MONOGRAFIA AnaliseDinâmicaCaos

Universidade Federal de Ouro Preto
Instituto de Ciências Exatas e Aplicadas

Departamento de Engenharia Elétrica
Trabalho de Conclusão de Curso
Análise de Dinâmica Não Linear e

Caracterização de Caos: Um Estudo sobre um
Sistema Unificado
William César Viana
João Monlevade, MG
2018
William César Viana
Análise de Dinâmica Não Linear e

Caracterização de Caos: Um Estudo sobre um
Sistema Unificado
Trabalho de Conclusão de curso apresentado à Universi-

dade Federal de Ouro Preto como parte dos requisitos
para obtenção do Título de Bacharel em Engenharia Elé-
trica pelo Instituto de Ciências Exatas e Aplicadas da
Universidade Federal de Ouro Preto.
Orientador: Prof. MSca . Anny Verly
Coorientador: Prof. Dr. Diego da Silva Barros
Universidade Federal de Ouro Preto

João Monlevade
2018
V614a Viana, William César.
Análise de dinâmica não linear e caracterização de caos [manuscrito]: um
estudo sobre um sistema unificado / William César Viana. - 2018.
86f.: il.: color; grafs.
Orientadora: Profª. MScª. Anny Verly.

Coorientador: Prof. Dr. Diego da Silva Barros.
Monografia (Graduação). Universidade Federal de Ouro Preto. Instituto de

Ciências Exatas e Aplicadas. Departamento de Engenharia Elétrica.
1. Engenharia Elétrica. 2. Sistemas dinâmicos diferenciais. 3. Modelos

matemáticos. 4. Comportamento caótico nos sistemas. I. Verly, Anny. II.
Barros, Diego da Silva. III. Universidade Federal de Ouro Preto. IV. Titulo.
CDU: 621.3
Catalogação: ficha.sisbin@ufop.edu.br
"Algumas regras para a vida: - Questione a autoridade. - Nenhuma ideia é verdadeira só
porque alguém diz que é, incluindo eu. - Pense por si próprio, questione a si próprio. - Não
acredite em algo só porque quer acreditar, acreditar em algo não o torna verdadeiro. - Teste
ideias pelas evidencias adquiridas, pela observação e experimentação. - Se uma ideia
prevalecente falhar num teste bem desenvolvido, esta errada. Supere. - Siga as evidências onde
quer que elas levem, se não houver evidências, evite julgamento. E talvez a regra mais
importante de todas: - Lembre-se, você pode estar errado."
– Neil deGrasse Tyson, Série Cosmos.
Resumo
Modelos matemáticos de sistemas dinâmicos não lineares permitem descrever e predizer
características do comportamento de uma infinidade de fenômenos aplicados em diversas
áreas do conhecimento científico. O que se entende atualmente por caos nada mais é do que
um comportamento não linear rico em informações dinâmicas e com várias características
próprias e universais. Neste trabalho são empregadas ferramentas matemáticas e computa-
cionais embasadas em conceitos da análise de sistemas não lineares que são aplicadas no
estudo de quatro sistemas caóticos: Sistema de Lorenz, Chen, Lü e Sistema Unificado. Como
resultado, descreve-se os comportamentos que tais sistemas apresentam em diferentes valo-
res de seus parâmetros variáveis. Análises gráficas a partir das Seções de Poincaré, Diagramas
de Bifurcações e dos Expoentes de Lyapunov permitem identificar características próprias das
dinâmicas caóticas de tais sistemas. Ademais, a análise da dinâmica caótica de tais sistemas é
estendida a um circuito eletrônico que emula tais comportamentos. O modelo não linear que
descreve o circuito é levantado no processo de modelagem por leis físicas e investigado em
simulações numéricas.
Palavras-chave: Caos, Sistemas Dinâmicos, Não Lineares, Sistema de Lorenz, Sistema de

Chen, Sistema de Lü, Sistema Caótico Unificado.
Abstract
Mathematical models of nonlinear dynamic systems allow to describe and predict the be-
havior of many phenomena applied in several areas of scientific knowledge. What is under-
stood today by chaos is nothing more than a nonlinear behavior rich in dynamic information
and with its own and universal characteristics. In this work we used mathematical and com-
putational tools based on concepts of the analysis of nonlinear systems that are applied in the
study of four chaotic systems: Lorenz System, Chen, Lü and Unified System. As a result, the
behaviors that these systems present in different values of their variable parameters are de-
scribed. Graphical analyzes from the Poincaré Sections, Bifurcation Diagrams and Lyapunov
Exponents allow us to identify characteristics of the chaotic dynamics of such systems. In
addition, the analysis of the chaotic dynamics of such systems is extended to an electronic
circuit that emulates such behaviors. The nonlinear model that describes the circuit is raised
in the process of modeling by physical laws and investigated in numerical simulations.
Keywords: Chaos, Dynamical Systems, Nonlinear Systems, Lorenz System, Chen System, Lü
System, Unified Chaotic System.
Lista de Ilustrações
Figura 1 – Campo de velocidade f(x) (−→) e trajetórias X(t ) e Y(t ) (−) no espaço de
estados tridimensional com diferentes condições iniciais em t = t 0 . . . . . 9
Figura 2 – Ponto de Equilíbrio: (a) Estável no sentido de Lyapunov; (b) Assintotica-
mente estável; (c) e (d ) Instável no sentido de Lyapunov com trajetória que
tende ao ponto quando t → ∞. Fonte: Zhang, Liu e Wang (2009), Wiggins
(2003). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
Figura 3 – Formato geométricos das soluções e classificação dos pontos de equilíbrio
de um sistema bidimensional em função de τ, ∆ e D. Fonte: Villate (2005). 13
Figura 4 – Trajetória das soluções P (t ) e Q(t ) iniciadas em diferentes pontos nas pro-
ximidades das variedades invariantes de um ponto de sela. . . . . . . . . . 15
Figura 5 – Variedades e subespaços estáveis e instáveis em R3 . Fonte: Zhang, Liu e
Wang (2009) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
Figura 6 – Campo vetorial no limite de U . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
Figura 7 – Representação de uma curva de nível definida pela função de Lyapunv e as
possibilidades de projeções de f em ∇V . Fonte: SAVI (2006) . . . . . . . . . 19
Figura 8 – Ponto de equilíbrio como ponto ω-limite e α-limite. . . . . . . . . . . . . . 21
Figura 9 – Ciclo limite com ponto ω-limite . Fonte: SAVI (2006) . . . . . . . . . . . . . 21
Figura 10 – Bacias de Atração distintas identificadas pelas regiões A (branca) e B (ha-
churada). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
Figura 11 – Ciclo Limite: (a) Assintoticamente estável; (b) Instável; (c) Semi-estável.
Fonte: Layek (2015). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
Figura 12 – Diagrama de bifurcação do sistema de Lorenz para σ = 10, r = 28 e 0 < b < 1. 27
Figura 13 – Trajetória periódica tridimensional e a seção de Poincaré. . . . . . . . . . . 28
Figura 14 – Representação geométrica dos expoentes de Lyapunov. Fonte: Adaptado de
SAVI (2006). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
Figura 15 – Exemplificação de uma célula de Rayleigh-Bérnard. Fonte: adaptado de
Layek (2015). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
Figura 16 – Atrator tridimensional, projeções bidimensionais e série temporal das so-
8
luções (x(t ), y(t ), z(t )) do sistema de Lorenz para σ = 10, b = 3 e r = 28
com pontos de equilíbrio P 0 = (0, 0, 0) e P ± = (±8, 48; ±8, 48; 27). Condições
iniciais (x(0), y(0), z(0)) = (1, 1, 1) e 0 < t < 30 segundos. . . . . . . . . . . . . 34
Figura 17 – Atrator de Lorenz (r = 28, σ = 10, b = 8/3): (a) Comutação Irregular. Con-
dições iniciais x(0) = y(0) = z(0) = 0, 001 e 0 < t < 50s. (b) Base de atração
para duas condições iniciais, x(0) = y(0) = z(0) = 0, 001 e x̄(0) = ȳ(0) =
0, 001, z̄(0) = 50 com 0 < t < 50 s. (c) Sensibilidade às condições iniciais.
x(0) = y(0) = z(0) = 0, 001 (azul) e x̄(0) = ȳ(0) = z̄ = 0, 0011 (vermelho).
(d) Sensibilidade nos parâmetros.x(0) = y(0) = z(0) = x̄(0) = ȳ(0) = z̄(0) =
0, 001e r 1 = 28 (azul), r 2 = 28, 01 (vermelho). (e) Sensibilidade às condi-
ções iniciais na série temporal x(t ) do atrator em (c). (f) Sensibilidade nos
parâmetros na série temporal x(t ) do atrator em (d ). . . . . . . . . . . . . . 36
Figura 18 – Soluções do sistema de Lorenz (σ = 10, b = 8/3, r = 0, 5) com diferentes
condições iniciais convergindo para o atrator global na origem. . . . . . . . 39
Figura 19 – Representação gráfica de região limitada das soluções de Lorenz. Fonte:
Layek (2015). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
8
Figura 20 – Lugar geométrico das raízes do polinômio (3.20) para σ = 10, b = 3 e1<r <
28. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
Figura 21 – Vistas da órbita homoclínica do sistema de Lorenz. Fonte: Argyris et al. (2015). 44
Figura 22 – Padrão de duas trajetórias após a bifurcação homoclínica com r = 13, 93 e
x(0) = y(0) = 0, 001 (azul), x̄(0) = ȳ(0) = −0, 001 (vermelho) e z(0) = z̄(0) = 0. 45
Figura 23 – Seções de Poincaré do sistema de Lorenz para σ = 10, b = 8/3 e r = 28. . . . 46
8
Figura 24 – Diagramas de bifurcação do sistema de Lorenz com σ = 10, b = 3
e r va-
riável. (a) Máximos de z(t ) para 1 < r < 350. (b) Máximos de x(t ) para
1 < r < 350. (c), (d), (e), (f) Zoom nas janelas periódicas de (a). . . . . . . . . 47
Figura 25 – Convergência dos expoentes de Lyapunov do sistema de Lorenz para σ =
10, b = 8/3, r = 28 e condição inicial x(0) = y(0) = z(0) = 1. . . . . . . . . . . . 48
Figura 26 – Diagrama de bifurcação dos expoentes de Lyapunov do sistema de Lorenz
para σ = 10, b = 8/3 e 1 < r < 300. Tempo de convergência do método
t = 800s, τ = 0, 5s e x(0) = y(0) = z(0) = 1. . . . . . . . . . . . . . . . . . . . . . 49
luções (x(t ), y(t ), z(t )) do sistema de Chen para a = 35, b = 3 e c = 28 com
pontos de equilíbrio P 0 = (0, 0, 0) e P ± = (±7, 93; ±7, 93; 21). Condições inici-
ais (x(0), y(0), z(0)) = (1, 1, 1) e 15 < t < 50 segundos. . . . . . . . . . . . . . . 50
Figura 28 – Lugar geométrico das raízes do polinômio (3.33) para a = 35, b = 3 e 1 < c < 28. 52
Figura 29 – Lugar geométrico das raízes do polinômio (3.39) para a = 35, b = 3 e 17, 5 <
c < 30. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
Figura 30 – Seções de Poincaré do sistema de Chen para a = 35, b = 3, c = 28. . . . . . . 56
Figura 31 – Diagramas de bifurcação do sistema de Chen com a = 35, b = 3 e 19 < c < 30.
(a) Máximos de z(t ); (b) Máximos de x(t ). . . . . . . . . . . . . . . . . . . . . 57
Figura 32 – Convergência dos expoentes de Lyapunov do sistema de Chen para a =
35, b = 3, c = 28 e condição inicial x(0) = y(0) = z(0) = 1. . . . . . . . . . . . . 58
Figura 33 – Diagrama de bifurcação dos expoentes de Lyapunov do sistema de Chen
para a = 35, b = 3 e 19 < c < 30. Tempo de convergência do método t = 800s,
τ = 0, 5s e x(0) = y(0) = z(0) = 1. . . . . . . . . . . . . . . . . . . . . . . . . . . 58
luções (x(t ), y(t ), z(t )) do sistema de Lü para a = 36, b = 3 e c = 20 com
pontos de equilíbrio P 0 = (0, 0, 0) e P ± = (±7, 74; ±7, 74; 20). Condições inici-
ais (x(0), y(0), z(0)) = (1, 1, 1) e 15 < t < 50 segundos. . . . . . . . . . . . . . . 59
Figura 35 – Lugar geométrico das raízes do polinômio (3.57) para a = 36, b = 3 e 0 < c < 30. 62
Figura 36 – Atratores do sistema (3.48) de Lü, com a = 36 e b = 3, topologicamente
semelhantes ao: (a) Atrator de Lorenz com c = 13, 5; (b) Atrator de Chen
com c = 24. Condições iniciais (x(0), y(0), z(0)) = (1, 1, 1) e 20 < t < 50 . . . . 63
Figura 37 – Seções de Poincaré do sistema de Lü para a = 36, b = 3, c = 20. . . . . . . . . 64
Figura 38 – Diagramas de bifurcação do sistema de Lü com a = 36, b = 3 e 10 < c < 30.
(a) Máximos de z(t ); (b) Máximos de x(t ). . . . . . . . . . . . . . . . . . . . . 65
Figura 39 – Diagrama de bifurcação dos expoentes de Lyapunov para o sistema de Lü. 65
Figura 40 – Atratores do Sistema Caótico Unificado. . . . . . . . . . . . . . . . . . . . . . 66
Figura 41 – Lugar geométrico das raízes do polinômio (3.65) para −8 < α < 8. . . . . . . 69
Figura 42 – Diagramas de bifurcação do Sistema Unificado com 0 < α < 1. (a) Máximos
de z(t ); (b) Máximos de x(t ). . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
Figura 43 – Circuito eletrônico de três estruturas de EDO’s não lineares e caóticas.
Sistema I - S 4 e S 5 ativas; Sistema II - S 1 e S 2 ativas; Sistema III - S 3 e
S 5 ativas. Componentes: Multiplicador Analógico AD633, Amplificador
Operacional TL084, R 5 = R 10 = R 37 = 1 M Ω, C 1 = C 2 = C 3 = 1 µF , R i =
10 kΩ (i = 19, 20, 22, 24, 25, 27, 29, 30, 32), R 4 = 30 kΩ, R j = 1 kΩ ( j =
1, 2, 8, 33), R 9 = R 21 = R 34 = 240 kΩ, R 23 = 280 kΩ, R 26 = 290 kΩ, R 31 =
350 kΩ, R 35 = 91 kΩ, R 36 = 910 kΩ, R 3 = 15 kΩ, R 15 = R 18 = 240 kΩ, R k =
10 kΩ (k = 6, 7, 11, 12, 13, 16, 38, 39). . . . . . . . . . . . . . . . . . . . . . . 72
Figura 44 – Máximo expoente de Lyapunov do sistema Sistema I para 0 < β < 1. Tempo
de convergência do método t = 800s, τ = 0, 5s e x(0) = y(0) = z(0) = 1. . . . 73
Figura 45 – Máximo expoente de Lyapunov do sistema Sistema II para −25 < γ < 3.
Tempo de convergência do método t = 800s, τ = 0, 5s e x(0) = y(0) = z(0) = 1. 74
Figura 46 – Máximo expoente de Lyapunov do sistema Sistema III para 0, 5 < θ < 3.
Tempo de convergência do método t = 800s, τ = 0, 5s e x(0) = y(0) = z(0) = 1. 75
Figura 47 – Retratos de fase das variáveis V1 × V2 do Sistema I. . . . . . . . . . . . . . . . 79
Figura 48 – Retratos de fase das variáveis V1 × V2 do Sistema II. . . . . . . . . . . . . . . 79
Figura 49 – Retratos de fase das variáveis V1 × V2 do Sistema III. . . . . . . . . . . . . . . 80
Sumário
1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1 Motivação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Estrutura do Trabalho . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2 Fundamentos de Dinâmica Não Linear e Caos . . . . . . . . . . . . . . . . . 5
2.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2 Um Breve Histórico do Surgimento da Teoria do Caos . . . . . . . . . . . . . . . 6
2.3 Sistemas Dinâmicos Contínuos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.4 Espaço de Estados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.5 Teoria da Estabilidade e Comportamento das Soluções . . . . . . . . . . . . . . 9
2.5.1 Equilíbrio do Campo Vetorial . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.5.2 Estabilidade de Trajetórias e Órbitas . . . . . . . . . . . . . . . . . . . . . 9
2.5.2.1 Sistemas Lineares e Classificação no Plano de Fases . . . . . . 11
2.5.2.2 Linearização em Torno de um Ponto de Equilíbrio . . . . . . 13
2.5.2.3 Conceito de Variedades de um Sistema Dinâmico . . . . . . . 14
2.5.2.4 Pontos de Equilíbrio Hiperbólicos e a Relação entre o Sistema
Não Linear e o Linearizado . . . . . . . . . . . . . . . . . . . . 16
2.5.3 Funções de Lyapunov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.6 Sistemas Conservativos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.7 Comportamento Assintótico e Atratores . . . . . . . . . . . . . . . . . . . . . . . 20
2.7.1 Atratores e Repulsores em R3 . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.8 Estabilidade Estrutural e Bifurcações . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.8.1 Diagrama de Bifurcação . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.9 Seção de Poincaré . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.10 Expoentes de Lyapunov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.11 Caos Determinístico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.12 Considerações Finais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3 Análise dos Sistemas Tipo Lorenz . . . . . . . . . . . . . . . . . . . . . . . . 32
3.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.2 Sistema de Lorenz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.3 Sistema de Chen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.4 Sistema de Lü . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.5 Sistema Caótico Unificado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
3.6 Considerações Finais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
4 Caos em um Circuito Eletrônico . . . . . . . . . . . . . . . . . . . . . . . . . . 71
4.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
4.2 Descrição e Análise dos Sistemas . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
4.3 Modelagem do Circuito . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
4.3.1 Modelagem Sistema I . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
4.3.2 Modelagem Sistema II . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
4.3.3 Modelagem Sistema III . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
4.4 Resultados Gráficos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
4.5 Comentários Finais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
5 Conclusões e Trabalhos Futuros . . . . . . . . . . . . . . . . . . . . . . . . . . 81
Referências . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
ANEXO A Ferramentas de Análise de Polinômios . . . . . . . . . . . . . . . . 86
1
Capı́tulo 1
Introdução
Na teoria de sistemas dinâmicos não lineares caos é um determinado tipo de com-

