Escolar Documentos
Profissional Documentos
Cultura Documentos
Modelagem Matemática
Rodney C. Bassanezi
2
S UMÁRIO
3
Parte I.
4
0.1. Introdução
5
grau de pertinência de seus elementos e portanto, a subjetividade vem embutida no
próprio conceito de variável de estado ou dos parâmetros. De qualquer forma, os
modelos determinísticos, embora não descrevam corretamente a realidade, podem
ser abalizadores de muitos modelos estocásticos ou fuzzy – Quando se trabalha com
uma amostra grande de indivíduos, pode-se dizer que o processo segue uma tra-
jetória determinística que representa a solução média dos caso isolados. Nos mod-
elos fuzzy, a solução é um conjunto fuzzy de soluções determinísticas que, quando
defuzzificado, representa a média das soluções. Ainda, das soluções determinísticas
que compõem a solução fuzzy, a que tem maior grau de pertinência ou confiabili-
dade é a solução da média inicial denominada "preferida” [1].
6
A modelagem matemática para descrever o crescimento populacional evoluiu, pas-
sando por várias modificações após Malthus - Um dos modelos mais importante e
conhecido é do sociólogo belga P. F. Verhulst (1838) que supõe que toda população
é predisposta a sofrer inibições naturais em seu crescimento, devendo tender a um
valor limite constante quando o tempo cresce. É um modelo de crescimento mais
significativo, do ponto de vista biológico.
Os modelo de Malthus e Verhurst foram formulados para tempo contínuo, onde
se supõe que os indivíduos se reproduzem a todo instante, o que na realidade pou-
cas populações biológicas satisfazem. Os modelos discretos podem ser consider-
ado mais realísticos, neste caso, uma vez que contemplam a reprodução dos indi-
víduos sazonalmente - tais modelos, em Ecologia, foram introduzidos somente a
partir de 1975 pelo ecólogo austríaco Robert M. May [13] que observou a complexa
dinâmica do modelo logístico discreto sob a luz da teoria do caos, mostrando que
uma equação de aparente ingenuidade pode ter solução sem comportamento pre-
visível [13] [?] [?].
As formulações estocásticas dos modelos determinísticos de Malthus e Verhurst só
apareceram a partir de 1924 (Yule), sendo usados posteriormente por Bailey (1964)
e Pielou (1977).
Na década de 40, Leslie (1945-48), modelou o crescimento populacional comparti-
mentalizando a população por idade e estudando o fluxo entre os compartimentos
através da álgebra matricial.
Os modelos matemáticos de interação entre espécies foram independentemente
formulados, através de equações diferenciais na década de 20 por Lotka [2] e Volterra
[3]. Seus famosos modelos de competição e predação têm servido de parâmetros
para uma infinidade de outros modelos, embora possam ser considerados extrema-
mente simplistas para atenderem à complexidade inerente à natureza dos seres
vivos. Por outro lado, as tentativas de se medir o fator competição na Natureza,
utilizando os métodos clássicos, não produziram resultados satisfatórios. A própria
subjetividade, advinda de termos como competição e complexidade, sugere o uso de
novas ferramentas matemáticas. Alguns trabalhos recentes, usando a Teoria Fuzzy,
são dedicados às medidas dessas variáveis subjetivas ([4] e [15]).
7
0.2.1. Modelo Malthusiano
Seja P o número de indivíduos em uma população animal ou vegetal. Este número
é dependente do tempo e assim podemos escrever
P = P (t) (0.2.1)
Na realidade, P (t) assume somente valores inteiros sendo pois uma função discreta
de t. Entretanto, quando o número de indivíduos é suficientemente grande, P (t)
pode ser aproximado por uma função contínua, variando continuamente no tempo.
Admitimos, neste modelo, que a proporção de indivíduos reprodutores permanece
constante durante o crescimento da população. Admitimos também que as taxas de
fertilidade n e de mortalidade m sejam constantes. Estas hipóteses são realísticas
em uma população grande que varia em condições ideais, isto é, quando todos os
fatores inibidores do crescimento estão ausentes (a espécie tem recursos ilimitados
e não interage com competidores ou predadores).
Temos que α = n − m (coeficiente de natalidade menos o de mortalidade) é a taxa
de crescimento específico da população P (t), aqui considerada constante. Assim,
P (t + 1) − P (t)
= n − m = α. (0.2.2)
P (t)
Esta formulação matemática indica que a variação relativa da população é constante
ou, em outras palavras, que a variação da população é proporcional à própria população
em cada período de tempo.
O modelo discreto (tempo discreto) de Malthus é dado por
Considerando dada a população inicial P (0) = P0 , a solução de (0.4.5) é obtida por recor-
rência da expressão:
(
Pt+1 = (1 + α)Pt
(0.2.2)
P (0) = P0
ou seja,
8
(0.2.3), fazendo
r
t Pt
(α + 1) = P t /P 0 ⇒ α=t −1 (0.2.4)
P0
Por exemplo, se a população do Brasil de 1940 era P0 = 41.236.351 e, dez anos depois,
P10 = 51.944.397, então a taxa de crescimento populacional média (relativa), entre 1940 e
1950 foi de:
r
10 51944397
α= − 1 = 1, 0233539 − 1 = 0, 0233539
41236351
ou, aproximadamente, 2,3% ao ano.
Se consideramos as populações entre os censos de 1940 e 1991 quando a população era de
Pt = P0 eln(1+α)t (0.2.5)
dP P (t + ∆t) − P (t)
= lim
dt ∆t→0 ∆t
e que P (t + ∆t) − P (t) = βP (t)∆t (modelo discreto).
Assim, podemos escrever o modelo contínuo por:
dP = βP (t)
dt (0.2.6)
P (0) = P
0
P (t) = P0 eβt
9
Se considerarmos o modelo Malthusiano para projetar a população brasileira, ter-
emos
α = 0, 0252131 para o modelo discreto e β = 0, 0249 para o contínuo.
A equação
10
Modelo Logístico contínuo (Verhurst)
Se observamos os valores entre censos consecutivos de uma determinada população
verificamos que as taxas de crescimento relativo tendem a diminuir com o tempo. O
primeiro modelo que atende à variação da taxa de crescimento (ou razão intrínseca
do crescimento populacional) foi formulado pelo matemático belga Pierre F. Ver-
hurst em 1837. O Modelo de Verhurst supõe que uma população, vivendo num
determinado meio, deverá crescer até um limite máximo sustentável, isto é, ela tende
a se estabilizar. Desta forma, a equação incorpora a queda de crescimento da popu-
lação que deve estar sujeita a um fator inibidor de proporcionalidade. Este modelo
teve um impacto maior quando, no início do século XX, os pesquisadores ameri-
canos R. Pearl e L. Reed utilizaram-no para projetar a demografia americana (veja
[21], pp.86-87 ).
O modelo de Verhurst é, essencialmente, o modelo de Malthus modificado, con-
siderando a taxa de crescimento relativa β(P ) decrescente em relação à população
P , em cada instante. Assim
dP
= β(P )P (0.2.8)
dt
P∞ − P
com β(P ) = r , r > 0 e P∞ sendo o valor limite da população ou capaci-
P∞
dade suporte. Desta forma β(P ) tende a zero quando P → P∞ .
Explicitando β(P ) na equação (0.2.8), e supondo que P (0) = P0 seja dado, temos o
modelo clássico de Verhurst ou modelo logístico:
dP = rP 1 − P
dt P∞ (0.2.9)
P (0) = P0 , r > 0
11
Logo,
P (t)
ln
= rt + c
1 − P (t)/P∞
Usando a condição inicial P (0) = P0 , podemos determinar o valor da constante de
integração c:
P P 0 P∞
0
c = ln = ln
1 − PP0 P∞ − P0
∞
Portanto
P (t)P∞ P 0 P∞
ln = rt + ln
P∞ − P (t) P∞ − P0
ou seja,
P (P∞ − P0 ) P P0
ln
= rt ⇒ = ert
P0 (P∞ − P ) P∞ − P P∞ − P0
Explicitando P (t), temos
P∞ P∞ P 0
P (t) = = (0.2.10)
( PP∞0 − 1)e−rt + 1 (P∞ − P0 )e−rt + P0
A curva P (t) é denominada logística (fig. 6.3) e, de sua expressão (0.2.10), podemos
observar que
a) Se P0 < P∞ então P0 < P (t) < P∞ e P (t) tende a P∞ , crescendo. Neste caso a
dP
equação (0.2.9) mostra claramente que > 0;
dt
dP
b) Se P0 > P∞ então P (t) tende a P∞ , decrescendo (verifique que, neste caso, <
dt
0);
c) Da equação (0.2.9) temos que
dP P2
= rP − r
dt P∞
dP
ou seja, , como função de P , é uma parábola com concavidade voltada para baixo
dt
(veja fig. 6.2) e cujas raízes P = 0 e P = P∞ são os pontos de equilíbrio ou soluções
dP
de equilíbrio da equação diferencial (0.2.9), pois = 0 nestes pontos.
dt
dP P∞
d) Como r > 0, temos que é crescente se 0 < P (t) < e decrescente se
dt 2
12
P∞ dP
< P (t) < P∞ . O valor máximo de , relativamente a P , é atingido quando
2 dt
P∞
P = , isto é, quando a população for igual à metade da população limite.
