
vt = At .[v0 v ] + v ,
(7.10)
onde v0 e o vetor de variaveis din
amicas no instante t = 0.
Com relacao `
a estabilidade do ponto fixo, argumentos semelhantes aos do
captulo precedente serao aplicados, ainda que haja determinadas complexidades
conveniente, como
matematicas que nao abordaremos no escopo deste livro. E
vimos, transladar o ponto fixo para a origem do espaco N -dimensional, ou seja,
para o ponto de coordenadas xi = 0, com i = 1, 2, . . . N ; fazendo:
wt v t v ,

(7.11)

o que leva ao modelo mais smples (sem o termo constante):


wt = A.wt1 .
336

(7.12)

A estabilidade do ponto fixo na origem depende, pois, da distancia Euclidiana no espaco N -dimensional das variaveis din
amicas que, por sua vez, e a
norma Euclidiana do vetor wt :
q
2
2
2
(7.13)
||wt || = (w1 )t + (w2 )t + . . . + (wN )t

onde (wi )t = xi xi , para i = 1, 2, . . . N . O ponto fixo na origem w = 0 e assintoticamente est


avel se, dada uma condicao inicial w0 , as iteracoes subsequentes,
At .w0 , s
ao tais que as distancias `
a origem aproximam-se de zero quando t tende
a infinito. De forma analoga, a origem sera instavel se a distancia diverge para
infinito quando t . Dessa forma, a determinacao da estabilidade do ponto
fixo demanda a analise dos autovalores da matriz A.
A matriz quadrada N N A tem autovalores dados pelas razes da equacao
secular, que e dada por
det(A I) = 0,
(7.14)
onde I e a matriz identidade de ordem N :

1 0
0 1

I= . . .
..
.. ..
0

A equacao secular e obtida igualando


seja

A11
A12

A21
A

22


..
..

.
.

AN 1
AN 2

0
0
..
.
1

(7.15)

a zero um determinante de ordem N , ou

..
.






= 0,


A1N
A2N
..
.
AN N

(7.16)

que fornece uma equacao algebrica de grau N da forma

ao N + a1 N 1 + . . . + aN 1 + aN = 0,

(7.17)

onde ai , i = 0, 1, 2, . . . N 1 s
ao coeficientes dependentes dos elementos da
matriz A. Naturalmente podemos dividir toda a equacao por a0 6= 0 tal que
o coeficiente do primeiro termo pode ser tomado igual a um, sem perda de
generalidade.

Pelo teorema fundamental da Algebra,


uma equacao algebrica de grau N
tem N razes, reais ou complexas. Logo, a matriz A ter
a sempre N autovalores,
denotados i , com i = 1, 2, . . . N ; assim como N autovetores associados ui , tais
que
A.ui = i ui .
(7.18)
Em princpio, conhecer os autovalores da matriz requer a solucao da euqacao
(7.16). Sabemos que solucoes analticas (usando radicais) existem apenas para
N 4 porem, tirando o caso N = 2, tais solucoes s
ao extremamamente complicadas e mesmo difceis de interpretar (o caso N = 3, por exemplo, pode ser
resolvido usando a famosa formula de Cardano). Quando, na pratica, se requer
o calculo explcito dos autovalores, recorre-se a solucoes numericas da equacao
secular, o que pode tambem ser muito complicado quando todas ou parte das
337


razes s
ao complexas. Em todo caso, um teorema da Algebra
garante que, se
houver uma raiz complexa = +i, tambem existira uma outra raiz complexa
conjugada desta: = i. De modo geral, podemos ter parte das razes
reais e parte delas complexas, e pode haver algumas razes reais iguais (multiplicidade ou degenerescencia), o que torna o problema em geral bastante
complicado. Mais difcil ainda e obter os autovetores no caso geral. Quando
ha razes reais repetidas, ou razes complexas da equacao secular, devem ser
definidos autovetores generalizados.

O tratamento geral deste problema pode ser encontrado em textos de Algebra


Linear, mas, para nossos propositos, nao sera necessario encontrar (analitica ou
numericamente) todos os autovalores i da matriz A. Sabemos, pela analise feita
no caso bidimensional, que o ponto fixo na origem e assintoticamente est
avel se
e somente se todos os autovalores tiverem modulos menores que um. Caso os
autovalores sejam reais, ent
ao seus valores absolutos s
ao tais que |i | < 1. Caso
sejam complexos (i =p + i), ent
ao o modulo deve ser calculado no plano
complexo |i | = |i | = 2 + 2 < 1, tal que os autovalores devem estar dentro
do crculo unitario |i | = 1.
Caso algum dos autovalores tenha modulo maior do que um, isso ja basta
para que o ponto fixo seja considerado instavel. Na verdade, ha v
arias maneiras
de um ponto fixo ser instavel, dependendo do n
umero de autovalores com modulo
maior que um, e que est
ao relacionados com o n
umero de autovetores correspondentes a direcoes instaveis. No entanto, do ponto de vista das aplicacoes
econ
omicas, na maioria dos casos basta-nos saber se o ponto fixo e instavel ou
nao, sendo de menor relev
ancia a determinacao das direcoes em que os pontos
divergem para infinito quando t .
Alem de determinar a estabilidade do ponto fixo na origem, podemos tambem
indagar sobre como a solucao converge para ela (ou, caso seja instavel, como
diverge para infinito), se monotonicamente ou oscilatoriamente. Como vimos
no captulo II, a convergencia e monotonica se os autovalores tiverem parte real
positiva, e oscilat
oria se tiverem parte real negativa. Em N dimensoes este e
um problema bastante complicado, pois alguns autovalores podem ter partes
reais positivas e outros partes reais negativas, ent
ao podemos ter convergencia
monotonica para algumas variaveis, e oscilat
oria para outras.

7.2.1

Crit
erio de Jury

Felizmente nao e preciso encontrar todos os autovalores da matriz A para saber


possvel determinar, a partir
se o ponto fixo na origem e ou nao est
avel. E
do chamado criterio de Jury, condicoes necessarias e suficientes para que os
modulos das razes da equacao secular sejam menores que um; ou seja, que
todos os autovalores estejam dentro do crculo unitario. Tais condicoes envolvem
relacoes entre os coeficientes da equacao secular, o que nos alivia da tarefa
propriamente dita de resolve-la.
Seja a equacao algebrica de grau N :
P () = N + a1 N 1 + . . . + aN 1 + aN = 0

(7.19)

As razes desta equacao, reais ou complexas, ter


ao modulos menores que 1 se e
somente se as seguintes condicoes forem satisfeitas [?, ?]:
338

|an |

P (1)

<

1,

(7.20)

>

0,
(

(7.21)

P (1)
|bn1 |

|cn2 |
..
.
|q2 |

>
>

>

>0
<0

se n e par,
,
se n e mpar;

|b0 |,

(7.22)
(7.23)

|c0 |,
..
.,
|q0 |,

(7.24)

(7.25)

onde definimos os seguintes determinantes




an an1j
,

(j = 0, 1, 2, , n 1)
bj =
1
aj+1


b
an2j
,
(j = 0, 1, 2, , n 2)
cj = n1
b0
bj+1
.. .. ..
. . .

p p2j
,
qj = 3
(j = 0, 1, 2).
p0 pj+1

(7.26)
(7.27)

(7.28)

Na aplicacao da condicao (7.23) do criterio de Jury, devemos observar que os


determinantes bj s
ao calculados diretamente a partir dos coeficientes da equacao
secular aj . Os determinantes cj s
ao obtidos a partir dos determinantes bj , e
assim por diante. Continuamos o processo ate chegar aos determinantes qj ,
que s
ao apenas tres, e s
ao escritos em funcao dos determinantes anteriores, que
chamamos pj .
Vamos considerar inicialmente o caso particular em que n = 2, ou seja, o de
uma equacao quadr
atica
P () = 2 + a1 + a2 = 0,

(7.29)

As condicoes prescritas pelo criterio de Jury s


ao
|a2 |
P (1) = 1 + a1 + a2

<
>

1,
0,

(7.30)
(7.31)

P (1) = 1 a1 + a2

>

0,

(7.32)

que s
ao as condicoes de estabilidade (6.145)-(6.147)) utilizadas no Captulo 6.
Na verdade, a condicao |a2 | < 1 e mais restritiva do que (6.146), a saber, a2 < 1,
mas isso nao representa problema. Quando levamos as outras condicoes de
estabilidade, gerando o triangulo de estabilidade da Figura ??, a condicao a2 < 1
implica em |a2 | < 1, pois o triangulo de estabilidade tem um vertice em a2 = 1.
Note, ainda, que, no caso n = 2, a condicao (7.23) nao se aplica pois, embora
possamos escrever b0 e b1 , ao tentar escrever o determinante b2 encontraramos
um ndice negativo do coeficiente aj . Por outro lado, na condicao (7.23) e
obrigatorio termos pelo menos tres determinantes bj .
339

Para uso posterior neste captulo, mostraremos explicitamente os calculos


para o caso n = 3, onde temos uma equacao c
ubica
P () = 3 + a1 2 + a2 + a3 = 0,

(7.33)

cujas razes ter


ao modulos menores que um desde que:
|a3 |
P (1) = 1 + a1 + a2 + a3

<
>

1,
0,

(7.34)
(7.35)

P (1) = 1 + a1 a2 + a3
|b2 |

<
>

0,
|b0 |

(7.36)
(7.37)

onde
b0

b1

b2

|a23 1|

>


a2
,
a1

a1
,
a2

a0
,
a3

a3
1
a3
1
a3
1

(j = 0)

(7.38)

(j = 1)

(7.39)

(j = 2)

(7.40)

|a3 a1 a2 |,

(7.41)

pois a0 = 1.
No caso n = 4, a equacao secular tem a forma
P () = 4 + a1 3 + a2 2 + a3 xi + a4 = 0,

(7.42)

e as condicoes para que o criterio de Jury seja satisfeito s


ao
|a4 |
P (1) = 1 + a1 + a2 + a3 + a4
P (1) = 1 a1 + a2 a3 + a4
|b3 |
|c2 |

<
>
>

1,
0,
0,

(7.43)
(7.44)
(7.45)

>
>

|b0 |,
|c0 |,

(7.46)
(7.47)

onde
b0

b1

b2

c0

c1
c2

a4
1
a4
1
a4
1
b3
b0


a3
= a1 a4 a3 ,
a1

a2
= (a4 1)a2 ,
a2

a1
= a4 a3 a1 ,
a3

a2
= b1 b3 b0 b2
b1

(7.48)
(7.49)
(7.50)
(7.51)

= a2 (a4 + 1)(a4 1) (a1 a4 a3 )(a4 a3 a1 ),




b3 b2

= b3 (b2 b0 ),
=
b0 b1


b3 b0

= b23 b20
=
b0 b3
2

= (a24 1) (a1 a4 a3 ) ,
340

(7.52)
(7.53)

o que implica nas duas condicoes a seguir

|(a24

|a24 1|

>

1) (a1 a4 a3 ) |

>

7.2.2

>

|a1 a4 a3 |,

(7.54)
(7.55)
2

|a2 (a4 + 1)(a4 1) (a1 a4 a3 )(a4 a3 a1 )|.

Crit
erio de Schur

Alem do criterio de Jury, temos tambem o criterio de Schur, enunciado a seguir:


seja a equacao algebrica de grau n:
ao n + a1 n1 + . . . + an1 + an = 0.

(7.56)

As razes desta equacao, reais ou complexas, ter


ao modulos menores que 1 se e
somente se os n determinantes a seguir forem todos positivos [19]:

..
.

..
.

a0
an
a0
a1
an
an1
a0
a1
a2
an
an1
an2

..
.
a0

a1

..
.

an1

an

an1

.
..

a1


an
> 0,
a0
0
a0
0
an

(7.57)

an
0
a0
0

an1
an
a1
a0





> 0,


an1
an
0
a1
a0
0

(7.58)
an2
an1
an
a2
a1
a0







> 0,




0
a0
a1
0
an
an1

0
0
a0
0
0
an

an
0
0
a0
0
0

0
a0
..
.

..
.

0
0
..
.

an
0
..
.

an1
an
..
.

..
.

a1
a2
..
.

an2
0
an
..
.

..
.

a0
0
0
..
.

0
a0
0
..
.

0
a1
a0
..
.

..
.

an
an1
an2
..
.

a2

an

a0

(7.59)










> 0. (7.60)







Observe que cada determinante k , com k = 1, 2, n tem ordem 2k e pode


ser dividido em quatro quadrantes, cada qual com ordem k. No quadrante superior esquerdo todos os elementos da diagonal principal s
ao iguais a a0 , e todos os
elementos acima dela s
ao iguais a zero, os elementos abaixo sendo preenchidos
progressivamente pelos coeficientes da equacao secular. O quadrante inferior direito e obtido pela transposicao dos elementos do quadrantes superior esquerdo
(isto e, trocando linha por coluna e vice-versa). O quadrante superior direito
tem como elementos da diagonal principal os coeficientes an , sendo nulos todos
341

os elementos abaixo destes. Os elementos acima s


ao obtidos a partir dos coeficientes seguintes a an , ate estes se esgotarem. O quadrante inferior esquerdo e
a transposicao do quadrante superior direito.
Para ilustrar esse criterio, vamos considerar o caso em que n = 2:
ao 2 + a1 + a2 = 0.
O criterio de Schur impoe a positividade

a a2
1 = 0
a2 a0

a0 0

a a0
2 = 1
a2 0
a1 a2

dos seguintes determinantes:




> 0,


a2 a1
0 a2
> 0.
a0 a1
0 a0

(7.61)

(7.62)

(7.63)

Do primeiro determinante decorre imediatamente a condicao


1 = a20 a22 > 0.

(7.64)

Ja o segundo determinante, 7.63, pode ser desenvolvido pelo Teorema de Laplace


na soma de, no maximo, quatro determinantes de terceira ordem. Esse n
umero
pode ser ainda menor, pois v
arios elementos s
ao zero. Escolhendo a segunda
coluna para referencia, teremos




a0 a2 a1
a0 a2 a1




4+2
2+2
2 = (1) a0 a2 a0 a1 + (1) a2 a1 0 a2 =
a2 a0 a1
a1 0 a0
=
=

a0 (a30 + a21 a2 a21 a0 a0 a22 ) + a2 (a21 a0 + a32 a2 a20 a21 a2 )


(7.65)
a40 + 2a0 a21 a2 a21 a20 2a20 a22 a21 a22 a21 a22 + a42 ,

e que pode ser reescrita em termos de produtos notaveis, tal que o resultado
final torna-se
2
2
2 = (a20 a22 ) a21 (a0 a2 ) > 0.
(7.66)
Supondo que a0 = 1 (o que sempre pode ser feito, como vimos), a equacao
(7.64) implica em
1 a2 > 0,
(7.67)
que nao conflita com a sua similar |a2 | < 1 dada pelo criterio de Jury pois as
duas s
ao de fato equivalentes, tendo em vista o triangulo de estabilidade visto
no Captulo 6.
Ja a segunda condicao, (7.66), recai numa inequacao do segundo grau, cuja
solucao pode ser escrita como o seguinte par de desigualdades:
(1 a22 ) < a1 (1 a2 ) < 1 a22 ,

(7.68)

cada qual fornecendo uma condicao adicional, a saber:


1 + a1 + a2

>

0,

(7.69)

1 a1 + a2

>

0,

(7.70)

e que s
ao as condicoes de estabilidade (6.145)-(6.147).
342

Para o caso n = 3, o criterio de Schur preconiza as seguintes condicoes sobre


os coeficientes da equacao secular:


a0 a3

> 0,
1 =
(7.71)
a3 a0


a0 0 a3 a2


a1 a0 0 a3
> 0,

(7.72)
2 =

a3 0 a0 a1
a2 a3 0 a0


a0 0 0 a3 a2 a1


a1 a0 0 0 a3 a2


a a1 a0 0 0 a3
> 0.
3 = 2
(7.73)

a3 0 0 a0 a1 a2
a2 a3 0 0 a0 a1


a1 a2 a3 0 0 a0

No entanto, na pr
atica o criterio de Schur nao e muito conveniente pois, ja
no caso de n = 3 implica no calculo de determinantes de ordem 6. Por isso
normalmente referir-nos-emos ao criterio de Jury para uso futuro.

7.3

Exemplo em Economia: Multiplicadores numa


economia aberta

Com a atual enfase na globalizacao da economia, estudos sobre a interacao


econ
omica entre v
arios pases tem se tornado cada vez mais comuns. No captulo
6 estudamos o modelo de multiplicador-acelerador de Samuelson para um u
nico
possvel incluir neste modelo os efeitos de trocas comerciais, porem de
pas. E
forma ex
ogena. Para tornar as quest
oes de importacao-exportacao endogenas e
preciso considerar o comportamento din
amico da economia de mais de um pas.

7.3.1

Modelo com tr
es pases

Vamos considerar um modelo onde tres pases interagem numa economia aberta
[21], como exemplo de um modelo discreto multidimensional, e que pode ser generalizado para um n
umero arbitrario de pases (veja o problema XXX). Vamos
dar o ndice i = 1, 2, 3 a cada pas, cuja economia sera descrita pelas seguintes
macrovariaveis:
Ct (i): consumo do pas i no tempo t;
Yt (i): renda do pas i no tempo t;
It (i): investimento do pas i no tempo t;
Mt (i): exportacoes do pas i no tempo t;
Xt (i): importacoes do pas i no tempo t.
Para cada pas, adotaremos uma funcao de consumo linear com um hiato de
tempo de uma unidade, tal como no modelo de Samuelson [vide Eq. (6.151)]:
Ct (i) = b(i)Yt1 (i),
343

(7.74)

1
M 12

X 13
X

12

13

21

X 31

M 21
M

33

2
X

M 31

32

32

33

Figura 7.1: Exportacoes e importacoes entre tres pases.

onde 0 < b(i) < 1 e a propensao marginal de consumo do pas i. Da mesma


forma, iremos adotar uma funcao de investimento linear com hiato:
It (i) = I0 (i) + h(i)Yt1 (i),

(7.75)

onde I0 (i) e o investimento autonomo do pas i, e 0 < h(i) < 1 e a correspondente


propensao marginal a investir.
A importacao de cada pas e suposta ser linearmente proporcional `a renda
no tempo anterior:
Mt (i) = M0 (i) + m(i)Yt1 (i),

(7.76)

onde M0 (i) representa as importacoes autonomas, ou seja, aquelas obrigatorias


como generos alimentcios, insumos ou energia que o pas i nao produz e nao
pode deixar de importar. A parte dependente da renda e representada pela
propensao marginal a importar mi .
Considerando um modelo com dois pases, i = 1 e 2, e economias mutuamente abertas, a importacao de um corresponde `a exportacao do outro, e
vice-versa
Xt (1) = Mt (2),

Xt (2) = Mt (1).

(7.77)

Para tres ou mais pases, porem, a situacao e mais complexa, ja que o pas i = 1
pode exportar e importar dos pases 2 e 3 com diferentes propensoes, devido
a acordos comerciais ou barreiras tarif
arias e/ou protecionistas, por exemplo
(Figura 7.1).
344

Para tal, vamos considerar inicialmente o total de importacoes autonomas


feitas pelo pas dos dois outros pases:
M0 (1)

M0 (21) + M0 (31),

M0 (2)
M0 (3)

=
=

M0 (12) + M0 (32),
M0 (13) + M0 (23).

(7.78)

Da mesma forma, determinamos a propensao total do pas i a importar dos


outros dois pases,
m(1)
m(2)

=
=

m(21) + m(31),
m(12) + m(32),

(7.79)
(7.80)

m(3)

m(13) + m(23),

(7.81)

onde somamos as propensoes parciais, m(ij), do pas i importar do pas j.


Substituindo (7.78) em (7.80) temos
Mt (1)

(M0 (21) + M0 (31)) + (m(21) + m(31))Yt1 (1),

(7.82)

Mt (2)
Mt (3)

=
=

(M0 (12) + M0 (32)) + (m(12) + m(32))Yt1 (2),


(M0 (13) + M0 (23)) + (m(13) + m(23))Yt1 (3).

(7.83)
(7.84)

A exportacao total do pas i = 1, por exemplo, corresponde `as importacoes


dos pases i = 2 e i = 3, tanto na parte autonoma quanto naquela que depende
das rendas dos dois pases. Portanto
Xt (1)
Xt (2)

=
=

(M0 (12) + M0 (13)) + (m(12)Yt1 (2) + m(13)Yt1 (3)),


(M0 (21) + M0 (23)) + (m(21)Yt1 (1) + m(23)Yt1 (3)), (7.85)

Xt (3)

(M0 (31) + M0 (32)) + (m(31)Yt1 (1) + m(32)Yt1 (2)).

Para cada pas, supomos a existencia de equilbrio macroecon


omico onde
a oferta agregada, dada pela renda nacional mais o total das importacoes, e
igual `a demanda agregada que, por sua vez, e igual `a soma do consumo, do
investimento, e das exportacoes:
Yt (i) + Mt (i) = Ct (i) + It (i) + Xt (i),

(i = 1, 2, 3)

(7.86)

onde desconsideramos gastos governamentais. Substituindo (7.74), (7.75), (7.83)


e (7.85) em (7.86), temos, para a renda de cada pas as seguintes equacoes
din
amicas:
Yt (1)

a(11)Yt1 (1) + m(12)Yt1 (2) + m(13)Yt1 (3) + H(1), (7.87)

Yt (2)
Yt (3)

=
=

m(21)Yt1 (1) + a(22)Yt1 (2) + m(23)Yt1 (3) + H(2), (7.88)


m(31)Yt1 (1) + m(32)Yt1 (2) + a(33)Yt1 (3) + H(3), (7.89)

onde definimos
m(ii)
H(1)
H(2)
H(3)

b(i) + h(i) + m(i),

(i = 1, 2, 3)

I0 (1) + (M0 (12) M0 (21)) + (M0 (13) M0 (31)),


I0 (2) + (M0 (21) M0 (12)) + (M0 (23) M0 (32)),

I0 (3) + (M0 (31) M0 (13)) + (M0 (32) M0 (23)).


345

(7.90)
(7.91)
(7.92)
(7.93)

Desse modo, podemos escrever as equacoes (7.87)-(7.89) na forma de um


modelo discreto multidimensional linear
vt = A.vt1 + B
onde

(7.94)

Yt (1)
vt = Yt (2) ,
Yt (3)

e as matrizes com elementos constante

m(11) m(12) m(13)


A = m(21) m(22) m(23) ,
m(31) m(32) m(33)

(7.95)

H(1)
B = H(2) .
H(3)

(7.96)

Para encontrar o ponto fixo deste modelo, ou seja, a renda de equilbrio de


cada pas, utilizaremos (7.9), ou seja

Y (1)
1
(7.97)
v = (I A) .B = Y (2) ,
Y (3)

de modo que

1 m(11)
Y (1)
Y (2) = m(21)
Y (3)
m(31)

m(13)
H(1)
m(23) , H(2) .
1 m(33)
H(3)
(7.98)
Precisamos inverter a matriz I A, o que faremos utilizando as formulas
(4.21) e (4.22) do Captulo 4. Teremos ent
ao que

a(11) a(12) a(13)


1
1
a(21) a(22) a(23) ,
(7.99)
(I A) =

a(31) a(32) a(33)


m(12)
1 m(22)
m(32)

onde

=
=

a(11)
a(12)

=
=

a(13)
a(21)

=
=

a(11)
a(23)

=
=

a(31)
a(32)

=
=

a(33)

det(I A)

(7.100)

m(23)m(32)(1 m(11)) m(12)m(21)(1 m(33)),


(1 m(22))(1 m(33)) m(23)m(32),
m(12)(1 m(33)) m(13)m(32),

(7.101)
(7.102)

(1 m(11))(1 m(22))(1 m(33)) + m(21)m(32)m(13) +


m(31)m(12)m(23) m(13)m(31)(1 m(22))

m(13)(1 m(22)) + m(23)m(12),


m(21)(1 m(33)) m(23)m(31),

(1 m(11))(1 m(33)) m(13)m(31),


m(23)(1 m(11)) + m(21)m(13),

m(31)(1 m(22)) + m(21)m(32),


m(32)(1 m(11)) + m(31)m(12),

(1 m(22))(1 m(11)) m(12)m(21).