portamento que possui algumas características universais. Dentre elas, a alta sensibilidade
às condições iniciais é responsável em tornar esses sistemas praticamente imprevisíveis.
Quando um modelo determinístico exibe caos, soluções dinâmicas com estados iniciais pró-
ximos divergem após um horizonte de previsibilidade. Assim, incertezas inerentes a qualquer
medida física de um sistema real comprometem as tentativas de previsibilidade do seu estado
futuro.
Em relação as suas implicações, a teoria do caos pode ser considerada a terceira
revolução da física no século XX, depois da teoria da relatividade e da mecânica quântica
(ARGYRIS et al., 2015). O determinismo buscado por gerações de pesquisadores encerra-
se nos movimentos caóticos e a nova possibilidade de comportamento dinâmico torna-se
responsável pelo surgimento de novas metodologias e ferramentas de análise dos sistemas
dinâmicos não lineares.
Em geral, o comportamento caótico pode ocorrer em diversos sistemas. Exemplos
aplicam-se a física (turbulência fluida, laser, circuitos eletrônicos, etc.), em química (reação
de Belouzov-Zhabotinsky, etc.), biologia (processos bioquímicos, sistemas neurais e cardía-
cos), ciências sociais (mercado de ações, propagação de doenças, etc.), dentre tantos outros
(LAYEK, 2015). Aplicações envolvendo o controle e a sincronização do caos estão presentes
em diferentes processos, como exemplo, na mistura de fluidos de forma a consumir o mínimo
de energia, na estabilização de órbitas de satélites com mínimo esforço na ação controle, na
criptografia de informações digitais utilizando a sincronização de circuitos eletrônicos com
dinâmica caótica, dentre várias (ZHANG; LIU; WANG, 2009).
O presente trabalho tem como motivação a crescente aplicabilidade dos sistemas caó-
ticos e seu recente desenvolvimento a partir de novas ferramentas teóricas, computacionais e
práticas. Em consequência disso, são analisadas algumas características dinâmicas de quatro
sistemas caóticos relacionados entre si e que vêm sendo abordados em diversas publicações
científicas nos últimos 20 anos, os chamados Sistema de Lorenz (LORENZ, 1963), sistema de
Chen (CHEN; UETA, 1999), Sistema de Lü (LÜ; CHEN, 2002) e o denominado Sistema Caótico
Capítulo 1. Introdução 2
Unificado (LÜ et al., 2002). Por fim, é feita a implementação de um circuito eletrônico em
um ambiente de simulação capaz de reproduzir a estrutura dinâmica dos quatro sistemas
estudados.
1.1 Motivação
Dadas as razões supracitadas pela escolha de abordar um estudo sobre dinâmica não
linear e sistemas caóticos, propõe-se aplicar algumas ferramentas oriundas de tal teoria em
um sistema unificado. A motivação em sua escolha deve-se ao fato de que tal sistema possui
relações fundamentais compartilhadas entre os sistemas de Lorenz, Chen e Lü.
A publicação original relatando o que ficou conhecido com Sistema de Lorenz (LO-
RENZ, 1963) abriu espaço para a descoberta de diversos outros sistemas caóticos com atrato-
res semelhantes, como o Sistema de Chen (CHEN; UETA, 1999), Sistema de Lü (LÜ; CHEN,
2002) e o Sistema Caótico Unificado (LÜ et al., 2002). Este último é na verdade uma combi-
nação convexa dos sistemas de Lorenz e Chen, e representa uma família inteira de infinitos
sistemas caóticos entre eles, com as dinâmicas dos sistemas de Lorenz e Chen ocorrendo nos
extremos do parâmetro variável.
Na publicação de Vaněček e Čelikovskỳ (1996) foi proposto um sistema chamado de
Forma Canônica Generalizada de Lorenz capaz de reproduzir uma classe ampla de sistemas
caóticos. Os autores deram uma classificação a esse sistema em termos de a 12 a 21 , em que
a 12 e a 21 são entradas correspondentes a parte linear de um sistema descrito por uma matriz
constante A = [a i j ]3×3 . De acordo com esta condição, o Sistema de Lorenz satisfaz a 12 a 21 > 0,
o Sistema de Chen a 12 a 21 < 0 e o Sistema de Lü a 12 a 21 = 0. Classificações mais gerais desses
sistemas foram posteriormente propostas em (ČELIKOVSKÝ; CHEN, 2002; ČELIKOVSKỲ;
CHEN, 2002; ČELIKOVSKỲ; CHEN, 2005; YANG; CHEN; ZHOU, 2006). Os autores Wang e Chen
(2013) apresentam um compilado de sistemas autônomos tridimensionais não lineares classi-
ficados em diferentes famílias de acordo com os padrões dinâmicos caóticos, encontrados
em publicações de diferentes autores ao longo dos anos.
Ainda, recentemente publicações envolvendo a análise dos sistemas de Lorenz, Chen
e Lü têm gerado discussões a respeito de uma equivalência entre estes (ALGABA et al., 2013a;
ALGABA et al., 2013b; CHEN, 2013; LEONOV; KUZNETSOV, 2015), tratando-se ainda de um
campo promissor para investigação científica.
1.2 Objetivos
Neste trabalho, como objetivo geral empregam-se conceitos e ferramentas da análise
de sistemas não lineares com intuito de caracterizar alguns dos seus vários padrões dinâmicos,
em especial o caos. Estudando quatro tipos diferentes de sistemas caóticos, questões como
estabilidade, pontos de bifurcação, regiões de parâmetros que os tornam caóticos, dentre

outras, são determinadas.
Empregando a teoria de circuitos elétricos são deduzidas as equações dinâmicas do
circuito que pode operar em três situações distintas. A dinâmica caótica da tensão em alguns
pontos deste circuito para cada situação é investigada no ambiente de simulação Multsim.
Em síntese, os objetivos específicos do presente trabalho consistem em:
• Definir sistemas dinâmicos não lineares e as condições de estabilidade assintótica no

sentido de Lyapunov das soluções de equilíbrio;
• Aplicar ferramentas matemáticas de análise como Funções de Lyapunov, divergência

do campo e evolução de volumes e também ferramentas computacionais utilizadas
na obtenção do Diagrama de Bifurcação, Seção de Poincaré e Expoentes de Lyapunov
utilizando os softwares Wolfram Mathematica e Matlab.
• Caracterizar o comportamento dinâmico dos sistemas de Lorenz, Chen, Lü e do Sistema

Caótico Unificado;
• Empregar as leis da física de Kirchoff para obtenção de um modelo para o circuito

eletrônico operando em três modos distintos;
• Implementar o circuito em ambiente de simulação computacional utilizando o software

Multsim e realizar a análise dos resultados.
1.3 Estrutura do Trabalho

O presente trabalho está organizado da seguinte forma:
No Capítulo 1, é fornecida uma breve introdução sobre sistemas dinâmicos caóticos e
algumas aplicações que servem de motivação em seu estudo.
O Capítulo 2, traz uma revisão de algumas ferramentas usualmente empregadas na
análise de sistemas não lineares autônomos. São apresentados conceitos e definições impor-
tantes na metodologia deste trabalho e que vêm à auxiliar na compreensão e caracterização
de comportamento dinâmico caótico.
No Capítulo 3, são determinadas propriedades e características dinâmicas dos quatro
sistemas não lineares, utilizando ferramentas matemáticas e computacionais. A primeira
delas determina em grande parte a natureza local das soluções nas proximidades dos pontos
de equilíbrio e sua estabilidade associada enquanto a segunda permite descrever o comporta-
mento global das soluções, como exemplo, caos a partir da análise do máximo expoente de
Lyapunov.
O Capítulo 4, por sua vez, trata da modelagem e análise do caos no circuito eletrônico.
Deduzidas as equações dinâmicas, determina-se as regiões dos parâmetros associadas aos
valores de potenciômetros em que o caos se manifesta, cujos resultados são verificados pelo
retrato de fases gerados em osciloscópio durante a simulação.
Por fim, o Capítulo 5 apresenta as conclusões, considerações finais e as propostas
para pesquisas futuras.
5
Capı́tulo 2
Fundamentos de Dinâmica Não Linear e
Caos
2.1 Introdução
Neste capítulo alguns fundamentos teóricos, no que diz respeito a dinâmica não
linear, são apresentados. Na Seção 2.2 é feita uma contextualização teórica relatando as
motivações que levaram a descoberta dos sistemas caóticos. Na Seção 2.3 define-se o conceito
de sistemas dinâmicos autônomos e o modelo de equações que os descrevem. A Seção 2.4
explora o conceito de soluções e campo de vetores contidos no espaço formado pelos estados
dinâmicos. A Seção 2.5 apresenta definições e ferramentas utilizadas na determinação da
estabilidade de soluções. Apresenta-se também a classificação das soluções dos sistemas
lineares no plano de fases e a estabilidade local de soluções próximas aos pontos de equilíbrio
hiperbólicos de um sistema não linear. Na Seção 2.6 é definido o conceito da dissipatividade
de sistemas autônomos a partir do divergente do campo de vetores. A Seção 2.7 apresenta
algumas terminologias e definições geralmente utilizadas na descrição de atratores em um
sistema dinâmico não linear tridimensional. A Seção 2.8 define o conceito de bifurcação e
também a metodologia utilizada nesse trabalho para construção do diagrama de bifurcação.
Na Seção 2.9 é apresentado o conceito da Seção de Poincaré, uma ferramenta que permite
analisar certas características das soluções, como exemplo a aperiodicidade. Na Seção 2.10
é apresentada a definição dos expoentes de Lyapunov, a principal ferramenta utilizada na
determinação do comportamento caótico dos sistemas estudados no Capítulo 3. Definidos
conceitos importantes acerca dos sistemas não lineares, na Seção 2.11 são apresentadas as
características buscadas na investigação dos comportamentos caóticos.
Capítulo 2. Fundamentos de Dinâmica Não Linear e Caos 6
2.2 Um Breve Histórico do Surgimento da Teoria do Caos

A primeira evidência de uma dinâmica caótica foi constatada no final do século XIX
pelo matemático Jules H. Poincaré (1854-1912) ao estudar o problema dos três corpos (MON-
TEIRO, 2006; ARGYRIS et al., 2015). Nesse problema, pretendia-se determinar o movimento
descrito pelos planetas quando sujeitos a força de atração gravitacional mútua.
Motivados sobre a questão da estabilidade do sistema solar, gerações de físicos e
matemáticos após Newton tentaram solucionar o problema não linear dos três corpos, o qual
mostrou-se ser impossível obter uma solução analítica exata que descreva o movimento de
tais corpos (MONTEIRO, 2006). Ao tratar esse problema, Poincaré desenvolveu métodos pio-
neiros na análise de sistemas dinâmicos não lineares, percebendo que era possível determinar
propriedades qualitativas das soluções de um sistema sem resolvê-lo analiticamente. As técni-
cas geométricas e topológicas utilizadas por Poincaré provaram ser uma poderosa ferramenta
na análise de sistemas dinâmicos não lineares, o que levou ao seu reconhecimento como
o “Pai da dinâmica não linear” (LAYEK, 2015). Apesar de não determinar a estabilidade do
sistema solar, Poincaré visualizou que pequenas diferenças nas condições iniciais poderiam
produzir grandes diferenças no fenômeno final, o que mais tarde ficaria conhecido como
comportamento dinâmico caótico.
Ainda no final do século XIX, o matemático Aleksandr M. Lyapunov (1857-1918) con-
tribui significativamente para análise de sistemas dinâmicos ao desenvolver sua teoria da
estabilidade (MONTEIRO, 2006). As ferramentas matemáticas desenvolvidas por Lyapunov
passaram a ser amplamente utilizadas na análise de uma classe particular de sistemas, como
por exemplo, os que apresentam comportamento caótico, cuja dinâmica pode ser quantifi-
cada através do expoente de Lyapunov (LAYEK, 2015).
O desenvolvimento na compreensão e análise de sistemas dinâmicos caóticos só
foi possível graças as descobertas feitas pelo metereologista Edward N. Lorenz (1917-2008)
no início da década de 1960. Com o auxílio computacional, Lorenz estudou a convecção
atmosférica utilizando um modelo simplificado de equações não lineares e concluiu que
mesmo condições iniciais suficientemente próximas produziam divergências nas soluções
das variáveis dinâmicas (LAYEK, 2015). A sensibilidade às condições iniciais do modelo de
equações atmosféricas ficou conhecida como efeito borboleta (MONTEIRO, 2006). Lorenz
concluiu que o tempo, no sentido metereológico, agiria de forma imprevisível, pois um erro
nas medidas das condições climáticas devido a imprecisão comprometeria a validade de
qualquer previsão futura.
2.3 Sistemas Dinâmicos Contínuos

Um sistema dinâmico pode ser definido como um conjunto de objetos de qualquer
natureza agrupados por alguma interdependência (MONTEIRO, 2006). Seus estados evoluem
no tempo de acordo com alguma lei dinâmica, ou seja, resultado da ação de um operador de
evolução determinista (ANISHCHENKO et al., 2007).
O estudo teórico de sistemas dinâmicos consiste basicamente na construção e análise
de modelos matemáticos. Em geral, é possível representar um sistema dinâmico a partir
de diferentes modelos, cada qual dependente do propósito e da precisão esperada de suas
previsões (MONTEIRO, 2006).
No presente trabalho aborda-se uma classe específica de sistemas dinâmicos, cujo
modelo matemático é descrito por um conjunto de equações diferenciais ordinárias, não
lineares, contínuas e de primeira ordem, com parâmetros fixos no tempo (autônoma) e sem
interferência de efeitos aleatórios, ou seja, EDO’s (Equação Diferencial Ordinária) não lineares
autônomas e deterministas.
Em geral, uma EDO autônoma de ordem n pode ser escrita como,
y (n) = f (y, ẏ, ..., y (n−1) ). (2.1)

Em que y (n) é a n-enésima derivada de y = y(t ) em relação à t . A EDO é linear se f for
linear nas variáveis y, ẏ, · · · , y (n−1) e é não linear caso contrário.
Definição 2.3.1 (Sistema Linear). Um sistema é linear se as seguintes condições forem satisfei-
tas:
f (x + y) = f (x) + f (y), x, y ∈ Rn .
(2.2)
f (αx) = α f (x), x ∈ Rn , α ∈ Rp .
Neste trabalho os sistemas abordados não satisfazem as propriedades matemáticas

de (2.2). Conforme apresentado em Silva (2006), sistemas dinâmicos não lineares são mais
complexos que os sistemas lineares e apresentam alguns fenômenos que esta última classe
não apresenta, como: Dependência da amplitude de excitação; Tempo de escape infinito; Pon-
tos de equilíbrio múltiplos; Não unicidade da solução; Dependência crítica dos parâmetros;
Bifurcações; Caos ou dependência crítica às condições iniciais; Ciclos limite ou oscilações;
Existência de harmônicas e de sub-harmônicas (SILVA, 2006).
Uma EDO autônoma de ordem n ≥ 2 pode ser representada por meio de um sistema
de n equações diferenciais de primeira ordem a partir da seguinte mudança de variáveis
x 1 = y, x 2 = ẏ, x 3 = ÿ, · · · , x n = y (n−1) , (2.3)

resultando no sistema:
ẋ 1 = x 2
ẋ 2 = x 3
..
. (2.4)
ẋ n−1 = x n
ẋ n = f (x 1 , x 2 , ...x n ).
O sistema (2.4) pode ser escrito genericamente na seguinte forma:
ẋ = f(x), x ∈ Rn , (2.5)
em que
   
x 1 (t ) f 1 (x 1 , · · · , x n )
   
 x 2 (t )   f 2 (x 1 , · · · , x n ) 
x(t ) =  .  e f(x) =  . (2.6)
   
 ..  ..
 