2
P∞
e) Se considerarmos em (0.2.10), P (t) = , podemos determinar o instante tm em
2
que a população atinge a máxima variação:
P∞ P 0 P∞ P∞ − P0
= ⇒ ert =
2 (P∞ − P0 )e−rt + P0 P0
e portanto
1 P∞ − P0
tm = ln , (0.2.11)
r P0
P∞
considerando que P0 < .
2
Assim, para t = tm temos:
i) P (tm ) = P∞ /2 (0.2.12)
dP P∞ P∞ /2 r
ii) |t=tm = r 1− = P∞ > 0 (0.2.13)
dt 2 P∞ 4
2
dP dP 2r dP dP P
iii) |t=tm = r − P =r 1−2 =0
dt2 dt P∞ dt dt P∞ P = P∞
2
13
2) A expressão da curva logística é
P∞ P∞
P (t) = = −rt
( PP∞0 −rt
− 1)e + 1 be + 1
e uma estimação dos parâmetros r e b pode ser feita, por meio de um ajuste linear
z(t), com a seguinte mudança de variáveis
P
!
P∞
z = ln P
1− P∞
ou seja, !
1
be−rt +1 1
z = ln 1 = ln ert
1− be−rt +1
b
Logo,
z = rt − ln b
:
Projeto 1 – Modelo Logístico discreto
O Modelo de Verhurst pode ser formulado também através de uma equação de
diferenças [?].
Seja Pn a população no instante n. Então, o crescimento absoluto de Pn é dado por
β
onde Nn = Pn e (α∆n + 1) = r .
α∆n + 1
P∞ é obtido de (0.2.14), considerando que, quando n é muito grande, Pn+∆n ' Pn =
α∆n
P∞ (valor de estabilidade ou valor máximo sustentável), e portanto P∞ = .
β
14
Quando os valores de ∆n são diferentes para cada n (como os da tabela 6.1), o
cálculo dos parâmetros e de P∞ podem ser efetuados ajustando a expressão
Pn+∆n − Pn
∆n
– Faça um ajuste de f (Pn ) = aPn − bPn2 com os dados dos censos demográficos de
população brasileira (Tabela 6.1).
– Estime os valores dos parâmetros dos modelos (0.2.15) e (0.2.16) e compare as
projeções dadas por estes modelos com o modelo contínuo (??).
-Determine P∞ considerando a intersecção da parábola f (Pn ) com a reta Pn+∆n =
Pn e estime o valor da população brasileira no ano 2000.
——————–
Uma das limitações do modelo de Verhurst consiste no fato que o ponto de inflexão
P∞
(ou de crescimento máximo) da curva está sempre localizado no ponto Pm = ,o
2
que nem sempre acontece na maioria das variáveis relacionadas a fenômenos com
tendência assintótica.
Montroll em 1971 propôs um modelo geral para traduzir o crescimento assintótico
de uma variável, levando em conta que o posicionamento da variação máxima pode
ser qualquer valor entre P0 e P∞ .
15
0 < P < P∞ .
α α−1
d2 P
dP P P P dP
= λ 1− − αλ
dt2 dt P∞ P∞ P∞ dt
α α
dP P P
= λ 1− −α
dt P∞ P∞
Logo,
α α1
d2 P
P 1 P 1
=0 ⇔ = ⇔ =
dt2 P∞ α+1 P∞ α+1
e portanto,
1/α
1
P m = P∞ (0.2.18)
1+α
Assim, dado P∞ , o valor de Pm depende somente do parâmetro α:
α = 3 → Pm = 0, 6299P∞
α = 2 → Pm = 0, 5773P∞
α = 1 → Pm = 0, 5P∞ (modelo de Verhurst)
α = 0, 5 → Pm = 0, 4444P∞
α = 0, 25 → Pm = 0, 4096P∞
16
Do Cálculo Diferencial, sabemos que se F (x) é uma função contínua no intervalo
(a, b) então
F ( lim+ g(x)) = lim+ F (g(x)),
x→a x→a
ln(1 + α) 1
− lim+ = − lim+ = −1
α→0 α α→0 1 + α
Logo,
α1
1 1∼
lim+ = e−1 = = 0, 3678
α→0 1+α e
1
Veremos no próximo parágrafo que Pm = P∞ corresponde ao famoso modelo de
e
Gompertz de 1825.
Por outro lado, quando α cresce, o ponto Pm tende ao próprio valor P∞ – Isto
decorre do fato que
1/α
1
lim =1 (verifique!)
α→+∞ 1+α
17
elador, na busca de um melhor “grau de aproximação”, não pode perder de vista
o significado intrínsico das variáveis e parâmetros utilizados no modelo e que de-
vem sempre traduzir ou explicar o fenômeno analisado. Em outras palavras, muitas
vezes um ajuste ótimo de dados experimentais pode causar erros de projeções fu-
turas – Uma curva ajustada aos dados reais não é necessariamente um modelo da
situação estudada, ela simplesmente fornece informações que podem ser usadas na
elaboração do modelo!
Um modelo clássico frequentemente utilizado na área das ciências biológicas é o
modelo de Gompertz, onde o fator de desaceleração do crescimento de P não é dado
na forma de uma potência de P , como em (0.2.19).
dx
= 0 ⇔ (a − b ln x) = 0 ⇔ x∞ = ea/b , com x > 0
dt
lim r(x) = +∞
x→0+
0(∗)
Este fenômeno é característico das reações enzimáticas (veja [11] - pg 109) onde os valores de
x(t) só podem ser observados a partir de algum valor x0 > 0.
18
reescrevê-la como
dx x
∞
x b
∞
= bx ln x∞ − b ln x = bx ln = x ln (0.2.21)
dt x x
x b
∞
e neste caso, r(x) = ln .
x
dz 1 dx
= = a − bz
dt x dt
Integrando, Z Z
dz 1
= dt ⇔ − ln |a − bz| = t + c
a − bz b
1
Para t = 0, obtemos c = − ln |a − b ln x0 |.
b
Portanto, ln |a − bz| = −bt + ln |a − b ln x0 |,
1
a − bz = (a − b ln x0 )e−bt ⇔ z(t) = [a − (a − b ln x0 )e−bt ]
b
a
h a i
x(t) = e b . exp − − ln x0 e−bt , ou (0.2.22)
b
e−bt
x0
x(t) = x∞ (0.2.23)
x∞
1 a
t = tm = ln − ln x0 (0.2.24)
b b
e
1 1 a a−b
x(tm ) = x∞ = e b = e b (0.2.25)
e e
Os modelos de Gompertz são bastante usados também no estudo da evolução de
tumores sólidos. Neste caso, é assumido que a taxa de crescimento diminui quando
a massa tumoral aumenta pois as células centrais não recebem nutrientes e oxigênio
suficientes para sua multiplicação ([22]).
Além das formulações 0.2.21 e 0.2.20, os seguintes modelos são também versões
19
equivalentes do modelo de Gompertz
dx
a) = λxe−αt (0.2.26)
dt
dx = γx
b) dt (0.2.27)
dγ
= −αγ
dt
Projeto 2
– Considere os dados da Tabela 1 (população brasileira).
(i) Faça o ajuste linear dos valores das taxas de variação
xi+1 − xi
ri = relacionados com ln xi ;
(ti+1 − ti )xi
dP P∞
= λ ln , λ>0 (0.2.28)
dt P
20
Para este modelo o ponto de inflexão é dado por
α
Pm = P∞
α+γ
dP
= P (λ − aP + be−P ); a > 0, b>0 e λ>0 (0.2.29)
dt
Projeto 3
– Analise o modelo alternativo de Smith (0.2.28), comparando-o com os modelos
de Verhurst e Gompertz.
dP
= r(P )P (0.2.30)
dt
onde r(P ) é denominada taxa de crescimento densidade-dependente.
Nos modelos que supõem estabilidade das populações tem-se que
r(P ) → 0 quando P → P∞ .
As soluções analíticas de (0.2.30) são obtidas por integração das formas diferenciais
com variáveis separadas.
21
dP
Em relação aos modelos da forma (0.2.30) ainda é suposto que = 0,
dt P =0
isto é, não se admite geração expontânea, e portanto, “todo organismo deve ter pais”
(Axioma de Parenthood).
Quando (0.2.30) é escrita na forma
dP
= rP − g(r)P 2 , (0.2.31)
dt
g(r) é o termo de competição inter-específica – e indica que a inibição é proporcional
à taxa de encontros entre pares de indivíduos da população. Os indivíduos podem
competir por alimentos, espaço, ou outros recursos limitados.