346

(7.103)
(7.104)
(7.105)
(7.106)
(7.107)
(7.108)
(7.109)

e, finalmente, as rendas de equilbrio para cada pas s


ao dadas por

7.3.2

Y (1)

Y (2)

Y (3)

1
(a(11)H(1) + a(12)H(2) + a(13)H(3)) ,

1
(a(21)H(1) + a(22)H(2) + a(23)H(3)) ,

1
(a(31)H(1) + a(32)H(2) + a(33)H(3)) ,

(7.110)
(7.111)
(7.112)

Estabilidade do ponto fixo

Uma vez encontrado o ponto fixo, sua estabilidade e determinada pelos autovalores da matriz A. Sendo a matriz de terceira ordem, a equacao secular
det(A I) = 0 leva a uma equacao algebrica do terceiro grau da forma
3 + a1 2 + a2 + a3 = 0

(7.113)

e cujas razes 1,2,3 s


ao os autovalores procurados. No captulo refmcm [vide Eq.
(7.114)] mostramos que a equacao secular para uma matriz de terceira ordem e
dada por
3 Tr A 2 + c2 det A = 0,
(7.114)
apos multiplic
a-la por 1 a fim de tornar igual a um o coeficiente do termo
c
ubico, e onde c2 e a soma dos menores principais da matriz A. Comparando
(grau3) com (refsecA3) temos os coeficientes
a1

a2
a3

=
=

Tr A,

c2 ,
det A,

(7.115)
(7.116)
(7.117)

O ponto de equilbrio (7.110)-(7.112) sera assintoticamente est


avel se, pelo
criterio de Jury (autovalores da matriz A com modulos menores que um) tivermos satisfeitas as seguintes desigualdades [vide (7.20) e condicoes associadas]:
|a3 |
1 + a1 + a2 + a3

=
=

1 + a1 a2 + a3
|a23 1|

=
>

|(det A) 1|

>

| det A| < 1,
1 Tr A + c2 det A > 0,

1 Tr A c2 det A < 0,
|a3 a1 a2 |,
| det A Tr A c2 |,

(7.118)
(7.119)
(7.120)
(7.121)
(7.122)

As condicoes de estabilidade acima foram escritas numa forma geral para


poderem ser usadas, quando necessario, em outros modelos. No modelo que
estamos analisando em particular nessa secao temos que
Tr A
c2
det A

=
=
=

m(11) + m(22) + m(33),


m(11)m(22) m(21)m(12) + m(11)m(33)

m(13)m(31) + m(22)m(33) m(23)m(32),


(7.123)
m(11)m(22)m(33) + m(21)m(32)m(13) + m(31)m(12)m(23)
m(13)m(22)m(31) m(23)m(32)m(11) m(33)m(12)m(21),
347

que, naturalmente, dao origem a expressoes algebricas t


ao grandes que seriam
praticamente inviaveis para manipulacao puramente simbolica. Temos, pois,
duas alternativas: ou colocamos valores numericos nas constantes do modelo,
ou procuramos analisar alguns casos particulares mais simples que permitam
uma abordagem analtica. A seguir vamos levar a cabo essa segunda alternativa,
ficando a primeira para os exerccios deste captulo.

7.3.3

Um caso particular: acoplamento unidirecional

Um caso particular, embora algo artificial, da situacao apresentada consiste


no chamado acoplamento unidirecional, ou seja, as relacoes de exportacaoimportacao s
o ocorrem num sentido. Por exemplo, o pas 1 s
o exporta para
o pas 2, mas nao importa dele; senao apenas do pas 3, que s
o importa do pas
2. Isso implica em que as seguintes propensoes parciais s
ao nulas:
m(21) = m(32) = m(31) = 0,

(7.124)

o que significa que a matriz A e triangular superior, ou seja, os elementos abaixo


da diagonal principal s
ao nulos:

m(11) m(12) m(13)


0
m(22) m(23) .
A=
(7.125)
0
0
m(33)

Neste caso, I A tambem e triangular superior, o que simplifica a determinacao de sua inversa por meio de (2.17):
1
IA=

(1 m(22))(1 m(33))

0
0

m(12)(1 m(33))
(1 m(11))(1 m(33))
0

onde

m(13)m(12)m(13)(1 m(22))
,
(1 m(11))m(23)
(1 m(11))(1 m(22))

= det(I A) = (1 m(11))(1 m(22))(1 m(33)),

(7.126)

tal que o ponto fixo v seja dado por


Y (1)

Y (2)

Y (3)

1
[(1 m(22))(1 m(33))H(1) m(12)(1 m(33))H(2)+

m(13)m(12)m(13)(1 m(22))H(3)] ,
1
[(1 m(11))(1 m(33))H(2) (1 m(11))m(23)H(3)] ,

1
[(1 m(11))(1 m(22))(1 m(33))H(3)] .
(7.127)

A estabilidade deste ponto fixo e determinada pela natureza (real ou complexa) e pelo modulo (menor ou maior que um) dos autovalores da matriz A. No
caso de matrizes triangulares superiores ou inferiores, pode-se mostrar que os
autovalores s
ao iguais aos elementos da diagonal principal. No caso de (7.125)
temos, portanto, que os autovalores s
ao:
1 = m(11),

2 = m(22),
348

3 = m(33).

(7.128)

Neste caso, tambem, e certamente mais facil analisar a estabilidade do ponto


fixo diretamente a partir dos autovalores do que usando o criterio de Schur.
Para que o ponto fixo v seja est
avel e necessario e suficiente queos modulos
dos coeficientes mii sejam menores que um, ou seja,
|b(1) + h(1) m(1)| < 1,

|b(3) + h(3) m(3)| < 1.


(7.129)
Em modelos de um u
nico pas onde as exportacoes s
ao ex
ogenas, o fator
1/(1 b h + m) e o multiplicador Keynesiano usual. Neste caso, se tomarmos
uma unidade de aumento da renda, isso causa um incremento tanto no consumo
como no investimento, quantificado por b+h (a condicao de estabilidade de uma
economia fechada e 0 < b + h < 1). Logo, b + h m representa a propensao
marginal a gastar em bens domesticos (nao importados), donde b + h m > 0,
ou b + h > m [21]. Estendendo essa ideia para nosso contexto de interacoes
unidirecionais entre os pases, teremos rendas de equilbrio est
aveis para o iesimo pas se 0 < b(i) + h(i) m(i) < 1, que leva `a mesma situacao de quando
as exportacoes eram ex
ogenas.

7.4

|b(2) + h(2) m(2)| < 1,

Sub-espacos invariantes

Os conceitos de sub-espacos e variedades invariantes generalizam os de autodirecoes e curvas invariantes de modelos discretos bidimensionais vistos no
Captulo 6. Seja o modelo discreto multidimensional linear
vt = A vt1 + B,

(7.130)

com um ponto fixo v . No caso bidimensional, uma auto-direcao invariante e


determinadas pelos autovetores da matriz A, sendo que a auto-direcao instavel
(estavel) est
a associada ao autovalor da matriz cujo modulo seja maior (menor)
do que um.
Para o caso N -dimensional, supomos que a matriz dos coeficientes A tenha
N autovalores (reais ou complexos), dos quais
s autovalores tem modulos menores do que um;
u autovalores tem modulos maiores do que um;
c autovalores tem modulos iguais a um;
onde N = s + u + c. A estes autovalores correspondem N autovetores ui ,
i = 1, 2, . . . N , que podem ser classificados da seguinte forma:
s autovetores: u1 , us ;
u autovetores: us+1 , us+u ;
c autovetores: us+u+1 , uN ;
Estes autovetores, por serem linearmente independentes, servem de base
para sub-espacos do RN , denominados:
Es : sub-espaco est
avel, gerado pelos autovetores {u1 , us };
Eu : sub-espaco instavel, gerado pelos autovetores {us+1 , us+u };
349

Ec : sub-espaco central gerado pelos autovetores {us+u+1 , uN }.


Os sub-espacos acima definidos s
ao invariantes, no sentido que quaisquer
rbitas do modelo obtidas a partir de condicoes iniciais pertencentes ao subo
espaco dever
ao continuar pertencendo ao sub-espaco para todos os tempos positivos e negativos.

7.5

An
alise da estabilidade em alguns casos

Vamos considerar um modelo multidimensional linear com B = 0 dado por


vt = A.vt1 ,

(7.131)
T

que tem um u
nico ponto fixo para origem do RN , ou v = {(0, 0, , 0)} ; e
cuja solucao geral e dada por (7.10) como
vt = At .v0

(7.132)

onde v0 e a condicao inicial. Uma vez conhecidos os autovalores de A, suas


potencias podem ser encontradas de forma mais simples a partir da forma de Jordan correspondente. Vamos, portanto, considerar os diferentes casos possveis.
Assim como no Captulo 4, limitaremos nossa analise a modelos discretos tridimensionais, embora os conceitos envolvidos possam ser generalizados sem muita
dificuldade para quatro ou mais dimensoes.

7.5.1

Tr
es autovalores reais e distintos

Aprendemos, no Captulo 4, que, quando os autovalores da matriz A s


ao reais
e distintos (i , i = 1, 2, 3), a matriz A e similar `a seguinte forma de Jordan

1 0 0
(7.133)
J = 0 2 0 ,
0 0 3

atraves da matriz de similaridade T que satisfaz


J = T1 A T,

(7.134)

e que e, por sua vez, construida usando como colunas os autovetores de A [vide
Eq. (4.15)].
Como matrizes semelhantes em tem as mesmas potencias [vide Eq. (4.8)],
resulta que:
Jt = T1 At T, At = T Jt T1 .
(7.135)
donde a solucao geral (7.132) pode ser reescrita na forma alternativa
vt = T Jt T1 v0 .
Definindo o novo vetor coluna

z1t
zt = z2t S1 vt ,
z3t
350

(7.136)

(7.137)

podemos colocar a Eq. (7.136) nessa nova variavel


zt = J t z0 ,

(7.138)

a qual representa a generalizacao da expressao


zt = J zt1 .

(7.139)

No Apendice ?? mostramos que a potenciacao de uma matriz na forma de


Jordan fornece
t

1 0 0
(7.140)
Jt = 0 2t 0 ,
0 0 3t

de tal sorte que a eq. (7.138) pode ser


t

1
z1t
z2t = 0
0
z3t

escrita, matricialmente, como

z10
0 0
2t 0 z20 ,
z30
0 3t

(7.141)

implicando no seguinte sistema de equacoes


z1t
z2t

=
=

1t z10 ,
2t z20 ,

(7.142)
(7.143)

z3t

3t z30 ,

(7.144)

De forma geral, se o autovalor correspondente a uma dada direcao i = 1, 2, 3


tiver modulo menor que um (|i | < 1), ent
ao limt |i | = 0 e as iteracoes
da orbita convergem ao ponto fixo na origem (limt zit = 0), o qual sera
considerado est
avel em relacao a esta direcao. Caso |i | > 1 ent
ao limt zit =
e ao longo dessa direcao o ponto fixo e instavel. O caso |i | = 1 nao e
conclusivo, pois as iteracoes nem se afastam nem se aproximam assintoticamente
do ponto fixo.
Assim como vimos no Captulo 4 pode haver diversos tipos de estabilidade
do ponto fixo, uma vez que ha tres direcoes principais e podemos ter estabilidade
ou instabilidade ao longo de cada uma destas direcoes. No caso bidimensional os
tipos de ponto fixo, quanto `
a sua estabilidade, foram apresentado (por meio de
exemplos) no Captulo 6. Para tres ou mais dimensoes, estendemos os cenceitos
de forma semelhante ao que fizemos no caso de modelos contnuos. Por exemplo,
se |1 | < 1, |2 | < 1 e |3 | < 1, ent
ao o sub-espaco invariante est
avel sera o plano
gerado pelas direcoes x1 e x2 , ao passo que o sub-espaco instavel sera a direcao
x3 , e assim por diante.

7.5.2

Dois autovalores reais repetidos e outro distinto

Consideramos, agora, o caso onde ha dois autovalores reais repetidos (1 = 2 )


e um terceiro real porem distinto dos outros dois 3 6= 1,2 . A matriz A dos
coeficientes e similar a uma matriz diagonal em blocos de Jordan, com um bloco
como em () [cf. Cap. 4] e ao terceiro autovalor

1 0
0 1 .
(7.145)
0 0 3
351

As potencias do bloco de Jordan superior podem ser escritas numa forma fechada
[vide Apendice ??], enquanto o elemento isolado e tratado identicamente ao caso
anterior. O resultado e
t

tt1
0
t
tt1 .
Jt = 0
(7.146)
0
0
3t
De (7.138), as iteradas sucessivas de um ponto s
ao

t1
t
0
z10
z1t
t
tt1 z20 ,
zt = z2t = Jt z0 = 0
z30
0
0
3t
z3t

(7.147)

e que pode ser desdobrada em tres equacoes


z1t
z2t

=
=

t z10 + tt1 z20 ,


t z20 + tt1 z30 ,

z3t

3t z30 ,

(7.148)
(7.149)
(7.150)
t1

Suponhamos que || < 1 e |i | > 1. Como limt t


= 0 para || < 1,
o ponto fixo w = 0 sera est
avel nas direcoes x1 e x2 (as quais geram o subespaco invariante est
avel), enquanto x3 gera o sub-espaco invariante instavel.
Se tambem tivessemos || > 1, como limt tt1 = o sub-espaco est
avel
nao mais existiria e o sub-espaco instavel seria tridimensional.

7.5.3

Dois autovalores complexos e um real

Supomos, agora, que dois dos autovalores de A sejam complexos conjugados1 =


+ i, 2 = 1 , enquanto um terceiro autovalor 3 e real. De (4.12), a matriz
A e similar a uma matriz diagonal em blocos de Jordan:

0
0 ,
(7.151)
J=
0 0 3

onde o bloco 2 2 corresponde aos autovalores complexos e o elemento solteiro


ao autovalor real.
Ao inves de trabalhar, como antes, calculando diretamente potencias da matriz dos coeficientes, vamos proceder como no Captulo 6 e escrever a solucao
geral deste modelo em termos dos autovalores e autovetores. Um calculo semelhante ao do captulo anterior fornecera para esses u
ltimos (veja o problema
XXX)

u1

u2

u3

1
i ,
0

1
i ,
0

0
0 ,
1
352

(1 = + i),

(7.152)

(2 = i),

(7.153)

(3 ),

(7.154)

Usando a forma trigonometrica para o par de autovalores complexos

r cos ,

(7.155)

r sin ,

(7.156)

tal que
r=

2 ,

 
b
.
= arctan
a

(7.157)

A solucao geral do modelo discreto tridimensional e uma combinacao linear


dos autovetores, por meio da generalizacao da expressao (6.36):

1
1
0
z1t
z2t = c1 ( + i)t i + c2 ( i)t i + c3 3t 0 , (7.158)
0
0
1
z3t

de modo que, usando a forma polar dos autovalores complexos para a sua potenciacao, chegamos a
z1t

c1 rt eit + c2 rt eit ,

(7.159)

z2t
z3t

=
=

ic1 rt eit + ic2 rt eit ,


c3 3t ,

(7.160)
(7.161)

Substituindo t = 0 de modo a explicitar as condicoes iniciais,


z10

c1 + c2 ,

(7.162)

z20
z30

=
=

i(c1 + c2 ),
c3 ,

(7.163)
(7.164)

c1

c2

c3

cuja solucao e
z10 + iz20
,
2
z10 iz20
,
2
z30 ,

(7.165)
(7.166)
(7.167)

que, substituidas novamente em (7.161)-(7.161), apos alguma algebra fornecem


z1t
z2t
z3t

=
=
=

rt [z10 cos(t) z20 sin(t)] ,


t

r [z10 sin(t) + z20 cos(t)] .


3t z30 .

(7.168)
(7.169)
(7.170)

A interpretacao geometrica dessas solucoes foi apresentada no Captulo anterior para o caso bidimensional. O modulo dos autovalores complexos e igual a
r. Suponha, por exemplo, que r = 1. O par de autovetores (tambem complexos)
u1 e u2 gera um sub-espaco invariante, que pode ser representado pelo plano
z3t = 0. Nesse caso particular as coisas ficam um pouco mais simples pois

z1t
zt = z2t ,
(7.171)
0
353

e as equacoes (7.168) e (??) representam uma rotacao de um angulo do vetor


zt1 , transformando-o num novo vetor zt , com o mesmo modulo de zt1 (nesse
caso o ponto fixo seria um centro em relacao a esse subespaco).
Podemos, agora, relaxar a suposicao inicial e considerar r diferente de um.
O termo rt provoca uma mudanca no mop
dulo do vetor zt , correspondendo a
2 + z 2 tende a infinito quando
uma dilatacao se r > 1, ou seja, |zt | = z10
20
t e um encolhimento se r < 1, tal que limt |zt | = 0. Logo, r <
1 e r > 1 correspondem a focos est
avel e instavel, respectivamente. Esses
comportamentos no plano z3t = 0 devem ser associados ao comportamento em
relacao `
a direcao 3. Se 3 > 1, por exemplo, o plano z3t = 0 e um sub-espaco
invariante est
avel e a direcao x3 e o sub-espaco invariante instavel.

7.6
7.6.1

Modelos multidimensionais n
ao-lineares
Pontos fixos e
orbitas peri
odicas

A analise dos modelos lineares permite tambem, em muitos casos, determinar a


estabilidade dos pontos fixos de modelos nao-lineares da forma
vt = F(vt1 ),

(7.172)

Um ponto fixo de um modelo multidimensional e um vetor (7.8) de N componentes que mapeia a si proprio:
v = F(v ).

(7.173)

Outro conceito aplicavel em mais de uma dimensao e o de orbitas peri


odicas,
que vimos no captulo 5. Comecemos pelo caso de uma orbita de perodo 2, que
e composta pelos dois vetores {v1 , v2 } tais que um mapeia em outro pela acao
do modelo F:
v1 = F(v2 )
v2 = F(v1 ).
(7.174)
Como v2 = F(v1 ) = F(F(v2 )) = F[2] (v2 ), ent
ao v2 e v1 s
ao pontos fixos da
segunda iterada de F(v). Logo, tais vetores s
ao solucoes da equacao
v = F[2] (v ) = F(F(v )).

(7.175)

De forma analoga, uma orbita peri


odica de perodo m, ou m-ciclo, e um con
junto de m vetores {v1 , v2 , v3 , . . . vm
}, tais que um mapeia o outro ciclicamente

vi+1
v1

=
=

F(vi )

F(vm
).

(i = 1, 2, . . . m 1),

(7.176)

Aplicando sucessivamente essas a qualquer um dos vetores do m-ciclo, como

vm
, temos

vm
= F(vm1
) = F(F(vm2
)) = F(F(F(vm3
))) = . . . F[m] (vm
),

(7.177)

de modo que os elementos de um m-ciclo s


ao pontos fixos da m-esima iterada
do modelo F(x).
354

7.6.2

Estabilidade para modelos n


ao-lineares

A estabilidade do ponto fixo do modelo multidimensional nao-linear vt+1 =


F(vt ) e investigada pela sua linearizacao nas vizinhancas do ponto v . Da
mesma forma que no caso bidimensional, trabalhamos no espaco N -dimensional
das variaveis din
amicas e, em torno do ponto fixo, cujas coordenadas s
ao (x1 , xN ),

nos analisamos uma hiper-esfera de raio , onde xi e um n


umero pequeno
(em comparacao com a unidade).
Para linearizar o modelo, e verificar se o ponto fixo e est
avel dentro dessa
vizinhanca limitada por , nos expandimos em serie as N funcoes Fi (v). Escrevemos o vetor nas vizinhancas do ponto fixo como
v t = v + wt ,
onde

tal que (7.1) fique

wt =

(w1 )t
(w2 )t
..
.
(wN )t

(7.178)

(x1 )t x1
(x2 )t x2
..
.
(xN )t xN

(7.179)

(w1 )t + x1

F1 ((w1 )t1 + x1 , (w2 )t1 + x2 , . . . (wN )t1 + xN ),

x2

F2 ((w1 )t1 + x1 , (w2 )t1 + x2 , . . . (wN )t1 + xN ),


..
.
(7.180)

FN ((w1 )t1 + x1 , (w2 )t1 + x2 , . . . (wN )t1 + xN ).

(w2 )t +

..
.
(wN )t +

xN

=
=

Vamos tambem supor que os incrementos (wi )t = (xi )t xi estejam dentro


da hper-esfera de raio :
||(xi )t xi || < 1.

(7.181)

Dessa forma, podemos expandir cada uma das N componentes Fi da funcao


vetorial, em serie de potencias nos N incrementos wi , com i indo de 1 ate
N . Sendo suficientemente pequeno, podemos reter apenas os termos lineares,
desprezando todos os outros. Resulta de (7.182) o seguinte conjunto de equacoes
acopladas:






F1
F1
F1
(w1 )t+1 = (w1 )t
+ (w2 )t
+ . . . (wN )t
+ ...,
x1 (v )
x2 (v )
xN (v )






F2
F2
F2
(w2 )t+1 = (w1 )t
+ (w2 )t
+ . . . (wN )t
+ ...,
x1 (v )
x2 (v )
xN (v )
..
.

(wN )t+1

=
=

..
.

(w1 )t

(7.182)


FN
x1

+ (w2 )t
(v )

FN
x2

+ . . . (wN )t
(v )

FN
xN

+ ...,
(v )

onde usamos tambem (7.173) para eliminar os pontos fixos de ambos os lados
das expressoes.
355

Temos um total de N 2 derivadas parciais das


as variaveis din
amicas xj , calculadas no ponto
Jacobiana como




F1
F1
...
 x1 (v )  x2 (v )
F2
F2
x
...
x2
1

(v )
(v )
J(v ) =
..
..
..


.
.
.


FN
FN
...
x1
x2

funcoes Fi em relacao a todas


fixo v . Definimos a matriz

wt+1 = J(v ).wt ,

(7.184)

(v )

(v )





tal que (7.182) pode ser escrita na forma compacta

F1
xN

(v )

(v ) ,

..

.