 . 

x n (t ) f n (x 1 , · · · , x n )
As n-equações diferenciais de (2.5) constituem a representação genérica do modelo
matemático que será utilizado na análise dos sistemas caóticos propostos.
2.4 Espaço de Estados

O estado de um sistema dinâmico pode ser representado por meio de um ponto com
coordenadas x 1 (t ), x 2 (t ), · · · , x i (t ), determinadas em um tempo t . As x i (t ) coordenadas que
compõem o ponto são conhecidas como variáveis de estado e o espaço n-dimensional ao
qual pertencem é denominado espaço de estados ou espaço de fases (MONTEIRO, 2006).
No espaço de estados, a dinâmica dos pontos é dada pelo conjunto de equações
diferenciais (2.5) e a dimensão do espaço equivale à quantidade de variáveis de estado. As
f i funções representam as variações temporais das x i (t ) variáveis de estado e determinam
o campo de velocidades de um sistema, também chamado de campo vetorial, em que a
dx
velocidade instantânea é dada por dt
= f(x).
A solução x(t ) de um sistema que evolui no tempo, também chamada de curva integral,
percorre uma trajetória no espaço de estados e em tal percurso sua velocidade em cada
ponto coincide com o campo de velocidade f(x). Dessa forma, um sistema dinâmico pode
ser compreendido como sendo a evolução de um campo vetorial x que é continuamente
modificado por uma função f.
Na Figura 1, exemplifica-se a trajetória de uma solução no espaço de estados tridi-
mensional, dada uma condição inicial e seu campo velocidade associado. Ao conjunto de
curvas obtidas pela evolução temporal do sistema no espaço de estados, dá-se o nome de
retrato de fases (MONTEIRO, 2006).
Figura 1 – Campo de velocidade f(x) (−→) e trajetórias X(t ) e Y(t ) (−) no espaço de estados
tridimensional com diferentes condições iniciais em t = t 0 .
2.5 Teoria da Estabilidade e Comportamento das Soluções

2.5.1 Equilíbrio do Campo Vetorial
Para os pontos de equilíbrio, considere a seguinte definição:
Definição 2.5.1 (Ponto de equilíbrio). Um ponto x̄ = (x̄1 , x̄2 , · · · , x̄3 ) é um ponto de equilíbrio
do sistema autônomo (2.5) se f i (x̄ i ) = 0, i = 1, 2, · · · , n.
Soluções que iniciam no ponto de equilíbrio permanecem estacionárias independen-

temente do tempo. A estabilidade do ponto de equilíbrio está de certa forma associada a
estabilidade do campo vetorial.
2.5.2 Estabilidade de Trajetórias e Órbitas

O primeiro método de análise de estabilidade de Lyapunov, também chamado de
método indireto de Lyapunov, é usado para estudar a estabilidade das soluções de um sistema
dinâmico por meio do cálculo dos autovalores de um sistema linearizado em torno dos pontos
de equilíbrio (ZHANG; LIU; WANG, 2009). Dessa forma, o primeiro método de Lyapunov
consiste estritamente de uma análise de estabilidade local nas proximidades de um ponto.
Considere a solução x̄(t ) que se mantêm no ponto de equilíbrio e sofre alguma pertur-
bação, ou então uma trajetória y(t ) que encontra-se nas proximidades desse ponto, ou seja,
nas proximidades da solução estacionária x̄(t ). A solução y(t ) no espaço de estados pode:
aproximar-se de x̄(t ) à medida que o tempo aumenta, afastar-se o ou então mover-se próximo
a x̄(t ), mas sem voltar a ele. Dessa forma, seja o sistema autônomo descrito na Equação (2.5),
têm-se as seguintes definições:
Definição 2.5.2 (Estabilidade de Lyapunov). Uma solução x̄(t ) é estável no sentido de Lyapunov
se, dado ² > 0, existe δ = δ(²) > 0 de modo que, para qualquer outra solução y(t ) de (2.5) que
satisfaz °x̄(t 0 ) − y(t 0 )° < δ (sendo k.k a norma em Rn ), têm-se °x̄(t ) − y(t )° < ² para t > t 0 ,
° ° ° °
t 0 ∈ R. Além disso, x̄(t ) é assintoticamente estável se existir uma solução y(t ) e uma constante
° ° ° °
b > 0 tal que, se °x̄(t 0 ) − y(t 0 )° < b, então limt →∞ °x̄(t ) − y(t )° = 0. Uma solução é instável se
ela não for estável no sentido de Lyapunov.
Por meio da Figura 2 é possível fazer uma interpretação geométrica das duas defini-
ções apresentadas. Em (a), y(t) permanece próxima a x̄(t ) para todo t e em (b), x̄(t ) = y(t )
quando t → ∞. Essas definições são válidas para soluções de equilíbrio, mas não neces-
sariamente para soluções próximas. Na Figura 2 (c) e (d) dois retratos de fase mostram a
propriedade de que as soluções delimitadas em uma pequena vizinhança deixam tal vizi-
nhança, mas, devido a topologia global das trajetórias, aproximam-se do ponto de forma
assintótica quando t → ∞. Dessa forma, as soluções podem ser atraídas para uma vizinhança
do ponto, mas não ser estável no sentido de Lyapunov .
Figura 2 – Ponto de Equilíbrio: (a) Estável no sentido de Lyapunov; (b) Assintoticamente

estável; (c) e (d ) Instável no sentido de Lyapunov com trajetória que tende ao ponto
quando t → ∞. Fonte: Zhang, Liu e Wang (2009), Wiggins (2003).
Outra importante noção de estabilidade refere-se a estabilidade orbital. Um órbita

pode ser entendida como uma curva fechada formada por uma trajetória no espaço de
estados, sendo definida como
O + (x0 , t 0 ) = {x ∈ Rn |x = x̄(t ), t ≥ t 0 , x̄(t 0 ) = x0 }. (2.7)
É necessário definir a distância de um ponto a um conjunto. Então, toma-se S ∈ Rn um

conjunto arbitrário e p ∈ Rn como um ponto arbitrário. A distância entre o ponto e o conjunto
é definida por:
d (p, S) = inf |p − x|. (2.8)

x∈S
Definição 2.5.3 (Estabilidade Orbital). Uma solução x̄(t ) é orbitalmente estável se, dado
² > 0, existe δ = δ(²) > 0 de modo que, para qualquer outra solução y(t ) de (2.5) que satis-
faz °x̄(t 0 ) − y(t 0 )° < δ, então d (y(t ),O + (x0 , t 0 )) < ² para t > t 0 . Além disso, x̄(t ) é assintoti-
° °
camente orbitalmente estável se existir uma solução y(t ) e uma constante b > 0 tal que, se
°x̄(t 0 ) − y(t 0 )° < b, então limt →∞ d (y(t ),O + (x 0 , t 0 )) = 0.
° °
2.5.2.1 Sistemas Lineares e Classificação no Plano de Fases
Na análise de sistemas lineares bidimensionais, as possíveis soluções são responsáveis

em formar diferentes padrões geométricos no plano de fases. Sendo assim, identificar esses
padrões permite descobrir de forma rápida a natureza as soluções.
Sendo o foco principal deste trabalho a análise de sistemas não lineares, neste tópico
aborda-se de forma rápida alguns conceitos úteis de sistemas lineares que são aplicados no
estudo da dinâmica não linear.
Seja um sistema linear que tem a origem como ponto de equilíbrio, e a representação
do sistema de EDO’s autônomas de (2.5) da seguinte forma:
ẋ = Ax, (2.9)
em que A é uma matriz constante n × n não-singular e x = (x 1 , x 2 , · · · , x n ). A solução analítica

desse sistema é dada por:
x(t ) = e At x0 . (2.10)
As soluções expressas em (2.10) do sistema da Equaçõe (2.9) são obtidas utilizando-se

a propriedade da exponencial matricial, sendo e At avaliada da seguinte forma (SAVI, 2006):
t2 tn ∞ tk
e At = I + t A + A + · · · + An = Ak .
X
(2.11)
2! n! k=0 k!
Calcular a expressão (2.11) pode ser extremamente trabalhoso. Uma forma simples
consiste em realizar uma mudança de coordenadas de forma que a solução final é dada por:
x(t ) = T d i ag (e t λi )T −1 x0 . (2.12)
A matriz T é escolhida de forma que a operação T −1 AT = d i ag (λi ), onde λi são os

autovalores de A. A matriz A diagonaliza-se nessa operação quando T for a matriz formada
pelos autovetores linearmente independentes de A. Dessa forma, considere que a solução do
sistema (2.9) é dada por
x = e λt v. (2.13)
Substituindo (2.13) em (2.9) e realizando algumas manipulações obtêm-se o seguinte

sistema linear homogêneo de equações
(A − λI)v = 0, (2.14)
em que λ são os autovalores da matriz A , v = (v 1 , v 2 , · · · , v n ) o autovetor associado a cada

autovalor e I a matriz identidade. As soluções não-triviais de (2.14) existem quando
d et [A − λI] = 0 ou P (λ) = a n λn + a n−1 λn−1 + · · · + a 0 = 0. (2.15)
O polinômio (2.15) é chamado de polinômio característico e suas raízes são os auto-

valores da matriz A. Considerando o sistema de Equação (2.9) bidimensional, para n = 2 o
polinômio (2.15) tem como solução a seguinte expressão
p p
τ ± τ2 − 4∆ τ ± D
λ1,2 = = , (2.16)
2 2
em que τ é o traço da matriz A e ∆ seu determinante. Com base nos parâmetros τ e ∆, que
determinam os autovalores em (2.16), é possível classificar os padrões dinâmicos em regiões
conforme descrito a seguir.
1) Sela: Um ponto de equilíbrio recebe esta designação se ∆ < 0. Este ponto é classifi-
cado como instável e possui autovalores reais e de sinais opostos.
2) Nó: Quando ∆ > 0 e D > 0. Os autovalores neste caso são reais e de mesmo sinal. Se
τ > 0 o nó é instável e se τ < 0 o nó é dito assintoticamente estável.
3) Foco: Quando ∆ > 0 e D < 0. Os autovalores são pares complexos conjugados. Se
τ > 0 o foco é instável e se τ < 0 o foco é assintoticamente estável.
4) Centro: Quando τ = 0. Esse ponto é classificado como marginalmente estável.
5) Nó impróprio: Quando ∆ > 0 e D = 0. Nesse caso existem autovalores repetidos e o
ponto pode ser estável se τ < 0.
No diagrama da Figura 3 ilustra-se as regiões de estabilidade dos pontos de equilíbrio,
como também o formato geométrico das soluções no plano de fases. Em um ponto de sela as
soluções se aproximam em uma direção e se afastam por outra. Em pontos do tipo nós e focos
estáveis as soluções se aproximam assintoticamente do ponto quando t → ∞, sendo que
no último as soluções se aproximam em formas de espirais. Para soluções instáveis desses
pontos, o mesmo padrão ocorre quando t → −∞. No ponto denominado centro, as soluções
não são atraídas nem repelidas para o ponto e seu comportamento dinâmico é descrito por
curvas fechadas no retrato de fases.
Figura 3 – Formato geométricos das soluções e classificação dos pontos de equilíbrio de um

sistema bidimensional em função de τ, ∆ e D. Fonte: Villate (2005).
2.5.2.2 Linearização em Torno de um Ponto de Equilíbrio
Considere o sistema da Equação (2.5) e a seguinte mudança de coordenadas:
x = x̄(t) + y, (2.17)
em que y é uma pequena variação da solução. Substituindo (2.17) em (2.5) e aplicando-se

linearização por meio da série de Taylor a expansão pode ser descrita por
ẋ = x̄˙ (t ) + ẏ = f(x̄(t )) + Df(x̄(t ))y + ϑ(kyk2 ), (2.18)
em que Df é a derivada de f, também chamada de matriz Jacobiana de f, k.k é a norma em Rn .

Usando-se o fato de que x̄˙ (t ) = f(x̄(t )), a Equação (2.18) torna-se
ẏ = Df(x̄(t ))y + ϑ(kyk2 ). (2.19)
O intuito é analisar o comportamento das soluções arbitrárias próximas a x̄. Isso é

realizado através do estudo do sistema linear associado
ẏ = Df(x̄(t ))y. (2.20)
Como x̄(t ) é uma solução de equilíbrio, x̄(t ) = x̄, então Df(x̄(t ))=Df(x̄) é uma matriz
com entradas constantes, ou seja, um sistema linear. Uma notação mais apropriada para a
matriz Jacobiana avaliada no ponto de equilíbrio é dada por
∂ f1 ∂ f1 ∂ f1
 
···
 ∂x1 ∂x 2 ∂x n 
 
 
 ∂ f2 ∂ f2 ∂ f2 
J = Df(x̄)|y=0 = J(x̄) = 
 ∂x1 ∂x 2 ··· ∂x n  ,
 (2.21)
 . .. .. .. 
 .. . . . 
 
∂ fn ∂ fn ∂ fn
∂x 1 ∂x 2 ··· ∂x n
ẏ = Jy. (2.22)
A solução analítica da Equação (2.22) pode ser escrita a partir do ponto inicial y0 ∈ Rn
em t = 0 como (WIGGINS, 2003; ZHANG; LIU; WANG, 2009):
y(t ) = e Jt y0 . (2.23)
Vê-se, portanto, que a princípio a análise local de um sistema não linear reduz-se
à análise de um sistema linear cujas propriedades básicas foram anteriormente definidas.
Dessa forma, a solução y(t ) é assintoticamente estável se a parte real de todos os autovalores
da matriz Jacobiana forem negativos. O teorema a seguir garante a estabilidade assintótica
das soluções nas vizinhanças do ponto de equilíbrio do sistemas não linear correspondente
(WIGGINS, 2003).
Teorema 2.5.1. Suponha que todos os autovalores de J tenham partes reais negativas. Então, a
solução de equilíbrio x = x̄ do campo vetorial não linear de (2.5) é assintoticamente estável.
2.5.2.3 Conceito de Variedades de um Sistema Dinâmico
As características de movimento nas proximidades do ponto de equilíbrio podem

ser determinadas a partir da análise dos autovalores de J. De forma geral, as características
referentes a estabilidade de um ponto de equilíbrio podem ser divididas em três conjuntos
conforme o espectro de autovalores da Jacobiana. Os conjuntos são definidos conforme a
parte real dos autovalores λ da seguinte forma:
σs = {λ t al que Re(λ) < 0},

σu = {λ t al que Re(λ) > 0}, (2.24)
σc = {λ t al que Re(λ) = 0},
sendo σs responsável pelas partes estáveis, σu as partes instáveis e σc as centrais (SAVI, 2006).
Variedades (do inglês manifolds) de um dado sistema dinâmico são superfícies pre-
sentes no espaço de estados que tem como propriedade a de que órbitas que nelas se iniciam,
nelas permanecem ao decorrer do tempo. Como exemplo, têm-se o ponto de sela da Figura 4
com as seguintes variedades:
• Variedade estável W s : formada por um conjunto de pontos x que determinam valores

iniciais de trajetórias que convergem para x̄ quanto t → ∞;
• Variedade instável W u : de forma análoga, é formada por um conjunto de pontos x que

determinam valores iniciais de trajetórias que convergem para x̄ quanto t → −∞, ou
seja, se afastam do ponto de equilíbrio quando t → ∞;
• Variedade central W c : são formadas por órbitas neutras, i.e., trajetórias que não são
atraídas e nem repelidas por x̄.
Figura 4 – Trajetória das soluções P (t ) e Q(t ) iniciadas em diferentes pontos nas proximidades
das variedades invariantes de um ponto de sela.
Nas vizinhanças do ponto de equilíbrio, o espaço Rn é representado pela soma direta

de subespaços que são obtidos a partir de todas as combinações lineares dos autovetores
associados a cada conjunto de autovalores, conforme
E s = span{e 1 , . . . , e s },
E u = span{e s+1 , . . . , e s+u }, (2.25)
Ec = span{e s+u+1 , . . . , e s+u+c },
onde s +u +c = n. O primeiro tipo de subespaço E s é estável e relaciona-se com os autovalores

λ ∈ σs . O segundo subespaço é instável e está associado aos autovalores λ ∈ σu . O terceiro
tipo de subespaço E c é o central e esta relacionado aos autovalores λ ∈ σc
A Figura 5 ilustra as variedades e os subespaços correspondentes. Em (a) exemplifica-
se um subespaço tangente a superfície de uma variedade instável nas proximidades do ponto
de equilíbrio do tipo sela-nó. O subespaço estável também é tangente a variedade estável
na vizinhança do ponto. Em (b) todas as variedades e subespaços tangentes são estáveis. O
exemplo em (c) é simular ao (a), no entanto as soluções se afastam na superfície formada

pela variedade instável na forma de um foco e são atraídas pela outra direção, isto é, um
ponto de sela-foco.
O teorema da variedade central (SAVI, 2006) diz que as variedades do problema line-
arizado resultante W s ,W u são tangentes a E s , E u respectivamente (ver Figura 5) , de classe
diferenciável C n (enésima derivada for uma função contínua), sendo elas únicas e a variedade
central W c também tangente a E c , mas não é única.
Sendo assim, somente pontos de equilíbrio hiperbólicos podem ser utilizados para
análise do sistema não linear nas proximidades do ponto de equilíbrio. As ferramentas para
análise de estabilidade dos pontos não-hiperbólicos podem ser encontradas em (WIGGINS,
2003).
Figura 5 – Variedades e subespaços estáveis e instáveis em R3 . Fonte: Zhang, Liu e Wang (2009)
2.5.2.4 Pontos de Equilíbrio Hiperbólicos e a Relação entre o Sistema Não Linear e o