Quando r(P ) em (0.2.30) é da forma
obtemos o chamado efeito Allee e neste caso, temos que a taxa de reprodução é máx-
ima em densidades intermediárias (veja [10], pag. 215).
Os modelos de crescimento populacional da forma (0.2.30) são, na melhor das
hipóteses, aproximações grosseiras da realidade e frequentemente são usados como
instrumentos para verificação das tendências dos dados observados. Os modelos
mais realistas exigem um alto grau de sofisticação matemática, como as equações
diferenciais parciais, quando se quer considerar a dinâmica dependente da idade,
fecundidade, taxas de mortalidade variáveis, habitat etc. ou as equações diferen-
ciais não homogêneas, quando se considera os parâmetros variando com o tempo
(modelos mesoscópicos). – Entretanto, os modelos mais sofisticados são, invariavel-
mente, aperfeiçoamentos dos modelos simples e cujas limitações não devem ser ig-
noradas. A evolução de modelos é, de fato, a característica mais importante do pro-
cesso de modelagem, em qualquer nível de pesquisa ou de ensino-aprendizagem.
Modelos Mesoscópicos
Se examinarmos mais atentamente o crescimento de certas populações ou mesmo de
um indivíduo, verificamos que pode existir comportamentos diferentes em relação
ao tamanho limite P∞ , pré estimado.
Ocorre que o crescimento de uma população pode insinuar uma tendência de es-
tabilidade assintótica local, vindo a mudar seu comportamento em decorrência de
algum acontecimento abiótico ou não. Um exemplo simples desta situação é obser-
vado quando se tem a curva de tendência da altura de um indivíduo em relação
22
à sua idade – Existe uma desaceleração no crescimento, seguido de um estirão na
puberdade (entre 10 e 12 anos para mulheres e 11 e 13 anos para homens).
Também, o crescimento populacional na Terra é um caso típico deste processo,
onde os valores pré-estimados de P∞ estão ligados a acontecimentos históricos. As-
sim,
P∞ ' 107 -antes do advento das ferramentas (até aproximadamente 10.000 anos
atrás);
P∞ ' 108 -com a Revolução Agrícola (entre 10.000 e 1.000 anos atrás)
P∞ ' 5.109 -com a Revolução Industrial.
Modelos que traduzem estes fenômenos devem levar em consideração, outros pon-
tos de equilíbrio além de P = 0 e P = P∞ (fixo).
23
Aplicação: Dinâmica Populacional de molusco
– O estudo populacional do Donax gemmula (um pequeno molusco, comum nas
praias do sul do Brasil), formulado através de modelos determinísticos mesoscópi-
cos, deve considerar o efeito das tempestades, na forma de parâmetros variáveis
sazonalmente, como um dos fatores abióticos responsáveis pela inibição da espécie
(veja em [5]).
Considerando P = P (t) a densidade populacional do molusco, um modelo do
tipo logístico poderia dar globalmente a tendência demográfica da espécie. Entre-
tanto, se levarmos em consideração os fatores abióticos que influenciam na tendên-
cia macroscópica da dinâmica populacional, o modelo pode ser formulado pela
equação (0.2.34)
dP P
dt = R(t) 1 − k P − [d(t) + βf (t)]P
(0.2.34)
P (t ) = P , t em meses
0 0
onde, R(t), f (t) e d(t) são funções periódicas, de mesmo período w > 0;
R(t): taxa de recrutamento;
f (t): medida da intensidade de tempestades;
d(t): taxa de mortalidade fisiológica;
k: capacidade suporte do meio;
β: constante de proporcionalidade da mortalidade abiótica
24
Um agrupamento dos parâmetros em (0.2.34) fornece a equação simplificada
dP
2
dt = α(t)P − γ(t)P
(0.2.35)
P (t0 ) = P0 > 0
Projeto 4-
Estude o crescimento populacional mundial ( Tabela 2).
Ano População
1804 1
1927 2
1960 3 .
1974 4
1987 5
1999 6
Tabela 2- População mundial (em bilhões de
pessoas)
A previsão da Fnuap é que em 2050 a população mundial será de 8,9 bilhões
. Determine qual o modelo que foi utilizado para prever o nascimento do bebê de
número 6 bilhões.
. Use o modelo logístico para prever o nascimento do bebê 7 bilhões.
25
. J. Cohen, diretor do Laboratório de Populações da Universidade Rochefeller,
acredita que se não houver grandes mudanças no comportamento de consumo, a
Terra pode suportar uma população de 10 bilhões de pessoas. Utilize este dado
para melhorar seu modelo.
. Com uma mudança nos hábitos de consumo, os demógrafos acreditam que nosso
planeta pode comportar até 20 bilhões. Formule um modelo bilogístico com este
novo P∞ .
. Dê uma explicação para a afirmação: ”Em 1960 a população européia era o dobro da
africana. Em 2050 haverá três vezes mais africanos que europeus” (Veja, 39, set/99).
. Os países mais populosos do mundo são (% do total): China - 21,2%, Índia -
16,7%, EUA - 4,6%, Indonésia - 3,5%. O Brasil tem 2,8% da população mundial.
Faça uma previsão da população destes países para o ano 2050, usando o modelo
logístico formulado anteriormente para a população mundial.
26
Denotaremos esta propriedade por h1 (σ∆t).
(b) A probabilidade de que um indivíduo reproduza mais de uma vez num inter-
valo de tempo ∆t é ”muito pequena” h2 (σ∆t).
(c) A reprodução em intervalos de tempo disjuntos é um evento independente, isto
é, se I1 ∩ I2 = φ então a reprodução no intervalo de tempo I2 independe de já ter
reproduzido ou não no intervalo I1 .
Seja p(P ; ∆t) a probabilidade de uma população do tamanho P reproduzir apenas
um indivíduo no intervalo de tempo (t, t + ∆t). Observamos que, para que este evento
ocorra é necessário que apenas um indivíduo da população reproduza e (P −1) indi-
víduos não reproduzam. Desta forma, existem P possibilidades para o nascimento
de um único indíviduo e (P − 1) possibilidades para o nascimento de qualquer
quantidade.
Logo, podemos escrever
ou
dp(P ; t)
= α[(P − 1)p(P − 1; t) − P p(P ; t)] (0.3.3)
dt
Suponhamos que para t = 0 tenhamos P = P0 (população inicial). Uma equação
para P0 deve ser análoga à equação (0.3.3) sujeita à observação: “Pode-se ter P0
indivíduos num instante t + ∆t somente quando se tem P0 no instante t e nenhum
27
nascimento no intervalo de tempo (t, t + ∆t). Logo,
ou
dp(P0 ; t)
= −αP0 p(P0 ; t) (0.3.4)
dt
As equações diferenciais (0.3.3) e (0.3.4) determinam as distribuições de probabili-
dades {p(P ; t)}P ≥P0 , P = P0 + 1, P0 + 2, ..., P0 + n, e portanto, o processo evolutivo
de uma população, dada inicialmente por p(P0 ; 0)).
Se a população inicial P0 for conhecida precisamente, isto é se p(P0 , 0) = 1, então a
avaliação de p(P0 ; t) é obtida da equação (0.3.4), através da solução do problema de
valor inicial dp(P ;t)
dt
0
= −αP0 p(P0 ; t)
(0.3.5)
p(P0 , 0) = 1
dp(P0 + 1; t)
= α[P0 p(P0 ; t) − (P0 + 1)p(P0 + 1; t)]
dt
Substituindo a expressão de p(P0 ; t), obtida anteriormente de (0.3.5), vem
dp(P0 + 1; t)
= αP0 e−αP0 t − α(P0 + 1)p(P0 + 1; t)] (0.3.6)
dt
que é uma equação linear não-homogênia - Sua solução geral é dada pela soma de
uma solução particular com a solução da equação homogênea correspondente:
Temos que:
28
p(P0 + 1; t) = P0 e−αP0 t
P0 (P0 − 1) −αP0 t
p(P0 + 2; t) = e (1 − e−αt )2
2
(P − 1)!
p(P ; t) = e−αP0 t (1 − e−αt )(P −P0 ) (0.3.7)
(P − P0 )!(P0 − 1)!
Como a função densidade de probabilidade é dada por (0.3.7), podemos determinar seu
valor esperado E(P ) (média populacional), isto é,
∞
X
P (t) = E(P ) = P p(P ; t) = P0 eαt (0.3.8)
P =0
1
A demostração desta “conjectura” está bem clara no livro de Maki - Thompson [16]
29
D(P )
CV (P ) = ,
E(P )
dá o coeficiente de variação de P .
Temos que
p p
D(P ) = P0 e2αt − P0 eαt = P0 eαt (1 − e−αt )1/2
Logo
1/2
1 − e−αt
1
CV (P ) = e portanto, CV (P ) → √ quando t → ∞.