F2
xN

FN
xN

(7.183)

(v )

e que e um modelo linear da forma (7.7), cujo ponto fixo e a origem no espaco
N -dimensional.
Logo, para estudar a estabilidade do ponto fixo v do modelo nao-linear,
basta investigar a estabilidade da origem para o modelo linearizado (7.184), ou
seja, estudar os autovalores da matriz Jacobiana, cujos elementos s
ao constantes:


Fi
Jij (v ) =
(7.185)
xj (v )
O ponto fixo v sera est
avel se todos os autovalores da matriz Jacobiana tiverem
modulos menores do que um. A partir dos coeficientes da equacao secular
satisfeita pela matriz Jacobiana, e do criterio de Schur, e possvel determinar as
condicoes de estabilidade para o ponto fixo, na aproximacao linear.

7.6.3

Pontos Hiperb
olicos

Nesse ponto de nosso estudo dos modelos bidimensionais nao-lineares, deparamonos com a mesma quest
ao levantada no Captulo 3 acerca da validade da analise
da estabilidade quando passamos do modelo linear para o nao-linear. Aqui,
como l
a, comecamos definindo
Defini
c
ao 15 Um ponto fixo v e dito hiperb
olico (ou n
ao-degenerado) se todos
os autovalores da matriz Jacobiana do sistema, calculada nesse ponto, J(v )
tiverem m
odulos diferentes de um.
O ponto fixo v sera nao-hiperbolico caso um ou mais autovalores tenham
modulos iguais a um, ou seja, estejam exatamente sobre o crculo unitario no
plano complexo. O Teorema de Hartman-Grobman tem uma versao para modelos discretos, e nos assegura que, caso v seja um ponto fixo hiperbolico, o
comportamento das solucoes na sua vizinhanca (e, portanto, sua estabilidade) e
determinado pela linearizacao, como vimos na secao precedente. Caso o ponto
fixo seja nao-hiperbolico o criterio de linearizacao nao e capaz de nos informar
e o ponto fixo e est
avel, outros metodos sendo necessarios.
Para formalizar as ideias apresentadas nessa secao, e necessario que o modelo
discreto seja o que, em termos matematicos, denominamos um difeomorfismo.
Sejam M e N dois sub-conjuntos do R2 . Um difeomorfismo de classe C k F :
356

M N e uma aplicacao (tambem chamado mapeamento, ou mapa) bijetora


, ou seja, injetora e sobrejetora, com a propriedade de que tanto F como sua
inversa F1 s
ao k vezes diferenciaveis.
Teorema 12 (Hartman-Grobman) [1] Seja F : RN RN um difeomorfismo de classe C 1 com um ponto fixo hiperb
olico v . Ent
ao existe um homeomorfismo h, definido em alguma vizinhanca U do ponto fixo v tal que, para
todo v U
h(F(v )) = J(v ).h(v ).
ou seja, h leva
orbitas geradas pelo modelo discreto n
ao-linear
vt = F(vt1 ),
em
orbitas do modelo discreto linear
vt = J(v ) vt1 .
Uma importante consequencia do teorema de Hartman-Grobman e dizer que
as orbitas do modelo nao-linear na vizinhanca do ponto fixo s
ao topologicamente
equivalentes `
as
orbitas do modelo linearizado [vide a Fig. 3.17 do Cap. 3], de
modo que a estabilidade do ponto fixo e determinada pela linearizacao. O
conjunto das possveis
orbitas nas vizinhancas de um ponto fixo hiperbolico
(chamado retrato de fase) e portanto estruturalmente estavel, uma vez que sua
topologia nao pode ser alterada por perturbacoes do modelo F F + F. Sob
esse ponto de vista, nos e focos, bem como pontos de sela s
ao estruturalmente
est
aveis, por subsistirem mesmo mediante pequenas perturbacoes F. Ja um
centro ou um no degenerado (como o do exemplo visto nessa secao) s
ao frageis,
pois qualquer perturbacao mudara em geral o tipo de estabilidade do ponto fixo.

7.6.4

Variedades invariantes

O conceito de sub-espaco invariante e t


ao importante em modelos discretos
quanto o era em modelos contnuos, e merece portanto um tratamento igualmente rigoroso. O pr
oprio conceito de invariancia deve ser alterado:
Defini
c
ao 16 Um conjunto S e dito invariante sob a din
amica gerada pelo
modelo n
ao-linear vt = F(vt1 ) se, para qualquer v0 S tenhamos vt S para
todos os tempos t R.
Por isso adaptamos as definicoes pertinentes dadas no Cap. 3:
Defini
c
ao 17 Seja U R2 uma vizinhanca do ponto fixo v do modelo n
aolinearvt = F(vt1 ). Definimos as curvas invariantes est
avel e inst
avel locais de
s
u
v , denotadas Vloc
(v ) e Vloc
(v ), respectivamente, como os seguintes conjuntos:
s
Vloc
(v )

u
Vloc
(v )

{v U |F[t] (v) v se t , e F[t] (v) U, t 0},

{v U |F[t] (v) v se t , e F[t] (v) U, t 0},

onde a notacao F[ n](v) indica a n-esima iterada do mapa, ou seja, F(F( F(v))).
357

Existem, tambem, curvas invariantes (globais) definidas alem da vizinhanca


U do ponto fixo, considerando a uni
ao das imagens dos pontos das curvas invariantes locais.
[
s
V s (v )) =
F[t] (Vloc
(v )),
t0

V (v ))

u
F[t] (Vloc
(v )),

t0

Como enfatizado por Guckenheimer e Holmes, deve-se ter sempre em mente


a diferenca entre modelos discretos e contnuos: enquanto uma trajet
oria de
um modelo contnuo e uma curva no R2 , a orbita de um modelo discreto e
uma sequencia de pontos. Logo, enquanto as curvas invariantes de modelos
contnuos s
ao uni
oes de curvas no R2 , para modelos discretos as curvas invariantes acima definidas s
ao uni
oes de pontos discretos de orbitas [veja novamente
a Fig. 6.18]. A tangencia das curvas e das auto-direcoes invariantes no ponto
de sela e garantida pelo
Teorema 13 (Teorema das curvas invariantes para o ponto fixo) Seja F :
RN RN um difeomorfismo de classe C 1 com um ponto fixo hiperb
olico v .
s

Ent
ao existem curvas invariantes locais Vloc (v ) e Vloc (v ) tangentes `
as autodireco
es invariantes E u e E s do mapa linear J(v ) no ponto fixo v e com as
mesmas dimens
oes. As curvas invariantes do mapa n
ao-linear V(s v ) e V(u v )
s
ao t
ao suaves como o pr
oprio difeomorfismo F.

7.7

Exemplo em Economia: Triop


olio de Cournot

O oligopolio e uma situacao intermediaria entre o monop


olio e a concorrencia
perfeita, e e mais complexa que estes dois casos extremos pois o oligopolista
deve levar em conta tanto o comportamento dos consumidores como de seus
concorrentes. Na teoria classica de oligopolio de Cournot, proposta em 1838,
cada oligopolista adota os valores mais recentes da producao de seus concorrentes, sem levar em conta suas reacoes futuras. O ajuste dos oligopolistas leva
a um preco de equilbrio, dito equilbrio de Cournot.
Embora seja generalmente presumido que esse equilbrio exista e seja est
avel,
existem diversas situacoes onde isso nao e verdade, sobretudo se houver naolinearidades no modelo. Rand, em 1978, por exemplo, mostrou que o comportamento de precos pode nao somente ser instavel como tambem ter uma din
amica
complexa (incluindo bifurcacoes e caos) [?]. Puu e colaboradores tem estudado
sistematicamente duo e triopolios de Cournot com din
amica complexa, sendo
que escolheremos um dos modelos propostos por ele como exemplo de modelo
discreto tridimensional nao-linear [?, ?, ?].

7.7.1

Vari
aveis e hip
oteses do modelo

Um triopolio e um oligopolio de Cournot com tres participantes, onde q(i) e a


oferta do concorrente i = 1, 2, 3, sendo
q = q(1) + q(2) + q(3)
358

(7.186)

a oferta agregada, suposta igual `


a demanda agregada d. Essa u
ltima, por sua
vez, depende do preco de mercado p do bem comercializado por meio de uma
funcao demanda d = d(p) ou, como e mais comum, p = p(d) = p(q). Pode-se
usar curvas de demanda lineares p(q) = a q, expressando o fato basico que o
preco cai com o aumento da oferta [6, ?].
Nesta secao vamos usar uma funcao demanda nao-linear, dita iso-el
astica
1
1
p(q) = = ,
(7.187)
d
q
que, embora traduza a mesma ideia da funcao linear, tem o inconveniente de
levar a um preco infinito quando a oferta e nula. No entanto, no contexto de
um modelo de oligopolio de Cournot, a existencia presumida de um preco de
equilbrio nao-infinito afasta-nos dessa situacao incomoda.
O custo total do participante i e proporcional `a sua oferta, na forma
T C(i) = c(i)q(i),

(7.188)

onde c(i) e o custo marginal do competidor i, supostos todos distintos em virtude das diferencas naturais existentes entre as firmas, refletindo as vantagens
e desvantagens que determinam o custo de cada uma delas.
A receita total do participante i e igual ao produto da oferta pelo preco
T R(i) = p(q)q(i),

(7.189)

tal que o faturamento do participante i e dado por


V (i) = T R(i) T C(i) = (p(q) c(i))q(i),
Substituindo (7.187) em (7.190) temos


1
V (i) =
c(i) q(i).
q(1) + q(2) + q(3)

7.7.2

(7.190)

(7.191)

Obtenc
ao do modelo din
amico

Cada participante maximiza seu faturamento a partir da suposicao que os outros


participantes manter
ao seu resultado constante (variacao conjectural). Essa
maximizacao leva a uma funcao de reacao r(i)(q(1), q(2), q(3)) que expressa o
modo pelo qual o participante i alterar
a sua oferta no perodo subsequente em
funcao da sua pr
opria oferta e das ofertas dos concorrentes no perodo anterior.
Derivando o faturamento do participante i em relacao a sua oferta, supondo as
ofertas dos competidores como constantes, temos
1 q(i)
1
q(i)
V (i)
=

c(i) = 2 c(i),
q(i)
q(1) + q(2) + q(3) (q(1) + q(2) + q(3))2
q
q
de modo que a funcao de reacao e obtida igualando a derivada a zero
V (i)
q(i)
1
q
q q(i)

0=

=
=
=
=

1 q(i)
2 c(i),
q
q
q(i)
q(i) + q 2 c(i)
+ c(i) =
,
2
q
q2
q 2 c(i),
s
q q(i)
.
c(i)
359

(7.192)

Somando q(i) a ambos os lados da u


ltima igualdade anterior chegamos `a funcao
reacao do participante i:
s
q q(i)
q + q(i).
(7.193)
q(i) = r(i)(q(1), q(2), q(3)) =
c(i)
O modelo din
amico e expresso supondo que, no tempo t, os concorrentes
agem todos simultaneamente no sentido de ajustarem suas ofertas a partir da
funcao de reacao, onde as ofertas s
ao tomadas no tempo anterior t 1:
s
qt1 qt1 (i)
qt (i) = r(i)(qt1 (1), qt1 (2), qt1 (3)) =
qt1 + qt1 (i).
c(i)
(7.194)
onde qt1 = qt1 (1) + qt1 (2) + qt1 (3). Dessa forma teremos tres equacoes
din
amicas do modelo discreto:
s
qt1 (2) + qt1 (3)
qt1 (2) qt1 (3),
(7.195)
qt (1) =
c(1)
s
qt1 (1) + qt1 (3)
qt (2) =
qt1 (1) qt1 (3),
(7.196)
c(2)
s
qt1 (1) + qt1 (2)
qt (3) =
qt1 (1) qt1 (2),
(7.197)
c(3)

7.7.3

Ponto fixo e equilbrio de Cournot

O ponto fixo do modelo (7.195)-(7.197) e o vetor cujas componentes s


ao as
solucoes do seguinte sistema de equacoes
s
q (2) + q (3)

(7.198)
q (2) q (3),
q (1) =
c(1)
s
q (1) + q (3)
q (2) =
q (1) q (3),
(7.199)
c(2)
s
q (1) + q (2)

q (1) q (2),
(7.200)
q (3) =
c(3)
Uma solucao trivial do sistema (7.198)-(7.200) e aquela para a qual todas as
ofertas s
ao nulas,

0
q1 = 0 = 0 ,
(7.201)
0

ao passo que ha um segundo ponto fixo cujas componentes s


ao os valores das
ofertas de cada competidor na situacao de equilbrio de Cournot

q (1)
q1 = E = q (2) ,
(7.202)
q (3)
360

O leitor podera mostrar, por substituicao direta, que (veja o problema XXX)

7.7.4

q (1)

q (2)

q (3)

2(c(1) + c(2) + c(3))


2

(c(1) + c(2) + c(3))


2(c(1) c(2) + c(3))

(7.203)

2,

(7.204)

2,

(7.205)

(c(1) + c(2) + c(3))


2(c(1) + c(2) c(3))
(c(1) + c(2) + c(3))

Estabilidade dos pontos fixos

Inicialmente vamos construir a matriz Jacobiana do modelo discreto (7.195)(7.197), cujos elementos s
ao as derivadas parciais
qt (1)
qt1 (1)
qt (1)
qt1 (2)

=
=

qt (1)
qt1 (3)

qt (2)
qt1 (1)

qt (2)
qt1 (2)
qt (2)
qt1 (3)

=
=

qt (3)
qt1 (1)

qt (3)
qt1 (2)

qt (3)
qt1 (3)

0,

(7.206)

1
p
1,
2 c(1)(qt1 (2) + qt1 (3))
1
qt (1)
p
,
1=
q
2 c(1)(qt1 (2) + qt1 (3))
t1 (2)
1
p
1,
2 c(2)(qt1 (1) + qt1 (3))

c(3)(qt1 (1)+qt1 (2))

(7.208)
(7.209)

0,

(7.210)

1
qt (2)
p
,
1=
qt1 (1)
2 c(2)(qt1 (1) + qt1 (3))
1
p
1,
2 c(3)(qt1 (1) + qt1 (2))
1
qt (3)
p
,
1=
qt1 (1)
2 c(3)(qt1 (1) + qt1 (2))

(7.211)
(7.212)
(7.213)

0.

de modo que a matriz jacobiana e

0
1
2 c(1)(qt1 (2)+qt1 (3))

1
1
0

2 c(2)(qt1 (1)+qt1 (3))


1
1

1
1
2

(7.207)

c(3)(qt1 (1)+qt1 (2))

(7.214)

1
c(1)(qt1 (2)+qt1 (3))
1

2 c(2)(qt1 (1)+qt1 (3))


2

Substituindo as componentes do ponto fixo na origem, chegamos `a incomoda


constatacao que os elementos nao-diagonais da matriz Jacobiana s
ao infinitos, o
que naturalmente leva tambem a autovalores infinitos. De qualquer modo, como
e necessario e suficiente que o modulo dos autovalores seja maior que um para
que o ponto fixo seja considerado instavel, vemos que esse seguramente sera o
caso para a origem. Esse resultado matematico vem apenas corroborar o bom
senso econ
omico, o qual descarta por inviavel um equilbrio est
avel desse tipo.
361

1 .

A analise da estabilidade do ponto fixo correspondente ao equilbrio de


Cournot e um pouco mais trabalhosa, pois necessita que substituamos (7.203)(7.205) na matriz Jacobiana

1
1

1
1
0
2 c(1)(q (2)+q (3))
2 c(1)(q (2)+q (3))


1
1

1
0
1 .

2 c(2)(q (1)+q (3))

2 c(2)(q (1)+q (3))


1
1

1
1
0

c(3)(q (1)+q (2))

c(3)(q (1)+q (2))

Para nao nos estendermos em manipulacoes algebricas repetitivas, vamos


calcular um termo representativo dessa matriz
#1/2
"
1
1
2(c(1) c(2) + c(3)) + 2(c(1) + c(2) c(3))
p
p
1,
1 =
2
2 c(1)(q (2) + q (3))
2 c(1)
(c(1) + c(2) + c(3))
1
1
p
p
(c(1) + c(2) + c(3)) 1,
=
2 c(1) 4c(1)
c(1) + c(2) + c(3)
1,
=
4c(1)
3c(1) + c(2) + c(3)
=
,
4c(1)

tal que a matriz Jacobiana (??) possa ser escrita como

3c(1)+c(2)+c(3)
3c(1)+c(2)+c(3)
0
4c(1)
4c(1)

c(1)3c(2)+c(3)
0
J(E) = c(1)3c(2)+c(3)
.
4c(2)
4c(2)
c(1)+c(2)3c(3)
c(1)+c(2)3c(3)
0
4c(3)
4c(3)

(7.215)

Para facilitar nossa analise de estabilidade vamos definir as variaveis auxiliares


c(2)
c(3)
h
,
k
,
(7.216)
c(1)
c(1)
em termos dos quais os elementos da matriz Jacobiana podem ser expressos
como segue
3c(1) + c(2) + c(3)
4c(1)
c(1) 3c(2) + c(3)
4c(2)
c(1) + c(2) 3c(3)
4c(1)
o que leva a

=
=
=

0
J(E) = B
C

A
0
C

h+k3
A,
4
k + 1 3h
B,
4h
1 + h 3k
C,
4k

A
B ,
0

cujos autovalores s
ao as solucoes da equacao secular

A A

det(J(E) I) = B B
C
C
362

(7.217)
(7.218)
(7.219)

(7.220)




= 0.

(7.221)

Abrindo o determinante pela regra de Sarrus chegamos a


3 + (AC + BC + AB) + 2ABC
3 P D

=
=

0
0

(7.222)

onde definimos
P
D

AC + BC + AB,
2ABC.

(7.223)
(7.224)

Comparando a equacao (7.222) com a forma geral da equacao secular c


ubica
(7.113) temos, como coeficientes, a1 = 0, a2 = P, e a3 = D. Pelo criterio de
Jury, o equilbrio de Cournot sera assintoticamente estavel se e somente se as
seguintes condicoes forem satisfeitas (vide Eq. 7.20):
2|D| < 1,
1P D >0

(7.225)
(7.226)

1 + P D < 0
|D2 1| > |P|,

(7.227)
(7.228)

cuja analise literal levaria a expressoes algebricas muito extensas e igualmente


pouco u
teis, sendo mais interessante nesse ponto explorar exemplos numericos.

7.7.5

Exemplo num
erico

Vamos considerar, de acordo com [?], os seguintes valores para os custos marginais
dos participantes do trip
olio (em unidades adequadas):
c(1) = 1,

c(2) = 3, 8,

c(3) = 3,

(7.229)

tal que o equilbrio de Cournot (7.203)-(7.205) seja


q (1) = 0, 158,

q (2) = 0, 006,

q (3) = 0, 059,

(7.230)

de modo que a firma 1 seja a lder de mercado, seguida pelas firmas 3 e 2.


Usando a curva de demanda (7.187) o preco no equilbrio sera
p=

1
= 4, 484.
q (1) + q (2) + q (3)

As constantes auxiliares que definimos na secao precedente ter


ao os seguintes
valores: h = 3, 8, k = 3, e
A = 0, 950,

B = 0, 487,

P = 0, 439 < 0,

C = 0, 35,

D = 0, 324,

Podemos verificar as condicoes de estabilidade a seguir


2|D| = 0, 647 < 1,
1 P D = 1, 116 > 0,
1 + P D = 1, 763 < 0,

|D2 1| = 0, 895 > |P| = 0, 439,


363

e o equilibrio de Cournot e, com efeito, assintoticamente est


avel como desejavel
do ponto de vista da teoria do oligopolio.
No entanto, temos de levar em conta que o uso de funcoes demanda naolineares (ou outros expedientes que possam levar a modelos multidimensionais
nao-lineares) trazem v
arias novas possibilidades para o comportamento din
amico
do oligopolio:
pode haver mais de um equilbrio de Cournot;
pode nao haver equilbrio algum;
pode ser que todos os equilbrios encontrados sejam instaveis
pode ser que haja orbitas peri
odicas, dessa forma o preco oscilaria entre
dois ou mais valores com o passar do tempo
pode haver comportamento caotico, a ser estudado no Captulo ??.

7.8

Exerccios

1. Determine os autovalores da matriz

1
A= 6
1

2
1
2

1
0 ,
1

2. Prove que as matrizes coluna (7.152)-(7.154) s


ao, de fato, autovetores para a
matriz (7.151): (i) diretamente, pela soluca
o da equaca
o de autovetores; (ii)
mostrando que os vetores s
ao linearmente independentes.
3. O modelo de multiplicadores em economias abertas que apresentamos para o
caso de 3 pases pode ser generalizado para N pases interagindo mutuamente.
Nesse caso, a soma das importaco
es aut
onomas do pas i e dada pelo seguinte
somat
orio:
N
X
M0 (ji),
(i = 1, 2, . . . N )
M0 (i) =
j=1,j6=i

onde explicitamente retiramos o termo onde i = j da soma, visto que um pas


n
ao pode importar de si pr
oprio. Da mesma forma, a propens
ao total a importar
do pas i e a soma das propens
oes parciais de importaca
o de todos os outros
pases (exceto, novamente, ele pr
oprio):
m(i) =

N
X

m(ji),

(i = 1, 2, . . . N )

j=1,j6=i

J
a as exportaco
es totais do pas i dependem da soma das importaco
es de todos
os outros pases j = 1, 2, . . . N , com j 6= 1; tanto as aut
onomas quanto aquelas
dependentes das rendas dos outros pases, e que por sua vez dependem das
propens
oes marginais a importar m(ij):
Xt (i) =

N
X

M0 (ij) +

j=1,j6=i

N
X

j=1,j6=i

364

m(ij)Yt1 (j)

(a) Obtenha a equaca


o da renda agregada
Yt (i) = (bi +hi mi )Yt1 (i)+

N
X

m(ij)Yt1 (j)+I0 (i)+M0 (i)+

j=1,j6=i

N
X

M0 (ij)

j=1,j6=i

(b) Escreva a equaca


o na forma de um modelo discreto multidimensional linear,
(c) Ache o ponto fixo e expresse as condico
es para que ele seja est
avel. Maiores
detalhes no [21].
4. Substitua (7.203)-(7.205) em (7.198)-(7.200) e verifique que aquelas s
ao as ofertas de cada competidor no equilbrio de Cournot de um oligop
olio.