Linearizado
Se os autovalores do campo vetorial linear associado possuem partes reais diferentes

de zero, então a estrutura da órbita nas proximidades do ponto de equilíbrio do campo
vetorial não linear é a mesma do campo vetorial linear.
Definição 2.5.4. Seja x = x̄ um ponto de equilíbrio de ẋ = f(x) . Então, x̄ é chamado de ponto

de equilíbrio hiperbólico se nenhum dos autovalores de J(x̄) tiver parte real nula, i.e., Re{λk } 6=
0 ∀k.
O estudo da estabilidade de sistema não linear por meio de linearização em torno

do(s) ponto(s) de equilíbrio(s) se resume a um estudo da natureza das raízes do polinômio
característico associadas a matriz Jacobiana e resultado da operação descrita na Equação
(2.15). No Anexo A são apresentadas algumas ferramentas para análise de polinômios que
podem ser empregadas na investigação do comportamento dos sistemas propostos.
De forma análoga ao sistema bidimensional, os pontos de equilíbrio hiperbólicos de

sistemas tridimensionais ou de ordem superior apresentam padrões geométricos das soluções
na vizinhança do ponto semelhantes ao caso de sistemas bidimensional, cuja relação pode
ser entendida pelo conceito das variedades e seus subespaços associados. Sendo assim, um
ponto de equilíbrio é chamado de sela se pelo menos um dos autovalores, mas não todos,
possuir parte real maiores que zero. Se todos autovalores tiverem parte real negativa, os
pontos de equilíbrio são chamado de "sinks", cuja natureza é estável. Se todos autovalores
são positivos, os pontos são chamados de "sources", que são de natureza instáveis. De forma
geral, os pontos de equilíbrio hiperbólicos podem ser classificados em atratores, repulsores
ou selas (WIGGINS, 2003).
Utilizando a ideia de ponto de equilíbrio hiperbólico, o seguinte teorema (ZHANG;
LIU; WANG, 2009) diz em quais situações é possível fazer uma análise local do sistema não
linear por meio da linearização nas vizinhanças do ponto de equilíbrio. Pontos de equilíbrio
não-hiperbólicos, ou seja, com pelo menos um autovalor de J com parte real igual a zero,
o sistema linearizado não descreve suficientemente a dinâmica do problema não linear
(ZHANG; LIU; WANG, 2009).
Teorema 2.5.2 (Hartman-Grobman). Seja x̄ é um ponto de equilíbrio hiperbólico de (2.5), então

existe um homeomorfismo h definido em alguma vizinhança N de x̄ , localmente tomando
as órbitas do fluxo não linear ao fluxo linear. O homeomorfismo preserva a órbita e pode ser
escolhido para preservar a parametrização no tempo.
O teorema descrito apresenta uma definição topológica1 . No contexto deste trabalho,

pode-se imaginar um tipo de figura no espaço de estados que se modifica a medida que o
tempo evolui devido a ação de f no campo vetorial x.
Teorema 2.5.3 (Difeomorfismo/Homeomorfismo). Considere o mapeamento: X → F (X ). O

mapeamento é difeomórfico de classe C n se F (x) é inversível e se F (X ) e F −1 (X ) são de classe
diferenciável C n . Se n = 0, o mapeamento é dito um homeomorfismo.
Teorema 2.5.4 ( Equivalência topológica). Se dois espaços são topologicamente equivalente

há um homeomorfismo entre eles.
Tais teoremas são úteis não só na validação da análise local de sistemas não lineares
por meio de seu sistema linear associado, mas também na compreensão das bifurcações dos
sistemas estudados. Antecipadamente, quando um sistema sofre uma bifurcação, devido a
variação de um parâmetro, sua estabilidade estrutural é perdida e a nova estrutura da solução
do espaço de estados é topologicamente não equivalente ao sua formato anterior. Em outras
palavras, uma bifurcação pode destruir um ponto de sela e criar um ponto do tipo nó estável,
que estruturalmente não são topologicamente equivalentes.
1
Por topologia compreendesse subárea da matemática que estuda as transformações contínuas e as proprie-
dades geométricas de objetos sujeitos a tais transformações (SAVI, 2006).
2.5.3 Funções de Lyapunov

A estabilidade das soluções podem ser determinadas pelo segundo método de Lya-
punov, também chamado de método indireto de Lyapunov. Nesse método utiliza-se uma
função escalar, chamada de função de Lyapunov, que permite fazer uma análise global das
soluções e determinar seu comportamento assintótico mesmo quando as informações obti-
das pela linearização são inconclusivas, ou seja, casos em que os pontos de equilíbrio são
não-hiperbólicos.
O método consiste em verificar se as órbitas que iniciam na vizinhança U de um
ponto de equilíbrio nela permanecem a medida que o tempo evolui. Se o campo vetorial for
tangente ou apontar em direção ao interior do contorno U , a trajetória ficará limitada nessa
região, impondo assim uma condição de estabilidade.
Figura 6 – Campo vetorial no limite de U .
Para chegar a definição final de estabilidade, considere um sistema dinâmico de

dimensão n qualquer e seu ponto de equilíbrio x̄. A estabilidade pode ser determinada
utilizando-se a função escalar de Lyapunov representada por V (x), com as propriedades de
que V (x̄) = 0, V (x) > 0 e também que seu lugar geométrico V (x) = C forme uma curva fechada
com o ponto de equilíbrio em seu interior.
Sendo V (x) definida positiva (i.e., V (x) > 0), o gradiente ∇V é perpendicular ao vetor
tangente da curva V (x) = C , dessa forma, existem três possibilidades possíveis resultantes
do produto escalar entre ∇V • ẋ, conforme equacionado em (2.26) e representado de forma
geométrica na Figura 7. O próximo teorema garante as condições necessárias para determinar
a estabilidade de um sistema.
V̇ = ∇V • ẋ = ∇V • f < 0
V̇ = ∇V • ẋ = ∇V • f = 0 (2.26)
V̇ = ∇V • ẋ = ∇V • f > 0
Figura 7 – Representação de uma curva de nível definida pela função de Lyapunv e as possibi-
lidades de projeções de f em ∇V . Fonte: SAVI (2006)
Teorema 2.5.5 (Estabilidade do ponto de equilíbrio pelo segundo método de Lyapunov). Seja
V : U → R 1 uma função C 1 definida em alguma vizinhança U de x̄.
O ponto de equilíbrio é estvável se:
(i) V (x̄) = 0 e V (x) > 0 se x 6= x̄
(ii) V̇ (x) ≤ 0 em U − x̄
O ponto de equilíbrio é assintoticamente estável se:
(iii) V̇ (x) < 0 em U − x̄
Ressalta-se que a função de Lyapunov é uma dentre as várias funções possíveis que
podem ser construídas para a análise da estabilidade global de um sistema. Segundo Silva
(2006), uma função de Lyapunov é condição suficiente para determinar-se a estabilidade
do sistema, mas não é condição necessária, pois um sistema pode ser estável sem que sua
função de Lyapunov seja conhecida.
2.6 Sistemas Conservativos

Um sistema é chamado de conservativo se o volume no espaço de estados é mantido
a medida que o tempo evolui (SAVI, 2006). Seja um sistema dinâmico autônomo onde é
definido um volume V0 de condições iniciais no espaço de fases, tomando uma superfície
fechada S(t ) de volume V (t ) no espaço de estados, em que os pontos em S e no seu interior
são as condições iniciais das trajetórias, é possível determinar a taxa de variação desse volume
através do divergente do campo de velocidades f. O divergente desse campo é expresso por
∂ f1 ∂ f2 ∂ fn
div f = ∇.f =
+ +···+ . (2.27)
∂x 1 ∂x 2 ∂x n
Um sistema dinâmico é conservativo se o divergente do campo de velocidades f é
nulo, dissipativo se é menor que zero e expansivo quando o divergente é maior que zero.
Intuitivamente, um sistema é conservativo se o volume V0 é preservado ao longo tempo e é

dissipativo quando esse volume é contraído. O conceito de dissipatividade é útil na análise de
atratores.
Em certos casos é possível resolver explicitamente equações para evolução no tempo
de volumes (WIGGINS, 2003). Se ∇.f = c =constante, a equação para evolução de volume é
descrita por
V̇ = cV, (2.28)
quem tem como solução
V (t ) = e ct V (0). (2.29)
A partir da Equação (2.29) verifica-se que a taxa de expansão ou contração do volume

depende do sinal resultante da constante obtida pelo divergente do campo. Em um sistema
dissipativo, i.e. c < 0, um elemento de volume V0 é contraído pelo fluxo em um elemento de
volume V0 e ct no tempo t . Isso significa que cada volume contendo as trajetórias do sistema se
reduz a zero quando t → ∞ em uma taxa exponencial c. Portanto, todas as órbitas do sistema
estão limitadas a um subconjunto específico de volume zero e o movimento assintótico se
instala em um atrator.
2.7 Comportamento Assintótico e Atratores

O comportamento assintótico das soluções aparece tipicamente em sistemas dissi-
pativos e é caracterizado pela existência de atratores (SAVI, 2006). Em termos simples, um
atrator pode ser definido como um conjunto invariante em que órbitas próximas convergem
após um tempo suficientemente longo. A ideia de atrator remete a noção de estabilidade
quando o interesse é analisar o comportamento assintótico das soluções. Conforme SAVI
(2006), esse tipo de comportamento possui algumas características próprias, e para isso são
utilizadas algumas novas definições com objetivo de classificar os tipos de respostas e de
atratores que um sistema dinâmico pode apresentar. As definições apresentadas a seguir
podem ser encontradas em (WIGGINS, 2003; SAVI, 2006).
Definição 2.7.1 (Ponto ω limite). Um ponto q ∈ Rn é um ponto ω-limite de um ponto p se

existe uma sequência φ(t 1 , t 0 , p), φ(t 2 , t 0 , p), . . . tal que φ(t , t 0 , p) → q quando t → ∞.
O conjunto formado por todos os pontos ω-limite de um sistema recebe o nome de

conjunto ω-limite e é denotado por ω(p).
Definição 2.7.2 (Ponto α limite). Um ponto q é um ponto α-limite de um ponto p se existe

uma sequência φ(t 1 , t 0 , p), φ(t 2 , t 0 , p), . . . tal que φ(t , t 0 , p) → q quando t → −∞.
Similarmente, o conjunto formado por todos os pontos α-limite de um sistema recebe

o nome de conjunto α-limite e é denotado por α(p).
Os conceitos definidos estão relacionados com os regimes permanentes do sistema.

Para exemplificar esses conceitos, considere o ponto de equilíbrio do tipo sela da Figura 8.
Figura 8 – Ponto de equilíbrio como ponto ω-limite e α-limite.
O ponto q é um ponto ω-limite ω(p) se p ∈ W s (q). Da mesma forma, um ponto q é um

ponto α-limite α(p) se p ∈ W u (q). Para compreensão da sequencia de pontos t i , de modo que
um ponto p evolui para o ponto q quando t → ∞, considere a órbita limite da ilustrada na
Figura 9. Nessa figura, q é um exemplo de ponto ω-limite de p. Os conjuntos ω e α − l i mi t e
são uma propriedade da órbita ou da trajetória de um ponto e não do ponto em si.
Figura 9 – Ciclo limite com ponto ω-limite . Fonte: SAVI (2006)
Em Wiggins (2003), Zhang, Liu e Wang (2009) um atrator é definido por meio de outras
definições como conjuntos invariantes, conjuntos atrativos e transitividade topológica. A
definição de atrator utilizada aqui é apresentada em (SAVI, 2006).
Definição 2.7.3 (Atrator). Um conjunto invariante fechado L ⊂ Rn é chamado de Atrator se

existir uma vizinhança U de L tal que:
∀x ∈ U e ∀t ≥ 0 ⇒ φ(x, t ) ∈ U e limt →∞ φ(x, t ) → L.
Em um conjunto invariante, qualquer trajetória x(t ) que começa em L, permanece em

L para todo tempo. O conjunto L atrai um conjunto aberto de condições iniciais. Em outras
palavras, existe um hipervolume U que contém L, tal que, para qualquer condição inicial x(0)
pertencente a U, a distância entre a trajetória x(t ) e L tende a zero quanto t → ∞.
Em sistemas com mais de um ponto de equilíbrio, a solução pode ir em direção a
diferentes atratores dependendo da condição inicial. A bacia de atração é definida por um
conjunto de condições iniciais onde a trajetória do fluxo se acumula, conforme (SAVI, 2006)
define.
Definição 2.7.4 (Bacia de atração). A bacia de atração de um atrator L é dada por:

t ≤0 φ(U , t ), onde U é uma vizinhança de L.
S
A Figura 10 ilustra duas regiões de atração distintas associadas aos dois atratores do
sistemas. Soluções com condições iniciais contidas na região hachurada são atraídas para
o atrator presente no semi-plano esquerdo, enquanto que soluções iniciam na região em
branco são atraídas para o atrator do semi-plano esquerdo.
Figura 10 – Bacias de Atração distintas identificadas pelas regiões A (branca) e B (hachurada).
2.7.1 Atratores e Repulsores em R3

Os atratores e repulsores de um sistema dinâmico podem possuir qualquer dimensão,
desde que estejam contidos em Rn . As possibilidades de existência em um sistema tridimen-
sional são:
(i) Pontos de Equilíbrio
Os pontos de equilíbrio são atratores ou repulsores de dimensão zero (SAVI, 2006).

Viu-se que é possível determinar a estabilidade local de sistemas dinâmicos não lineares a
partir da análise dos pontos de equilíbrio hiperbólicos.
(ii) Ciclo Limite
Ciclos limite são atratores ou repulsores unidimensionais e as soluções ao longo do

tempo são caracterizadas por um comportamento oscilatório e periódico com amplitude e
frequências bem definidas. Monteiro (2006) define um ciclo limite da seguinte forma:
Definição 2.7.5 (Ciclo Limite). Um ciclo limite é um órbita associada a uma trajetória fechada
e isolada, que pode ocorrer no retrato de fases de sistemas não lineares.
Conforme Upadhyay e Iyengar (2013) expõe, normalmente é difícil dizer se um dado

sistema tem um ciclo limite ou quaisquer órbitas fechadas a partir do estudo das equações
por métodos analíticos. Segundo o autor, sistemas linearizados podem não fornecer qualquer
indicação da existência de ciclos limite.
Conforme apresentado em Monteiro (2006), existem alguns critérios e teoremas,
como exemplo o teorema de Poincaré-Bendixon, que fornecem pistas sobre a localização do
ciclo limite em um espaço bidimensional caso ele exista. Para sistemas tridimensionais a
constatação da existência desse atrator será verificada por simulações numéricas.
No retrato de fases, as trajetórias próximas a um ciclo limite podem aproximar-se ou
afastar-se de sua órbita, diferentemente dos pontos de equilíbrio de dimensão zero, em que
as trajetórias aproximam-se ou afastam-se de um ponto, e não de uma órbita. De acordo
com Monteiro (2006), um ciclo limite pode ser classificado conforme sua estabilidade. Ele
é dito assintoticamente estável se as trajetórias próximas, internamente ou externamente,
se aproximam de sua órbita. Instável se as trajetórias próximas se afastam. Semiestável se
as trajetórias vizinhas se aproximam de sua órbita por um lado, seja externo ou externo, e
afastam-se pelo outro lado. A Figura 11 ilustra a forma de um ciclo limite e suas estabilidades
conforme apresentado em Monteiro (2006).
Figura 11 – Ciclo Limite: (a) Assintoticamente estável; (b) Instável; (c) Semi-estável. Fonte:
Layek (2015).
(iii) Superfície Toroidal
A dinâmica de um toro é caracterizado por um comportamento periódico e quase-

periódico. Diferentemente do ciclo-limite, a evolução desse sistema é composta por duas
frequências fundamentais independentes cuja razão é irracional (ZHANG; LIU; WANG, 2009).
(iv) Atrator Estranho
O conceito de atrator estranho foi introduzido por Ruelle e Takens em 1971 em estudos
sobre a natureza do fenômeno de turbulência (ARGYRIS et al., 2015). A palavra "estranho"
tem o intuito de deixar claro que esse atrator não é um ponto de equilíbrio, um ciclo limite e
nem um toro.
Conforme SAVI (2006), a estranheza de um atrator está relacionada com sua dimensão
fractal. As trajetórias de um sistema podem convergir para atratores que são caóticos e
estranhos, para atratores caóticos que não são estranhos ou para atratores estranhos que não
são caóticos. Usualmente nas literaturas abordadas é feita a associação de atratores caóticos
que são estranhos, e sua dimensão fractal consiste em uma propriedade básica de um atrator
(SAVI, 2006). Ainda segundo o autor, a estranheza consiste de uma característica geométrica,
enquanto o caos é uma característica física. Conforme Shivamoggi (2014), a dimensão fractal
de um atrator é uma condição necessária para o caos, e como será visto posteriormente,
um expoente positivo de Lyapunov uma condição suficiente, desde que as soluções sejam
limitadas no espaço de estados. Dessa forma é possível distinguir um atrator estranho caótico
ou não pelo máximo expoente de Lyapunov.
2.8 Estabilidade Estrutural e Bifurcações

A estabilidade estrutural é diferente da estabilidade dos pontos de equilíbrio no sen-
tido de suas análises. Enquanto a estabilidade dos pontos de equilíbrio é analisada através de
perturbações nas condições iniciais, a análise da estabilidade estrutural é feita no retrato de
fases quando um sistema sofre alguma perturbação em seus parâmetros. Assim, um sistema
dinâmico é estruturalmente estável se o retrato de fases de sua versão perturbada é topo-
logicamente orbitalmente equivalente ao retrato de fases do sistema original (MONTEIRO,
2006).
A estabilidade estrutural está diretamente relacionada com o conceito de bifurcação.
A bifurcação refere-se à mudança qualitativa das soluções no retrato de fases quando um ou
mais parâmetros do sistema passam por determinados valores críticos (MONTEIRO, 2006).
Para exemplificar o conceito de bifurcação, considere o sistema da Equação (2.5)
representado agora por
ẋ = fµ (x) (2.30)
em que fµ são funções que dependem do parâmetro µ = (µ1 , µ2 , · · · , µn ). As soluções desse

sistema, assim como a Jacobiana e consequentemente seus autovalores e autovetores estão
diretamente relacionadas com esse parâmetro. Segundo Monteiro (2006), ao variar os valores
desses parâmetros, pode haver a criação ou destruição de pontos de equilíbrio ou ciclos limite,
ou então uma mudança em suas estabilidades, modificando assim a estrutura topológica
do retrato de fases, tornado o sistema estruturalmente instável. O ponto onde ocorre essa
mudança é chamado ponto de bifurcação.
Um sistema dinâmico que possui um comportamento caótico apresenta bifurcações.
Conforme Hilborn (2000) expõe, existe uma universalidade em comportamentos caóticos,
sendo ela as rotas ou transições para o caos que ocorrem por meio das bifurcações, que são
divididas em dois grupos, as Bifurcações Locais e as Bifurcações Globais.
As bifurcações locais são aquelas que podem ser previstas através do cálculo dos
autovalores da matriz Jacobiana e tratam das mudanças qualitativas de um sistema dinâmico
nas vizinhanças de um ponto de equilíbrio. Já as bifurcações globais provocam uma mudança
qualitativa na estrutura das órbitas em uma região do espaço de estados e sua análise não é
possível a partir de análises locais (SAVI, 2006).
Segundo Hilborn (2000), nas transições via bifurcação local, ciclos-limite que existem
em uma faixa de valores do parâmetro desaparecem dando lugar ao atrator caótico. Nas
transições via bifurcações globais o comportamento a longo prazo do sistema é influenciado
por pontos de equilíbrio ou ciclos instáveis, bem como por um atrator (ou vários atratores).
Quando um parâmetro é alterado, as trajetórias transitórias, que acabariam por se aproximar
do ponto de equilíbrio (ou ciclo), tornam-se cada vez mais complicadas, produzindo o que
é chamado de transitórios caóticos. Esses transitórios caóticos eventualmente duram para
sempre e o comportamento a longo prazo do sistema é caótico (HILBORN, 2000).
No propósito deste trabalho não é detalhado os tipos de bifurcação e as transições
para o caos, mas recomenda-se a leitura do capítulo 8 de Monteiro (2006), tópico 3 de Silva et
al. (2015), capítulo 5 de Hilborn (2000) e o sub-capítulo 3.5 de SAVI (2006).
2.8.1 Diagrama de Bifurcação