P0 P0
30
dos fumantes desta população, podemos usar um modelo estocástico para estudar
a evolução desta distribuição inicial. Agora, se a característica de ser fumante de-
pender da quantidade de cigarros que se fuma diariamente, qualidade dos cigarros,
intermitência do ato de fumar etc., devemos caracterizar também o grau de ser fu-
mante. Neste caso, cada indivíduo pertence à população de fumantes com um grau
específico de pertinência : Se não fumar, seu grau de pertinência é zero- se fumar 3
carteiras diárias podemos dizer que é uma fumante de grau 1.
No caso de se estudar a dinâmica de uma população, muitas vezes as informações
que temos sobre os parâmetros e variáveis são parciais ou não temos certeza, nem
mesmo, das condições iniciais.
A população de predadores de uma determinada espécie pode ser considerada
como um subconjunto fuzzy, se associarmos a cada predador seu grau de predação.
Uma população de presas é composta de elementos cada qual com um grau distinto
de ser presa, um jovem por exemplo é menos predado que um velho e doente.
Os modelos variacionais fuzzy podem comportar vários tipos de subjetividades
(fuzziness), dependendo da escolha da variável de estado e dos parâmetros dos
modelos. Temos uma fuzziness demográfica quando a variável de estado é um subcon-
junto fuzzy, e fuzziness ambiental quando somente os parâmetros são considerados
subconjuntos fuzzy. Em geral ambos os tipos de fuzziness estão presentes nos fenô-
menos biológicos. Os modelos formulados através de equações variacionais com
fuzziness demográfica geralmente têm um tratamento matemático muito complexo
a não ser que nos restrinjamos aos modelos lineares.
As equações variacionais fuzzy têm sido estudadas por meio de distintos méto-
dos. Os primeiros trabalhos na direção de contemplar subjetividades não aleatórias
em sistemas dinâmicos [[?], [?]] utilizavam a derivada de Hukuhara. Este método
não teve muito sucesso por conta da instabilidade das soluções pois proporciona o
aumento do diâmetro das soluções.
Um segundo método, bastante simples, é dado pelos sistemas dinâmicos p-fuzzy
(puramente fuzzy) que são alimentados por um sistema de regras intuitivas ou
fornecidas por especialistas. Um especialista pode fornecer informações que pro-
porcionam associações de entrada e saída linguísticas e os sistemas fuzzy podem
produzir estimativas de sistemas complexos sem a ajuda de modelos matemáticos.
Um outro método ainda mais interessante, pelo menos pela sua aparente simplici-
dade, é aquele que faz uso do princípio de extensão de Zadeh. O método consiste
basicamente em considerar um sistema fuzzy associado a um sistema determinís-
tico com parâmetros e/ou condições iniciais fuzzy [[?], [?]]. Neste caso, obtemos
31
como solução uma família de curvas determinísticas sendo que, para cada possível
valor do parâmetro e/ou condição inicial, a curva tem um grau de pertinência ao
subconjunto fuzzy das soluções. Estes graus de pertinência são os mesmos de suas
condições iniciais, ou seja, cada solução mantem o mesmo grau de pertinência do
início [[?]].
Salientamos que os processos fuzzy adotados nos casos citados, para se estudar
sistemas variacionais, são quase sempre provenientes ou derivados de sistemas de-
terminísticos.
Considerando-se que a habilidade das atividades humanas está sempre ligada à
velocidade de operações, isto exige uma aproximação de dados e informações sen-
soriais, codificados por meio de termos imprecisos ou vagos. A manipulação de
incertezas é uma atividade característica do ser humano, desenvolvida através de
gerações. A etnomatemática não é muito mais que uma base de regras usada para
entender ou resolver certas situações e não necessita de fundamentação matemática
para mostrar que funciona. A troca da precisão pela velocidade é muitas vezes
um fator decisivo na luta pela sobrevivência e, nos sistemas complexos, a precisão
matemática perde sua força conforme o princípio de incompatibilidade de Zadeh. En-
tretanto, não queremos fazer uma apologia da imprecisão em detrimento da exati-
tude fornecida pela matemática clássica, simplesmente queremos mostrar ferramen-
tas alternativas para modelar o raciocínio natural dos homens quando relacionado
com o processo de mudanças de variáveis de estado.
Em resumo podemos dizer que existem pelo menos três maneiras distintas de in-
corporar graus de subjetividade em sistemas dinâmicos fuzzy:
1. Usando a variação como sendo dada pela derivada de Hokuhara;
2. Usando uma base de regras e obtendo-se um sistema p-fuzzy;
3. Usando o Princípio de Extensão de Zadeh.
Todos estes métodos são provenientes de estruturas que tem características baseadas
na teoria fuzzy na qual o conceito de conjunto fuzzy é fundamental.
Um subconjunto fuzzy A de um conjunto U é caracterizado por uma função µA : U →
[0, 1], chamada grau de pertinência, onde µA (x) atribui o grau com que o elemento x pertence
ao subconjunto fuzzy A.
µA (x) indica o grau com que o elemento x de U está em “concordância” com o conceito que
caracteriza os “elementos” de A.
Observamos que se A for um subconjunto clássico de U , então os únicos valores de µA (x)
são um ou zero, dependendo se o elemento x está ou não em A.
32
0.4.1. Modelo fuzzy do tipo Malthusiano (variação fuzzy)
Um modelo fuzzy do tipo malthusiano consiste de uma equação gerada pela hipótese
de crescimento populacional proporcional à população em cada instante, considerando
a variável de estado P como sendo um conjunto fuzzy em cada instante (cada indi-
víduo pode mudar seu grau de pertinência ao conjunto considerado com o tempo
-Por exemplo, no conjunto dos predadores, a predação de cada indivíduo depende
de sua idade).
Seja PA (t) a função grau de pertinência do subconjunto fuzzy A para cada valor de
t. Podemos subentender o subconjunto fuzzy A como sendo a própria função PA .
Por simplicidade, denotamos o subconjunto fuzzy PA por P .
Definimos o α-nível de um subconjunto fuzzy P,como sendo o subconjunto dos números
reais, dado por:
[P ]α = {x ∈ IR : P (x) ≥ α} se 0<α≤1
dP1α
= aP1α (t) , P1α (0) = P01
α
dt
(0.4.2)
α
dP2 = aP α (t) , P α (0) = P α
2 2 02
dt
para cada α ∈ (0, 1].
33
Para cada α, a solução existe e é dada por
(
P1α (t) = P01
α at
e
α α at
(0.4.3)
P2 (t) = P02 e
α α
onde [P01 , P02 ] = [P (0)]α .
Se [P (0)]1 tiver somente um ponto, isto é, P01 = P02 = P0 então [P (t)]1 se comporta
como a solução do modelo determinístico de Malthus: [P (t)]1 = P0 eat .
A solução do modelo (0.4.1) quando a < 0, é obtida do sistema de α−níveis dado
por:
dP1α
dt
α
= aP2α (t) , P1α (0) = P01
(0.4.4)
dP2α
dt
= aP1α (t) , P2α (0) = P02
α
Os controladores fuzzy são baseados em regras e por causa disto têm muitas van-
tagens sobre os modelos determinísticos. Vamos citar algumas:-O usuário com-
preende mais facilmente o significado de uma regra de inferência; Todas as infor-
34
mações contidas em uma regra foi testada ou pode ser induzida sem muitas difi-
culdades; O controlador agrega as informações contidas no conjunto de regras e
fornece uma saída “média” usando expressões simples; O processamento das in-
formações (cada regra é processada individualmente) é computacionalmente muito
rápido, com resultados que podem ser testados manualmente e, se uma informação
não for muito correta isto não influi substancialmente no resultado devido à ro-
bustez destes controladores ([[?]]).
Para nossas aplicações vamos usar o controlador de Mamdani que consiste basica-
mente de três estágios: Uma entrada (fuzzificador), um processador (composto de
uma base de regras e um método de inferência) e uma saída (defuzzificador). Como
defuzzificador usamos o centro de massa embora qualquer outro não cause grandes
alterações.
itbpF 3.442in2.6143in0inmini11.jpg
F ig8 − Controlador de Mamdani
Sistemas p-fuzzy
Um controlador fuzzy proporciona ao usuário uma tomada de decisão cada vez que
é acionado. Se realimentarmos o controlador, compondo cada saída com a próxima
entrada obtemos um sistema iterativo equivalente a um sistema dinâmico discreto
tradicional.
Um sistema p-fuzzy em Rn é um sistema dinâmico discreto,
(
xk+1 = xk + 4xk
(0.4.5)
x0 ∈ R n
itbpF 4.7617in2.1949in0inmini12.jpg
Fig 9 -Arquitetura de um sistema p-fuzzy
35
Exemplo:Modelo p-fuzzy de Malthus O modelo p-fuzzy é construído a partir de
um sistema baseado em regras fuzzy, onde a entrada é a população (P) e a saída a
variação da população ∆P ou dP dt
.