365

366

Parte II

Din
amica N
ao-Linear e
Caos

367

Captulo 8

Bifurca
co
es em modelos
contnuos unidimensionais
8.1

Tipos elementares de bifurcac


ao

Uma bifurcacao e, de modo geral, qualquer alteracao qualitativa num ponto


de equilbrio, ciclo,
orbita peri
odica, etc. quando um par
ametro do sistema
atinge um determinado valor crtico. As bifurcacoes dizem respeito, portanto,
ao comportamento a longo prazo (assint
otico) do modelo din
amico, e nao ao
seu comportamento a curto prazo (transit
orio). Como vimos nos captulos ??,
se o modelo for contnuo, as bifurcacoes podem ocorrer em pontos de equilbrio
ou orbitas fechadas. Ja se o modelo for discreto, de acordo com os captulos ??
os estados estacion
arios s
ao pontos fixos ou orbitas peri
odicas.
A alteracao qualitativa de que falamos quando referimo-nos a uma bifurcacao
pode ser tanto a criacao ou destruicao de um ponto fixo (ou de equilbrio) ou
orbita peri
odica (ou fechada) como a mudanca de sua estabilidade. Por exemplo,
num modelo contnuo onde ha um par
ametro variavel p (que denominaremos
doravante par
ametro de bifurcacao) ha um ponto de equilbrio x que suporemos
assintoticamente est
avel. Se, aumentando esse par
ametro tal que, apos o valor
crtico p = p o ponto de equilbrio torna-se instavel, dizemos que houve uma
bifurcacao nos pontos (x , p ).
Logicamente, se no ponto de bifurcacao houve uma mudanca na estabilidade, o ponto de equilbrio fica nao-hiperbolico, e qualquer alteracao no valor
do par
ametro pode mudar qualitativamente a din
amica do sistema. Nesse sentido, no ponto de bifurcacao o sistema perde estabilidade estrutural, no sentido
definido no Cap. 3. Pode, ainda, ocorrer que, antes do valor crtico p simplesmente nao haja um ponto de equilbrio, e que este seja subitamente criado no
ponto de bifurcacao, e subsista depois do mesmo.
O estudo das bifurcacoes e fundamental para conhecermos o comportamento
din
amico de um modelo contnuo ou discreto. Em particular, as rotas para
o comportamento caotico passam quase todas por algum tipo de bifurcacao,
raz
ao pela qual seu estudo nessa etapa e uma pre-condicao para explorarmos a
din
amica complexa em modelos econ
omicos. Alem disso, mudancas qualitativas s
ubitas no comportamento din
amico podem ser observadas empiricamente
na economia. Ainda que se possa reputar a causa de muitas delas a choques
369

.
.
x

(a)

.
x

(b)

.
x

(c)

Figura 8.1: Diagramas de fase de x = r x2 quando (a) r < 0, (b) r = 0, e (c)


r > 0.

ex
ogenos, e possvel tambem associar tais mudancas bruscas a bifurcacoes ocorridas no seio do proprio modelo.
Neste captulo abordaremos os tipos elementares de bifurcacao que ocorrem
em modelos contnuos unidimensionais (tambem chamadas de bifurcacoes de
codimensao um):
Bifurcacao do tipo sela-no
Bifurcacao do tipo transcrtica
Bifurcacao do tipo forquilha
Para cada tipo de bifurcacao acima, estudaremos um modelo contnuo paradigm
atico,
e posteriormente uma aplicacao econ
omica onde tal bifurcacao ocorre. N
os
seguiremos de perto o tratamento dado por Strogatz [3] e Egwald [?] o qual,
por sua vez, baseia-se fortemente na analise feita por Lorenz [?]. No proximo
captulo retornaremos a esse assunto, do ponto de vista dos modelos discretos
unidimensionais.

8.2

Bifurcac
ao do tipo sela-n
o

A bifurcacao sela-no e um mecanismo pelo qual pontos fixos s


ao criados ou
destruidos. Dois pontos fixos, quando um par
ametro e variado, aproximam-se,
colidem e finalmente aniquilam-se mutuamente [3]. Como paradigma de modelo
contnuo unidimensional para este tipo de bifurcacao consideraremos a seguinte
equacao diferencial
dx
= f (x, r) = r x2 ,
(8.1)
dt
onde x R e r R e o par
ametro de bifurcacao. Conforme a teoria vista no
2
Captulo 1, p
os pontos de equilbrio desta equacao s
ao dados por 0 = r (x ) ,
ou x1,2 = |r|.

ao pontos de equilbrio
Caso r < 0, ent
ao |r| = r, logo x1,2 = r s
distintos. Na medida em que r aproxima-se de zero por valores negativos, esses
370

(a)

(b)

instavel
estavel

instavel

estavel

Figura 8.2: Diagrama de bifurcacao para (a) x = r x2 ; (b) x = r x2 .


pontos de equilbrio aproximam-se mutuamente e colidem em x = 0 quando
r = 0. Para r > 0, no entanto, |r| = r e nao ha ponto de equilbrio real.
Para estudar a estabilidade destes pontos de equilbrio, consideramos a
derivada parcial da funcao em relacao `a variavel x, ou seja,
f
= fx (x, r) = 2x,
x

(8.2)

que, calculada nos pontos de equilbrio que existem somente quando r e negativo,
fornece

(8.3)
fx (x1 , r) = 2x1 = 2 r < 0,

fx (x2 , r) = 2x2 = +2 r > 0,


(8.4)
provando que x1 e x2 s
ao pontos de equilbrio assintoticamente est
avel e instavel,
respectivamente, conclus
ao a que tambem se chega pela analise do diagrama de
fase correspondente [Fig. 8.1(a)]. Quando r = 0, a estabilidade do u
nico ponto
de equilbrio, x = 0, nao pode ser determinada pelo criterio da linearizacao,
ja que fx (0, 0) = 0 [Fig. 8.1(b)]. Nesse caso, o ponto x = 0 e dito naohiperbolico, utilizando a terminologia introduzida no Captulo 3 para modelos
bidimensionais nao-lineares.
Dizemos, para esse exemplo, que ocorreu uma bifurcacao n
o-sela no ponto
x = 0 e valor de par
ametro r = 0: para r < r ha dois pontos de equilbrio
(instavel e est
avel) que colidem em r = r e desaparecem para r > r . O nome
no-sela vem da bifurcacao equivalente a esta em duas dimensoes (onde atuam
um no est
avel e um ponto de sela instavel). Costuma-se tracar um diagrama
de bifurcacoes, onde colocamos no eixo das abscissas os valores do par
ametro
r, e no eixo das ordenadas os valores assint
oticos da variavel x [Fig. 8.2].
Para valores negativos
de r representamos as curvas que fornecem os pontos de
ao usadas para
equilbrio x1,2 = r em funcao de r (curvas cheias e tracejadas s
diferenciar os pontos est
aveis dos instaveis, respectivamente). Valores positivos
costume, ainda,
de r nao ter
ao, naturalmente, pontos de equilbrio associados. E
indicar no pr
oprio diagrama de bifurcacoes o sentido do fluxo (para cima ou para
baixo), da mesma forma que no diagrama de fase, s
o que na direcao vertical. ] O
exemplo paradigm
atico que vimos nao esgota, naturalmente, todos os modelos
371

.
.
x

.
x

(a)

.
x

(b)

(c)

Figura 8.3: Diagrama de fase de x = f (x, r) nas vizinhancas de uma bifurcacao


no-sela quando (a) r < r , (b) r = r , e (c) r > r .

contnuos unidimensionais que podem exibir bifurcacoes do tipo no-sela. Para


encontrar a forma mais geral, dita forma normal, de um modelo que tenha esse
mesmo comportamento de bifurcacao, consideramos uma equacao generica do
tipo
dx
= f (x, r),
dt

(8.5)

onde r e o par
ametro de bifurcacao. Supondo que haja uma bifurcacao no-sela
em x = x para o valor crtico r = r , temos o seguinte cenario [Fig. 8.3]: para
r < r ha dois pontos de equilbrio, e nenhum para r > r . Na situacao limite
os dois pontos de equilbrio encontram-se no ponto x , que e o ponto onde a
curva no diagrama de fase tangencia o eixo das abscissas.
Para transpor esse raciocnio heurstico numa linguagem matematica mais
adequada, expandimos a funcao no lado direito em serie de potencias na vizinhanca do ponto de bifurcacao (x = x , r = r ):

 
f
f

+ (r r )
f (x, r) = f (x , r ) + (x x )
x (x ,r )
r (x ,r )
 2 
 
1
f
2 f
+ (x x )
+
+(x x )
x (x ,r ) 2!
x2 (x ,r )

(8.6)

Pela definicao de ponto de equilbrio, e pelo fato de que este e nao-hiperbolico


na bifurcacao,
f (x , r ) = 0

(8.7)

Como, segundo a Fig. 8.3, a funcao f (x) tem uma tangencia com o eixo das
abscissas no ponto de bifurcacao, temos um extremo (m
aximo ou mnimo) nesse
ponto, ou seja,
 
f
= fx (x , r ) = 0,
(8.8)
x (x ,r )
372

.
.
x

(a)

.
x

(b)

.
x

(c)

Figura 8.4: Diagramas de fase de x = r x2 quando (a) r < 0, (b) r = 0, e (c)


r > 0.

Escrevendo, ainda,



f
= fr (x , r ) a 6= 0,
r (x ,r )


1
1 2f
= fxx (x , r ) b 6= 0,
2
2 x (x ,r )
2

(8.9)
(8.10)

a forma normal (8.6) e escrita como


dx
2
= a(r r ) + b(x x ) +
dt

(8.11)

Interpretamos esse resultado da seguinte forma: todos os modelos continuos


unidimensionais que exibem uma bifurcacao no-sela tem, na vizinhanca dessa bifurcacao, seu comportamento governado pela forma normal (8.11). As equacoes
(8.7)-(8.10) s
ao as condicoes para que ocorra uma bifurcacao no-sela. Alem
disso, conforme os sinais exibidos pelos coeficientes a e b podemos classificar as
bifurcacoes no-sela em quatro categorias:
1. Tipo I: a > 0, b > 0 - O exemplo paradigm
atico visto nesta secao, (8.1),
e classificado nessa categoria, onde x = 0, r = 0, a = 1 e b = 1. O
diagrama de bifurcacoes, nesse caso, e exemplificado pela Figura 8.2(a).
2. Tipo II: a > 0, b < 0 - Um exemplo nessa categoria e x = r x2 , para o
qual x = r = 0, como no caso anterior, mas com a = 1 e b = 1. Tanto
pelo diagrama de fases [Fig. 8.4] quando pelo diagrama de bifurcacoes [Fig.
8.2(b)] vemos que, quando r < 0 nao ha ponto de equilbrio, enquanto,
para r > 0 ha dois deles, um est
avel e outro instavel, ambos colidindo no
ponto de bifurcacao.
373

(a)

(b)

estavel

instavel

estavel
instavel

Figura 8.5: Diagramas de bifurcacao para (a) x = r + x2 ; e (b) x = r x2 .


3. Tipo III: a < 0, b > 0 - Ilustrado pelo modelo x = r + x2 , para o qual
a = 1 e b = 1. Seu diagrama de bifurcacoes, mostrado na Fig. 8.5(a), e
semelhante ao do caso II, mas com os pontos est
avel e instavel trocados.
4. Tipo IV: a < 0, b < 0 - Como em x = r x2 , onde a = 1 e b = 1,
com diagrama de bifurcacoes semelhante ao do caso I, mas com os pontos
est
avel e instavel trocados [Fig. 8.5(b)].

8.2.1

Exemplo em economia: din


amica do mercado de trabalho

Denotaremos Ld a demanda por trabalhadores pelas empresas, e, por Ls , a


oferta de trabalhadores. Ambas s
ao supostas reguladas, no mercado de trabalho,
pelo nvel salarial w. A demanda por trabalhadores decresce com o nvel salarial,
de forma que as empresas necessitam de mais empregos com menores salarios,
e de menos empregos com maiores salarios. Suporemos, por simplicidade, uma
relacao linear da forma
Ld = r w
(8.12)
onde r > 0 e a demanda independente de salarios representada, por exemplo,
por aquelas funcoes essenciais que a empresa necessita serem preenchidas. Este
sera o nosso par
ametro de bifurcacao, ao passo que o coeficiente > 0 sera
mantido fixo. Note que, dependendo dessa escolha de par
ametro para variar, a
din
amica poderia ser bem diferente.
Nos modelos tradicionais de mercado de trabalho a curva de oferta de trabalhadores e monotonica e linearmente crescente, como na Fig. 8.6(a): como
os trabalhadores desejam melhores salarios, a oferta de trabalhadores aumenta
de acordo com o salario oferecido. O salario de equilbrio, w , sera obtido pela
intersecao das curvas de oferta e procura (Ld = Ls ).
No entanto, em nosso exemplo a oferta de trabalhadores sera suposta obedecer a uma curva dobrada para tras (backward bending) com as seguintes propriedades: a oferta cresce com o nvel salarial ate um salario determinado e depois decresce na medida em que os salarios continuam aumentando, ate chegar
a zero. Essa forma dobrada refletiria, num primeiro momento, o maior interesse
374

Ld

2c
w*

Ls

Ls

w*

c
w*
N

(b)

r/

Ld

r/

(a)

0
0

bc2

Figura 8.6: Curvas de oferta e demanda por trabalhadores. (a) Oferta de trabalhadores monotonicamente crescente; (b) dobrada para tras.

dos trabalhadores em receber melhores salarios. Num segundo momento, no


entanto, a alta qualificacao e maior experiencia exigidas de trabalhadores com
altos salarios diminuiria a oferta de trabalhadores para essas faixas salariais.
Um modelo simples para implementar esse comportamento e a curva parabolica
dada por
2

Ls = [c2 (w c) ]

(8.13)

onde > 0 e c > 0 [Fig. 8.6(b)]. Observe que Ls (w) n


ao e uma funcao, no
sentido matematico deste termo, o que nao impede, contudo, a analise que sera
efetuada a seguir. Pela figura 8.6(b), vemos que 0, c e 2c correspondem aos
salarios mnimo, medio, e maximo, devido `a simetria da curva parabolica. Alem
disso, o n
umero de trabalhadores ganhando o salario medio e dado por bc2 .
Num modelo est
atico, o salario de equilbrio no mercado de trabalho e determinado pela intersecao das curvas de oferta e demanda por trabalhadores.
No caso de uma curva de demanda dobrada para tras, a novidade consiste
na possibilidade de termos dois, um, ou mesmo nenhum salario de equilbrio,
dependendo dos par
ametros do modelo. Ja num modelo din
amico, estamos interessados em como o nvel salarial evolui em direcao (se for o caso) a estes
valores de equilbrio. A hip
otese fundamental do modelo din
amico e a de que
a taxa de variacao dos salarios obedece `a lei da oferta e da procura no mercado de trabalho, de modo que ela e proporcional ao excesso de demanda por
trabalhadores.
dw
= (Ld Ls ),
(8.14)
dt
onde > 0. Se Ld > Ls o nvel salarial cresce para estimular as contratacoes,
ou dw/dt > 0, enquanto, se Ls > Ld o nvel salarial ira decrescer devido ao
excesso de oferta de trabalhadores (dw/dt < 0). O coeficiente representa a
velocidade com que o mercado de trabalho ajusta-se `as variacoes do excesso de
demanda.
375

Substituindo (8.12) e (8.13) em (8.14) temos


dw
dt

=
=
=

n
o
2
[c2 (w c) ] (r w) ,


c2 w2 + 2wc c2 r + w ,

f (w, r) = w2 + ( + 2c)w r.

(8.15)

Uma inspecao superficial do modelo contnuo unidimensional (8.15) ja sugere


que este pode ser reduzida `a forma normal (8.11) para uma bifurcacao sela-no.
O ponto de equilbrio w sera dado por f (w , r) = 0, que implica na solucao da
equacao quadr
atica
2

(w ) + ( + 2c)w r = 0,
ou seja,

w1,2
=

+ 2c

(8.16)

q
2
( + 2c) 4r
2

(8.17)

Podemos ter duas, uma ou nenhuma solucao de equilbrio, dependendo do


radicando acima ser positivo, nulo ou negativo, respectivamente. O valor crtico
do par
ametro na bifurcacao no-sela, r = r , sera, portanto, dado pelo caso
intermediario:
q
2
( + 2c) 4r = 0,
2

4r

( + 2c) ,

( + 2c)
4

(8.18)

ao passo que o valor de w para o qual ocorre a bifurcacao no-sela e obtido


anulando o radicando em (8.17), ou seja
w =

+ 2c

=c+
.
2
2

(8.19)

Para estudarmos a estabilidade dos pontos de equilbrio que ocorrem quando


r < r , calculamos inicialmente a derivada parcial,
fw (w, r) = w2 + ( + 2c) r

(8.20)

e depois aplicamos (8.17)

fw (w1,2
, r)

=
=

2c ( + 2c) 4r + + 2c,
q
2
( + 2c) 4r
(8.21)

de modo que fw (w1 , r) < 0 e fw (w2 , r) > 0, ou seja, os pontos de equilbrio w1


e w2 s
ao est
avel e instavel, respectivamente, como deve de fato ocorrer nesse
tipo de bifurcacao.
instrutivo ver um exemplo numerico, usando como par
E
ametros = 0, 8,
b = 0, 25, c = 3, 5 e = 1 , o correspondente diagrama de bifurcacao estando
na Fig. 8.7. Podemos identificar o aparecimento de uma bifurcacao no-sela do
376

w1*

7
6

w*
w

w2*

3
2
1
0

r*

10

Figura 8.7: Diagrama de bifurcacao do modelo contnuo unidimensional (8.15).

tipo I, o valor do par


ametro r e do salario de equilbrio no ponto de bifurcacao
sendo, respectivamente, iguais a r = 6, 5025 e w = 5, 1. Logo, se a demanda
autonoma r for menor que r , como por exemplo r = 6, haveria dois salarios de
equilbrio, w1 = 5, 8089 e 4, 3911, mas apenas o primeiro seria observado, por
ser est
avel. Note que esse salario e superior ao valor que ele teria na bifurcacao.
Na medida em que r aproxima-se de r , o salario est
avel aproximar-se-ia de
w e, apos o ponto de bifurcacao, nao haveria solucao de equilbrio, o salario
aumentando indefinidamente para compensar a existencia permanente de um
excesso de demanda. Observe que esse comportamento nao seria possvel se a
curva de demanda por trabalhadores fosse monotonicamente crescente, como
nos modelos tradicionais de mercado de trabalho, onde um salario de equilbrio
sempre existe e cresce na mesma proporcao do excesso de demanda.

8.3

Bifurcac
ao do tipo transcrtica

Numa bifurcacao transcrtica um ou mais pontos de equilbrio do modelo trocam sua estabilidade na medida em que o par
ametro de bifurcacao e variado.
Estudaremos um exemplo representativo, que e
dx
= f (x, r) = rx x2
dt

(8.22)

cujos pontos de equilbrio desta equacao s


ao dados por f (x , r = 0, ou seja
2
rx (x ) = 0, fornecendo x1 = 0 e x2 = r, que existem para quaisquer valores
de r.
Consideramos a derivada parcial em relacao a x,
fx (x) = r 2x,
377

(8.23)

.
.
x

(a)

.
x

(b)

.
x

(c)

Figura 8.8: Diagramas de fase de x = rx x2 quando (a) r < 0, (b) r = 0, e


(c) r > 0.
x

(a)

(b)

instavel
estavel

estavel
r

instavel

Figura 8.9: Diagrama de bifurcacao para (a) x = rx x2 ; (b) x = rx + x2 .

calculando nos pontos de equilbrio e


fx (x1 , r)
fx (x2 , r)

=
=

r,
r,

(8.24)
(8.25)

Se r < 0, x1 e x2 s
ao pontos de equilbrio est
avel e instavel, respectivamente
[Fig. 8.8(a)]. Ja para r > 0 essas propriedades de estabilidade se invertem [Fig.
8.8(c)]. Na situacao limite, quando r = 0, o criterio linear de estabilidade falha,
e o (
unico) ponto de equilbrio, x = 0, e nao-hiperbolico [Fig. 8.8(b)].
Nesse exemplo ocorreu uma bifurcacao transcrtica no ponto x = 0 e valor
de par
ametro r = 0: para r < r ha dois pontos de equilbrio (instavel e
est
avel) que aproximam-se e interceptam-se em r = r . Apos esse ponto, a
estabilidade dos pontos de equilbrio e invertida. Esse comportamento pode ser
convenientemente representado no diagrama de bifurcacoes da Figura 8.9(a).
Assim como no caso da bifurcacao no-sela, podemos introduzir uma forma
normal para a bifurcacao transcrtica, que representa o comportamento universal
378

(a)

(b)

estavel
instavel
r

instavel

estavel

Figura 8.10: Diagrama de bifurcacao para (a) x = rx + x2 ; (b) x = rx x2 .

de todos os modelos contnuos unidimensionais nas vizinhancas dessa bifurcacao,


e que e:
dx
2
= f (x, r) = a(r r )(x x ) + b(x x ) +
(8.26)
dt
onde x e um ponto de equilbrio nao-hiperbolico, ou seja, satisfaz as condicoes
necessarias


f
x

f (x , r )

(8.27)

= fx (x , r )

0,

(8.28)

a 6= 0,

(8.29)

b 6= 0,

(8.30)

(x ,r )

e, onde, subsistem ainda as condicoes subsidi


arias
 2 
f
= fxr (x , r )
xr (x ,r )


1
1 2f
= fxx (x , r )
2 x2 (x ,r )
2

Tambem podemos enumerar quatro tipos de bifurcacao transcrtica, conforme os sinais dos coeficientes acima definidos:
1. Tipo I: a > 0, b > 0 - Como exemplo temos x = rx + x2 , com ponto
de bifurcacao x = r = 0, e coeficientes a = 1 e b = 1. Pelo diagrama
de bifurcacoes [Fig. 8.9(a)] podemos ver que, para r < 0, o ponto de
equilbrio na origem e est
avel, enquanto aquele com x positivo e instavel.
Ja para r > 0 o ponto na origem torna-se instavel, ao passo que o ponto
de equilbrio com x negativo e, agora, est
avel. No ponto de bifurcacao
ambos os pontos coincidem na origem, que e um ponto nao-hiperbolico.
2. Tipo II: a > 0, b < 0 - Que engloba o ja discutido exemplo (8.22), para o
qual x = 0, r = 0, a = 1 e b = 1 [veja a Fig. 8.9(b)].
3. Tipo III: a < 0, b > 0 - Ilustrado por x = rx + x2 , para o qual a = 1
e b = 1. Seu diagrama de bifurcacoes [Fig. 8.10(a)], e semelhante ao do
caso II, mas com os pontos est
avel e instavel trocados.
379

4. Tipo IV: a < 0, b < 0 - Como em x = rx x2 , onde a = 1 e b = 1,


com o diagrama de bifurcacoes, mostrado na Fig. 8.10(b), semelhante ao
do caso I, mas com os pontos est
avel e instavel trocados

8.4

Exemplo em economia: modelo de crescimento de Solow

O modelo de crescimento neoclassico de Solow foi estudado no Captulo 1 como


exemplo econ
omico de modelos contnuos unidimensionais. Nosso ponto de partida sera o modelo de Solow com a adicao da depreciacao de capital e de progresso tecnologico ex
ogeno, dado pela Equacao (1.125)
k = F (k) s(k) ( + + )k.

(8.31)

onde k > 0 e a raz


ao capital/trabalho, 0 < s < 1 e a propensao ao consumo,
> 0, > 0 e > 0 representam a taxa de crescimento populacional, a taxa
de depreciacao de capital, e a taxa de crescimento de progresso tecnologico,
respectivamente. Por simplicidade, denotaremos n = + + , e adotaremos s
como par
ametro de bifurcacao.
A funcao de producao, (k), deve satisfazer `as condicoes de Inada (1.99).
No Captulo 1 usamos a funcao de Cobb-Douglas, (k) = k ; ao passo que, na
presente discussao, adotaremos a funcao
(k) = ln(1 + k),

(8.32)

onde > 0. Podemos verificar que essa forma alternativa tambem satisfaz `as
condicoes de Inada
d
dk
d2
dk 2

=
=

> 0,
1+k

2 < 0,
(1 + k)

(8.33)
(8.34)

Porem (0) = , ao passo que (0) = para a funcao de Cobb-Douglas.


Essa distincao e fundamental para podermos fazer uma analise de bifurcacoes
no modelo de Solow.
Colocando (8.32) em (8.31) ter-se-a o modelo
k = F (k, s) = s ln(1 + k) nk.