Uma importante ferramenta de análise de sistemas dinâmicos não lineares é o di-
agrama de bifurcação. Através dele é possível identificar a mudança no comportamento
dinâmico global do sistema em função da variação de algum parâmetro. Esse diagrama é
um gráfico que relaciona o comportamento estacionário dos estados com o parâmetro de
bifurcação.
Existem diferentes métodos computacionais de se obter o diagrama de bifurcação. O

método de força bruta consiste em obter várias soluções do sistema em uma faixa de valores
do parâmetro. Quanto menor for a escala de variação desse parâmetro melhor é a resolução
na detecção dos pontos de bifurcação. Um dos procedimentos para se traçar o diagrama de
bifurcação consiste em tomar uma seção de Poincaré adequada para avaliar a quantidade de
pontos a medida que o parâmetro se altera, sendo os dados transitórios descartados (SAVI,
2006). Utilizando a mesma condição inicial para cada valor do parâmetro, o diagrama captura
atratores estáveis coexistentes. Utilizando como condições iniciais da próxima iteração os
valores finais dos estados da iteração anterior, reduz-se o transiente do sistema devido ao
confinamento das trajetórias no atrator limitado.
Segundo SAVI (2006), um atrator caótico apresenta a característica de possuir uma
infinidade de órbitas periódicas instáveis (OPIs) imersas em si e o método de análise do
sistema pelo diagrama de bifurcação, obtido por algoritmos de força bruta, não é capaz
de detectá-las (SAVI, 2006). Para análise dessas órbitas algoritmos mais sofisticados devem
ser utilizados, como exemplo o método de continuação numérica que utiliza algoritmos de
predição e correção para determinar as bifurcações (SILVA et al., 2015)
O método numérico utilizado neste trabalho para traçar o diagrama de bifurcação
consiste em obter soluções do sistema em cada valor do parâmetro de bifurcação, utilizando
como condição inicial da iteração seguinte os últimos valores dos estados da iteração passada.
O pontos que formam o gráfico correspondem aos valores de pico das variáveis de estado
em função do parâmetro de bifurcação. Detectando os picos é possível observar como a
dinâmica se altera variando-se o parâmetro. Em um movimento periódico, a quantidade
de picos está relacionado com a presença de diferentes componentes oscilatórias, sendo o
período resultado do mínimo múltiplo comum dos períodos de cada oscilação independente.
Uma densidade elevada de pontos indica vários picos e consequentemente o movimento
quase-periódico ou aperiódico, sendo esse último a consequência de uma dinâmica caótica.
Na Figura 12 é ilustrado o diagrama de bifurcação do sistema de Lorenz em termos dos valores
máximos de z(t ) em função do parâmetro de bifurcação b.
50
40
Máximos de z ( t )
30
20
10
0
0.0 0.2 0.4 0.6 0.8 1.0
Parâmetro de Bifurcação
Figura 12 – Diagrama de bifurcação do sistema de Lorenz para σ = 10, r = 28 e 0 < b < 1.
2.9 Seção de Poincaré

A seção de Poincaré consiste em um plano que intercepta de forma transversal as tra-
jetórias no espaço de estados de um sistema contínuo. Sua finalidade, conforme apresentado
em Monteiro (2006), é reduzir o estudo de um sistema contínuo de dimensão N no estudo de
um mapa em um espaço de estados de dimensão N − 1. O mapa de Poincaré é uma função
discreta que descreve as sucessivas posições dos pontos onde o fluxo intercepta a seção e
pode ser utilizada para determinar a estabilidade de trajetórias fechadas de período T . A
utilidade desse mapa, no entanto, restringe-se a cálculos numéricos e métodos analíticos
aproximados devido à dificuldade em se obter formas analíticas exatas (MONTEIRO, 2006).
Por meio do conjunto de pontos contidos na seção de Poincaré, é possível identificar
o comportamento que o sistema dinâmico apresenta. Se o sistema apresenta um comporta-
mento pontual, essa seção apresenta apenas um ponto. Para um comportamento períodico,
verifica-se uma quantidade finita de pontos na seção de Poincaré, conforme exemplificado
na Figura 13. Já em uma dinâmica caótica, verifica-se uma elevada quantidade de pontos,
espalhados de forma limitada e irregular no plano. Ressalta-se que é preciso ter cuidado
ao se escolher a seção de Poincaré. Uma escolha inapropriada da seção pode refletir no
aparecimento de poucos pontos quando na verdade poderão existir muito mais.
2.10 Expoentes de Lyapunov

Os expoentes característicos de Lyapunov são medidas assintóticas da taxa de con-
vergência/divergência de trajetórias próximas em diferentes direções no espaço de estados
(LAKSHMANAN; RAJASEEKAR, 2012; SAVI, 2006). Tais expoentes demonstram a extensão da
Figura 13 – Trajetória periódica tridimensional e a seção de Poincaré.
sensibilidade do sistema às condições iniciais. O valor do máximo expoente é um indicador

da natureza caótica ou regular das órbitas enquanto todo o espectro dos expoentes está
relacionado a entropia definida por Kolmogorov-Sinai (UPADHYAY; IYENGAR, 2013).
As equações apresentadas a seguir podem ser encontradas em (LAKSHMANAN; RAJA-
SEEKAR, 2012). Para definição dos expoentes, considere uma trajetória X(t ) = (x 1 (t ), x 2 (t ), . . . , x n (t ))
do sistema dinâmico. Tomando duas trajetórias em um espaço de fases n-dimensional inicia-
das com condições iniciais próximas X0 e X0 0 = X0 + δX0 , sua norma Euclidiana é então
q
d (X0 , t ) = kδX(X0 , t )k = δx 12 + δx 22 + · · · + δx n2 , (2.31)
em que d (X0 , t ) é a distância entres as trajetórias X(t ) e X0 (t ). A evolução temporal de δX é

encontrada a partir da linearização
δẊ = M (X(t )).δX, (2.32)
sendo M = ∂F/∂X|X=X0 a matriz jacobiana de F. A taxa média de divergência de duas trajetórias

próximas, definida como expoente de Lyapunov, é dado por
1 ³
d (X0 ,t )
´
λ(X0 , δX) = lim l og d (X ,0) . (2.33)
t →∞ t 0
Considerando que há n-vetores ortonormais v i de δX, para i = 1, 2, . . . , n, de modo que pode

ser escrita a seguinte relação
δv̇i = M (X0 )vi , M = d i ag (λ1 , λ2 , . . . , λn ), (2.34)
Há então n-expoentes de Lyapunov dados por
λi (X0 ) = λi (X0 , vi ), (2.35)

que são ordenados em λ1 ≥ λ2 ≥ · · · ≥ λn , sendo n a dimensão do sistema. Combinando as

Equações (2.33) e (2.35), chega-se a seguinte expressão
d i (X0 , t ) ≈ d i (X0 , 0)e λi t . (2.36)
Conforme SAVI (2006), ao se avaliar os expoentes de Lyapunov descreve-se geometri-

camente como uma hiper-esfera se deforma em um elipsóide a medida que o tempo aumenta,
sendo esse efeito exemplificado na Figura 14. Em outras palavras, os expoentes de Lyapunov
avaliam a evolução no tempo dos eixos de um esfera d 0 = d i (X0 , 0) suficientemente pequena
de estados do sistema dinâmico.
Figura 14 – Representação geométrica dos expoentes de Lyapunov. Fonte: Adaptado de SAVI

(2006).
Se o máximo expoente de Lyapunov λm for negativo ou nulo, a trajetória X0 (t ) não

diverge em relação a X(t ). No entanto, se λm for positivo, a trajetória X(t ) diverge exponenci-
almente da órbita original. A partir dos expoentes de Lyapunov é possível identificar também
os tipos de atratores encontrados nesses sistemas. Considerando sistemas tridimensionais,
com expoentes (λ1 , λ2 , λ3 ) e seus respectivos sinais algébricos, para (+, 0, −) o sistema é possi-
velmente caótico, para (0, −, −) um ciclo-limite, para (−, −, −) um ponto de equilíbrio e para
(0, 0, −) um toro bidimensional.
Uma análise realizada a partir dos expoentes de Lyapunov consiste em traçar seus
valores em função de um ou mais parâmetros de bifurcação. Com esses valores é possível
identificar quando o comportamento da dinâmica muda e em quais intervalos de valores
determinada dinâmica se mantêm. Os resultados gráficos obtidos podem ser utilizados
juntamente ao diagrama de bifurcação para constatar regiões de caos, movimentos periódicos
e estacionários. Em algumas literaturas o diagrama mencionado é referido com diagrama de
bifurcação de Lyapunov.
2.11 Caos Determinístico

O caos é um fenômeno com várias particularidades e não é facilmente classificado ou
identificado. Conforme Lynch (2004), não existe uma definição universalmente aceita para o
caos, mas as seguintes características são quase sempre exibidas pelas soluções de sistemas
caóticos (LYNCH, 2004; BUSCARINO; FORTUNA; FRASCA, 2017; VELOSA, 2016):
• Oscilações aperiódicas das variáveis de estado;
• Alta sensibilidade às condições iniciais;
• Alta sensibilidade à alteração de parâmetros;
• Imprevisibilidade após um tempo relativamente curto;
• Espectro de frequência contínuo, de banda larga, porém limitado;
• Estacionaridade,isto é, embora aperiódico, os padrões tendem a se repetir;
• Presença do atrator estranho.
Uma dinâmica caótica geralmente exibe todos os comportamentos e características

listadas acima. Conforme Lynch (2004), é de extrema dificuldade distinguir entre comporta-
mento aperiódico e comportamento periódico com um período muito longo. Como exemplo,
é possível que um sistema caótico tenha uma solução periódica com período 10100 . A alta
sensibilidade, ou também a alta dependência, às condições iniciais leva a imprevisibilidade de
longo prazo. Dois comportamentos dinâmicos originados por condições iniciais ligeiramente
diferentes divergem exponencialmente com o tempo e dessa forma qualquer tentativa de
previsão a longo prazo das soluções é comprometida em função de incertezas nas condições
iniciais.
Os sistemas caóticos possuem a característica especial de intensificar flutuações no
nível microscópico exponencialmente, de modo que se tornam visíveis no nível macroscópico
após um período de tempo finito. A discrepância entre as trajetórias das soluções com condi-
ções iniciais suficientemente próximas se dá a partir do que é chamado tempo de predição,
ou horizonte de previsibilidade, que pode ser estimado a partir do máximo expoente de
Lyapunov (SHIVAMOGGI, 2014). Durante esse tempo é possível fazer previsões do sistema
com incertas nas condições iniciais, mesmo o sistema sendo caótico.
O amplo espectro contínuo de frequência apresentado pelos sistemas caóticos se
deve pela aperiodicidade das soluções dinâmicas e o espectro de potência se assemelha a
de um ruído branco, cuja intensidade é igual em diferentes frequências. Uma importante
característica do espectro de frequência em sistemas caóticos é sua limitação em banda, o
que permite diferenciar um sinal caótico de um sinal periódico e de um sinal estocástico.
Sinais periódicos apresentam frequência bem definida, enquanto que sinais estocásticos
apresentam frequências distribuídas ao longo de todo o espectro.
Conforme Lü, Chen e Cheng (2004) expõe, para que um sistema apresente um atrator
caótico, são necessárias as seguintes condições:
• Possuir pelo menos três variáveis dinâmicas independentes ;
• Conter termos não lineares que acople várias das variáveis;
• Ser dissipativo;
• Instabilidade de todos os pontos de equilíbrio.
De acordo com Monteiro (2006), somente sistemas tridimensionais ou de ordem

superior podem apresentar comportamento caótico. Segundo o autor, o espaço tridimen-
sional é o mínimo espaço suficiente que permite a divergência entre trajetórias, limitação
das soluções e unicidade da trajetória, ou seja, características de um atrator estranho caótico.
Conforme Velosa (2016), sistemas de segunda ordem variantes no tempo podem apresentar
comportamento caótico, no entanto esses podem ser transformados em sistemas invariantes
no tempo com acréscimo de uma variável de estado.
Apresentadas algumas características exibidas pelo comportamento caótico, neste
texto será utilizada a seguinte definição de caos:
Definição 2.11.1 (Caos). Um sistema é caótico se o Máximo Expoente de Lyapunov λm é

positivo e as soluções limitadas no espaço de estados.
2.12 Considerações Finais

Esse capítulo teve como finalidade apresentar ao leitor algumas definições e princí-
pios básicos que são geralmente empregados na análise de dinâmicos não lineares e caóticos.
Como não existem soluções analíticas para esses sistemas, a caracterização da dinâmica é
determinada em grande parte por aspectos qualitativos, como análise local das soluções
nas proximidades dos pontos de equilíbrio hiperbólicos, imposição da estabilidade pela
Função de Lyapunov, dissipatividade e convergência das soluções em um atrator. Conceitos
como Retrato de Fases, Diagrama de Bifurcação, Seção de Poincaré e em especial os Expo-
entes de Lyapunov serão extremamente úteis nesse texto com respeito a caracterização do
comportamento caótico a partir de métodos computacionais.
Vale ressaltar que esses sistemas têm sido estudados sobre diferentes óticas em função
da complexidade dinâmica que eles apresentam. Neste capítulo tratou-se de apresentar
as ferramentas que geralmente são utilizadas como ponto de partida para análises mais
complexas, como exemplo a combinação simultânea de tais ferramentas para determinação
do caos no espaço formado pelos parâmetros.
32
Capı́tulo 3
Análise dos Sistemas Tipo Lorenz
3.1 Introdução
Nesse capítulo são determinadas diversas características dinâmicas dos sistemas
não lineares sob análise. Como metodologia, primeiramente foi realizado uma análise local
das soluções nas proximidades dos pontos de equilíbrio a partir dos autovalores da matriz
Jacobiana. O método de análise pelo sistema linearizado permite determinar a estabilidade e
as bifurcações locais quando um parâmetro é variado.
Algumas características globais dos atratores são investigadas pela combinação da
análise no Retrato de Fases, Diagrama de Bifurcação, Seção de Poincaré e Expoentes de
Lyapunov. Cada uma dessas ferramentas permite identificar diferentes propriedades dos
sistemas, como limitação das soluções, aperiodicidade e a sensibilidade às condições iniciais,
isto é, características do comportamento caótico.
3.2 Sistema de Lorenz

De acordo com Hirsch, Smale e Devaney (2012), em 1963 o meteorologista Edward
Lorenz buscava compreender a dinâmica atmosférica por meio do estudo das soluções
de equações hidrodinâmicas com intuito de explicar o comportamento imprevisível do
clima. O modelo introduzido por Lorenz consiste em uma simplificação grosseira de uma
característica atmosférica conhecida como convecção. Em seu modelo, Lorenz procurou
descrever o movimento de convecção em uma célula de Rayleigh-Bérnard idealizada, o que
permitiu reduzir a complexidade de um modelo que envolvia equações diferenciais parciais a
um modelo descrito apenas por equações diferenciais ordinárias (CROSS, 2000). A formulação
completa desse modelo com base nos princípios físicos pode ser encontrada em (LAYEK,
2015; ARGYRIS et al., 2015).
Capítulo 3. Análise dos Sistemas Tipo Lorenz 33
Publicado originalmente em Lorenz (1963), seu modelo é descrito por


ẋ =

 σ(y − x)
ẏ = r x − xz − y (3.1)


 ż = x y − bz,
em que (x, y, z) ∈ R3 são funções que fisicamente podem ser interpretadas da seguinte forma,
conforme Argyris et al. (2015) apresenta: x(t ) é proporcional a intensidade da convecção,
y(t ) é proporcional a diferença de temperatura entre as correntes de fluido ascendentes e
descendentes e z(t ) proporcional à distorção do perfil de temperatura vertical relativo a um
perfil linear. Os parâmetros (σ, r, b) > 0 representam características físicas reais do sistema,
cujos valores originalmente abordados por Lorenz foram σ = 10, r = 28 e b = 8/3.
Figura 15 – Exemplificação de uma célula de Rayleigh-Bérnard. Fonte: adaptado de Layek

(2015).
Conforme apresentado em Hirsch, Smale e Devaney (2012), Cross (2000), o parâmetro

σ é conhecido como número de Prandtl e depende das propriedades do fluidos (para água
esse valor varia entre 1 e 4, para um gás ideal o valor é aproximadamente 0,7 e para óleos esse
valor encontra-se entre 10 e 1000). O parâmetro r é conhecido como número de Rayleigh e
representa a diferença de temperatura entre as paredes fria e quente da célula, sendo este
utilizado como parâmetro de controle na investigação do movimento convectivo (para r < 1 o
sistema não possui convecção e para r > 1 soluções interessantes ocorrem, como será tratado
posteriormente). Por fim, o parâmetro b depende do diâmetro de rolamento na célula e do
comprimento de onda horizontal, ou seja, características que dependem do tamanho físico
do sistema.
As características qualitativas importantes do Sistema de Equações (3.1) de Lorenz
são:
• O sistema é completamente autônomo, ou seja, a variável t não aparece explicitamente

nas equações;
• É constituído somente de derivadas de primeira ordem de modo que a evolução de-

pende apenas do valor instantâneo de (x, y, z);
• O sistema possui duas não linearidades, representadas pelo produto de xz e x y na

segunda e terceira equação respectivamente;
• O sistema é dissipativo;
• As soluções são limitadas.
Na Figura 16 são ilustrados os gráficos obtidos em software Wolfram Mathematica,

resultados da integração numérica do sistema de Lorenz. Em todas as figuras é possível ver a
posição dos pontos de equilíbrio e a evolução das soluções em torno deles. A escala de cor do
atrator tridimensional indica os níveis de amplitude da variável dinâmica z(t ).
Figura 16 – Atrator tridimensional, projeções bidimensionais e série temporal das solu-