. A base de regras fuzzy utilizada é:
2
Se população é muito baixa então dP dt
é muito baixa.
2 dP
Se população é baixa então dt é baixa.
2
Se população é média então dP dt
é média.
2 dP
Se população é alta então dt é alta.
itbpF 5.2658in1.5022in0inmini1.bmp
F ig10.(a)Funções de pertinência da população (b) Funções de pertinência variação
itbpF 2.6351in2.1223in0inmini2.jpg
F ig11 − Solução (população) via Mamdani
itbpF 3.8761in3.0727in0inma??1.jpg
36
armazenados [[26]].
A armazenagem das maçãs é feita em câmaras frigoríficas onde são depositadas
em caixas de madeira (bins) sobrepostas que comportam, aproximadamente 3000
frutas. Quando alguma maçã está contaminada com podridão, a doença se propaga
rapidamente contaminando as outras frutas ao seu redor - estima-se que em 12 dias,
80% das maçãs da caixa são contaminadas, comprometendo posteriormente todo o
estoque.
Nosso objetivo é analisar a dinâmica da doença utilizando modelagem matemática.
Neste caso específico em que a dinâmica é essencialmente discreta e a contaminação
de maçãs depende de uma geometria, relativamente complexa, de contato entre as
frutas (veja [[27]]), vamos usar um modelo p-fuzzy.
A escolha do modelo matemático é determinante para se ter uma previsão de al-
gum fato. Modelos determinísticos de um mesmo fenômeno podem prever resulta-
dos diferentes. Isto acontece invariavelmente porque nem sempre é possível dispor
de todas as variáveis que atuam no fenômeno. Neste sentido, por mais exata que
seja a matemática, por mais determinísticos que sejam os modelos, sempre tere-
mos soluções aproximadas de alguma realidade. Assim, o uso de uma matemática
menos determinística e mais grosseira pode ser muitas vezes tão eficaz para pre-
visões quanto às obtidas pelos processos clássicos. De qualquer modo, o modelo
fuzzy dá uma idéia da dinâmica da doença, podendo ser útil para a formulação de
modelos determinísticos e estimação de seus parâmetros.
37
◦ População de Contaminadas, muito alta: Pat , com ϕPat = x−2600
200
se 2600 ≤ x <
3000; Pat = 1 se x ≥ 3000 e Pat = 0 se x < 2600.
As funções de pertinência dos subconjuntos fuzzy, usadas para modelar a popu-
lação contaminada e aqui estabelecidas como funções triangulares, podem ser visu-
alizadas na Figura 12:
itbpF 6.263in1.8827in0inmini18.jpg
Fig.12 - Funções de pertinência de populações de frutas contaminadas
38
podem ser visualizados na Figura 13:
itbpF 3.0441in1.5567in0inmini19.jpg
Fig.13-Funções grau de pertinência da variação de P
[ϕPb (x) × max ϕVm ] + [ϕP m (x) × max ϕV a ] 0, 444 × 300 + 0, 222 × 400
∆P (u) = = = 222
ϕPb (x) + ϕP m (x) 0, 444 + 0, 222
Então, quando tivermos 1000 frutas podres, teremos no próximo estágio 1222 frutas
39
podres. O modelo dinâmico proposto para previsão da doença é dado por:
(
Pn+1 = Pn + ∆Pn
(0.4.6)
P0 = 1
O processo iterativo pode ser feito à mão, como mostramos, ou usando o Toolbox
do Matlab e o resultado final de previsão ou solução pode ser visualizado na Figura
14.
Vamos supor que o campo f : [a, b] ⊆ R → R seja uma função contínua e com
40
derivada contínua em [a, b] - Isto garante a existência e unicidade da solução de
0.4.8 que é determinada pela condição inicial P0 .
A solução de 0.4.8, denotada por ϕt (P0 ), é um fluxo gerado pelo campo vetorial f
satisfazendo: ϕ0 (P0 ) = P0 e ϕ,t (P0 ) = dϕtdt(P0 ) = f (ϕt (P0 )).
A solução ϕ bt (P0 ) para o sistema fuzzy 0.4.7 é definida como sendo a extensão de
Zadeh do fluxo2 ϕt (P0 ). Em outras palavras, a solução do sistema fuzzy é um con-
junto fuzzy ϕbt (P0 ) ⊆ R+ × R onde, cada elemento é uma solução ϕt (P0 ) do sistema
determinístico associado 0.4.7 tal que o grau de pertinência de ϕt (P0 ) em ϕ
bt (P0 ) é o
mesmo grau de pertinência de P0 em Pb0 .
Consideremos uma população que tem uma condição inicial dada por um número
fuzzy Pb0 ∈ (slR) e um decrescimento exponencial
(
dP
dt
(t)= αP (t)
P (0) = Pb0 ∈ (slR) e α < 0
itbpF 4.158in2.9395in0inmini4.jpg
F ig.15 − Solução do modelo malthusiano fuzzy com α negativo
2
A Extensão de Zadeh de uma função f : R → R é a função fb : z(R) → z(R) onde, o grau de
pertinência é dado por
41
O modelo logístico fuzzy (condição inicial fuzzy)
dP
dt
= αP (1 − P )
P (0) = Pb0 ∈ (slR)
denota a evolução de uma população que tem uma condição inicial imprecisa e uma
capacidade suporte bem definida. Sua solução
P∞ Pb0
Pb(t) = ϕ
bt (Pb0 ) =
(P∞ − Pb0 )e−αt + Pb0
itbpF 3.8969in2.6169in0inmini3.jpg
F ig.16 − Solução fuzzy do modelo logístico com condição inicial imprecisa
P∞ Pb0
Pb(t) = ϕ
bt (Pb0 , α
b0 ) =
(P∞ − Pb0 )e−bα0 t + Pb0
itbpF 4.4892in3.0649in0inmini17.jpg
F ig.17 − Solução do modelo fuzzy com parâmetro α
b0 impreciso
Para um formalismo matemático dessa metodologia o leitor pode consultar [[?], [29], [30]].
42
0.5. Modelos de Interação entre espécies
Os modelos matemáticos de competição e predação tiveram sua origem com
os trabalhos de Lotka (1925), Volterra (1926), Kostitzin e outros poucos (veja [7])
formulados em termos de sistemas não-lineares de equações diferenciais ordinárias.
Muito tem sido escrito e pesquisado sobre estes modelos, originando uma enorme
quantidade de modelos alternativos. Entretanto, com excessão de experimentos em
laboratórios efetuados por Gause (1934), os ecólogos colocam fortes resistências so-
bre sua validade na Natureza. Por outro lado, a medida de competição carece de novas
ferramentas matemáticas que estão sendo desenvolvidas a partir da Teoria Fuzzy
([4] e [15]).
! ! !
variações do aumento destruição
−
=
número de presas natural pelos predadores
! ! !
variações do morte na aumento causado pela
=−
+
número de predadores ausência de presas alimentação disponível
Sejam
43
x = x(t) a densidade populacional das presas, e
y = y(t) a densidade da população dos predadores destas presas, em cada instante
t.
Simplificadamente, o modelo de Lotka-Volterra supõe que as presas crescem ex-
ponencialmente na ausência dos predadores (modelo de Malthus) e que a taxa de
mortalidade dos predadores, na ausência das presas, é proporcional a sua população
y(t) em cada instante (morte por falta de alimento).
Admitindo que o encontro das duas espécies seja ao acaso, então quanto maior
o número de presas, mais fácil será encontrá-las e quanto mais predadores, mais
alimento será necessário. É razoável supor que a taxa de destruição das presas deve
ser proporcional ao número de encontros possíveis entre as duas espécies!
A taxa de nascimento dos predadores depende exclusivamente, neste modelo, da
quantidade de presas devoradas em cada encontro.
Se modelarmos os encontros possíveis pelo termo bilinear xy, então o sistema presa-
predador, simplificado pelas imposições à cima, é dado por
dx
= ax − bxy
dt
(0.5.1)
dy
= −αy + βxy
dt
onde a, b, α, β são constantes positivas.
O sistema (0.5.1) apesar de ser não-linear, pode ser analisado qualitativamente no
plano de fase, eliminando a variável independente t, através da regra da cadeia:
dx
dt dx
dy
= .
dt
dy
A equação autônoma, correspondente a (0.5.1) é dada por
dx x(a − by)
= (0.5.2)
dy y(−α + βx)
que pode ser resolvida analiticamente por integração das formas diferenciais com
variáveis separadas
−α + βx a − by
Z Z
dx = dy
x y
44
ou
−α ln x + βx = a ln y + by + k, (0.5.3)
As partes positivas das três funções de (0.5.4) podem ser esboçadas separadamente
em cada quadrante de um plano, conforme Figura 18, e suas interrelações fornecem
os pontos da trajetória no 1o quadrante xy:
A curva obtida pelo método gráfico de Volterra é fechada no plano xy (x > 0 e y > 0),
indicando que as soluções de (0.5.1), x = x(t) e y = y(t), são periódicas (Fig.19b).