(8.35)

cujos pontos de equilibrio s


ao dados pela condicao F (k , s) = 0, que nos leva `a
equacao transcendente
s ln(1 + k ) = nk .
(8.36)
a qual tem sempre uma solucao trivial k1 = 0 (pois representa ausencia de
crescimento), e pode ter tambem uma solucao nao-trivial k2 6= 0, que nao
pode ser encontrada analiticamente de uma forma exata. No entanto, para
nossos propositos atuais nao e t
ao importante assim achar o valor da ponto de
equilbrio, e sim estudar quando ele existe. Para isso basta considerarmos a
solucao gr
afica da equacao (8.36), tracando as curvas correspondentes aos lados
direito e esquerdo.
380

2
1,8

nk

1,6
1,4

s>s*

1,2
1
0,8

s ln(1+k)

s<s*

0,6
0,4
0,2
0

0,2

0,4

0,6

0,8

k1*

1,2

1,4

k 2*

1,6

1,8

Figura 8.11: Pontos de equilbrio para n = 1, = 0, 2 e dois valores de s: 7 > s


e 4 < s.

Como podemos ver da Fig. 8.11 o ponto de equilbrio nao-trivial pode ou


nao ocorrer, dependendo do valor assumido pelo par
ametro s. Para que exista
essa segunda intersecao entre as curvas A : nk e B : s ln(1 + k ) (a primeira,
naturalmente, e a origem), e necessario e suficiente que a inclinacao da curva B
na origem seja maior que a da curva A. Pelo calculo diferencial, sabemos que
a inclinacao de uma curva num dado ponto e a derivada da funcao calculada
nesse ponto. A derivada da curva A na origem e n, ao passo que, para a curva
B a derivada na origem e s, tal que a intersecao haver
a se s > n. Na Fig.
8.11, obtida para n = 1 e = 0, 2, a curva com s = 7 > 1/0, 2 gera um segundo
o tem
ponto de equilbrio, k2 0, 9, ao passo que a curva com s = 4 < 1/0, 2 s
a intersecao na origem.
Para estudar a estabilidade dos pontos de equilbrio calculamos as derivadas
parciais em relacao a k:
Fk (k, s)

Fk (k1 , s)

Fk (k2 , s)

1
n
1+k
s n
1
s
n
1 + k2
s

(8.37)
(8.38)
(8.39)

O valor do par
ametro s = s no ponto de bifurcacao para k1 = 0 encontra-se
pela condicao Fk (k1 , s ) = 0, o que fornece
s =

n
.

(8.40)

tal que, para s < s , a origem e um ponto de equilbrio est


avel, e que tornase instavel apos a bifurcacao (s > s ) [veja tambem o diagrama de fase na
381

.
.
k

.
k

(a)

.
k

(b)

(c)

Figura 8.12: Diagramas de fase para (a) s < s ; (b) s = s e (c) s > s .

Fig.8.12(a)]. Alem disso, pela analise que fizemos da Fig.8.11, quando s > s
tambem aparece o ponto de equilbrio nao-trivial k2 [Fig.8.12(c)].
Colocando (8.40) em () teremos
Fk (k2 , s) = s

1
s
1 + k2

(8.41)

Como s > s e s/(1 + k2 ) < s, logicamente tambem s/(1 + k2 ) < s , implicando


em que Fk (k2 , s) < 0. Logo, apos a bifurcacao o ponto de equilbrio k2 e assintoticamente est
avel, o que tambem pode ser facilmente observado no diagrama
de fase [Fig.8.12(c)]. Temos, portanto, uma bifurcacao transcrtica no ponto
s = s envolvendo a troca de estabilidade do ponto de equilbrio na origem
[Fig.8.12(b).

8.5

Bifurcac
oes do tipo forquilha

A bifurcacao forquilha e comum em sistemas din


amicos que exibem simetrias.
Uma simetria, no sentido aqui adotado, e uma operacao matematica que nao
altera o modelo din
amico. Por exemplo, seja a seguinte equacao diferencial
dx
= f (x, r) = rx x3 ,
dt

(8.42)

que e invariante (ou seja, simetrica) mediante a troca de sinal da variavel dependente: x x, ja que
d(x)
3
= f (x, r) = r(x) (x)
dt
implica em (8.42).
Numa bifurcacao do tipo forquilha, um dado ponto de equilbrio muda sua es justamente
tabilidade, e emergem ou colidem dois outros pontos de equilbrio. E
a existencia de algum tipo de simetria que leva a esses pontos de equilbrio adi3
cionais. No modelo (8.42), os pontos de equilbrio s
ao dados por 0 = rx (x )
que, a despeito de ser uma equacao c
ubica, tem razes facilmente obtidas, a saber

(8.43)
x1 = 0,
x2,3 = r,
382

.
.
x

.
x

(a)

.
x

(b)

(c)

Figura 8.13: Diagramas de fase de x = rx x3 quando (a) r < 0, (b) r = 0, e


(c) r > 0.
x

(a)

(b)

instavel
estavel
estavel

estavel

instavel

instavel
r

r
estavel
instavel

Figura 8.14: Diagrama de bifurcacao para (a) x = rx x3 ; (b) x = rx + x3 .

sendo que estes dois u


ltimos obviamente nao existem se r < 0.
A estabilidade destes pontos de equilbrio e dada por
fx (x, r)
fx (x1 , r)

=
=

fx (x2,3 , r)

r 3x2 ,
r,
2
r 3( r) = r 3r = 2r,

(8.44)
(8.45)
(8.46)

informando que x1 sera assintoticamente est


avel se r < 0 e instavel se r > 0.
o existem para r positivo, s
ao est
aveis,
Ja os pontos de equilbrio x2,3 , que s
o que podemos tambem intuir a partir dos diagramas de fase correspondentes
avel
[Fig. 8.13]. No ponto (x, r) = (0, 0) o ponto de equilbrio x1 passa de est
para instavel, e emergem dois pontos de equilbrio est
aveis, o que configura uma
bifurcacao forquilha subcrtica. O nome forquilha vem da forma caracterstica
do diagrama de bifurcacao [Fig. 8.14(a)].
A forma normal de um modelo contnuo unidimensional sujeito a uma bi383

furcacao do tipo forquilha e


dx
= f (x, r) = a(r r )x + bx3 + ,
dt

(8.47)

tal que o lado direito deva ser uma funcao mpar de x:


f (x, r) = f (x, r).

(8.48)

Nesse caso a origem x1 sera sempre um ponto de equilbrio. Observe que essa
condicao tambem aparecia na forma normal da bifurcacao transcrtica (8.26),
mas a diferenca agora est
a em que a condicao (8.30) n
ao e satisfeita, uma vez
que
fx (x, r)

fxx (x, r)
fxx (x1 = 0, r)

=
=

a(r r ) + 3bx2 ,

6bx,
0.

(8.49)
(8.50)
(8.51)

Logo nao podera ocorrer bifurcacao transcrtica nesse caso.


As outras condicoes para a existencia de uma bifurcacao forquilha s
ao obtidas
a partir do fato que x1 = 0 e um ponto de equilbrio nao-hiperbolico no valor
da bifurcacao
fx (x1 = 0, r ) = 0,
fx,r (x1

= 0, r ) a 6= 0,
1
fxxx (x1 = 0, r ) b 6= 0.
6

(8.52)
(8.53)
(8.54)

Conforme os sinais desses coeficientes, podemos identificar quatro tipos de


bifurcacao forquilha:
1. Tipo I: a > 0, b > 0 - Colocando a = 1 e b = 1 na forma normal
(8.55)
temos x = rx + x3 , com pontos de equilbrio x1 = 0, e x2,3 = r, esses
dois u
ltimos s
o existindo para r negativo. A analise linear de estabilidade
mostra que x1 e est
avel para r < 0 e instavel se r > 0, ao passo que x2,3
s
ao instaveis. Tais fatos podem ser observados tambem no diagrama de
bifurcacoes da Fig. 8.14(b)].
2. Tipo II: a > 0, b < 0 - correspondendo ao exemplo (8.42).
3. Tipo III: a < 0, b > 0 - Ilustrado por x = rx + x3 , para o qual a = 1
e b = 1. Seu diagrama de bifurcacoes [Fig. 8.15(a)], e semelhante ao do
caso II, mas com os pontos est
avel e instavel trocados.
4. Tipo IV: a < 0, b < 0 - Como em x = rx x3 (a = b = 1), com o
diagrama de bifurcacoes, mostrado na Fig. 8.15(b), semelhante ao do caso
I, mas com os pontos est
avel e instavel trocados.
H
a, ainda, outra classificacao para as bifurcacoes forquilha:
1. Supercrtica: b < 0: engloba os tipos II e IV anteriores. O que ambas
tem em comum e o fato do termo c
ubico ter sinal negativo, o que estabiliza a din
amica do sistema, no sentido de que, seja qual for a condicao
inicial x0 adotada, o estado assint
otico do sistema algum dos pontos de
equilbrio[convenca-se disso inspecionando as Figs. 8.14(a) e 8.15(b)] .
384

(a)

(b)

estavel
instavel

instavel

instavel

estavel
r

estavel
r

instavel
estavel

Figura 8.15: Diagrama de bifurcacao para (a) x = rx + x3 ; (b)x = rx x3 .

2. Subcrtica: b > 0: abrange os tipos I e III anteriores. Nestes o termo


c
ubico tem sinal positivo, o que leva a uma instabilizacao din
amica. Antes
(para o tipo III) ou depois (para o tipo I) da bifurcacao todas as condicoes
iniciais levam a trajet
orias que tendem para o infinito com o passar do
tempo [veja as Figs. 8.14(b) e 8.15(a)]. Mesmo depois (tipo III) ou antes
(tipo I) da bifurcacao ha apenas um restrito conjunto de condicoes iniciais
que leva a um ponto de equilbrio que nao seja infinito
Para estabilizar o comportamento altamente instavel de bifurcacoes subcrticas,
do ponto de vista matematico, adiciona-se um termo c
ubico na forma normal
(8.55) (nao e possvel adicionar uma potencia par devido `a exigencia da funcao
f ser mpar):
dx
= f (x, r) = a(r r )x + bx3 x5 + ,
dt

(8.55)

Nesse caso podem haver um, tres ou ate cinco pontos de equilbrio para o
sistema, cuja estabilidade e obtida pelo criterio de linearizacao (veja o Problema
XXX), gerando o diagrama de bifurcacoes mostrado na Fig. 8.16. Observe que,
nas vizinhancas da origem, o diagrama assemelha-se ao da Fig. 8.14(b). No
entanto, a existencia de uma dobra para um valor r = rs < 0 leva a pontos
de equilbrio est
aveis adicionais, que atraem as solucoes eventualmente divergentes dos outros pontos de equilbrio. Note, ainda, que para o valor r = rs do
par
ametro ocorrem duas bifurcacoes do tipo sela-no.
A configuracao mostrada na Fig. 8.16 leva a um fenomeno curioso conhecido
como histerese. Para ilustr
a-lo imaginemos que possamos, num dado sistema
din
amico, variar ao nosso bel-prazer o par
ametro de controle (naturalmente,
em modelos econ
omicos, isso nem sempre e possvel). Suponhamos estar exatamente sobre o ponto de equilbrio na origem para um valor r = rs e diminuimos
gradualmente o valor de r ate chegar a r = 0. Como existe nesse ponto uma
bifurcacao forquilha, a trajet
oria do sistema e repelida desse ponto e ira para
um dos dois pontos de equilbrio est
avel existentes. Exatamente para qual deles o sistema ira depende de perturbacoes infinitesimais que podem direcionar
as trajet
orias para um ou outro. De uma ou outra forma teremos um salto
repentino no valor assint
otico de x.
385

rs

Figura 8.16: Diagrama de bifurcacao para x = rx + x3 x5 .

Na sequencia, diminuimos gradualmente o valor de r de modo que o sistema


permanece no ponto de equilbrio ate chegar novamente ao valor r = rs . Nesse
ponto a din
amica novamente tem um salto repentino e o sistema volta ao ponto
de equilbrio na origem. O termo histerese refere-se ao fato do sistema ir e voltar
por caminhos diferentes num ciclo completo.

8.6

Exemplo em Economia: Modelo de Ciclos


de Com
ercio

Vamos considerar um u
nico bem produzido numa economia fechada. Seja Y o
produto e YE o produto de equilbrio num modelo est
atico. Segundo Kaldor, o
investimento aumentara na medida da diferenca entre o produto e o seu valor
de equilbrio, y = Y YE , na forma de uma funcao sigmoide centrada em y = 0.
Logo, se o valor do produto for igual ao seu valor de equilbrio, o investimento
sera nulo; ao passo que um investimento positivo (negativo) acarreta um aumento (diminuicao) do produto em relacao a seu valor de equilbrio.
Uma funcao sigmoide bem conhecida e a tangente hiperbolica, ja comentada
no Captulo 5
ey + ey
tanh(y) = y
,
(8.56)
e + ey
cujo gr
afico est
a exemplificado na Fig. 8.17 para diversos valores do par
ametro
. A funcao tangente hiperbolica anula-se para y = 0 e aumenta de forma
praticamente linear, com inclinacao inicialmente dada por beta, e aumentando
paulatinamente na medida em que y cresce, de forma que a funcao satura, ou
seja, chega a um valor limite (igual a 1) para grandes valores de y. Logo,
o par
ametro mede a taxa de aumento da funcao para pequenos valores do
facil ver que a tangente hiperbolica e uma funcao mpar,
seu argumento. E
386

1,2
1
0,8
0,6

tanh(b y)

0,4

=1
= 0,5
= 0,3
= 0,2

0,2
0
-0,2
-0,4
-0,6
-0,8
-1
-10

-5

10

Figura 8.17: Funcao tangente hiperbolica.

tanh(y) = tanh(y), de modo que, por simetria, esse mesmo comportamento sera observado para valores negativos de y.
Suporemos, ent
ao, que o investimento seja dado, em funcao da diferenca do
produto, na forma
I = r tanh(y),
(8.57)
onde r > 0 e um par
ametro que denota o valor de saturacao do investimento
quando o produto e muito maior do que seu valor de equilbrio; ou seja, tomando
o limite y em (8.57) obtemos r. Como vimos ha pouco, o par
ametro > 0
quantificar
a a taxa de aumento do investimento quando o desvio do produto de
equilbrio e pequeno. A poupanca sera tambem proporcional ao produto, mas
desta vez segundo uma funcao linear, na forma
S = sy,

(8.58)

onde 0 < s < 1 e uma propensao marginal a poupar.


Num modelo din
amico, suporemos tambem que a taxa de variacao do produto sera proporcional `
a diferenca entre o investimento e a poupanca, com um
fator > 0 que mede a velocidade com que a variacao do produto responde `a
diferenca.
dy
= (I S),
(8.59)
dt
que, em se substituindo (8.57) e (8.58), levar
a ao modelo contnuo unidimensional
dy
= f (y, r) = [r tanh(y) sy]
(8.60)
dt
onde tomamos r como o par
ametro de bifurcacao.
Inicialmente computamos os pontos de equilbrio, dos quais um e imediatamente reconhecido: y1 = 0 (ja que o lado direito de 8.62 e uma funcao mpar
de y). Os eventuais outros equilbrios serao solucoes da equacao transcendente
r tanh(y ) = sy
387

(8.61)

1,2

sy

1
0,8
0,6

r > r*

0,4
0,2

r < r*
y3*

y2*

y 1*

-0,2
-0,4
-0,6
-0,8
-1
-10 -9 -8 -7 -6 -5 -4 -3 -2 -1

10

Figura 8.18: Solucao gr


afica da equacao transcendente (8.61), para s = 0, 25,
= 0, 8, r = 1, 0 > r , e r = 0, 2 < r , com r = s/ = 0, 3125.

que pode ser procurada graficamente, por nao ter solucao analtica exata. Na
Fig. (8.18) mostramos os gr
aficos das curvas A: r tanh(y ) e B: sy . Alem
da ja citada solucao na origem, haver
a outras (duas) solucoes se a inclinacao
da curva A na origem (dada por r) for maior que a inclinacao da curva B, a
qual e igual a s. Caso contrario apenas a solucao na origem existira. Devido `a
simetria esses dois pontos de equilbrio serao tais que y3 = y2 . No exemplo
numerico s = 0, 25, r = 1, e = 0, 8 mostrado na Fig. (8.18) estimamos esses

pontos de equilbrio como y2,3


3, 8.
Como veremos a seguir, essas duas solucoes de equilbrio surgem exatamente no ponto de bifurcacao. Para acha-lo calculamos a derivada no ponto

de equilbrio na origem, usando que (tanh u) = ( sech 2 u)u :

fy (y, r)
fy (y1 = 0, r)
fy (y1 = 0, r )

=
=
=

[r sech 2 (y) s]
[r sech 2 (0) s] = (r s)

(r s) = 0

(8.62)

onde usamos que sech x = 1/ cosh(x), o que fornece o valor do par


ametro no
ponto de bifurcacao: r = s/.
Para caracterizar a bifurcacao em (x1 = 0, r = s/beta) como do tipo
forquilha, uma vez que poderamos confundi-la com o tipo transcrtica, devemos
calcular os coeficientes da forma normal respectiva, dados por (8.53) e (8.54).
388

r < r*

0,5

r > r*

r = r*
-0,5

-1

-4

-2

Figura 8.19: Diagramas de fase do modelo 8.62 para = 1, s = 0, 25, = 0, 8,


e valores de r iguais a 0, 1, 0, 3125, e 1.

Para isso usaremos as relacoes ( sech u) = sech u tanh uu e tanh(0) = 0:


fyr (y, r)

a = fyr (y1 = 0, r )

fyy (y, r)

fyyy (y, r)

fyyy (y1
b=

= 0, r)

1
fyyy (y1 = 0, r )
6

fy
= sech 2 (y),
r
sech 2 (0) = > 0,
fy
= 2r sech (y)[ sech (y) tanh(y)],
y


2r 2 sech (y)[ sech (y) tanh(y)] tanh(y) + sech 4 (y) ,

2r 3 ,
2
1
r 3 = s 2 < 0.
6
3

Como a > 0 e b < 0, teremos aqui uma bifurcacao forquilha do tipo II (supercrtica), como pode ser tambem concluido a partir dos diagramas de fase
mostrados na Figura 8.19.

8.7

Problemas

1. Considere o modelo contnuo unidimensional x = r x ex . Mostre que existe


uma bifurcaca
o sela-n
o nos pontos (x , r ) = (0, 1). Trace os diagramas de fase
e de bifurcaca
o para os casos r < r , r = r , e r > r. Em qual tipo de bifurcaca
o
n
o-sela esse modelo se encaixa.
2. Seja a equaca
o x = rx + x3 x5 . Mostre qualitativamente (isto e, n
ao e preciso
levar os c
alculos ate o final) que h
a uma bifurcaca
o forquilha subcrtica nesse sistema. Voce pode dar valores para r e obter o diagrama de bifurcaca
o resolvendo
numericamente as equaco
es pelo Maple, Mathematica ou Matlab.

389

3. No Captulo refmcu vimos o modelo logstico que pode descrever o crescimento


de uma populaca
o animal P (t). Vamos considerar uma variaca
o desse modelo
onde h
a ainda uma taxa extra de mortalidade m(P ) devido a predadores


dP
P
BP 2
,
= rP 1
2
dt
K
A + P2
onde r e K s
ao a taxa de crescimento e a capacidade de sustentaca
o (vide Eq.
refeqlog) e A e B s
ao par
ametros ajustados por observaco
es empricas.
(a) Introduzindo vari
aveis reduzidas x = P/A, = Bt/A, = rA/B, e k = K/A,
mostre que o modelo pode ser escrito numa forma adimensional

x
x2
dx
= x 1
,

d
k
1 + x2
(b) Obtenha as soluco
es de equilbrio e mostre que pode haver uma, duas ou
tres delas conforme o valor do par
ametro de bifurcaca
o k
(c) Mostre que h
a bifurcaco
es n
o-sela sempre que os valores de e k estiverem
sobre curvas de bifurcaca
o dadas por
r=

2x3
,
(1 + x2 )2

k=

2x3
x2 1

(d) Esboce as curvas de bifurcaca


o no plano versus k. Detalhes no citestrogatz,
pg. 73-79.
4. Para o modelo contnuo unidimensional 8.55 determine os pontos de equilbrio
e sua estabilidade, mostrando a ocorrencia de duas bifurcaco
es do tipo sela-n
o
para r = rs = 1/4.

390

Captulo 9

Bifurca
co
es em modelos
discretos unidimensionais
Ate agora, concentramos nossa analise no comportamento peri
odico dos modelos din
amicos, tanto a tempo discreto como contnuo. Vimos, basicamente, a
existencia de pontos fixos, interpretados como solucoes de equilbrio; e orbitas
peri
odicas, indicando um comportamento repetitivo apos um certo intervalo
de tempo. Em ambos os casos, a din
amica nos fornece indicacoes precisas do
comportamento futuro do sistema, caso este seja adequadamente descrito pelo
modelo matematico adotado. A partir de uma condicao inicial, se esperarmos
ate os transientes decairem, teremos previsto o comportamento do sistema para
quaisquer tempos futuros.
No entanto, o comportamento peri
odico nao e a u
nica possibilidade para os
sistemas din
amicos. Caos determinstico pode evoluir a partir de diversas rotas,
a partir da evolucao das
orbitas peri
odicas, quando um par
ametro do sistema e
variado. Esta evolucao pode ocorrer tanto pela criacao ou destruicao de pontos
fixos e/ou
orbitas peri
odicas, mas tambem pelas chamadas bifurcacoes, que
representam alteracoes na sua estabilidade. Neste captulo, vamos abordar estes
aspectos da din
amica de sistemas nao-lineares, focalizando os modelos discretos
unidimensionais.
Vamos, em particular, revisitar o modelo logstico discreto, introduzido no
Captulo 5, e que sera usado como paradigma para a discussao de bifurcacoes e
caos em modelos discretos unidimensionais
xt = f (xt1 ) = rxt1 (1 xt1 ),

(9.1)

e que e definido para os seguintes intervalos 0 xt 1 e 0 > r 4. Fora deles,


as iteracoes divergem, ou seja, tendem a menos infinito com o passar do tempo.

9.1

Diagrama de bifurcac
oes

O diagrama de bifurcacoes e um gr
afico dos valores assint
oticos da variavel de
estado x versus o par
ametro de controle, suposto variavel dentro do seu intervalo
de definicao. Por valores assint
oticos entendemos o comportamento das orbitas
apos um intervalo de tempo suficientemente grande: podemos ter pontos fixos,
391

rbitas peri
o
odicas, ou caoticas; de modo que as iteracoes transit
orias nao s
ao
consideradas.
No exemplo do modelo logstico discreto, uma parte do diagrama de bifurcacoes pode ser tracada com base nos resultados obtidos no Captulo 5. Conforme a fig. 9.1, no eixo das abscissas representamos os valores do par
ametro r,
e no eixo das ordenadas os valores assint
oticos de xt . Para 0 < r < 1 s
o existe o
ponto fixo est
avel na origem xa = 0, logo neste intervalo os valores assint
oticos
de xt s
ao iguais a zero, formando um segmento de linha cheia reta.
Para o intervalo 1 < r < 2, a origem torna-se instavel; ao passo que aparece
o segundo ponto fixo xb = 1 (1/r), que e est
avel e menor que 1/2, sendo
representado por um ramo de par
abola cheia em funcao de r variando dentro do
intervalo (1, 2). Ja para o intervalo 2 < r < 3 os mesmos fatos s
ao verificados,
exceto o segundo ponto fixo, que e agora maior que 1/2. O ponto fixo superest
avel em r = 2 corresponde `a intersecao entre este ramo de par
abola e uma
reta horizontal em x = 1/2. Se tracarmos uma reta vertical neste intervalo
veremos que a tendencia das iteracoes e atrativa em relacao a xb , e repulsiva
em relacao `
a origem.