ções (x(t ), y(t ), z(t )) do sistema de Lorenz para σ = 10, b = 83 e r = 28 com
pontos de equilíbrio P 0 = (0, 0, 0) e P ± = (±8, 48; ±8, 48; 27). Condições iniciais
(x(0), y(0), z(0)) = (1, 1, 1) e 0 < t < 30 segundos.
Antes de iniciar a análise matemática do sistema de Lorenz, serão explorados alguns

aspectos qualitativos observados a partir de gráficos no espaço de estados e das séries tem-
porais. Para isso será considerado os resultados exibidos na Figura 17. Primeiro chama-se a
atenção que a estrutura do atrator de Lorenz, que é delimitada no espaço de estados, pode
apresentar movimentos caóticos e não previsíveis. No atrator da Figura (a) é ilustrada a co-
mutação irregular das soluções em torno dos pontos de equilíbrio simétricos. Com escala de
cor do vermelho ao ciano que varia com a mudança gradativa do tempo, observa-se que não
há uma escala fixa ou previsível de tempo em que as trajetórias permanecem sob cada base
de atração, ou seja, as trajetórias saltam de forma irregular entre os dois pontos de equilíbrio
simétricos. No atrator da Figura (b) é ilustrado o efeito das bases de atração do sistema de
Lorenz para duas soluções com condições iniciais diferentes na variável z(t ). Nessa figura
é possível observar os efeitos do ponto de sela em torno da origem. Há duas variedades
estáveis que atraem as soluções e uma variedade instável que as repele. Nas Figuras (c) e (d )
é explorado o conceito de sensibilidade as condições iniciais e aos parâmetros do sistema,
respectivamente. Na Figura (c), soluções com condições iniciais suficientemente próximas
divergem após um determinado tempo, conforme mostra a série temporal de x(t ) na Figura
(e). Na Figura (d ), soluções com mesmas condições iniciais porém com uma mínima variação
no parâmetro divergem após determinado tempo, conforme a série temporal x(t ) da Figura
( f ).
A seguir são apresentados alguns resultados da análise desse sistema com objetivo de
descrever seu comportamento dinâmico e identificar algumas propriedades relacionadas a
ele.
Simetria e Invariância
O sistema de Lorenz é invariante sob a transformação (x, y, z) → (−x, −y, z). Isso é
verificado invertendo-se todos os sinais das variáveis dinâmicas x e y em (3.1), resultando no
mesmo sistema de equações originais. Sendo assim, se (x, y, z) são soluções do sistema de
Lorenz, então (−x, −y, z) também é solução desse sistema. Logo essas soluções são simétricas
ou tem pares simétricos. Em consequência disso, a projeção das órbitas x e y no plano de
fases são simétricas em relação a origem. Por essa simetria, é possível que o sistema apresente
a bifurcação forquilha para as soluções de equilíbrio ou periódicas.
Outra propriedade desse sistema é a invariância sob o eixo z. Considerando que
x(0) = y(0) = 0, então x e y permanecem zero para todo t , pois P 0 = (0, 0, 0) é um ponto de
equilíbrio do sistema. Assim o eixo z é uma órbita, na qual
ż = −bz ⇒ z(t ) = z(0)e −bt → 0 quando t → ∞. (3.2)
Todas as soluções que se iniciam nesse eixo tendem a origem quando o tempo au-
menta, ou seja, esse eixo consiste de uma variedade estável para o ponto de equilíbrio da
origem.
Dissipatividade e Existência do Atrator
Uma das condições necessárias para existência de um atrator estranho é a dissipativi-

(a) (b)
(c) (d)
(e)
(f)
Figura 17 – Atrator de Lorenz (r = 28, σ = 10, b = 8/3): (a) Comutação Irregular. Condições
iniciais x(0) = y(0) = z(0) = 0, 001 e 0 < t < 50s. (b) Base de atração para duas
condições iniciais, x(0) = y(0) = z(0) = 0, 001 e x̄(0) = ȳ(0) = 0, 001, z̄(0) = 50 com
0 < t < 50 s. (c) Sensibilidade às condições iniciais. x(0) = y(0) = z(0) = 0, 001 (azul)
e x̄(0) = ȳ(0) = z̄ = 0, 0011 (vermelho). (d) Sensibilidade nos parâmetros.x(0) =
y(0) = z(0) = x̄(0) = ȳ(0) = z̄(0) = 0, 001e r 1 = 28 (azul), r 2 = 28, 01 (vermelho). (e)
Sensibilidade às condições iniciais na série temporal x(t ) do atrator em (c). (f)
Sensibilidade nos parâmetros na série temporal x(t ) do atrator em (d ).
dade. Aplicando a Equação (2.27) em (3.1), obtêm-se
∂ f1 ∂ f2 ∂ f3
∇·f = + + = −(σ + b + 1). (3.3)
∂x ∂y ∂z
O sistema é dissipativo se ∇·f = −(σ+b +1) < 0. Nos parâmetros que tornam o sistema
de Lorenz caótico, confirma-se que esse sistema é dissipativo, pois, (10+28+8/3) > 0. Pode-se
afirmar então que o volume inicial V0 no espaço de estados é contraído exponencialmente
na forma V (t ) = V0 e −(σ+b+1)t quando t → ∞. Observa-se que o divergente não depende do
parâmetro de bifurcação r . Dessa forma, desde que a dissipatividade seja garantida, a exis-
tência do atrator caótico pode ser buscada quando há instabilidade de todos os pontos de
equilíbrio, isto é, quando possuem pelo menos um autovalor com parte real positiva.
Pontos de Equilíbrio e Estabilidade
Assumindo ẋ = ẏ = ż = 0 no sistema (3.1), obtêm-se os seguintes pontos de equilíbrio
P 0 = (0, 0, 0),
p p
P + = ( b(r − 1), b(r − 1), r − 1), (3.4)
p p
P − = (− b(r − 1), − b(r − 1), r − 1).
Sabendo que os pontos de equilíbrio admitem somente valores reais, quando 0 < r ≤ 1
a origem é o único ponto de equilíbrio. Se r > 1, o sistema contem os três pontos de equilíbrio
descritos em (3.4).
Buscando estudar a estabilidade local dos pontos de equilíbrio do sistema (3.1), a
matriz Jacobiana obtida, resultado da linearização, é dada por:
 
−σ σ 0
Jf (x∗ , y∗ , z∗ ) = 
 
∗ ∗
r − z −1 −x  . (3.5)
y∗ x∗ −b
É possível definir agora a estabilidade linear de cada ponto de equilíbrio em (3.4) por
meio da análise dos autovalores dessa matriz nas proximidades de cada um desses pontos.
A seguir, as análises de estabilidade serão realizadas em duas partes, uma referente ao
ponto de equilíbrio P 0 e outra referênte aos pontos de equilíbrio P ± , que devido a simetria do
sistema, resulta no mesmo polinômio característico dos autovalores para análise de estabili-
dade.
Estabilidade do Ponto de Equilíbrio P0

Analisando primeiramente a estabilidade do ponto de equilíbrio P 0 , o cálculo do

determinante nesse ponto
¯ ¯
¯−σ − λ σ 0 ¯¯
¯
¯ ¯ ¯ ¯
¯JP ¯ = ¯ r
0 ¯ −1 − λ 0 ¯¯ = 0, (3.6)
−b − λ¯
¯ ¯
¯ 0 0
fornece o polinômio característico
P 0 (λ) = [λ2 + (σ + 1)λ + σ(1 − r )](−b − λ) = 0. (3.7)
Pela forma como é escrito o polinômio (3.7), fica evidente que λ = −b é um autovalor.
Um valor negativo desse parâmetro torna o ponto de equilíbrio da origem instável, no entanto
fisicamente esse parâmetro é sempre positivo. Para análise da estabilidade assintótica a
equação envolvendo o termo ż pode ser desacoplada do sistema linear correspondente da
matriz Jacobiana, pois em P 0 tem-se
ż = −bz ⇒ z(t ) = e −bt → 0 quando t → ∞. (3.8)
Dessa forma, o polinômio característico de segunda ordem resultante de (3.7) repre-

senta a natureza do fluxo no plano formado por x y quando t → ∞. As raízes obtidas desse
polinômio são dadas pela seguinte expressão
1 p 1 p
λ1,2 = [−(σ + 1) ± (σ + 1)2 + 4σ(r − 1) ] → (τ ± τ2 − 4∆), (3.9)
2 2
sendo τ = −(σ+1) e ∆ = −σ(r −1). Conforme discutido anteriormente na Seção 2.5.2, se ∆ < 0
a origem é um ponto de sela, o que implica nesse caso em r > 1. Para ∆ > 0 o sistema possui
apenas um ponto de equilíbrio, que é do tipo nó. A estabilidade desse ponto é determinada
aplicando-se o critério de Routh-Hurwitz. Analizando a Tabela 1, para os autovalores serem
negativos é necessário que os termos da primeira coluna tenham o mesmo sinal. Consi-
derando σ positivo, por meio da terceira linha dessa tabela determina-se que σ(1 − r ) > 0,
portanto r < 1. Com essa restrição garante-se que a origem é um nó assintoticamente estável,
ou seja, todos os autovalores são negativos. Quando r = 1, λ1 = 0 e os outros dois autovalores
são λ2 = −(σ + 1) e λ3 = −b. Na Figura 18 é ilustrada a convergência de algumas trajetórias
com condições iniciais diferentes para o ponto de equilíbrio da origem. Com r = 0, 5 mostra-
se parte da bacia de atração da origem, que, pela equação escalar de Lyapunov, é global para
r < 1, ou seja, atrai toda solução em Rn .
Tabela 1 – Critério de Routh-Hurwitz para o polinômio de 2º ordem de (3.7).
λ2 1 −σ(r − 1)
λ1 1+σ 0
λ0 σ(1 − r ) 0
Figura 18 – Soluções do sistema de Lorenz (σ = 10, b = 8/3, r = 0, 5) com diferentes condições

iniciais convergindo para o atrator global na origem.
Das considerações feitas anteriormente, percebe-se que o ponto r = 1 é um ponto de

bifurcação, pois a estrutura do sistema se altera, ou seja, a estabilidade da origem é perdida e
há a criação de dois novos pontos de equilíbrio estáveis. Esse tipo de bifurcação é conhecido
como bifurcação "pitchfork" (forquilha ou tridente) e só é possível em sistemas dinâmicos
com uma inversão ou simetria de reflexão. Para r > 1 a origem é um ponto de sela-nó, cujas
variedades são duas estáveis e uma instável.
Estabilidade Global do Ponto de Equilíbrio da Origem
Para análise da estabilidade global de P 0 , utiliza-se a função candidata de Lyapunov

proposta por Layek (2015). Essa função possui a seguinte forma
x2
+ y 2 + z 2.
V (x, y, z) = (3.10)
σ
Por meio das definições apresentadas na Seção 2.5.3, a função de Lyapunov é positiva
definida, pois V (x, y, z) > 0 para (x, y, z) 6= 0 e V (0) = 0. Aplicando a derivada direcional obtém-
se
2x ẋ
V̇ = + 2y ẏ + 2z ż. (3.11)
σ
Substituindo as expressões ẋ, ẏ, ż da Equação (3.1) na Equação (3.11) e realizando algumas
manipulações matemáticas chega-se na seguinte equação
V̇
= −x 2 + (1 + r )x y − y 2 − bz 2 . (3.12)
2
Utilizando o método de completar quadrados, a Equação (3.12) escrita em termos de produtos
notáveis é
V̇ r +1 2 r +1 2 2
µ ¶ µ µ ¶ ¶
=− x− y − 1− y − bz 2 . (3.13)
2 2 2
Por meio da expressão (3.13) verifica-se que V̇ é negativa se r < 1 para todo (x, y, z) 6=
(0, 0, 0). Nessa condição, a soma dos quadrados é sempre negativa. Portanto é obtido a pri-
meira condição de V̇ ser negativa definida. Na segunda condição, para a origem ser global-
mente estável, V̇ (0) = 0, o que é confirmado substituindox = y = z = 0 em (3.13). Conclui-se
que a origem é globalmente estável para σ e b positivo e r < 1, ou seja, trajetórias que se
iniciam em um conjunto aberto de condições iniciais tendem a origem quando t → ∞.
Limitação das Soluções no Sistema de Lorenz
Para r > 1 é possível demostrar que as soluções do sistema de Lorenz são limitadas.
Para isso considere agora a seguinte função de Lyapunov
V (x, y, z) = E = r x 2 + σy 2 + σ(z − 2r )2 ≤ c < ∞, (3.14)
tal que todas as soluções do sistema de Lorenz entram no elipsóide E em um tempo finito
e alí permanecem, conforme demostrado a seguir. É possível observar que (3.14) satisfaz
as condições impostas a essa função, ou seja, V (x) > 0 e V (x) = 0 em P 0 . A superfície de
p p p
nível V = c são elipsóides com centro em (0, 0, 2r ) e semi-eixos ( c/r , c/σ, c/σ ). Para
demostrar tal limitação, aplica-se a derivada direcional em (3.14), resultando em
V̇ (x, y, z) = 2r x ẋ + 2σy ẏ + 2σ(z − 2r )ż. (3.15)
Substituindo (ẋ, ẏ, ż) de (3.1) em (3.15) e realizando algumas manipulações chega-se em
V̇ (x, y, z) = r x 2 + y 2 + bz 2 − 2r bz < 0. (3.16)
A trajetória é direcionada para dentro do elipsóide E se (x, y, z) estiver dentro do elipsóide D

obtido em (3.16), dado agora por sua limitação
D ≡ r x 2 + y 2 + b(z − r )2 = br 2 . (3.17)
Reescrevendo (3.17) em termos dos parâmetros que definem um elipsóide têm-se
x2 y2 (z − r )2
p + p + = 1, (3.18)
( br )2 (r b)2 r2
p p
com centro em (0, 0, r ) e semi-eixos ( br , r b, r ). Como as coordenadas x e y dos centros de
E e D são (0, 0), a extensão do elipsóide E nas direções x e y excede a extensão do elipsóide D
p p p p
na mesma direção se ( c/r > br ) e ( c/σ > r b), isto é, (c > br 2 ) e (c > bσr 2 ). Ao longo do
eixo z, o elipsóide D é contido em (0 = r − r < z < r + r = 2r ), enquanto que para o elipsóide
p p p
E, o eixo z está contido em (2r − c/σ < z < 2r + c/σ). Verifica-se que (2r < 2r + c/σ)
para todo c. Assim, o ponto mais baixo (0, 0, 0) do Elipsóide D, ou seja, seu limite inferior,
p p
encontra-se acima do ponto mais baixo (0, 0, 2r − c/σ) do elipsóide E se (2r − c/σ < 0),
isto é, se (c > 4σr 2 ). Seja c = c cr = max{br 2 , bσr 2 , 4σr 2 }, então D está inteiramente dentro de
E cr . Assim, para qualquer ponto (x, y, x) exterior a D, a trajetória é direcionada para dentro
de E e alí permanecer, pois, V̇ (x) não pode ser positivo. Ao contrário do caso r < 1, não se
pode, nesse caso, tirar conclusões sobre um atrator global ou mesmo um ponto de equilíbrio
estável. Na Figura 19 é ilustrado uma representação gráfica da limitação das soluções para o
sistema de Lorenz.
Figura 19 – Representação gráfica de região limitada das soluções de Lorenz. Fonte: Layek
(2015).
Estabilidade dos Pontos de Equilíbrio P±
Aplicando o ponto P + da Equação (3.4) na matriz Jacobiana (3.5), obtêm-se a seguinte

matriz para o cáculo dos autovalores
¯ ¯
¯ −σ − λ σ 0 ¯
¯ ¯
¯ ¯ ¯ p ¯
¯JP ¯ = ¯
+ 1 −1 − λ − b(r − 1)¯¯ = 0, (3.19)
¯p p
¯
−b − λ ¯
¯
¯ b(r − 1) b(r − 1)
resultando no polinômio característico
P + (λ) = −λ3 − (σ + b + 1)λ2 − b(σ + r )λ − 2σb(r − 1) = 0. (3.20)
Aplicando o critério de Routh-Hurwitz, pela Tabela 2 tem-se que o segundo elemento

da primeira coluna da tabela não deve trocar de sinal para haver estabilidade, logo −(a + b +
1) < 0, que é também é uma condição necessária para haver dissipatividade como mostrado
na Equação (3.1). O cálculo de b 1 resulta em
1
b1 = [2σb(1 − r ) − b(σ + r )(σ + b + 1)] < 0. (3.21)
b +σ+1
Expandindo o termo entre colchetes e resolvendo a desigualdade para r obtêm-se
σ(σ + b + 3)
rH < . (3.22)
σ−b −1
Terminando de completar a tabela, o termo b 2 = 0 e o termo c 1 < 0, que implica em 2σb(1 −
r ) < 0. Assumindo σ e b positivos, o intervalo 1 < r < r H garante a estabilidade do sistema.
Tabela 2 – Critério de Routh-Hurwitz para o polinômio de 3°ordem de (3.20).
λ3 −1 −b(σ + r )
λ2 −(σ + b + 1) −2σb(r − 1)
λ1 b1 b2
λ0 c1 c2
Para 1 < r < r H , as três raízes da equação cúbica de (3.20) tem todas as partes reais
negativas, demonstrando assim um intervalo do parâmetro r no qual o sistema se mantêm
estável. Quando r = r H , dois autovalores são puramente imaginários, e assim ocorre a bi-
furcação Hopf. Nos parâmetros originais do sistema de Lorenz, r H ≈ 24, 7368. Nesse ponto,
λ1 = −(1 + σ + b) obtido pela relação de Girad no polinômio (3.20) e λ2,3 = ±i ω. Realizando
(λ − i ω)(λ + i ω)(λ + σ + b + 1), por igualdade de polinômio com (3.20), obtêm-
a expansão q
2σb(r H −1)
se λ2,3 = ±i 1+σ+b . Substituindo os valores dos parâmetros σ, r, b, os autovalores são
{λ1 , λ2,3 } = {−13, 6667, ±9, 6245i }. Em r = r H , a estabilidade dos pontos de equilíbrio P ± é
perdida, criando o ponto de equilíbrio do tipo sela-foco com uma variedade bidimensio-
nal instável e uma unidimensional estável, enquanto que a estrutura global é a do atrator
estranho de Lorenz.
Continuando a análise do polinômio de P + em (3.20), sua forma reduzida pode ser
escrita como
P + (λ) = λ3 + Aλ2 + B λ +C , (3.23)
em que A = (1 + σ + b), B = b(σ + r ) e C = 2σb(r − 1). Pelo método de Tartaglia-Ferro-Cardano