Observação:
Atualmente, empregando métodos da análise numérica, a integração de (0.5.1)
pode ser desenvolvida rapidamente por um computador. Optamos pelo método
gráfico de Voltera por ser mais interessante do ponto de vista didático e histórico.
As curvas representadas pelas figuras 18 e 19 proporcionam interpretações do fenô-
meno presa-predador apesar de não termos as soluções explicitadas analiticamente
– O comportamento das trajetórias pode ser analisado, considerando diferentes regiões
do plano de fase:
dx dy
Região I – >0e > 0 : Quando a população de presas aumenta em tamanho,
dt dt
45
as espécies predadoras se tornarão também mais numerosas por ter uma base ali-
mentar maior,
com um certo atraso
no tempo;
dx dy
Região II – <0 e > 0 : A crescente demanda por alimento reduz a popu-
dt dt
lação das presas
e as espécies predadoras
têm seu crescimento inibido;
dx dy
Região III – <0e < 0 : O alimento se escasseia para as espécies predado-
dt dt
ras e como consequência
apresentam
uma redução em tamanho;
dx dy
Região IV – >0 e < 0 : A redução dos predadores favorece a população
dt dt
das presas que, lentamente, começam a crescer.
O padrão nas variações dos tamanhos das populações pode se repetir quando as
condições permanecem constantes – O processo continua em ciclos, denominados
ciclos ecológicos.
Esta análise qualitativa é baseada, essencialmente, na variação dos sinais das derivadas
do sistema (0.5.1) e consequentemente no estudo dos pontos de equilíbrio.
dx
Um sistema está em equilíbrio quando sua variação é nula, isto é, quando =0
dt
dy
e = 0. No caso do sistema presa-predador (0.5.1) temos
dt
dx a
= 0 ⇔ ax − bxy = 0 ⇔ x = 0 ou y = x=0ey=0
dt b
⇔ ou
α a
dy = 0 ⇔ −αy + βxy = 0 ⇔ y = 0 ou x = α
x= ey=
dt β β b
α a
O estudo da estabilidade dos pontos de equilíbrio P0 = (0, 0) e P1 = , é
β b
realizado através de uma linearização do sistema (0.5.1) – Por exemplo: o sistema
linear
dx
= ax
dt
(0.5.5)
dy = −αy
dt
corresponde à linearização de (0.5.1) em torno do ponto P0 = (0, 0).
A solução geral de (0.5.5) é dada por
x(t) = x0 eαt e y(t) = y0 e−αt .
Então, se a condição inicial (x0 , y0 ) é tal que x0 > 0 e y0 > 0, a trajetória P (t) =
46
(x(t), y(t)) se afasta de P0 . Neste caso P0 é dito se instável.
Salientamos que a única trajetória de (0.5.5) que se aproxima do ponto de equilíbrio
P0 é aquela que parte do ponto inicial (0, y0 ) com y0 > 0, isto é, na ausência de presas,
a população dos predadores será extinta.
α a
Agora, se considerarmos o ponto P1 = , , através da mudança de variáveis
β b
em (0.5.1)
α a
u=x− e v=y−
β b
P1 é transportado para a origem, isto é, obtemos o sistema (0.5.1) transladado
du bα
= − v − buv
dt β
(0.5.6)
dv = βa u + βuv
dt b
O ponto P ∗ = (0, 0) do sistema (0.5.6), correspondente do ponto P1 do sistema
(0.5.1), pode ser analisado qualitativamente quando consideramos o sistema lin-
earizado
du bα
=− v
dt β
(0.5.7)
dv = βa u
dt b
√
Os auto-valores de (0.5.7) são complexos conjugados puros λ = ±i aα, obtidos do
polinômio característico Q(λ),
bα
−λ − β
Q(λ) = det =0 ⇔ λ2 + aα = 0
βa
−λ
b
2π
Logo, as soluções reais de (0.5.7) são periódicas de período T = √
aα
α √
u(t) = k cos aα t
β
(0.5.8)
√
r
a α
v(t) = k sen aα t
b a
Observação:
47
Usando a regra-da-cadeia em (0.5.7) podemos escrever
du αb2 v
=− 2 (0.5.9)
dv aβ u
cuja solução geral são as trajetórias no plano de fase uv:
u2 αb2 v 2
=− 2 +k
2 aβ 2
ou
u2 v2
aβ 2 u2 + αb2 v 2 = k ⇔ k
+ k
=1 (0.5.10)
aβ 2 αb2
48
O modelo presa-predador com pesca é dado pelo sistema
dx
= ax − bxy − Ex = (a − E)x − bxy
dt
(0.5.11)
dy
= −αy + βxy − Ey = −(α + E)y + βxy
dt
As equações do modelo (0.5.11) são equivalentes às equações do modelo (0.5.1) com
parâmetros modificados:
a → a−E
α → α+E
α+E a−E
Logo, o ponto de equilíbrio não trivial de (0.5.11) é dado por P2 = , .
β b
Isto implica que uma pesca moderada (E < a) faz crescer a população de presas e
decrescer a de predadores (veja fig.6.21):
dx
= xf (x, y)
dt
(0.5.12)
dy = yg(x, y)
dt
49
onde f e g devem satisfazer relações consistentes com a natureza do sistema presa-
predador, isto é,
∂f ∂g
< 0 (para x grande), >0
∂x ∂x
(0.5.13)
∂f ∂g
<0 e <0
∂y ∂y
Deste modelo geral surgiram vários modelos particulares com modificações das
taxas interespecíficas (função de densidade-dependência) e das taxas de ataque (veja
[10], pg 223):
kxy
Modelo de Holling-Tanner (1965): g1 (x, y) = ;
x+D
50
0.5.3. Modelo de Holling-Tanner
O modelo estabelece oscilações estruturalmente estáveis (ciclos limites) onde as equações
dinâmicas são:
dx x kxy
= rx 1 − −
dt K x+D
(0.5.14)
dy βy
=α 1− y
dt x
51
Em termos práticos, os modelos do tipo presa-predador desempenham um papel
fundamental na competição existente entre os homens e os insetos, podendo ser um
instrumento facilitador no controle biológico de pragas na lavoura.
A partir da década de 1940, acreditava-se que a proteção das lavouras estaria as-
segurada com lançamento de um defensivo químico de largo espectro, embora al-
tamente tóxico, o DDT. A indústria química teve um desenvolvimento significa-
tivo depois da 2a guerra mundial, reinando absoluta por muito tempo, até que os
agricultores começassem a perceber e admitir que a infestação das lavouras persis-
tia e agora agravada pela resistência cada vez maior das pragas aos agrotóxicos.
Até 1938 apenas 7 insetos apresentavam resistência à ação dos produtos químicos
conhecidos - Atualmente mais de 500 espécies são resistentes às mais ativas formas
químicas (Globo Rural, 8; 84 - Out. 1992).
O controle de pragas, por processos exclusivamente químicos, pode comprometer
irremediavelmente a cadeia de seus predadores naturais, diminuindo a diversidade
biológica e facilitando o desequilíbrio em favor das próprias pragas.
Algumas evidências de que controles alternativos podem ser adotados tem mo-
bilizado muitos pesquisadores nesta busca - Se considerarmos que a maioria dos
insetos tem como alimentação preferencial outros insetos, o controle biológico pode
ser o ideal como uma norma de combate às pragas. O controle biológico é a es-
tratégia utilizada há muito tempo pela própria natureza para manter o equilíbrio
dos ecossistemas. Na verdade, o que se busca atualmente é colocar em prática a
diversificação de plantios, a preservação de espécies nativas, a criação de plantas
transgênicas, a introdução de insetos predadores de outros insetos e o desenvolvi-
mento de bioinseticidas como síntese de agentes patógenos.
“De qualquer forma, por mais que avance a biologização como monitora do equilíbrio de um
sistema, sua simples adoção não será tão eficiente se for ignorada a própria diversidade do
ecossistema - Basta ver que a sobrevivência de um simples repolho depende da estabilidade
dinâmica de uma comunidade composta de 11 comedores de folhas, 10 sugadores de seiva, 4
comedores de raízes, 21 saprófitas, 78 sacarófilos e uma centena de predadores carnívoros”
(Globo Rural, 8;84 Out. 92).
Modelos matemáticos que levem em conta a biodiversidade de um ecossistema po-
dem ser impraticáveis, tanto do ponto de vista de uma formulação biologicamente
coerente quanto da busca de alguma solução. Um modelo matemáticodeve ser ra-
zoável, não tão simples que comprometa qualquer interpretação nem tão complexo
que impossibilite obter qualquer informação.