Finalmente, no intervalo 3 < r < 1 + 6 3, 449 o segundo ponto fixo


perde estabilidade, o passo que surge uma orbita de perodo 2 est
avel. Esta
orbita e representada por dois ramos cheios de par

abola, que correspondem


aos dois sinais da expressao dada por (5.66), ou seja: x1 e x2 . Este e o estado
assint
otico da imensa maioria das orbitas. Na verdade, as u
nicas excecoes seriam
orbitas cujas condicoes iniciais fossem colocadas exatamente sobre os pontos

fixos instaveis - e que neles permaneceriam por toda a eternidade. Entretanto,


nos jamais conseguimos especificar com precis
ao infinita um n
umero qualquer
na pr
atica.
Por exemplo, se usarmos tres casas decimais (apos a vrgula) para uma
condicao inicial, como x0 = 0, 004, a quarta casa decimal ja e completamente
incerta, no sentido que arredondamos o seu conteudo usando a regra conhecida.
Os n
umeros 0, 0039, 0, 0041, 0, 0037, etc... seriam todos arredondados para
0, 004, de modo que ha uma infinidade de valores proximos porem diferentes de
0, 004, que s
ao para ele arredondados. No frigir dos ovos, e impossvel colocar
uma condicao inicial exatamente num ponto fixo ou orbita peri
odica instavel,
pois qualquer pequeno desvio (como aquele provocado pelos erros de arredondamento) ja e suficiente para afastar as iteracoes subsequentes do ponto fixo ou
orbita instavel.

Para obter o 2-ciclo superest


avel nos igualamos a zero o fator de estabilidade
2

=
r

2r

4,
o
que
fornece
como u
nica raiz positiva o valor r2 = 1 +
2
facil ver que x = 1/2 e um dos pontos deste 2-ciclo super5 3, 236. E
est
avel, de modo que a reta horizontal que passa por ele intercepta o diagrama
de bifurcacao nos pontos pertencentes a orbitas peri
odicas super-est
aveis. Este
fato subsiste para qualquer perodo, e sera usado mais tarde na discussao da
rota de Feigenbaum para o caos.

9.1.1

Obtenc
ao num
erica do diagrama de bifurca
c
oes

Programa em linguagem C

Para r > 1 + 6 um estudo puramente analtico, como o que foi mostrado aqui,
e impratic
avel, de forma que o diagrama de bifurcacoes para o modelo logstico
392

3,449

3,57...

1
0,9
0,8
0,7

0,6
0,5
0,4
0,3
0,2
0,1
0

0 0,2 0,4 0,6 0,8 1 1,2 1,4 1,6 1,8 2 2,2 2,4 2,6 2,8 3 3,2 3,4 3,6 3,8 4

Figura 9.1: Diagrama de bifurcacoes do modelo logstico discreto no intervalo


0 < r < 4;

discreto deve ser feito numericamente. Vamos descrever a metodologia usada


para obter este diagrama:
1. Escolhemos um intervalo de valores para o par
ametro r. No caso do modelo logstico discreto, [0, 4];
2. Fixamos o valor inicial do par
ametro r;
3. Escolhemos uma condicao inicial x0 (por exemplo, 0, 2);
4. Iteramos o modelo logstico discreto f (x) = rx(1 x) desconsiderando as
primeiras, digamos, trans = 100 iteracoes transit
orias;
5. Continuamos iterando o modelo discreto por mais, digamos pontos = 100
iteracoes onde nos presumimos observar o estado assintotico do sistema, e
tracamos no diagrama os valores de xt correspondentes (haver
a eventualmente uma grande superposicao de pontos);
6. Incrementamos o valor do par
ametro r por uma pequena quantidade (por
exemplo, 0, 001);
7. Repetimos os passos de (3) a (6) ate o valor final do par
ametro r.
Mostramos abaixo uma implementacao dessa sequencia de calculos em linguagem C de programacao, a qual podera ser compilada pelo estudante para a
obtencao de uma figura semelhante `a Figura 9.1.
/* bifurcacao_logistico.c: produz o diagrama de bifurcacoes
para o mapa logistico. Saida dos dados no arquivo
lyapunov_logistico.dat (tabela com duas colunas) */
#include <stdio.h>
393

#include <math.h>
FILE *fp;
main( )
{
int n, trans, points, n_r;
float x_n, x_0, r, r_i, r_f, delta;
fp = fopen("bifurcacao_logistico.dat","w");/* abre arquivo */
r_i = 0.1;
/* valor inicial de r */
r_f = 4.0;
/* valor final de r */
n_r = 100;
/* numero de valores de r */
points = 200;
/* numero de iteracoes calculadas para cada
valor de r */
trans = 100;
/* numero de pre-iteracoes transientes */
delta = (r_f - r_i)/n_r; /* incremento no valor de r */
x_0 = 0.2; /* condicao inicial */
for(r = r_i;r <= r_f;r = r + delta) /* varre os valores de r */
{
x_n = x_0; /* inicializa o valor de x */
for (n = 0;n <= points;++ n) /* varre os valores de n */
{
x_n = r * x_n * (1 - x_n);
/* calculo das iteracoes */
if (n > trans) /* descontamos transientes */
{
fprintf(fp,"\% f \% f \n", r, x_n);
/* imprime resultados no arquivo de saida */
}
}
}
fclose(fp);
/* fecha o arquivo de dados */
}
Observe que e necessario desconsiderar as iteracoes transit
orias pois elas,
caso superpostas no diagrama, poderiam mascarar os estados assint
oticos, que
s
ao os resultados nos quais estamos interessados. Como o n
umero de iteracoes
transit
orias (trans), pode variar bastante tanto com a escolha da condicao
inicial como com o valor do par
ametro (em particular, a duracao dos transit
orios
pode ser extremamente grande na vizinhanca de bifurcacoes), a indicacao de um
valor adequado para trans deve ser feita na base da tentativa-e-erro.
Outra caracterstica importante dos diagramas obtidos numericamente e a
ausencia de
orbitas peri
odicas instaveis. O motivo ja foi discutido ha pouco,
e basicamente e a impossibilidade pratica de um n
umero com precis
ao finita
ser colocado exatamente numa orbita instavel. Por outro lado, como veremos,
o diagrama evidencia de forma bastante clara a existencia de orbitas caoticas,
embora ele nao sirva por si s
o como demonstracao deste fato.
Na figura 9.1 mostramos o diagrama de bifurcacao do modelo log
stico discreto no intervalo [0, 4]. A parte referente ao sub-intervalo [0, 1 + 6 3, 449]
ja e conhecida, a menos dos ramos instaveis dos pontos fixos edo 2-ciclo que
nao aparecem no diagrama obtido numericamente. Para r > 1 + 6 observamos
a existencia de uma
orbita de perodo 4 est
avel, ao passo que o 2-ciclo existente
anteriormente desaparece (na verdade, ele torna-se instavel, e portanto deixa
394

de ser graficado). Esta e uma nova bifurcacao, bastante similar `aquela anteriormente descrita para r = 3, e que sera vista em mais detalhes na proxima
secao.
Esta
orbita de perodo 4 dura relativamente pouco, sofrendo uma nova bifurcacao em r 3, 544 e instabilizando-se, cedendo seu lugar a uma orbita de
perodo 8. H
a uma r
apida acumulacao destas bifurcacoes e, para valores de r
superiores a um valor r 3, 57 observamos tracos mais ou menos contnuos
de pontos no diagrama. Embora em princpio possam ser orbitas de perodos
extremamente altos, ha evidencias s
olidas que tratam-se na verdade de orbitas
caoticas, para as quais valem as duas caractersticas basicas: (i) irregularidade;
(ii) dependencia sensvel `
as condicoes iniciais. Essas regi
oes caoticas alternam-se
com janelas peri
odicas com uma estrutura bastante peculiar. Finalmente, a
regi
ao caotica desaparece subitamente no final do intervalo de definicao, ou seja,
em r = 4. Todos estes fatos serao discutidos em detalhes ainda neste captulo.
Uso do Maple
Ao inves de compilar e executar um programa numa linguagem como C, Fortran, etc. podemos usar a versatilidade e praticidade dos softwares matematicos
descritos ao longo deste livro. Vamos comecar pelo Maple. N
os usaremos o
comando plot para tracar os pontos correspondentes a uma lista de pontos denominada graf, a qual e construida a partir da matriz xx[ ], cujos elementos
s
ao:
linhas: os valores do par
ametro de bifurcacao, desde r = 0 ate r = 4, com
intervalos de passo = 0, 01;
os valores da variavel xt do modelo logstico discreto, desde t = 40 (ou
seja, descartamos as 40 primeiras iteracoes transientes) ate t = 80.
Um programa em Maple que implementa esse procedimento e mostrado
abaixo, os resultados sendo exibidos na Figura 9.3.
with(plots):
imax:=80:
jmax:=400:
passo:=0.01:
lista:=array(0..10000):
xx:=array(0..10000,0..10000):
for j from 0 to jmax do
xx[j,0]:=0.5:
for i from 0 to imax do
xx[j,i+1]:=(passo*j)*xx[j,i]*(1-xx[j,i]):
end do:
lista[j]:=[[(passo*j),xx[j,n]]\$n=40..imax]:
end do:
graf := [seq(lista[j],j=0..jmax)]:
plot(graf,x=0..4,y=-0.1..1,style=point,symbol=circle,
symbolsize=1,labels=[r,x],color=black);

395

Figura 9.2: Diagrama de bifurcacoes do modelo logstico discreto usando o


Maple.

Uso do Mathematica
Para tracar o diagrama de bifurcacoes do modelo logstico discreto usando o
Mathematica nos usamos o comando ListPlot, o qual traca um gr
afico a partir
de uma lista de dados, que denominamos lista [12]. Esta u
ltima e construida
de forma recursiva, acrescentando dados a cada passo (isto e, a cada valor do
par
ametro r) usando o comando Append, pela iteracao do modelo logstico por
100 iteracoes para cada valor do par
ametro r. Iniciamos pelo valor ri = 2, 8 e
terminamos no valor rf = 4, 0 usando um intervalo r = 0, 01 entre dois valores
sucessivos de r.
A funcao que representa o modelo logstico e introduzida como Logistico[
] e pode ser facilmente adaptada para outros modelos que o leitor esteja interessado, tendo em vista os comandos a seguir [Fig. ??]
Logistico[x_] := r x (1-x);
lista = { };
Do[x = 0.25; Do[x = Logistico[x],{100}];
Do[x = Logistico[x];lista=Append[lista,{r,x}],{100}],{0,2.8,4,0.01}];
ListPlot[lista,AxesLabel->{r,x_t}];

Uso do Matlab
O Matlab tambem oferece a possibilidade de tracarmos o diagrama de bifurcacoes do modelo logstico discreto a partir de uma function, descrita abaixo,
396

Figura 9.3: Diagrama de bifurcacoes do modelo logstico discreto usando o


Mathematica.

e cuja estrutura lembra a usada no programa em linguagem C anteriormente


introduzido. Os argumentos s
ao os valores inicial e final do par
ametro, respectivamente indicados por r0 e r1 , e o n
umero de iteracoes. Para gerar a Fig. 9.4,
por exemplo, usamos o comando bifurcacao(2.8,4,1000).
function bifurcacao(r0,r1,numero)
close
if nargin<1 (???)
r0=0; r1=4; numero=5000;
end
r=r0:(r1-r0)/numero:al; (???)
x=0.25;
for i=1:20000
x=r.*x.*(1-x);
plot(r,x,.k,MarkerSize,0.5)
end

9.2

Tipos de bifurcac
oes em modelos discretos
unidimensionais

Na discussao precedente sobre a estabilidade dos pontos fixos e orbitas peri


odicas
do modelo logstico discreto nos defrontamos com alguns exemplos de mudancas
397

Figura 9.4: Diagrama de bifurcacoes do modelo logstico discreto usando o


Matlab.

na existencia ou estabilidade, que denominamos bifurcacoes. Para modelo discretos unidimensionais ha tres tipos basicos de bifurcacoes, com v
arios aspectos
em comum com as bifurcacoes estudadas no captulo ??, e que serao discutidos
com mais detalhes a seguir. A fim de tornar a nossa discussao um pouco mais
geral, vamos considerar um modelo discreto unidimensional
xt = fp (xt1 ),

(9.2)

cuja funcao depende de um par


ametro variavel p. Chamaremos de pB o ponto
onde ocorre uma bifurcacao no respectivo diagrama. N
os suporemos que a
funcao fp (x) seja suave no seu domnio de definicao, ou seja, que seja contnua
e diferenciavel um n
umero suficientemente grande de vezes 1

9.2.1

Bifurcac
ao de duplica
c
ao de perodo

Tambem chamada de bifurcacao flip, ela ocorre quando uma orbita de perodo
n est
avel torna-se instavel no ponto de bifurcacao p = pB , de tal forma que
surge uma nova
orbita est
avel de perodo 2n para valores de p superiores a pB .
Representando esquematicamente na figura 9.5(a) uma bifurcacao de duplicacao
de perodo, vemos que surge no ponto de bifurcacao um ramo est
avel de par
abola
(como uma forquilha), correpondente `a nova orbita que surge para p > pB . Para
uma
orbita de perodo n, haver
a tambem n forquilhas, ou seja 2n ramos est
aveis.
1 Isso implica que fun
c
oes lineares por partes (ou seja, n
ao-suaves em um n
umero finito de
pontos), como o modelo discreto da tenda T (x), s
ao excluidas da presente discuss
ao sobre
bifurcac
oes.

398

(b)

(a)

x
periodo 2n

[2]

f p (x)
1
0

periodo n

primeira bissetriz

instavel

11
00

11
00
00
11

estavel
11
00

p<p
p

p=p

p>p

Figura 9.5: (a) Bifurcacao de duplicacao do perodo. (b) Segunda iterada de


um modelo discreto na vizinhanca de uma bifurcacao de duplicacao do perodo.

Poderamos ter, ainda, esta duplicacao de perodo quando p diminui passando


por pB , o que uma bifurcacao inversa de duplicacao de perodo.
Considere o modelo logstico discreto, para o qual o par
ametro variavel e
p = r. O ponto fixo xb = 1 (1/r) (que e uma orbita de perodo n = 1)
sobre uma bifurcacao de duplicacao de perodo em rB = 3, tornando-se instavel
e dando origem a uma
orbita
de perodo 2: {x1 , x2 }. Outra bifurcacao deste
tipo ocorre para r igual a 1 + 6, onde a orbita anterior de perodo 2 torna-se
instavel e surge um 4-ciclo.
Para entender como ocorre uma destas bifurcacao de duplicacao do perodo,
vamos considerar na figura 9.6 a segunda iterada do modelo logstico discreto,
f [2] (x) = rf (x)[1 f (x)] = r2 x(1 x)[1 rx(1 x)],

(9.3)

um pouco antes e um pouco depois da bifurcacao que ocorre quando r = 3. Para


r < 3, vemos que o gr
afico de f [2] (x) intercepta a primeira bissetriz apenas nos
pontos fixos, nao havendo portanto um 2-ciclo [Fig. 9.6(a)]. O ponto fixo xb e
est
avel, pois a derivada do modelo discreto calculada neste ponto tem modulo
inferior a 1; isto e, a inclinacao da tangente ao gr
afico no ponto fixo e menor
do que 450 (embora, como os eixos coordenados tenham tamanhos distintos,
isso nao fique claro a princpio no diagrama). Quando atingimos do ponto de
bifurcacao o gr
afico da segunda iterada tangencia a primeira bissetriz, de modo
o ponto fixo outrora est
avel torna-se indiferente [Fig. 9.6(b)]. Apos o ponto de
bifurcacao aparecem dois novos pontos peri
odicos, que s
ao membros de um ciclo
de perodo 2, ambos est
aveis pois as derivadas da segunda iterada tem modulos
menores que um nos mesmos [Fig. 9.6(b)].
Generalizamos essa discussao considerando a segunda iterada de um modelo
p
discreto generico, f[2]
(x), sendo pB o valor do par
ametro para o qual ocorre
a bifurcacao (pB = 3 no exemplo anteriormente citado para o modelo logstico
discreto). Iniciando de um valor de p abaixo do seu valor crtico pB , observamos
que, `a medida em que o valor de p aumenta, a inclinacao do gr
afico (ou melhor,
da sua tangente no ponto fixo) vai aumentando, mas ainda assim e menor do
que 1 (pois o gr
afico permanece abaixo da primeira bissetriz). A corcova do
399

(b)

(a)

(c) estvel

0,8

0,8

instvel

estvel

0,4

0,4

0,2

0,2

xt

0,6

xt

0,6

0,2 0,4 0,6 0,8

xt-2

0,2 0,4 0,6 0,8

xt-2

estvel

0,2 0,4 0,6 0,8

xt-2

Figura 9.6: Segunda iterada do modelo logstico discreto para (a) r = 2, 5; (b)
r = 3, 0; (c) r = 3, 4.

gr
afico vai aproximando-se da primeira bissetriz ate intercept
a-la no ponto de
bifurcacao p = pB [Fig. 9.5(b)].
Simultaneamente, a derivada do modelo discreto no ponto fixo atinge o valor
1, isto e, o modulo tem o valor 1 indicando perda de estabilidade. Para p > pB ,
a derivada do modelo discreto no ponto fixo e superior a um, em modulo, e o
gr
afico da segunda iterada corta a reta de 45o nos pontos do 2-ciclo. O fator
de estabilidade desta
orbita e superior a um, o que significa que tangentes ao
gr
afico de f [2] (x), tracadas por estes pontos, tem inclinacao menor que 45o .
Este mecanismo basico ocorre em todas as bifurcacoes de duplicacao de perodo
subsequentes.
Quando p = pB , ou seja, exatamente no ponto de bifurcacao, a inclinacao
p
do gr
afico de f[2]
(x), ou sua derivada calculada no ponto fixo x , e igual a 1:

d [2]
f (x)
= (fp[2]
) (x ) = +1.
(9.4)
B
dx p
x=x ,p=pB
No entanto, se considerarmos a primeira iterada do modelo discreto, veremos
que no ponto de bifurcacao sua derivada dever
a ser igual a 1 (mas o modulo
continua sendo igual a 1 de qualquer forma):


d

fp (x)
(9.5)
= (fpB ) (x ) = 1.
dx

x=x ,p=pB

Para p > pB o ponto fixo x torna-se instavel (inclinacao da segunda iterada


maior que 1), e emergir
a um par de pontos fixos est
aveis, que comp
oem uma
orbita est

avel de perodo 2.
400

Resumindo, uma bifurcacao de duplicacao de perodo, onde este varia de n


para 2n, e tal que as seguintes condicoes devam ser obedecidas pela primeira e
segunda iteradas do modelo discreto no ponto fixo:

) (x ) = 1,
(fp[n]
B

(9.6)

= +1.

(9.7)

) (x )
(fp[2n]
B

Bifurca
c
ao no modelo logstico discreto em r = 3
N
os descrevemos no Captulo 5 a bifurcacao de duplicacao de perodo que ocorre
para o modelo logstico discreto em r = 3. O ponto fixo x = 1 1/r, que e
est
avel para r pouco menor que 3, torna-se instavel para r pouco maior que 3.
Ao mesmo tempo, emerge no ponto de bifurcacao uma orbita est
avel de perodo
2. Vamos checar as condicoes formais (7.64)-(7.66) para a existencia de uma
bifurcacao de duplicacao de perodo em r = 3, onde x = 1 1/3 = 2/3.
Como fr (x) = rx(1 x) e fr (x) = r(1 2x). Logo


2

= 1.
(f3 ) (x = 2/3) = 3 1 2
3
Ja a segunda iterada do modelo logstico pode ser escrita como
fr[2] (x) = r2 x(1 x)[1 rx(1 x)] = (r2 x r2 x2 )(1 rx + rx2 ),
cuja derivada e
(fr[2] ) (x) = r2 (1 2x)[1 rx(1 x)] + r3 x(1 x)(1 + 2x),
que, calculada no ponto de bifurcacao, fornece
2
2
2
2
2
2
[2]
(f3 ) (x = 2/3) = 32 (1 2 )[1 3 (1 )] + 33 (1 )(1 + 2 ) = +1
3
3
3
3
3
3
verificando, assim, as condicoes (7.64)-(7.66) para n = 1.

9.2.2

Bifurcac
ao tangente

Tambem chamada de bifurcacao no-sela, ou fold, ela ocorre quando: (i) depois
do ponto de bifurcacao pB nao ha ponto fixo (ou orbita peri
odica); (ii) antes
do ponto de bifurcacao ha um par de pontos fixos (ou orbitas peri
odicas) - um
est
avel e outro instavel [Fig. 9.7(a)]. As palavras antes e depois do ponto
de bifurcacao significam casos onde p < pB e p > pB , respectivamente. Se
trocarmos os papeis, teremos uma bifurcacao tangente inversa.
Embora esta bifurcacao tambem ocorra no modelo logstico discreto, onde
desempenha um importante papel no aparecimento das chamadas janelas peri
odicas,
vamos exemplificar esta situacao num modelo discreto mais smples
xt = fp (xt1 ) = pext1 ,

(9.8)

onde p e o par
ametro variavel, dentro do intervalo [0, ), e e = 2, 71824... e o
n
umero de Euler. O valor crtico, neste caso, e pB = 1/e 0, 367. Os pontos
fixos desse modelo s
ao dados pelas solucoes da equacao transcendente

x = pex ,
401

(9.9)

primeira bissetriz

(a)

(b)

estavel

[n]

f (x)
p

instavel

p=p

p < pB

p>p

Figura 9.7: (a) Bifurcacao tangente. (b) Primeira iterada de um modelo discreto
na vizinhanca de uma bifurcacao tangente.

que pode ou nao ter solucoes, dependendo do valor de p. A estabilidade destes


pontos fixos e determinada pelo fator

|fp (x )| = |pex |.