A
(Anexo A), realizando a mudança de variável λ = Λ − 3 em (3.23), o polinômio resultante é
agora escrito como
P (Λ) = Λ3 + pΛ + q, (3.24)
sendo os coeficientes
A2 (1 + σ + b)2
p =B− = b(σ + r ) − , (3.25)
3 3
2A 3 AB 2(1 + σ + b)3 b(σ + r )(1 + σ + b)

q= − +C = − + 2σb(r − 1). (3.26)
27 3 27 3
O objetivo nessa análise é determinar a transição de um ponto de nó para um foco.
Nessa transição o polinômio associado aos pontos de equilíbrio P ± altera de três raízes reais
distintas para uma raiz real e duas complexas conjugadas. Conforme descrito no Anexo A,
q2 p3
calculando-se D = 4
+ 27 = 0, é possível encontrar o valor do parâmetro r onde isso ocorre.
Nos parâmetros σ = 10 e b = 83 , D é escrito agora como
( 8r3 − 961
27 )
3
( 1112r 10402 3
27 + 729 )
D= = 0.
+ (3.27)
27 4
Com auxílio computacional, os valores do parâmetro r que satisfazem a Equação
(3.27) são r ≈ {−562, 037; −3, 048; 1, 3456}. Assumindo que os parâmetros do sistema de Lorenz
são positivos e que há estabilidade para 1 < r < r H em P ± , o ponto r ≈ 1, 3456 representa
a transição de um ponto do tipo nó para um foco, ambos estáveis, a medida em que se
aumenta o parâmetro r . Na Figura 20 é ilustrado um gráfico formado pelas três raízes do
polinômio de (3.20), separadas em suas partes reais e imaginárias, em função do parâmetro
r . Observa-se no gráfico que em 1 < r < 1, 34, o sistemas possui três raízes negativas reais e
distintas, 1, 34 < r < 24, 73 duas complexas conjugadas com parte real negativa e uma real
negativa, e para r > 24, 73 a parte real das raízes complexas conjugadas possui valor positivo,
caracterizando assim a instabilidade do ponto.
Mostrou-se até aqui alguns pontos de bifurcações do sistema de Lorenz. Tais bifurca-
ções são ditas locais e são previstas, conforme mostrado através do cálculo dos autovalores
da matriz jacobiana. No sistema de Lorenz, ao se variar o parâmetro r , ocorre também uma
bifurcação que não pode ser prevista pelo cálculo dos autovalores. Essa bifurcação é referida
como global e a que ocorre é a do tipo homoclínica em r = 13, 9264 (ARGYRIS et al., 2015). Na
Figura 21 ilustra-se a órbita homoclínica do sistema de Lorenz. Observa-se a trajetória que se
afasta da origem pela variedade instável tende a um dos pontos de equilíbrio simétricos e em
um amplo arco retorna a origem tangenciando o eixo z. Na Figura 22 é ilustrado duas soluções
com diferentes condições iniciais que demostram a ocorrência da bifurcação homoclínica.
Conforme constatado em simulações e consultado em algumas referências, é difícil construir
numericamente a órbita homoclínica devido a sua instabilidade.
Segundo Argyris et al. (2015), após a bifurcação global, as bacias de atração dos dois
focos em P ± se alteram fundamentalmente. Na Figura 22 nota-se que a solução que parecia
convergir para um ponto de equilíbrio, na verdade é direcionada para a base de atração do
ponto de equilíbrio simétrico.
Como tratado até aqui, foi possível observar diversas características qualitativas das
soluções do sistema de Lorenz em função do parâmetro r . Análises matemáticas mais so-
fisticadas mostraram o regime "pré-turbulento"(KAPLAN; YORKE, 1979) ou "metaestável
Parte real dos autovalores

2
λ1
λ2
0 λ3
-2
Amplitude das raízes

-4
-6
-8
-10
-12
-14
1.34 3 5 7 9 11 13 15 17 19 21 23 24.73 27 28
Parâmetro r
Parte imaginária dos autovalores

15
λ1
λ2
λ3
10
5
-5
-10
-15
1,34 3 5 7 9 11 13 15 17 19 21 23 24,73 27 28
Parâmetro r
Figura 20 – Lugar geométrico das raízes do polinômio (3.20) para σ = 10, b = 38 e 1 < r < 28.
Figura 21 – Vistas da órbita homoclínica do sistema de Lorenz. Fonte: Argyris et al. (2015).
caótico"(YORKE; YORKE, 1979) para 13, 926... < r < 24, 06... e 24, 06... < r < 24, 74..., sendo que
nesse último há existência de dois pontos de equilíbrio estáveis e um atrator caótico.
Análises Numéricas
A seguir são avaliados os resultados obtidos por simulações numéricas do sistema de

Figura 22 – Padrão de duas trajetórias após a bifurcação homoclínica com r = 13, 93 e x(0) =
y(0) = 0, 001 (azul), x̄(0) = ȳ(0) = −0, 001 (vermelho) e z(0) = z̄(0) = 0.
Lorenz. A partir das ferramentas associadas a análise de sistema dinâmicos não lineares será
possível compreender aspectos dessa dinâmica e do comportamento caótico.
Seção de Poincaré
Na Figura 23 são ilustradas algumas seções de Poincaré que interceptam transver-

salmente o fluxo das soluções do sistema de Lorenz. No topo de cada figura está indicado
o plano de intersecção e sua posição. Os pontos em vermelho indicam interseção do plano
com o fluxo em sentido crescente das variáveis e os pontos em azul o sentido decrescente das
variáveis. As seções de Poincaré do lado direito foram posicionadas nos pontos de equilíbrio
do sistema de Lorenz e as seções do lado esquerdo posicionadas na origem dos eixos x e y e
nas proximidades da extremidade superior do fluxo em z = 40.
Em todas as seções é possível observar uma característica típica de sistema caóticos
dissipativos, sendo ela a densidade elevada de pontos em uma região limitada, que indica um
movimento aperiódico das soluções.
Para plotar a seção de Poincaré, utilizou-se a função @od e45 do Matlab para integrar
o sistemas de equações diferenciais. Ao se detectar os pontos no plano, o que se obtêm
na verdade é uma aproximação dessa seção. O passo de integração numérica utilizado na
resolução das soluções introduzem pequenos erros na posição real dos pontos no plano.
Como as trajetórias no espaço de estados são limitadas e nunca repetem o mesmo
caminho duas vezes, dado um tempo suficiente, a trajetória acaba voltando arbitrariamente
próxima de qualquer ponto no espaço de estados. Em consequência disso, na seção de Poin-
caré a densidade de pontos em uma região aumenta a medida que o tempo aumenta.
x=0 x = 8.48
35 40
- -
+ 35 +
30
30
25 25
Eixo z
Eixo z
20 20
15
15
10
10 5
-8 -6 -4 -2 0 2 4 6 8 -10 -5 0 5 10 15 20
Eixo y Eixo y
y=0 y = 8.48
45 50
40 - -
+ 40
+
35
30 30
Eixo z
Eixo z
25 20
20
10
15
10 0
-15 -10 -5 0 5 10 15 4 6 8 10 12 14 16 18
Eixo x Eixo x
z = 40 z = 27
30 30
- -
+ +
20 20
10 10
Eixo y
0 Eixo y 0
-10 -10
-20 -20
-30 -30
-20 -15 -10 -5 0 5 10 15 20 -20 -15 -10 -5 0 5 10 15 20
Eixo x Eixo x
Figura 23 – Seções de Poincaré do sistema de Lorenz para σ = 10, b = 8/3 e r = 28.
Diagrama de Bifurcação
Na Figura 24 são ilustrados diagramas de bifurcação do sistema de Lorenz traçados

a partir do parâmetro r e dos máximos das variáveis z(t ) e x(t ). É possível observar que
existem regiões do parâmetro em que a quantidade de picos cessa, dando lugar a um movi-
mento regular. Essas lacunas representam as janelas periódicas do sistema de Lorenz, ou seja,
intervalos do parâmetro em que as soluções são periódicas. Essas mesmas regiões podem
ser identificadas pelo diagrama de bifurcação de Lyapunov, sendo o movimento periódico
caracterizado pelo máximo expoente nulo.
60
400
40
300
20
Máximos de z ( t )
Máximos de x ( t )
0 r
200
-20
100
-40
-60
0
0 50 100 150 200 250 300 350 0 50 100 150 200 250 300 350
Parâmetro de Bifurcação Parâmetro de Bifurcação
(a) (b)
200
140
120
150
100
Máximos de z ( t )
Máximos de z ( t )
100
80
50
60
0
40
90 92 94 96 98 100 102 92.0 92.1 92.2 92.3 92.4 92.5 92.6 92.7
(c) (d)
250 350
300
200
250
Máximos de z ( t )
Máximos de z ( t )
150
200
100
150
50 100
150 152 154 156 158 160 220 225 230 235 240
(e) (f )
Figura 24 – Diagramas de bifurcação do sistema de Lorenz com σ = 10, b = 83 e r variável. (a)

Máximos de z(t ) para 1 < r < 350. (b) Máximos de x(t ) para 1 < r < 350. (c), (d),
(e), (f ) Zoom nas janelas periódicas de (a).
Expoentes de Lyapunov
Na Figura 25 é ilustrada a convergência dos expoentes de Lyapunov pelo método

proposto em Wolf et al. (1985). O algoritmo em Matlab pode ser encontrado em Lynch (2004)
e sua descrição em Lakshmanan e Rajaseekar (2012).
Utilizando a média da divergência entre trajetórias próximas para estimar os expo-
entes de Lyapunov, o método numérico leva um tempo para convergir. A condição inicial
também influencia no tempo de convergência dos expoentes. Na Figura 25, os expoen-
tes convergiram para (λ1 , λ2 , λ3 ) = (0, 85922; −0, 0015763; −14, 5298) em t = 300 s. Aumen-
tando o tempo final do método para t = 10000 s, os valores obtidos para os expoentes foram
(λ1 , λ2 , λ3 ) = (0, 901852; 0, 001825; −14, 566753).
Dinâmica dos expoentes de Lyapunov

4
2 λ1 = 0.85922
0
λ2 = -0.0015763
Amplitude dos Expoentes
-2
-4
-6
-8
-10
-12
-14 λ3 = -14.5208
-16
0 50 100 150 200 250 300
Tempo
Figura 25 – Convergência dos expoentes de Lyapunov do sistema de Lorenz para σ = 10, b =

8/3, r = 28 e condição inicial x(0) = y(0) = z(0) = 1.
Na Figura 26 é ilustrado o diagrama dos expoentes de Lyapunov em função do pa-

râmetro de bifurcação r . O gráfico foi obtido variando-se o parâmetro r e plotando-se a
amplitude dos expoentes em um tempo de convergência t = 800 s. Na figura é possível ob-
servar intervalos do parâmetro em que a dinâmica deixa de ser caótica, ou seja, quando o
máximo expoente de Lyapunov vai a zero. Esses mesmos intervalos podem ser verificados no
diagrama de bifurcação da Figura 24.
4
λ1
2 λ
2
λ3
0
-2
-4
-6
-8
-10
-12
-14
-16
1 20 40 60 80 100 120 140 160 180 200 220 240 260 280 300
Parâmetro r
Figura 26 – Diagrama de bifurcação dos expoentes de Lyapunov do sistema de Lorenz para

σ = 10, b = 8/3 e 1 < r < 300. Tempo de convergência do método t = 800s, τ = 0, 5s
e x(0) = y(0) = z(0) = 1.
3.3 Sistema de Chen

Proposto originalmente em Chen e Ueta (1999), o chamado sistema caótico de Chen
foi encontrado aplicando-se um controle por realimentação parcial de estados no sistema
de Lorenz. A técnica utilizada nesse processo conhecida com anti-controle do caos ou caoti-
ficação busca desestabilizar alguns pontos de equilíbrio estáveis existentes de um sistema
não caótico na tentativa de se obter uma dinâmica caótica. O método nem sempre é capaz
de produzir tais dinâmicas, contudo ele pode determinar se os equilíbrios têm estruturas
hiperbólicas em um sistema globalmente limitado (UETA; CHEN, 2000).
O sistema dinâmico de Chen é dado por

ẋ =

 a(y − x)
ẏ = (c − a)x − xz + c y (3.28)


 ż = x y − bz,
em que (x, y, z) ∈ R3 são funções que não possuem significado físico, assim como os parâ-
metros (a, b, c) ∈ R3 , cujos valores originais propostos foram a = 35, b = 3 e c = 28. Avaliando
esse sistema percebe-se que a diferença para o sistema de Lorenz está na equação f 2 = ẏ,
modificada pela inserção de uma lei de controle (UETA; CHEN, 2000). Na Figura 27 é ilustrado
o atrator tridimensional desse sistema juntamente com as projeções bidimensionais e as
séries temporais.
O sistema de Chen também possui a propriedade de simetria comprovada pela subs-
Figura 27 – Atrator tridimensional, projeções bidimensionais e série temporal das soluções

(x(t ), y(t ), z(t )) do sistema de Chen para a = 35, b = 3 e c = 28 com pontos de equi-
líbrio P 0 = (0, 0, 0) e P ± = (±7, 93; ±7, 93; 21). Condições iniciais (x(0), y(0), z(0)) =
(1, 1, 1) e 15 < t < 50 segundos.
tituição (x, y, z) → (−x, −y, z). A dissipatividade é encontrada por
∂ f1 ∂ f2 ∂ f3
∇·f = + + = −(a + b − c), (3.29)
∂x ∂y ∂z
sendo ela garantida se (a + b − c) > 0, ou em termos do parâmetro de bifurcação adotado na

análise, c < a + b. Nos parâmetros originais, c < 38 para ser dissipativo.
Assumindo ẋ = ẏ = ż = 0 no sistema (3.28), para ab 6= 0 e c 6= a, o sistema de Chen tem

os seguintes pontos de equilíbrio
P 0 = (0, 0, 0)
p p
P + = ( b(2c − a), b(2c − a), 2c − a) (3.30)
p p
P − = (− b(2c − a), − b(2c − a), 2c − a).
Quando b = 0, todos os pontos de equilíbrio são não-isolados e da forma P = (0, 0, z), z ∈ R, e
2
para a = 0, os pontos de equilíbrio também são não-isolados e da forma P = (x, x bcx cx
2 −bc , x 2 −bc ),
x ∈ R com x 2 − bc 6= 0. Em c = a é possível verificar também um ponto não isolado. Para os

pontos em (3.30) serem isolados, é necessário que ab 6= 0, b(2c − a) > 0 e c 6= a. A segunda
a
desigualdade é satisfeita se b > 0 e c > 2 ou b < 0 e c < a2 . Nas análises a seguir considera-se a
e b positivos. Nos parâmetros originais, as condições para que os pontos (3.30) sejam isolados
são c > 17, 5 e c 6= 35.
Para análise da estabilidade local, a matriz Jacobiana do sistema (3.28) em função dos
pontos de equilíbrio é
 
−a a 0
Jf (x∗ , y∗ , z∗ ) = 
 
∗
c − a − z c −x ∗ 
. (3.31)
y∗ x∗ −b
O cálculo do determinante para solução dos autovalores avaliado no ponto de equilí-

brio da origem
¯ ¯
¯−(a + λ) a 0 ¯
¯ ¯
¯ ¯ ¯ ¯
¯JP ¯ = ¯ c − a
0 ¯ c − λ 0 ¯ = 0,
¯ (3.32)
−(b + λ)¯
¯ ¯
¯ 0 0
fornece o polinômio característico
P 0 (λ) = [λ2 + (a − c)λ − 2ac + a 2 ](−b − λ) = 0, (3.33)
em que λ3 = −b é um autovalor evidente. Os autovalores restantes são determinados por

1 p 1 p
λ1,2 = [−(a − c) ± (a − c)2 − 4(−2ac + a 2 ) ] → (τ ± τ2 − 4∆). (3.34)
2 2
Utilizando o critério de Routh-Hurwitz, pela Tabela 3 a primeira condição para estabilidade
é que (a − c) > 0, que implica em c < a. O cálculo de b 1 na tabela fornece que a(a − 2c) > 0,
logo, a > 0 e c < a2 . Mantendo a condição mais restritiva, a origem é assintoticamente estável,
ou seja, possui todos os autovalores com parte real negativa quando b > 0, a > 0 e c < a2 . Se
essas condições são satisfeitas P 0 é também o único ponto de equilíbrio do sistema. A origem
é instável se qualquer uma das desigualdades anteriores for invertida.
λ2 1 −2ac + a 2
λ1 a −c 0
λ0 a(a − 2c) 0
a
Considerando c um parâmetro de bifurcação e a, b positivos, quando c f = 2
ocorre
na origem a bifurcação forquilha cuja estabilidade do ponto é perdida e há a criação de dois
novos pontos de equilíbrio simétricos e estáveis para c > c f . Quando c f = a2 , λ1 = 0 e os outros
dois autovalores são λ2 = −(a − c f ) = −(a/2) e λ3 = −b. O ponto de transição das soluções
tipo nó para soluções tipo foco podem ser determinadas fazendo D = τ2 − 4∆ = 0 em (3.34).
Expandindo o radicando chega-se a D = c 2 + 6ac − 3a 2 . Resolvendo o polinômio de segunda
p
ordem em c, o ponto de transição das soluções ocorre em c T = (−3 ± 2 3)a.
Considerando os parâmetros originais propostos por Chen (a = 35, b = 3) e c como
parâmetro de bifurcação, das considerações feitas anteriormente, o ponto de bifurcação
a
forquilha corresponde a c f = 2 = 17, 5 e o ponto de transição de um foco para um nó corres-
ponde a c T = 16, 24. Na Figura 28 é ilustrado os valores numéricos das raízes do polinômio
(3.33) em função de c. Nos gráficos estão indicados pelo grid no eixo das abcissas os pontos
de transição de foco para nó, ou seja, a mudança de autovalores complexos conjugados
para autovalores puramente reais e também a bifurcação forquilha, caracterizado por um
autovalor λ = 0 em c f = 17, 5.