Do ponto de vista instrucional, o modelo de Lotka-Volterra é ainda o mais re-
52
comendado, funcionando como um indicador do processo de apredizagem do fenô-
meno. Em um trabalho desenvolvido num programa de Especialização de Profes-
sores de Matemática na UNIMEP - Piracicaba (1993), cujo objetivo era aplicar as
técnicas de modelagem, o tema escolhido pelos alunos foi controle biológico da broca
da cana-de-açúcar - O leitor interessado pode ver os detalhes deste trabalho em [?].
itbpF 3.0415in2.1586in0incana.jpg
53
Informações Básicas
itbpF 3.1704in2.1223in0inlagarta2.jpg
Uma broca sendo parasitada por uma vespa
Fonte-USP Notícias - http//www.usp.br/agen/repgs/2003/pags/168.htm
54
sando perdas industriais consideráveis.
Durante a germinação do tolete infectado por estes fungos ocorre a morte da gema
e a redução da germinação. Quando as plantas crescem, entre 3 e 4 meses, surgem
as primeiras lesões nas folhas, que culminam com a morte prematura das mesmas.
Os prejuizos mais graves são os causados pela inversão de cerca de 50 a 70% da
sacarose dos colmos atacados. Além disso, os fungos produzem invertases nestes
colmos que, se industrializados, irão inverter a sacarose do caldo normal nos pro-
cessos iniciais de fermentação.
No Brasil, as perdas estão associadas a intensidade de infestação da broca, com
estimativas de 4,1% de perdas de sacarose para uma taxa de 22,2% de infestação.
O controle biológico visa interromper o ciclo evolutivo, a médio e longo prazo, em
qualquer uma de suas fases. Atualmente se consegue o controle nas fases de ovo e
de lagarta.
Os principais parasitos dos ovos da Diatraea saccharalis são o Telenomus alecto e o
Trichogramma minutum, sendo o último não tão eficiente porque a espécie é inespecí-
fica. Já a espécie T. alecto tem uma eficiência de 80 a 90%. Porém, no Estado de São
Paulo a sua utilização sofre de continuidade, pois a Diatraea não faz posturas em
determinadas épocas do ano (Julho - Setembro).
Os principais parasitos da lagarta são os dípteros (moscas larvíparas) Metagonisty-
lum minense ou ”Mosca do Amazonas”, a Lixophaga diatraeae (”Mosca Cubana”)
e a Paratheresia claripalpis (”Mosca Africana”); e o himenóptero Apanteles Flavipes
(”Vespa Indiana”).
Após sua gestação, as larvas das moscas penetram na entrada do orifício provo-
cado pela broca e encontram a lagarta (da broca), perfuram-lhe a pele e dela se al-
imentam. Em seguida as larvas, passam à forma de pupa no interior da galeria,
próxima ao orifício de entrada, afim de garantir a saída do adulto. Em São Paulo o
seu parasitismo natural oscila entre 15 a 20%.
O himenóptero Apanteles flavipes, proveniente da Índia e do Paquistão, vem se
adaptando às vàrias regiões de nosso país. Apresenta vantagens em relação aos
outros predadores naturais por ter maior índice de multiplicação, por ser especí-
fico(somente parasita esta broca) e pode ser produzido em laboratório com relativa
facilidade.
O parasitismo se inicia quando a fêmea da vespa adulta, preta com 2 a 3mm de
comprimento, entra no colmo pelo orifício praticado pela broca, ocasião em que
encontra a lagarta e através de uma picada deposita no interior do corpo do hos-
pedeiro cerca de 50 ovos. Estes permanecerão no interior da lagarta hospedeira
55
alimentando-se de seus tecidos de reserva por cerca de 10 a 12 dias. Ao final deste
período as larvas do Apanteles migram para fora do corpo da lagarta, que exaurida
morre, e formam casulos (pupas), ficando neste estado de 3 a 5 dias quando tornam-
se vespas adultas, completando então o seu ciclo vital.
No parasitismo pelas moscas, cada uma dá origem a duas outras, no máximo. Já
com as vespas esta relação é de 1 para 50.
Como já observamos, existem várias espécies de predadores da broca - Aqui, por
simplicidade, consideramos um único predador - a vespa. Com esta simplificação
obtemos modelos mais didáticos que práticos, onde a ênfase maior está na obtenção
dos parâmetros e no estudo de sistemas de equações diferenciais e de diferenças.
hipóteses:
dB
= aB − bBV
dt
(0.5.16)
dV = βBV − αV
dt
com as constantes a, b, α e β positivas.
56
Neste texto vamos analizar apenas o modelo contínuo (0.5.16) deixando ao leitor o
prazer de estudar o modelo discreto (0.5.15).
A determinação dos coeficientes está condicionada à unidade de tempo (dias). Para
efeito de cálculos consideramos período de 1 ano para o plantio e colheita da cana.
Vimos que o ciclo da broca varia entre 53 a 63 dias (desprezaremos a última ger-
ação, considerando apenas 4 gerações num ano) e o ciclo das vespas é de 13 a 17
dias.
Admitiremos os crescimentos e interações, como funções contínuas do tempo.
ln R
B(τ1 ) = B0 eaτ1 ⇒ RB0 = Boeaτ1 ⇒ a =
τ1
ln 5
Portanto, a = = 0, 02774893
58
Nota: Em condições de laboratório, R = 36/1, em cada geração.
b) Coeficiente de ataque: b
O coeficiente b é calculado através da taxa de eficiência do controle broca pela
vespa. Temos que apenas as fêmeas das vespas causam prejuízo para as brocas -
então, podemos admitir uma taxa de controle de 50%, isto é,
dB
= aB − 5000bB = B(a − 5000b)
dt
ou
57
dB
= (a − 5000b)dt
B
Integrando, vem
considerando t = τ2 , obtemos
B(τ2 )
ln = (a − 5000b)τ2
B0
B(τ2 )
Tomando os valores τ2 = 15; a = 0, 02774893 e ln = ln 0, 5 = −0, 69314718,
B0
obtemos b = 0, 00001479.
V = V0 e−αt
0, 05V0 = V0 e−2,5α
ou seja
ln 0, 05
α=− = 1, 198293
2, 5
d) Taxa de crescimento das vespas: β
O coeficiente β representa a taxa de natalidade das vespas, que obviamente de-
pende da quantidade de hospedeiros (brocas) durante a postura.
Sabemos que cada vespa fêmea dá origem a 50 outras, das quais apenas 15 com-
pletam o ciclo de vida (cf. Knipling).
Da equação diferencial das vespas (0.5.16), temos
58
dV
= −αV + βB0 V
dt
onde B0 ' 2000 brocas (valor inicial estimado por hectare pesquisado). Então,
dV
= (−α + 2000β)dt
V
Integrando, temos
V = V0 exp[−α + 2000β]t
Análise do Modelo
As trajetórias no plano de fase-BV,do sistema presa - predador, satisfazem a relação
implícita geral (veja equação (0.5.3)):
−α ln B + βB = a ln V − bV + K
K = −7, 89167
α 1, 198293
B∗ = = ' 1738 brocas
β 0, 0006894
a 0, 02774893
V∗ = = ' 1876 vespas
b 0, 00001479
Sabemos que, para o modelo de Lotka - Volterra, as trajetórias são curvas fechadas
no plano −BV e portanto existe um período t = T > 0 onde B(T ) = B0 e V (T ) =
V0 .
59
A sistema (0.5.16) pode ser escrito na forma
1 dB
= a − bV
B dt
(0.5.17)
1 dV = −α + βB
V dt
Integrando as equações de (0.5.17) entre 0 e T, obtemos
Z T
ln B(T ) − ln B(0) = (a − bV )dt
0
(0.5.18)
Z T
ln V (T ) − ln V (0) =
(−α + βB)dt
0
Portanto,
1 T
Z
a
= V dt é valor médio da população das vespas ao longo do período T;
b T 0
1 T
Z
α
= Bdt é valor médio da população das brocas ao longo de T.
β T 0
Este resultado indica que para diminuir a quantidade de brocas não adianta au-
mentarmos a quantidade de vespas, pois tal fato somente alteraria a magnitude da
oscilação do ciclo.
Questões:
1) Nas condições anteriores, quais os valores mínimo e máximo das brocas?
2) Se existisse um inseticida que matasse 30% dos insetos instantaneamente, seria
conveniente aplicá-lo? E quando seria a aplicação? Faça o gráfico desta situação.
60
testados no caso da interação vespa-broca.
Bt+1 = (n? de brocas na geração anterior) × (fração não parasitada) × (taxa de reprodução)
Vt+1 = (n? de brocas na geração anterior) × (fecundidade do parasitóide)
e−µ µr
p(r) =
r!
onde, p(r) é a probabilidade do evento ocorrer r vezes e µ é o no¯ médio de eventos
em um dado intervalo de tempo.
61
No caso vespa x hospedeiro, temos:
Ne
µ= é o número médio de encontros por broca por unidade de tempo.