(9.10)

Na figura 9.8 indicamos o comportamento da primeira iterada do modelo


discreto (9.8) para valores maiores e menores que pB . Se p = 0, 2 < pB o gr
afico
de fp (x) intercepta a primeira bissetriz em dois pontos fixos, a saber, x1 0, 25

e x2 2, 5 [Fig. 9.8(a)]. Como |0, 2ex1 | 0, 26 < 1 e |0, 2ex2 | 2, 44 > 1,


os pontos x1 e x2 s
ao est
avel e instavel, respectivamente. O ponto x1 e, com
efeito, est
avel pois a tangente do gr
afico neste ponto tem inclinacao menor que
45o , ao passo que o outro, x2 , e instavel (a inclinacao e maior que a da primeira
bissetriz).
No ponto de bifurcacao p = pB , o gr
afico tangencia a reta de 45o no ponto

fixo x = 1, ja que, de (9.9),


e
1 = pB e1 = .
e

(9.11)

Observe que, quando p aproxima-se do valor crtico por valores menores que

este (p p
B ), os pontos fixos x1 e x2 aproximam-se e coalescem no ponto de

tangencia x = 1 [Fig. 9.8(b)]. Para valores de p maiores que pB nao ha solucao


da equacao (9.9) e, portanto, nao ha ponto fixo [Fig. 9.8(c)].
Este mecanismo e descrito esquematicamente na figura 9.7(b), onde apenas
[n]
a parte relevante do gr
afico da n-esima iterada de um modelo discreto, fp , e
mostrada, para valores na vizinhanca do ponto de bifurcacao tangente pB . Para
valores abaixo de pB nao existe ponto fixo, ao passo que, em p = pB , o gr
afico
tangencia a primeira bissetriz em x , ou seja,

) (x ) = +1,
(fp[n]
B

(9.12)

que, para o modelo discreto (9.8), implica na equacao (9.11). Quando p e maior
que o valor crtico, duas intersecoes s
ao observadas, correspondentes ao par de
pontos fixos (ou
orbitas peri
odicas, de maneira geral) est
avel e instavel criados
pela bifurcacao.
402

(b)

(a)
3

(c)

xt

xt

instvel

estvel
0

xt-1

xt-1

xt-1

Figura 9.8: Bifurcacao tangente no modelo discreto exponencial para (a) p =


0, 2 < pB ; (b) p = pB = 1/e; (c) p = 0, 45 > pB .

9.2.3

Bifurcac
ao transcrtica

Nesta situacao, antes do ponto de bifurcacao p = pB , temos dois pontos fixos,


um est
avel e outro instavel, que v
ao se aproximando na medida em que chegamos
ao ponto de bifurcacao. Apos a colisao estes pontos continuam existindo, mas a
estabilidade deles e trocado: o ponto fixo est
avel torna-se instavel e vice-versa
[Fig. 9.9)(a)].
Um exemplo de bifurcacao transcrtica pode ser observado no modelo logstico
discreto, quando o par
ametro r e igual ao valor crtico rB = 1. Quando o
par
ametro r e menor que 1, vimos que o u
nico ponto fixo nao-negativo (e
est
avel) e a origem x = 0. O segundo ponto fixo x = 1 1/r e negativo
para 0 < r < 1. No entanto, se levarmos tambem em consideracao os valores
negativos de x, como f (x ) = 1 2x = 1 + 2(1 1/r) = 1 2/r > 1, segue
que este ponto fixo negativo e instavel para 0 < r < 1 [Fig. 9.9(b)]. Quando
r = 1 a origem torna-se instavel, como ja vimos anteriormente, e o ponto fixo
avel. Isto corresponde a uma troca de estabilix+ = 1 1/r emerge e e est
dade entre os dois pontos fixos no ponto de bifurcacao transcrtica rB = 1.
De modo geral, no ponto onde ocorre a bifurcacao, o gr
afico da tangente `a
primeira iterada do modelo discreto tem inclinacao de 45o , ja que neste ponto
ocorre uma mudanca de estabilidade; logo a derivada do modelo discreto e igual
a 1 neste ponto:

(fpB ) (x ) = +1.

(9.13)

Por outro lado, ha ainda a seguinte condicao suplementar para a ocorrencia de


403

(a)

(b)

estavel

instavel

estavel

instavel

Figura 9.9: Bifurcacao transcrtica no modelo logstico discreto


0,9

(b)

(a)
0,8

0,7

0,6

0,5

0,4

0,3
3,1

3,15

3,2

3,25

3,3

3,35

3,4

3,45

3,5

3,55

Figura 9.10: (a) Ampliacao de parte do diagrama de bifurcacoes do modelo


logstico discreto. (b) Esquema de uma cascata de bifurcacoes de duplicacao de
perodo no modelo logstico discreto (nao est
a em escala).

uma bifurcacao transcrtica [2]


(fpB )(x ) = 0,

(9.14)

a qual e triviamente satisfeita pelo ponto fixo na origem, para o modelo logstico
discreto.

9.3

Cascata de bifurcac
oes de duplicac
ao de perodo

O diagrama de bifurcacoes da figura 9.1 mostra que ha uma sequencia de bifurcacoes de duplicacao de perodo, comecando em r = 3.0, e continuando ate
r 3, 57, apos o que teremos um comportamento radicalmente diferente do que
ate agora estudamos. Para r > 3, 57... as iteracoes do modelo nao parecem mais
estacionar numa
orbita de perodo bem definido, muito embora a simples observacao da figura nao nos permita de fato discernir entre uma orbita de perodo
404

perodo = 2n

rn

1
2
3
4
5
6
7

2
4
8
16
32
64
128

3, 0000000
3, 4494896
3, 5440903
3, 5644073
3, 5687594
3, 5696916
3, 5698913

rn rn1

0, 4494896
0, 0946007
0, 0203170
0, 0043521
0, 0009322
0, 0001997

rn1 rn2
rn rn1

4, 7514
4, 6562
4, 6683
4, 6686
4, 6692

Tabela 9.1: Pontos de bifurcacao de duplicacao de perodo no modelo logstico


discreto

muito alto, como 5000, e algo qualitativamente diferente. Na verdade, este comportamento e o que chamaremos posteriormente de caos. Por enquanto, vamos
nos ater `
a cascata de bifurcacoes de perodo, que foi estudada por Feigenbaum no
final da decada de 70 [?, ?], muito embora outros pesquisadores como Myrberg
[?] e May [?] ja tivessem conhecimento de algumas de suas propriedades.
Podemos observar na figura 9.10(a), que e uma ampliacao de parte do diagrama de bifurcacoes da figura 9.1, que a sequencia de bifurcacoes de duplicacao de perodo nao ocorre em intervalos de mesma amplitude. Por exemplo, a distancia entre a segunda e a terceira bifurcacoes e cerca de um quinto
da distancia entre a primeira e a segunda. As demais ocorrem em intervalos
ainda menores, e aparentemente ha uma acumulacao de bifurcacoes [a qual nao
e possvel observar na figura 9.10(a)] no ponto r 3, 57.
Feigenbaum determinou os valores do par
ametro r para os quais o modelo
logstico discreto sofre bifurcacao de duplicacao de perodo. N
os denominamos
rn o valor do par
ametro r para o qual ha uma bifurcacao de perodo 2n para o
perodo 2 2n = 2n+1 [Fig. 9.10(b)]. Por exemplo, r1 = 3 marca a bifurcacao
de um ponto fixo (perodo 1) para um 2-ciclo (perodo
2). N
os mostramos
analiticamente que bifurcacao seguinte ocorre para r2 = 1+ 6. Esses resultados
est
ao na Tabela 9.1, que ainda contem as bifurcacoes ate perodo 256.
V
arias conclus
oes interessantes emergem da analise dos resultados da tabela
9.1. Inicialmente, observamos que a raz
ao entre as distancias entre bifurcacoes
sucessivas
rn1 rn2
rn rn1
parece convergir para um valor constante, `a medida em que cresce o perodo
da orbita bifurcante. Se este valor fosse constante para todas as bifurcacoes,
poderamos classificar a sequencia de intervalos inter-bifurcacoes, rn rn1 ,
como uma progress
ao aritmetica decrescente e infinita. No entanto, a raz
ao
acima n
ao e propriamente constante, mas sim tende a um valor constante ,
aproximando-se dele `
a medida em que n tende a infinito. Este valor corresponde
formalmente ao seguinte limite, devido a Feigenbaum
lim

rn1 rn2
= 4, 669201609 . . .
rn rn1

(9.15)

Outra observacao importante e que a cascata de bifurcacoes de duplicacao


405

n
1
2
3
4
5
6
7
8

r rn
0,5699456
0,1204560
0,0258553
0,0055383
0,0011862
0,0000254
0,0000543
0,0000116

c
n

0,5648
0,1209
0,0259
0,0055
0,0012
0,00025
0,000054
0,000011

Tabela 9.2: Acumulacao de bifurcacoes de duplicacao de perodo no modelo


logstico discreto

de perodo acumula-se no ponto onde


lim rn r = 3, 5699456 . . .

(9.16)

Mais precisamente, podemos computar, com base nos dados da Tabela 9.2 as
distancias entre os v
arios pontos de bifurcacao e o valor onde elas se acumulam:
r rn n

c
n

(9.17)

onde c = 2, 637 e e a constante de Feigenbaum.

9.3.1

Universalidade

Os resultados obtidos por Feigenbaum s


ao notaveis em v
arios aspectos, mas
nao seriam realmente importantes se fossem v
alidos unicamente para o modelo logstico discreto. Por exemplo, poderamos indagar se o valor de acumulacao das bifurcacoes e a raz
ao entre as suas distancias poderiam ser diferentes se us
assemos outro modelo discreto, como por exemplo o modelo discreto
quadr
atico
xt+1 = a x2t
(9.18)
com a como o par
ametro variavel, no caso desde a = 0 ate 2. Este modelo
discreto apresenta um diagrama de bifurcacoes muito parecido com o do modelo
logstico discreto (Fig. 9.11).
As semelhancas nao param a. Na tabela 9.3 nos mostramos os valores do
par
ametro a, ditos an , para os quais uma bifurcacao de duplicacao do perodo
ocorre, e o respectivo valor da raz
ao entre as distancias.
Novamente, o valor da raz
ao das distancias inter-bifurcacoes parece convergir
para um valor limite, que e a propria constante de Feigenbaum (evidentemente
o valor do par
ametro a para o qual as bifurcacoes se acumulam e diferente).
Uma inspecao cuidadosa da figura 9.11 mostra que ha uma segunda cascata de
bifurcacoes de duplicacao de perodo iniciando-se em a = 1, 75 (dentro de uma
janela do diagrama, como sera visto na proxima secao). Neste caso, partimos
de uma
orbita de perodo 3, tal que as orbitas seguintes tem perodos 6, 12, e
assim por diante. Os valores correspondentes `as bifurcacoes s
ao mostrados na
tabela 9.3. A raz
ao converge para 4, 669... mesmo neste caso!
406

-1

-2

0,5

1,5

Figura 9.11: Diagrama de bifurcacoes do modelo discreto quadr


atico

Perodo 2n

an

an1 an2
an an1

2
4
8
16
32
64
128
256
3
6
12
24
48
96
192

0,75
1,25
1,3680989
1,3940462
1,3996312
1,4008287
1,4010853
1,4011402
1,75
1,7685292
1,777216
1,7792521
1,7796964
1,7797923
1,7798129

4,2337
4,5515
4,6458
4,6639
4,6682
4,6689
4,2810
4,5698
4,6363
4,6524

Tabela 9.3: Pontos de bifurcacoes de duplicacao de perodo no modelo discreto


quadr
atico.

407

dn

m
d n+1

r
rn Rn

R
n+1 n+1

Figura 9.12: Diagrama de bifurcacoes esquematico mostrando as distancias d ao


ponto crtico nos ciclos superest
aveis do mapa logstico e os respectivos valores
do par
ametro r.

Outra descoberta de Feigenbaum no mapa logstico refere-se ao comportamento do diagrama de bifurcacao na direcao x. Inspecionando a Fig. 9.1
podemos observar que as sucessivas bifurcacoes de duplicacao de perodo criam
forquilhas no diagrama de bifurcacao com larguras variaveis. Uma maneira
de padronizar a medida dessas larguras e medir, dentro de uma dada forquilha,
a distancia dn entre o ponto crtico x = 1/2 (onde o mapa logstico tem um
maximo) e o ponto peri
odico mais proximo dentro do 2n -ciclo correspondente
[veja a Figura 9.12 para um esquema]. Podemos ver que, para dois ciclos sucessivos, a distancia dn muda de sinal, ou seja, o ponto peri
odico mais proximo e
alternadamente maior ou menor que o ponto crtico 1/2.
Feigenbaum mostrou que a raz
ao entre duas distancias sucessivas tende a
um limite universal quando n :
dn
= 2, 5029 . . .
dn1

(9.19)

Para outros mapas, como o quadr


atico, esse mesmo limite e obtido, com a
possvel diferenca que o ponto crtico e outro. Na verdade, para apresentar este
comportamento universal os mapas tem de ser unimodais, ou seja, ter um u
nico
ponto crtico.
A universalidade significa que, para diferentes mapas unimodais, quando
o perodo dos ciclos tende a infinito, as constantes e tendem ao mesmo
valor. Isso ocorre porque, nesse limite, todos os mapas unimodais tem um
comportamento semelhante, a despeito de possveis diferencas. Feigenbaum
explorou essa caracterstica de auto-similaridade para desenvolver uma teoria
de renormalizacao que e capaz de prever teoricamente os valores universais das
constantes e para mapas unimodais de forma geral [?].
408

(a)
f(x,R
0 )

(b)

f[2]
(x,R
1 )

(c)

xm

xm

Figura 9.13: (a) Primeira iterada de um mapa unimodal num ciclo superest
avel
em R0 ; (b) Segunda iterada de um mapa unimodal num ciclo superestavel em
R1 ; (c) Em destaque a regi
ao delimitada em (b).

9.4

Teoria de renormalizac
ao

Nessa secao vamos dar uma ideia da teoria de renormalizacao usada por Feigenbaum para prever as constantes universais. Seja f (x, r) um mapa unimodal que
exibe uma cascata de bifurcacoes com duplicacao do perodo, tal que xm seja
o ponto crtico do mapa (no caso do mapa logstico, xm = 1/2, como vimos).
Designamos por rn o valor de r no qual e criado um 2n -ciclo, e Rn denotara o
valor de r para o qual este ciclo contem o valor crtico [Figura 9.13].
O ciclo existente em Rn e aquele usado para definir a largura da forquilha,
ou seja, a distancia entre o ponto crtico e o ponto mais proximo a ele. Podese mostrar, ainda, que esse ciclo e superest
avel. Para o mapa logstico, por
exemplo, o coeficiente de estabilidade de um 2n -ciclo e o produto de fatores
r(1 2x), um para cada ponto do ciclo. Se o ciclo contem o ponto crtico
xm = 1/2, ent
ao o fator correspondente e nulo, e sua presenca torna o coeficiente
do ciclo todo tambem igual a zero. Como regra geral, um ciclo superest
avel de
um mapa unimodal sempre contem o ponto crtico.
A inspecao da Fig. 9.13 mostra que Rn est
a sempre entre dois pontos de
interessante que o intervalo entre dois
bifurcacao consecutivos rn e rn+1 . E
valores sucessivos de Rn tambem diminui `a mesma taxa em que a diferenca
entre dois valores sucessivos de rn , com a mesma constante universal .
O termo auto-similaridade significa algo que e parecido com si mesmo em
escalas diferentes. Um exemplo simples e uma cabeca de couve-flor: ela e composta de gomos que, se ampliados, lembram a cabeca como um todo. Em
nosso caso, a estrutura do diagrama de bifurcacoes nos ciclos superest
aveis e
auto-similar, em diferentes escalas tanto em x como em r. Por exemplo, vamos
considerar a primeira iterada de um mapa unimodal num ciclo superest
avel [Fig.
9.13(a)]. Isso significa que um dos pontos fixos e o proprio ponto crtico, que e
um maximo local da primeira iterada do mapa f (x, R0 ).
A segunda iterada no ciclo superest
avel seguinte, f [2] (x, R1 ), tem quatro
pontos fixos, um dos quais e o ponto crtico novamente [Fig. 9.13(b)]. Se nos
409

(a)

[2]
(/,
1 )

f(x,R
0 )

(c)

[2]
(b)
f (x,R
1 )

REESCALONE POR A

Figura 9.14: (a) Primeira iterada de um mapa unimodal num ciclo superest
avel
em R0 ; (b) Regiao proxima ao ponto crtico da segunda iterada de um mapa
unimodal num ciclo superest
avel em R1 ; (c) Resultado da aplicacao de um passo
de renormalizacao em (b).

destacarmos apenas a regi


ao proxima ao ponto crtico, veremos que a figura
resultante lembra a primeira iterada, s
o que em escalas menores (em x e r)
e seu gr
afico est
a invertido [Fig. 9.13(c)]. Do ponto de vista din
amico, as
situacoes em (a) e (c) s
ao muito parecidas, pois temos essencialmente o mesmo
comportamento, que e um ponto fixo assintoticamente est
avel.
Para exprimir essa operacao matematicamente, nos redefinimos x como x
xm , o que desloca a origem para o ponto crtico x = xm . Essa redefinicao
tambem subtrai xm da funcao f , ja que xt = f (xt1 , r). N
os esquematizamos
os gr
aficos transladados de f (x, R0 ) e f [2] (x, R1 ) nas Figuras 9.14(a) e (b),
respectivamente. Na segunda figura apenas o trecho proximo ao ponto crtico e
mostrado.
O reescalonamento necessario para que a Fig. 9.14(b) torne-se similar `a Fig.
9.14(a) consiste em duas operacoes: (i) amplificamos ambos os eixos por um
fator de escala , tal que || > 1 (de fato, || 2, 5); (ii) invertemos ambos os
eixos da figura, por meio da operacao (x, y) (x, y). Pode-se mostrar que
reescalonar pelo fator consiste em substituir f [2] (x, R1 ) por f [2] x , R1 [3].
N
os denominamos esse processo de um passo de renormalizacao: tomamos
a segunda iterada de f , reescalonamos x x/ e deslocamos r para o proximo
ciclo superest
avel. Apos um passo de renormalizacao os dois gr
aficos devem ser
aproximadamente similares, o que e representada pela equacao
f (x, R0 ) f [2]

x


, R1 .

(9.20)

O processo continua da seguinte forma: podemos renormalizar f [2] no ciclo


superest
avel em R1 para o proximo ciclo (de perodo 4), de modo que
f [2]

x

x


, R1 f [4]
,
R
2 .

2
410

(9.21)

Substituindo (9.21) em (9.20)


f (x, R0 ) 2 f [4]

x

, R2 ,
2

o que pode ser generalizado, apos n passos de renormalizacao, para



 x
n
.
,
R
f (x, R0 ) n f [2 ]
n
n

(9.22)

(9.23)

A similaridade, nesse caso, vai aumentando conforme avancamos no valor de


n. Feigenbaum descobriu numericamente que, no limite de infinitos passos de
renormalizacao, o processo tende para uma funcao universal g0 (x) [?, ?]:
 x

n
(9.24)
lim n f [2 ]
,
R
n = g0 (x).
n
n

Aqui, universal significa que a funcao g0 (x) independe da forma inicial do mapa
f (x, r), desde que este seja unimodal (e tenha um maximo quadr
atico, tal qual
o mapa logstico).
Para obter a funcao universal g0 (x), comecamos com f (x, R0 ) no ponto fixo
superest
avel. Se comecarmos com f (x, Rn ), no ciclo superest
avel de perodo 2i ,
a sequencia de infinitos passos de renormalizacao leva `a funcao universal gi (x):
 x

n
gi (x) = lim n f [2 ]
,
R
.
(9.25)
n+i
n
n

Na secao anterior vimos que a sequencia de valores de Ri converge para o


ponto de acumulacao das bifurcacoes R = r 3, 57 de forma semelhante
`a sequencia de valores de ri , inclusive com a mesma raz
ao 4, 669. Se nos
iniciarmos o processo de renormalizacao no proprio ponto de acumulacao, nao
precisaremos deslocar para o proximo ciclo superest
avel apos reescalonar, ou
seja

x
(9.26)
, R .
f (x, R ) f [2]

A funcao universal correspondente, denotada g(x), corresponde ao limite de


infinitos passos de renormalizacao, ou seja
x
,
(9.27)
g(x) = g [2]

chamada equacao de Feigenbaum-Cvitanovic, que e uma equacao funcional [?].


Para resolve-la, precisamos de condicoes de contorno: apos deslocar o ponto
crtico para a origem, todas as funcoes f tem maximos em x = 0, ent
ao exigimos
que g (0) = 0. Sem perda de generalidade, ainda, podemos impor a condicao
g(0) = 1.
Para x = 0 temos que (9.27) leva a
g(0) = g(g(0))

Mas g(0) = 1, ent


ao 1 = g(1), de modo que a solucao da equacao de FeigenbaumCvitanovic tambem nos leva a um valor teorico para a constante de Feigenbaum
=

1
.
g(1)

411

(9.28)

A equacao de Feigenbaum-Cvitanovic nao tem uma solucao exata. Podemos,


no entanto, obter solucoes aproximadas na forma de series de potencias [3]
g(x) = 1 + c2 x2 + c4 x4 +

(9.29)

onde c2 = 1, 5276, c4 = 0, 1048, etc.; a partir do que obtemos que

1
= 2, 365
1 1, 5276 + 0, 1048

bastante proximo do valor correto = 2, 5029 .

9.5

Exerccios

1. Considere o modelo discreto quadr


atico
xt+1 = 1 ax2
(a) Determine os pontos fixos e estude sua estabilidade (b) Determine as
orbitas
de perodo 2 e estude sua estabilidade.
2. Considere o mapa logstico xt = rxt1 (1xt1 ). Mostre as seguintes afirmaco
es
(consulte os resultados do Captulo anterior):
(a) Para 0 < r < 1 h
a um u
nico ponto fixo est
avel em x = 0;
(b) Em r = 1 h
a uma bifurcaca
o transcrtica, pela qual x = 0 torna-se inst
avel
e aparece o ponto fixo est
avel 1 1/r;

(c) Em x = 3 este segundo ponto fixo tambem torna-se inst


avel e emerge um
2-ciclo est
avel, por meio de uma bifurcaca
o de duplicaca
o de perodo;
(d) Determine os pontos deste ciclo em funca
o de r;

(e) No ponto x = 1 + 6 este 2-ciclo torna-se inst


avel por meio de uma nova
bifurcaca
o de duplicaca
o de perodo;
(f) Usando estes resultados,
trace o diagrama de bifurcaca
o do mapa logstico

no intervalo 0 < r < 1 + 6.


3. Use o programa em linguagem C ou algum dos softwares matem
aticos para

tracar o diagrama de bifurcaca


o do mapa logstico, no intervalo 1 + 6 < r < 4.
4. Mostre as seguintes propriedades do mapa logstico no ponto de bifurcaca
o r = 3:
(a) x = 2/3 e um ponto fixo;
(b) O coeficiente de estabilidade (2/3) e igual a 1 para r = 3 e e uma funca
o
decrescente quando r aumenta a partir desse ponto;
(c) O diagrama de escada da segunda iterada do mapa tem um ponto de inflex
ao
em x = 2/3.
5. Use os softwares matem
aticos para, com o uso dos diagramas de escada, mostrar
que a terceira iterada do mapa logstico tem uma bifurcaca
o tangente em r
3, 83.
6. * Considere o mapa
xt = f (xt1 ) =

w
aw
arctan(xt1 ) + (1 w)xt1 +
,
b
b

onde x R e temos tres par


ametros: a, b, w e .

412

(a) Trace o gr
afico do mapa para achar o seu ponto fixo no caso w = 0, 3,
a = 0, 3, b = 0, 25, e = 4, 8.
(b) Como o ponto fixo est
a pr
oximo `
a origem, podemos procurar um valor
analtico aproximado fazendo arctan(x ) x . Compare o resultado com o
obtido anteriormente.
(c) Use o metodo de Newton-Raphson para encontrar um valor numerico preciso
para o ponto fixo, o qual ser
a a (
unica) raiz da funca
o erro:
(x) = arctan(x) + a bx,
ou seja, que (x ) = 0. O metodo de Newton requer, ainda, a derivada da
funca
o erro, a saber


d

(x) = b
(arctan(x)) = b
.
dx
1 + 2 x2
Como sabemos que a raiz e pr
oxima de x = 0, podemos adotar este valor como
nosso chute inicial x0 . As aproximaco
es sucessivas no metodo de Newton ser
ao
dadas por
(xi )
, (i = 0, 1, 2, ),
xi+1 = xi
(xi )
e esperamos que xi x ap
os um n
umero suficientemente grande de iteraco
es
do processo, desde que obviamente (xi ) nunca seja um n
umero muito pr
oximo
de zero (caso em que o metodo falharia). Abaixo mostramos um programa em
linguagem C que implementa o metodo de Newton-Raphson para o mapa:
/* root.c: determina os pontos fixos do mapa pelo m
etodo de Newton */
#include <stdio.h>
#include <math.h>
double psi(double arg), dpsi(double arg);
main( )
{
int n,points;
/* declaracoes de variaveis */
double xnew,xold,x0,tol,dif,der;
points = 100;
/* numero total de iteracoes */
x0 = 0.0;
/* condicao inicial */
xold = x0;
/* inicializa o valor de x_n */
n = 0;
tol = 1e-6;
for (n=1; n<=points;++n) { /* varre os valores de n */
xnew = xold - (psi(xold)/dpsi(xold));
dif = fabs(xnew - xold);
xold = xnew;
}
der = 0.7 - (5.76/(1+(23.04*xnew*xnew)));
printf("%f %f\n",xnew,der);
}
/* especifica a equacao */
double psi(double arg)
{
double a, b,sigma;

413

a = 0.0;
b = 0.25;
sigma = 4.8;
return(a - b*arg - atan(sigma*arg));
}
/* especifica a derivada */
double dpsi(double arg)
{
double b,sigma,aux;
b = 0.25;
sigma = 4.8;
aux = sigma/(1+(sigma*sigma*arg*arg));
return(-b-aux);
}
Faca um gr
afico mostrando o resultado da aplicaca
o do metodo de Newton
quando b = 0, 25, = 4, 8, w = 0, 3, e fazemos o par
ametro a variar de 1, 25 a
+1, 25.
(d) Ache a condica
o de estabilidade para o ponto fixo. Faca um gr
afico do
coeficiente de estabilidade para w = 0, 3, b = 0, 25, = 4, 8, e a vari
avel.
7. Ache os pontos R0 e R1 para o mapa quadr
atico f (x) = r x2 .
8. Seja o mapa yt = f (yt1 ). Fazendo a substituica
o de vari
avel xn = yn mostre
que o reescalonamento converte f [2] (x, R1 ) em f [2] (x/, R1 ).
9. * Resolva a equaca
o de Feigenbaum-Cvitanovic usando a seguinte aproximaca
o
para a funca
o universal: g(x) = 1 + ax2 . Substitua essa aproximaca
o e, comparando termos de mesma ordem, ache o valor de a. Determine o valor de
correspondente.

414

Captulo 10

Caos em modelos discretos


unidimensionais
Neste captulo introduziremos a nocao de comportamento caotico, empregando
modelos discretos unidimensionais como sistemas din
amicos ao mesmo tempo
simples porem ja possuindo caractersticas que s
ao comuns a sistemas mais
complicados. Nosso objetivo sera o de caracterizar o comportamento caotico
de maneira precisa conceitual e matematicamente, ate para distinguir caos de
outros comportamentos parecidos porem de origem distinta. Por exemplo, em
processos estocasticos a evolucao temporal pode ser indistinguvel de um sistema caotico; mas este u
ltimo resulta de um sistema determinstico - do qual se
conhecem as equacoes que governam a evolucao temporal.

10.1

Comportamento ca
otico

Voltando ao diagrama de bifurcacoes do mapa logstico, visto no Captulo anterior (Fig. 9.1); apos a acumulacao de um n
umero infinitamente grande de
bifurcacoes de duplicacao de perodo, ou seja, para 3, 57 . r < 4, temos uma
regi
ao densamente populada de iteracoes do mapa. De fato, a inspecao visual
do diagrama nao nos permite tirar conclus
oes definitivas, visto que poderamos
ter orbitas de perodo muito grande. No entanto, como veremos, essas orbitas
densamente populadas referem-se ao comportamento caotico.
As duas propriedades basicas que caracterizam o comportamento caotico
s
ao: (i) aperiodicidade; (ii) sensibilidade extrema `as condicoes iniciais. Vamos
discutir em separado cada uma delas.

10.1.1

Aperiodicidade

Uma orbita peri


odica apresenta um padrao bem definido: apos um certo n
umero
de iteracoes um ponto da
orbita volta ao ponto de partida:
x0 x1 x2 x0
Logo, sabemos quais os pontos que a orbita do modelo discreto ira visitar,
de forma que uma previsao torna-se relativamente facil. Uma orbita caotica,
415

(a)

(b)

1
0
0,8
-5
0,6

xt

xt
-10
0,4

-15

0,2

100

200

300

400

-20

500

10

20

30

40

50

Figura 10.1: Iteracoes do modelo logstico discreto para (a) r = 4, 000, (b)
r = 4, 001.

pelo contrario, nao apresenta um padrao identificavel de comportamento: uma


determinada sequencia nao parece se repetir jamais. As iteracoes mostram um
comportamento irregular, ou aperi
odico.
Esta caracterstica dificulta grandemente qualquer possibilidade de previsao
do comportamento futuro das iteracoes de uma orbita caotica, conhecido o estado presente. Na ausencia de um padrao de comportamento, pode ser t
ao difcil
prever qual serao as iteracoes futuras do modelo discreto, como seria faze-lo num
sistema estocastico (passeio aleat
orio). No caso particular do modelo logstico
discreto com r = 4, mostrado na figura 10.1(a), pode-se mostrar que e t
ao difcil
prever qual sera a iterada seguinte do modelo discreto - conhecendo-se previamente as anteriores - como seria determinar se o lancamento de uma moeda daria
cara ou coroa! Este u
ltimo caso representa a ausencia completa de possibilidade de prever o futuro a partir do conhecimento da natureza determinstica
do sistema din
amico: apenas podemos determinar probabilidades sobre os resultados futuros dos sistema. Em geral, contudo, o grau de previsibilidade dos
sistemas caoticos nao e t
ao pequeno como neste exemplo em particular.
Como saber se uma serie temporal como a mostrada na figura 10.1(a) e ou
nao aperi
odica? A smples inspecao visual e claramente insuficiente, por dois
motivos:
1. Por maior que seja o n
umero de iteracoes mostrado, ainda podemos estar observando um comportamento transiente do sistema: ap
os um certo
n
umero de pre-iteracoes o sistema poderia estacionar num ponto fixo ou
orbita peri

odica, ou mesmo ir a infinito. Um exemplo, para o modelo


logstico discreto, e mostrado na figura 10.1(b). Apos um certo n
umero
de iteracoes exibindo um comportamento altamente irregular, os pontos
da
orbita do modelo discreto divergem para menos infinito.
muito difcil distinguir visualmente a ausencia completa de periodicidade
2. E
416

(a)

(b)

0,8

0,8

0,6

0,6

xt

xt
0,4

0,4

0,2

0,2

20

40

60

80

100

20

40

60

80

100

Figura 10.2: Iteracoes do modelo logstico discreto para r = 4, 0 e condicoes


iniciais (a) x0 = 0, 1, (b) 0, 100001.

(caos) de uma periodicidade complicada (como uma orbita de alto perodo,


ou a combinacao de um n
umero infinito de periodicidades). A tecnica da
analise de Fourier, a ser vista mais adiante, pode tornar esta distincao
mais clara.

10.1.2

Sensibilidade `
as condi
c
oes iniciais

H
a um n
umero infinitamente grande de valores de r para os quais o modelo
logstico discreto apresenta caos; em particular, para r = 4 [34]. Na figura
10.2(a) mostramos as trinta primeiras iteracoes neste caso, que sugerem um
comportamento aperi
odico. Para ilustrar a dependencia sensvel `as condicoes
iniciais, nos podemos alterar a condicao inicial x0 , do valor 0, 1 para um n
umero
bastante pr
oximo, como 0, 100001, o que representa um aumento percentual de
apenas


0, 100001 0, 1
= 0, 00001 100% = 0, 001%



0, 1

Os gr
aficos utilizando as condicoes iniciais ligeiramente diferentes s
ao significativamente diferentes. Comparando as figuras 10.2(a) e 10.2(b) vemos que,
durante as primeiras iteracoes, as
orbitas geradas por x0 = 0, 1 e x0 = 0, 100001
tem pontos praticamente identicos, mas posteriormente elas se afastam mutuamente e seguem trajet
orias completamente independentes. Na figura 10.3(a)
nos superpomos as
orbitas caoticas obtidas, no caso do modelo logstico discreto
com r = 4, para duas condicoes iniciais muito proximas: as primeiras iteracoes
de fato s
ao praticamente coincidentes. No entanto, com o passar do tempo as
orbitas afastam-se rapidamente, e perdem qualquer relacao m
utua.
O termo afasta-se deve ser entendido aqui com um gr
ao de sal. Como os
pontos da
orbita do modelo logstico discreto est
ao confinados ao intervalo [0, 1],
nao e possvel para os pontos das duas orbitas afastarem-se por uma distancia
417

(a)
1

xt

(b)

0,8

0,6

xt
0,4

0,2

20

40

60

80

100

0,5

1
t1

Figura 10.3: (a) Orbitas


do modelo logstico discreto para r = 4 obtidas a partir
de duas condicoes iniciais muito proximas. (b) Modelo discreto do padeiro.

maior que o tamanho do intervalo. No entanto, a analise da figura 10.3(a)


mostra que afastamento significa a perda de qualquer correlacao entre as
orbitas inicialmente muito proximas. A maneira mais direta de quantificarmos

esta propriedade de sensibilidade `as condicoes iniciais e o calculo do chamado


expoente de Lyapunov, e que sera visto mais adiante neste captulo.
Podemos colocar as observacoes anteriores numa forma mais matematicamente precisa atraves da
Defini
c
ao 18 O modelo discreto unidimensional f : J J, com J R,
apresenta dependencia sensvel `
as condico
es iniciais se existe um > 0 tal que,
para qualquer x J e qualquer vizinhanca N centrada em x, existe um y N
e n 0 tal que |f [n] (x) f [n] (y)| > .
Em outros termos, o modelo exibira dependencia sensvel `as condicoes iniciais se existirem pontos arbitrariamente proximos a qualquer ponto x que
separar-se-
ao de x por ao menos uma distancia delta sob iteracoes do mod muito difcil demonstrar rigorosamente que um dado modelo apresenta
elo. E
dependencia sensvel `
as condicoes iniciais, a nao ser em casos bastante especiais. Por
exemplo,
pode-se mostrar que o modelo logstico discreto para

r > 2 + 5 possui dependencia sensvel `as condicoes iniciais diretamente a


partir da definicao acima, usando argumentos topol
ogicos [?].
Na pr
atica, entretanto, nos podemos apenas comprovar numericamente essa
propriedade. Um exemplo onde isto pode ser feito e o chamado modelo discreto
do padeiro. Ele e um modelo discreto unidimensional bastante parecido com o
modelo discreto da tenda, ja visto anteriormente:

2xt1 se 0 xt1 21 ,
xt = B(xt1 ) =
(10.1)
2xt1 1 se 12 < xt1 1,
418

onde x [0, 1], tal como nos modelo discretos logstico e da tenda. Uma outra
forma de escrever as equacoes acima e usar a prescricao modulo 1:
xt = B(xt1 ) = 2xt1

(mod1),

(10.2)

que significa tomar o resto da divisao de xt por 1, quando xt for maior que
1. Por exemplo, se x0 = 0, 4, a proxima iteracao sera o dobro deste valor
x1 = 2 0, 4 = 0, 8 < 1. Ja na proxima iteracao, x2 = 2 0, 8 = 1, 6 > 1,
deve ser aplicada a prescricao modulo 1, que simplesmente tira a parte inteira
do n
umero, deixando a parte fracionaria, logo x2 = 1, 6(mod1) = 0, 6, de modo
que sempre temos os valores de xt compreendidos entre 0 e 1.
O gr
afico do modelo discreto do padeiro, mostrado na figura 10.3(b), indica
que este modelo discreto e descontnuo (portanto nao-diferenciavel) em x = 1/2,
tal qual o modelo da tenda, alias. Os pontos fixos desse modelo discreto seriam
x = 0 e x = 1, mas devido `
a prescricao modulo 1, ent
ao identificamos o ponto 1
com 0, logo ambos s
ao na verdade o mesmo ponto. Como a inclinacao do gr
afico
e 1/(1/2) = 2 > 1, este ponto fixo e instavel. O modelo discreto do padeiro
tem muitas propriedades semelhantes ao modelo discreto da tenda, T (x). Em
particular, pode-se mostrar que as
orbitas obtidas a partir de condicoes inicias
tpicas s
ao sempre caoticas.
Vamos tomar, portanto, duas condicoes iniciais muito pr
oximas: x0 = 1/3
(assim mesmo, na forma de fracao), e x 0 = 0, 333 (obtida truncando o resultado da divis
ao de 1 por 3). A distancia entre estas duas condicoes iniciais e
relativamente pequena
0 = |x0 x 0 | =

1
0, 333 = 3, 33 104 1.
3

(10.3)

As iteracoes provenientes da primeira condicao inicial s


ao pontos de uma orbita
de perodo 2, pois
x1

x2

1
B(x0 ) = B( ) =
3
2
B(x1 ) = B( ) =
3

2
< 1,
3
4
4
1
(mod1) = 1 = = x1 ,
3
3
3

(10.4)
(10.5)

logo, as iteracoes subsequentes alternam-se entre os valores 1/3 e 2/3 indefinidamente.


As iteradas da segunda condicao inicial, 0, 333, podem ser obtidas usando
uma planilha eletr
onica, como mostramos na secao 1.10. Na tabela 10.1.2 nos
mostramos os resultados das 10 primeiras iteracoes para ambas as condicoes
iniciais, bem como a distancia entre elas.
Veja que, durante as primeiras 4 ou 5 iteracoes as duas orbitas permaneceram
relativamente pr
oximas, ja que a distancia entre elas era da ordem de 103
100% = 0, 1% do tamanho do intervalo [0, 1]. Apos 10 iteracoes, no entanto, esta
distancia ja era da ordem de 66% do tamanho do intervalo, portanto altamente
significativa.
Caso tom
assemos mais casas decimais na segunda condicao inicial, por exemplo, x 0 = 0, 3333333, podemos concluir facilmente que a mesma coisa ocorreria,
ja que a distancia entre as iteracoes duplica a cada instante de tempo t. Evidentemente neste caso seria maior o n
umero de iteracoes necessarias para uma
separacao entre as
orbitas da ordem do tamanho do intervalo. Portanto, do
419

t
0
1
2
3
4
5
6
7
8
9
10

xt
1/3
2/3
1/3
2/3
1/3
2/3
1/3
2/3
1/3
2/3
1/3

x t
0, 333
0, 666
0, 332
0, 664
0, 328
0, 656
0, 312
0, 624
0, 248
0, 496
0, 992

t = |xt x t |
3, 33 104
6, 66 104
1, 33 104
2, 66 104
5, 33 103
0, 01066
0, 02133
0, 04266
0, 08533
0, 17066
0, 65866

Tabela 10.1: Sensibilidade `as condicoes iniciais no modelo discreto do padeiro

ponto de vista mais fundamental, nao importa qual a precis


ao que seja usada
na especificacao da segunda condicao inicial, ela sempre afastar-se-a da outra
orbita. Se lembrarmos que uma calculadora trabalhara sempre com uma ex
pressao truncada para uma fracao, como 1/3, a conclus
ao perturbadora e que
a condicao inicial sera sempre um n
umero como x 0 , e portanto o resultado
numericamente obtido nunca sera igual ao que desejaramos, a partir de uma
condicao inicial do tipo x0 = 1/3.
Naturalmente, isto nos traz novamente ao problema da previsibilidade de
um sistema caotico. Em princpio, se conhecessemos com precis
ao infinitamente
grande a condicao inicial, poderamos prever com certeza absoluta os valores
subsequentes dos pontos de uma orbita caotica. O problema, no entanto, est
a
nessa premissa: n
ao conseguimos jamais uma condicao inicial com esta pre inevit
vis
ao! E
avel que cometamos erros, tanto numericos (truncamento, precis
ao) como experimentais, na determinacao das condicoes iniciais. Pois bem,
estes erros far
ao com que a orbita caotica que uma calculadora (ou computador) produza seja inicialmente proxima `aquela que desejamos obter; mas com o
passar do tempo, esta trajet
oria ira se desviar inexoravelmente da verdadeira,
e qualquer tentativa de previsao sera infrutfera.

10.2

Janelas peri
odicas

A regi
ao caotica, no diagrama de bifurcacoes do modelo logstico discreto, que
ampliamos na Figura 10.4(a), inicia-se no valor de acumulacao das bifurcacoes
r 3, 57, e termina abruptamente em r = rC = 4.0. Embora boa parte dos
valores de r dentro do intervalo [r , rC ] parecam dar origem a orbitas caoticas
(as bandas escuras observadas), e bastante evidente a existencia de janelas
onde o comportamento volta a ser peri
odico. De fato, pode-se mostrar que
existem infinitas janelas deste tipo, e seu estudo tambem revelou caractersticas
universais.
A maioria destas janelas e estreita demais para ser facilmente observada nos
diagramas de bifurcacao, mas algumas se sobressaem,principalmente a chamada
janela de perodo 3. Ela surge em rJ3 = 1 + 8 3, 8284 subitamente
420

(a)

(b)

0
3,57

r J3

3,82 r J3

3,87

Figura 10.4: (a) Diagrama de bifurcacoes do modelo logstico discreto, na regi


ao
predominantemente caotica: r < r 4. (b) Diagrama de bifurcacoes do
modelo logstico discreto, na regi
ao da janela de perodo 3: 3, 82 < r < 3, 87

apos uma banda de comportamento caotico, na forma de uma orbita est


avel
de perodo 3 [vide figura 10.4(b)]. Este 3-ciclo, por sua vez, tambem sofre, a
partir de r 3, 840, uma cascata de bifurcacoes com duplicacao de perodo
3 6 12 3 2n 1 . Na verdade, podemos imaginar que cada ponto
do 3-ciclo tem a sua pr
opria cascata, e que acumulam-se no valor rJ = 3, 999,
dando origem a tres bandas caoticas.
O 3-ciclo est
avel que aparece a partir de rJ3 3, 8284 origina-se de uma
bifurcacao tangente. Em r = rJ3 forma-se um 3-ciclo est
avel e outro 3-ciclo
instavel (este u
ltimo nao e observado no diagrama de bifurcacoes, como sabemos), cujos pontos s
ao os pontos fixos da terceira iterada do modelo discreto,
[3]
fr (x). A figura 10.5 mostra o comportamento da terceira iterada do modelo
logstico discreto na vizinhanca do ponto de bifurcacao rJ3 . Para valores de r
[3]
inferiores a ele, o gr
afico de , fr (x) intercepta a primeira bissetriz apenas em
dois pontos ja bem conhecidos: a origem x = 0 e o ponto fixo x = 1 1/r
(corresponde ao caso r = 3, 8084 na Fig. 10.5). Ambos s
ao instaveis. Logo,
nao pode haver
orbita de perodo 3 neste caso, o que de fato ocorre, embora no
diagrama antes de rJ3 haja uma regi
ao caotica. Como e porque isso ocorre sera
visto numa pr
oxima secao, quando abordarmos o fenomeno da intermitencia.
Exatamente no ponto de bifurcacao rJ3 o gr
afico da terceira iterada tangencia a primeira bissetriz nos pontos do 3-ciclo (corresponde ao caso r = 3, 8284
na Fig. 10.5). Para r > rJ3 ha seis novas intersecoes, dadas por parte das razes
da equacao algebrica
x = fr[3] (x ),
e correspondentes a
`s duas
orbitas de perodo 3, uma est
avel e outra instavel (e
o caso r = 3, 8484 na Fig. 10.5).
1 Um

exemplo semelhante, para o modelo discreto quadr


atico, foi abordado na sec
ao anterior

421

0,8

xt+3

0,6

0,4

r = 3,8084
r = 3,8284
r = 3,8484

0,2

0,2

0,4

xt

0,6

0,8

Figura 10.5: Terceira iterada do modelo logstico discreto para valores de r na


vizinhanca de rJ3 .

10.2.1

Perodo 3 implica em caos

Um fato bastante comum no diagrama de bifurcacao do modelo logstico discreto


e a existencia de valores do par
ametro r para os quais existem pontos peri
odicos
de certos perodos, mas nao de outros. Um exemplo smples e a inexistencia de
pontos peri
odicos de perodo superior a 1, mesmo que fossem instaveis, na regi
ao
do diagrama r [0, 3] onde s
o ha pontos fixos.
Em 1975, os matematicos Li e Yorke publicaram um famoso artigo intitulado Period-3 implies chaos [?], onde pela primeira vez a palavra caos foi
utilizada numa acepcao muito proxima `a atualmente empregada na teoria dos
sistemas din
amicos. Neste trabalho, foi provado que, se um modelo discreto
unidimensional tiver pontos peri
odicos de perodo 3, ent
ao ele ter
a pontos de
todos os perodos possveis. Se estas orbitas de perodos mais altos s
ao est
aveis
ou instaveis e outro problema. Mais formalmente, temos o
Teorema 14 (Li e Yorke) Seja f (x) contnua num certo intervalo fechado
J R, com J f (J). Se f tem um ponto peri
odico de perodo 3, ent
ao f ter
a
pontos de todos os outros perodos n, para n 1
que e demonstrado, por exemplo, em [34] [pp. 62-66]
Vamos, agora, consider a parte da janela de perodo 3 do modelo logstico
discreto, no intervalo rJ3 < r < 3, 840, para o qual e visvel a existencia de
pontos de perodo 3. De fato, neste caso, os pontos de perodo 3 nao s
ao tres
pontos fixos, e sim comp
oe uma orbita est
avel de perodo 3. Pelo teorema
de Li-Yorke, este fato implica a existencia, dentro deste intervalo, de pontos
peri
odicos (e, portanto, ciclos) com todos os perodos possveis. No entanto,
422

todos estes outros pontos peri


odicos devem ser instaveis (ja que nao aparecem
no diagrama).
O caos preconizado pelo Teorema de Li-Yorke refere-se `a existencia de um
n
umero infinito e nao-cont
avel 2 de pontos no intervalo [0, 1] que nao convergem
para a
orbita est
avel de perodo 3. Estes pontos formam um conjunto de medida
de Lebesgue nula, ou seja, se tomarmos um ponto no intervalo [0, 1] ao acaso, a
` vezes este tipo
probabilidade de obtermos um ponto deste conjunto e nula. As
de comportamento e denominado de caos topol
ogico ou caos de Li-Yorke,
principalmente na literatura econ
omica [68].
Pelo mesmo motivo, uma condicao inicial x0 tpica (ou seja, nao pertencente
`a esse conjunto) ira gerar uma
orbita que convergira, quando o tempo t tende
a infinito, `
a