Bt
µ = bVt
e−bVt
p(0) = (bVt )0 = e−bVt
0!
f (Bt , Vt ) = p(0)e−bVt
A estimação dos valores dos parâmetros, neste caso, é diferente do caso contínuo
(presa-predador 0.5.1) que fizemos anteriormente.
a) Como o ciclo de vida da broca é aproximadamente 60 dias e da vespa é 15 dias,
consideraremos a unidade de tempo igual a 15 dias. Assim, na ausência de vespas
o crescimento das brocas se dá através da equação discreta
Bt+1 = aBt
cuja solução é
Bt = B0 at .
Temos também que cada broca gera 5 descendentes a cada 60 dias, ou seja, em cada
4 unidades de tempo - Assim,
√
B1 = 5B0 = B0 a4 ⇒ a =
4
5 = 1, 49534878
62
b) Se admitirmos que a taxa de eficiência de parasitismo das brocas pelas vespas
é, em torno de 50%, isto é, Bt+1 = 0, 5Bt quando a proporção é de 5000 vespas por
cada 2000 brocas, então
Bt+1
0, 5 = = ae−5000b
Bt
Donde,
0, 5
−5000b = ln ⇒ b = 0, 0002191
1, 49534878
c) Para o crescimento das vespas devemos considerar que cada adulto gera 15 de-
scendentes que completam o ciclo de vida, ou seja, dos 50 ovos depositados apenas
15 são viáveis - Logo, c = 15.
O modelo de Nicholson - Bailey (0.5.21), com os parâmetros estimados, é dado pelo
sistema
Bt+1 = 1, 4953Bt exp(−0, 0002191Vt )
(0.5.22)
Vt+1 = 15Bt [1 − exp(−0, 0002191Vt )]
Be = Bt+1 = Bt e Ve = Vt+1 = Vt
63
ln a
1 = a e−bVe ⇒ Ve =
b
ln a −b( lnba ) ln a 1 a ln a
= c Be [1 − e ]⇒ = c Be [1 − ] ⇒ Be =
b b a bc(a − 1)
Para analisarmos à estabilidade dos pontos de equilíbrio P0 e Pe devemos consid-
erar pequenas pertubações em torno destes pontos o que resulta na análise de um
sistema linear associado a (0.5.22).
Sejam
Bt+1 = F (Bt , Vt ) = aBt ebVt
Vt+1 = G(Bt , Vt ) = cBt [1 − e−bVt ]
Então o sistema linear associado é dado por
(
Xt+1 = a11 Xt + a12 Yt
(0.5.23)
Yt+1 = a21 Xt + a22 Yt
onde Xt = Bt − Be ; Yt = Vt − Ve , sendo Be e Ve as coordenadas do ponto de
equílibrio Pe e os valores dos aij são dados por:
∂F ∂F
a11 = (Be , Ve ); a12 = (Be , Ve );
∂ Bt ∂Vt
(0.5.24)
∂G ∂G
a12 = (Be , Ve ); a22 = (Be , Ve )
∂Bt ∂Vt
Então, o ponto de equilibrio (Be , Ve ) será estável se os auto-valores λ1 e λ2 da matriz
a11 a12
A= satisfazem |λ1 | < 1 e |λ2 | < 1 : Caso contrário será instável.
a21 a22
64
∂F −bVt
1
a11 = = ae =a =1
∂Bt
(Be ,Ve ) a
∂F a ln a a ln a
= −aBt e−bVt
a12 = = −b =−
∂Vt (Be ,Ve ) bc(a − 1) c(a − 1)
∂G 1
= c[1 − e−bVt ]
a21 = =c 1−
∂Bt a
(Be ,Ve )
∂G cb a ln a ln a
= cBt be−bVt
a22 = = . =
∂Vt (Be ,Ve ) a bc(a − 1) a−1
65
concentração de poluentes, com constante de proporcionalidade igual a 1, 3m3 /g.h;
- A taxa de mortalidade das bactérias é de 10−5 /h;
- A descarga de águas residuais é contínua, na ordem de 9m3 /h.
Justifique a formulação do seguinte modelo matemático para descrever o fenô-
meno:
dx 1, 3 q
= xy − 10−5 x − x
dt
v v
(0.5.25)
dy 0, 1 q
= 10−2 q − xy − y
dt v v
- Encontre os pontos de equilíbrio do sistema;
- Estude a estabilidade dos pontos de equilíbrio;
- Calcule o nível de contaminação no ponto de equilíbrio estável;
- Determine v de modo que o nível de contaminação no ponto de equílibrio seja
menor que 10−3 g/m3 .
Modelo de Leslie
- P.H. Leslie (1948) sugere o seguinte modelo como formulação alternativa do mod-
elo presa - predador:
dx
= ax − bx2 − cxy : presas
dt
(0.5.26)
2
dy = αy − β y
: predador
dt x
- Justifique e faça um estudo completo do modelo de Leslie.
66
itbpF 5.265in1.4416in0inf ig22.jpg
F ig22 − Funções respostas funcionais típicas
dx
= xF (x) − ϕ(x)y
dt
(0.5.27)
dy = y G(x)
dt
- Formule um modelo próprio, compatível com um modelo presa-predador, definindo
as funções F (x), ϕ(x) e G(x).
- Analise seu modelo (pontos de equilíbrio, estabilidade etc).
Continua
Para finalizar, gostaríamos de salientar, uma vez mais, que não existe modelo
definitivo ou perfeito quando se quer representar matematicamente um fenômeno
da realidade - Todo modelo sempre poderá vir a ser modificado e melhorado, basta
que se pergunte: e se...?
Neste sentido, a Natureza é uma fonte inesgotável de problemas e a Matemática
ocupará sempre uma posição de destaque aos desafios de novos conhecimentos.
67
R EFERÊNCIAS B IBLIOGRÁFICAS
[1] Barros, L.C., Tonelli, P. e Bassanezi, R.C.- “Fuzzy modelling in population dynam-
ics”, Ecological Modelling, 128, pp. 27-33, 2000.
[3] Volterra, V. - ”Leçons sur la théorie mathematique de la lute pour la vie”, Paris,
Gauthier-Villars, 1931.
[4] Giering III, E.W. & Kandel, A.-The application of fuzzy set theory to the modeling of
competition in ecological systems, Fuzzy Sets and Systems, 9 (2),pp. 103-127, 1983
[5] Paes, E. T.; Blinder, P. B.; Bassanezi, R. C. - “O meio ambiente como fator de
predação: um estudo populacional do Donax Gemmula”, Biomatemática II, (1992),
pp 134-142.
[7] Scudo, F. M. & Ziegler, J. R. - The Golden Age of Theoretical Ecology: 1923-1940,
Springer - Verlag, Berlim (1978) - Lectures Notes in Biomathematics 22.
[8] Seikkala, S. - “On the fuzzy initial value problem”, in Fuzzy sets and systems, 24
(1987), pp. 309-330.
[12] Bassanezi, R.C.- ”Equações diferenciais com Aplicações”. Ed. Harbra, S.Paulo,
1988.
68
Referências Bibliográficas
[13] May, R.M.- Simple Mathematical Models with very Complicated Dynamics. in Na-
ture, 261,1976.
[14] Berry, J.S. et alli edts- ”Teaching and Applying Mathematical Modelling”. Ellis
Horwood Ltd, N.York, 1984.
[15] Barros, L.C. & Tonelli, P.- ”Notas e exemplos de complexidade e estabilidade em
dinâmica populacional”, Biomatemática III, pp.110-118, Campinas, 1993.
[17] Doucet, P. & Sloep, P.B. - ”Mathematical Modeling in the Life Sciences”. Ellis
Horwood Ltd, N. York,1992.
[19] Svirezhev, Y.M. & Logofet, D.O.- Stability of Biological Communities. Ed. Mir,
Moscou, 1983.
[20] Volterra, V.- ”Variazioni e fluttuazione del numero d’individui in specie animali
conviventi”. Mem. Accad. Lincei, 2(6), pp.31-113.
[21] ”Differential Equations Models”. Edits. Braun, M.; Coleman, C.S. & Drew, D.A.,
Modules in Applied Mathematics, vol. 1. Springer-Verlag, 1983.
[22] Bassanezi, R.C.; Leite, M.F. & Rettori, O.- Um estudo evolutivo de tumores sólidos.
Biomatemática IV, pp.1-7, Campinas, 1994.
[23] Tsoularis, A. "Analysis of Logistic Growth Models "; Res. Lett. Inf. Math. Sci, (2001)
2, 23-46.j
[26] Lunardi R., Sanhuesza R., Bender R. -Imersão em Água no Controle Pós-Colheita
da Podridão Branca em Maçãs cv. Fuji; Fitopatol. bras. 28(4), 2003.
69
Referências Bibliográficas
[28] Introdução á Lógica Fuzzy (com Peixoto, Barros, Jafelice); Mini curso do I SAL-
Fuzzy, Sorocaba (2006), 65 págs.
70