30
λ1
λ2
20 λ3
10
-10
-20
-30
-40
1 3 5 7 9 11 13 15 16.24 17.5 19 21 23 25 27
Parâmetro c

30
λ1
λ2
λ3
20
10
-10
-20
-30
1 3 5 7 9 11 13 15 16,24 19 21 23 25 27
Parâmetro c
Figura 28 – Lugar geométrico das raízes do polinômio (3.33) para a = 35, b = 3 e 1 < c < 28.
Para análise da estabilidade global de P 0 será utilizada a função de Lyapunov proposta

por Ueta e Chen (2000), cuja forma é
(a − c) 2
V (x, y, z) = x + y 2 + z 2. (3.35)
2a
A função de Lyapunov é positiva definida se a > c, pois V (x, y, z) > 0 para (x, y, z) 6= 0 e
V (0) = 0. Aplicando a derivada direcional obtêm-se
(a − c)
V̇ = x ẋ + 2y ẏ + 2z ż. (3.36)
a
Substituindo as expressões ẋ, ẏ, ż da Equação (3.28) na Equação (3.36) e realizando algumas
manipulações matemáticas chega-se em
V̇
= −(a − c)x 2 + c y 2 − bz 2 . (3.37)
2
Para a origem ser globalmente, uniformemente e assintoticamente estável, a função
escalar (3.37) deve ser negativa e também, como comprova-se facilmente, V̇ (0) = 0. A primeira
condição requer que c < 0 < a e b > 0.
A matriz para o cálculo dos autovalores associados ao ponto de equilíbrio P +

¯ ¯
¯ −(a + λ) a 0 ¯
¯ ¯
¯ ¯ ¯ p ¯
¯JP ¯ = ¯
+ −c c −λ − b(2c − a)¯¯ = 0, (3.38)
¯p p
¯
−(b + λ) ¯
¯
¯ b(2c − a) b(2c − a)
resulta no polinômio característico
P + (λ) = −λ3 + (c − a − b)λ2 − bcλ + 2ab(a − 2c) = 0. (3.39)
Tabela 4 – Critério de Routh-Hurwitz para o polinômio de 3°ordem de (3.39)
λ3 −1 −bc
λ2 c −a −b 2ab(a − 2c)
λ1 b1 b2
λ0 c1 c2
Aplicando o critério de Routh-Hurwitz, pela Tabela 4 a primeira condição de estabili-

dade requer que c − a − b < 0, ou c < a + b, sendo a mesma para o sistema ser dissipativo. No
entanto, outra condição mais restritiva é obtida encontrando-se e analisando o termo b 1 da
tabela, que vale
1
b1 = [2ab(2c − a) − bc(a + b − c)] < 0. (3.40)
a +b −c
Expandindo o termo entre colchetes obtêm-se
b 1 = P (c) = bc 2 + bc(3a − b) − 2a 2 b < 0, (3.41)

que tem como solução dessa desigualdade
p p
−3a + b − 17a 2 − 6ab + b 2 −3a + b + 17a 2 − 6ab + b 2
b>0, <c < , (3.42)
2 2
sendo esse intervalo de valores a condição que garante a existência de raízes com partes reais
negativas, ou seja, o intervalo do parâmetro que determina a estabilidade dos pontos P ± .
Nos parâmetros a = 35 e b = 3 propostos por Chen, os pontos P ± do sistema são
estáveis em −122, 07 < c < 20, 07, sendo o limite inferior atualizado no cálculo de c 1 da tabela
de Routh. Com P ± existindo somente se c > a2 , ou seja, c > 17, 5, o ponto de bifurcação é,
portanto, c H = 20, 07, sendo c H o ponto onde ocorre a bifurcação Hopf. Para c > 20, 07 a
estabilidade de P ± é perdida e esses pontos são formados por duas variedades instáveis e uma
estável, um ponto de sela-foco que dá origem a dois ciclos-limite. No ponto de bifurcação,
λ1,2 = ±i ω e λ3 = −(a + b − c) pela relação de Girad. Substituindo λ1 = i ω no polinômio, e por
comparação com os coeficientes originais, a parte imaginária das raízes satisfaz ω2 (a +b −c) =
2ab(2c − a) e bcω = ω3 .
Terminando de completar a Tabela 4, o termo b 2 = 0 e o termo c 1 < 0, que implica
em 2ab(2c − a) > 0 para P ± ser estável. Essa última condição é semelhante para a existência
desses pontos, lembrando também que ab 6= 0. Logo os pontos de equilíbrio simétricos do
sistema são estáveis quando 17, 5 < c < 20, 07.
Continuando a análise do polinômio de P + em (3.39), sua forma reduzida pode ser
escrita como
P + (λ) = λ3 + Aλ2 + B λ +C , (3.43)
em que A = (a + b − c), B = bc e C = 2ab(2c − a). Pelo método de Tartaglia-Ferro-Cardano

A
(AnexoA), realizando a mudança de variável λ = Λ − 3
em (3.39), o polinômio resultante é
agora escrito como
P (Λ) = Λ3 + pΛ + q, (3.44)
sendo os coeficientes
A2 (a + b − c)2
p =B− = bc − , (3.45)
3 3
2A 3 AB 2(a + b − c)3 bc(a + b − c)

q= − +C = − + 2ab(2c − a). (3.46)
27 3 27 3
Calculando-se o radicando D conforme descrito no anexo, é possível determinar o
valor do parâmetro c em que os pontos P ± mudam de nós para focos, ou seja, o ponto em que
os autovalores começam a apresentar raízes complexas conjugadas. Nos parâmetros a = 35 e
b = 3, D é escrito agora como
2 3 3
(3c − (c−38)
3 ) (420c − 2(c−38)
27 + c(c − 38) − 7350)2
D= + = 0. (3.47)
27 4
Com auxílio computacional, os valores do parâmetro c que satisfazem a Equação

(3.47) são r ≈ {3, 28; 14, 48; 17, 58; 109, 33}. Considerando o intervalo de análise de análise de
17, 5 < c < 30, o ponto de interesse em que ocorre a mudança de um nó para um foco ao se
variar o parâmetro c ocorre em c = 17, 58, que é basicamente nas proximidades do ponto de
bifurcação sela-nó dos pontos P ± . Diferentemente da bifurcação forquilha considerando-se o
ponto P 0 , na bifurcação sela-nó de P ± , em c < 17, 5 esses pontos não eram reais, no ponto de
bifurcação c = 17, 5 o ponto de equilíbrio é não hiperbólico e para c > 17, 5 existe três pontos
de equilíbrio, um instável (origem) e dois estáveis (P ± ).
Na Figura 29 é ilustrado um gráfico formado pelas três raízes do polinômio de (3.39),
separadas em suas partes reais e imaginárias, em função do parâmetro c. Observa-se no
gráfico que em 17, 5 < c < 17, 56, o sistemas possui três raízes negativas reais e distintas,
17, 56 < c < 20, 07 duas complexas conjugadas com parte real negativa e uma real negativa, e
para c > 20, 07 a parte real das raízes complexas conjugadas possui valor positivo, caracteri-
zando assim a instabilidade.

10
λ1
λ2
0
λ3
-5
-10
-15
-20
17.56 20.07 23.5 26.5 29.5
Parâmetro c

20
15
λ1
10 λ2
λ3
-5
-10
-15
-20
17.56 20.07 23.5 26.5 29.5
Parâmetro c
Figura 29 – Lugar geométrico das raízes do polinômio (3.39) para a = 35, b = 3 e 17, 5 < c < 30.
Foi verificado em simulações que as soluções do sistema divergem exponencialmente

ao infinito a medida que o parâmetro c se aproxima do valor de a, cujo valor é 35.
A Figura 30 ilustra algumas seções de Poincaré do sistema de Chen. O padrão de

interseção do fluxo com o plano possui características similares as seções de Poincaré do
sistema de Lorenz apresentadas anteriormente na Figura 23. Algumas diferenças também
são verificadas, como exemplo o surgimento de novas regiões no plano com densidade
de pontos. Novamente a principal característica dinâmica explorada nessas seções são as
elevadas densidades de pontos em regiões delimitadas, caracterizando assim movimentos
possivelmente aperiódicos.
x=0 x = 7.93
50 50
- -
45 + +
40
40
35 30
Eixo z
Eixo z
30
20
25
20
10
15
10 0
-20 -15 -10 -5 0 5 10 15 20 -10 -5 0 5 10 15 20 25
Eixo y Eixo y
y=0 y = 7.93
60 60
- -
+ +
50
50
40
40
Eixo z
Eixo z
30
30
20
20 10
10 0
-20 -15 -10 -5 0 5 10 15 20 -15 -10 -5 0 5 10 15 20
Eixo x Eixo x
z = 28 z = 21
30 30
20 -
+ 20
-
10 +
10
0
Eixo y
Eixo y
0
-10
-10
-20
-20
-30
-40 -30
-25 -20 -15 -10 -5 0 5 10 15 20 25 -25 -20 -15 -10 -5 0 5 10 15 20
Eixo x Eixo x
Figura 30 – Seções de Poincaré do sistema de Chen para a = 35, b = 3, c = 28.
Na Figura 31 é mostrado o diagrama de bifurcação do sistema de Chen para o má-

ximo das variável z(t ) e x(t ) em função do parâmetro c. Comparado ao sistema de Lorenz,
o diagrama de bifurcação do sistema de Chen possui menos regiões de comportamentos
dinâmicos periódicos, caracterizados pela baixas densidades de pontos no gráfico em deter-
minados valores do parâmetro. Nos diagramas de bifurcação do sistema de Lorenz da Figura
24 vê-se também uma região ampla do parâmetro na qual movimentos periódicos ocorrem,
o que não acontece nesse novo sistema.
50
30
20
40
10
30
Máximos de z ( t )
Máximos de x ( t )
0 c
20
-10
10
-20
0 -30
20 22 24 26 28 30 20 22 24 26 28 30
(a) (b)
Figura 31 – Diagramas de bifurcação do sistema de Chen com a = 35, b = 3 e 19 < c < 30. (a)
Máximos de z(t ); (b) Máximos de x(t ).
A Figura 32 exibe os resultados numéricos da convergência dos expoentes de Lyapunov

para o sistema de Chen. O expoente positivo indica o comportamento caótico desse sistema.
Para uma melhor precisão desses valores, considerando um tempo de convergência do mé-
todo em t = 10000 s, os valores obtidos foram (λ1 , λ2 , λ3 )=(2, 022624; 0, 001013; −12, 019739).
Outras características dinâmicas são extraídas a partir do gráfico ilustrado na Figura
33. Enquanto o máximo expoente positivo indica caos, o máximo expoente nulo indica os
valores do parâmetro c em que a dinâmica deixa de ser caótica e passa a apresentar um
comportamento oscilatório regular. Essas mesmas regiões do parâmetro são verificadas no
diagrama de bifurcação da Figura 31.
Dinâmica dos expoentes de Lyapunov

4
2
λ1 = 1.9431
0
Amplitude dos Expoentes
λ2 = -0.0010779
-2
-4
-6
-8
-10
λ3 = -11.9385
-12
-14
0 50 100 150 200 250 300
Tempo
Figura 32 – Convergência dos expoentes de Lyapunov do sistema de Chen para a = 35, b =

3, c = 28 e condição inicial x(0) = y(0) = z(0) = 1.
5
λ1
λ2
λ3
0
-5
-10
-15
-20
19 20 21 22 23 24 25 26 27 28 29 30
Parâmetro c
Figura 33 – Diagrama de bifurcação dos expoentes de Lyapunov do sistema de Chen para

a = 35, b = 3 e 19 < c < 30. Tempo de convergência do método t = 800s, τ = 0, 5s e
x(0) = y(0) = z(0) = 1.
3.4 Sistema de Lü
Relatado pela primeira vez em Lü e Chen (2002), o sistema caótico de Lü é capaz de
reproduzir a estrutura do atrator de Lorenz e Chen, além de possuir uma estrutura interme-
diária que conecta os dois atratores. Assim como obtido o sistema de Chen, a mesma técnica
de anti-controle do caos foi empregada ao sistema de Lorenz para produzir esse novo sistema.
Como resultado, somente o termo ẏ entre as equações é alterado. A descrição de sintonia do
controlador que resulta no sistema de Lü é encontrado em Lü, Chen e Zhang (2002). Esse
sistema é dado por

ẋ = a(y − x)


ẏ = −xz + c y (3.48)


 ż = x y − bz,
em que (x, y, z) ∈ R3 são funções que, assim como as do sistema de Chen, não possuem
significado físico e também seus parâmetros (a, b, c) ∈ R3 , cujos valores originais propostos
foram a = 36, b = 3 e c = 20. Na Figura 34 é ilustrado o atrator tridimensional desse sistema
juntamente com as projeções bidimensionais e as séries temporais.
Figura 34 – Atrator tridimensional, projeções bidimensionais e série temporal das soluções

(x(t ), y(t ), z(t )) do sistema de Lü para a = 36, b = 3 e c = 20 com pontos de equi-
líbrio P 0 = (0, 0, 0) e P ± = (±7, 74; ±7, 74; 20). Condições iniciais (x(0), y(0), z(0)) =
(1, 1, 1) e 15 < t < 50 segundos.
Assim como nos outros sistemas, o sistema de Lü também possui a propriedade

matemática de simetria e invariância. Para verificar a dissipatividade, o divergente do campo
de vetores da Equação (3.48) fornece
∂ f1 ∂ f2 ∂ f3
∇·f = + + = −(a + b − c), (3.49)
∂x ∂y ∂z
sendo a condição para existência do atrator c < a + b, ou no valor dos parâmetros, c < 39.
Assumindo ẋ = ẏ = ż = 0 no sistema (3.48), para abc 6= 0, os pontos de equilíbrio são
P 0 = (0, 0, 0)
p p
P + = ( bc, bc, c) (3.50)
p p
P − = (− bc, − bc, c).
Quando abc = 0, os pontos de equilíbrio do sistema de Lü são não isolados e dessa forma
a análise sob os pontos em (3.50) não é possível. Assumindo que os parâmetros a e b são
positivos e o parâmetro c variável, os pontos P ± existem somente se c > 0.
A estabilidade local das soluções é determinada avaliando-se a matriz Jacobiana do
sistema (3.48), sendo ela
 
−a a 0
Jf (x∗ , y∗ , z∗ ) = 
 
∗
−z c −x ∗ 
. (3.51)
∗ ∗
y x −b
Substituindo o ponto de equilíbrio P 0 em (3.51), a matriz resultante para o cálculo dos

autovalores é
¯ ¯
¯−(a + λ) a 0 ¯
¯ ¯
¯ ¯ ¯ ¯
¯JP ¯ = ¯
0 ¯ 0 c −λ 0 ¯ = 0.
¯ (3.52)
−(b + λ)¯
¯ ¯
¯ 0 0
Sendo essa uma matriz diagonal, os autovalores são diretamente determinados pe-
los elementos da diagonal principal. Seus valores são, portanto, λ1 = −a, λ2 = −b e λ3 = c.
Considerando a e b positivos, a origem é um sela se c > 0 e um nó estável quando c < 0.
Nessa última, a origem também é o único ponto de equilíbrio do sistema. Em c = 0 ocorre a
bifurcação forquilha, cuja característica é a perca de estabilidade do ponto e a criação de dois
novos pontos de equilíbrio, nesse caso os pontos P ± .
A estabilidade assintótica global do ponto de equilíbrio da origem é determinada

considerando-se a função de Lyapunov proposta por Lü, Chen e Zhang (2002), sendo
1
V (x, y, z) = (x 2 + y 2 + z 2 ). (3.53)
2
Aplicando a derivada direcional obtêm-se
V̇ (x, y, z) = x ẋ + y ẏ + z ż. (3.54)
Substituindo as expressões do Sistema (34) na equação acima e utilizando o método de

completar quadrados, obtêm-se
1 2 ³a
µ ¶ ´
V̇ (x, y, z) = −a x − y − − c y 2 − bz 2 < 0. (3.55)
2 4
Pelas definições da função de Lyapunov a origem é um atrator global se c < a4 , a > 0 e
b > 0.

¯ ¯
¯−(a + λ) a 0 ¯
p
¯ ¯
¯ ¯ ¯ ¯
¯ J P ¯ = ¯ −c
+ ¯ p c − λ − bc ¯ = 0, (3.56)
p ¯
bc −(b + λ)¯
¯ ¯
¯ bc
P + (λ) = λ3 + (a + b − c)λ2 + abλ + 2abc = 0. (3.57)
Tabela 5 – Critério de Routh-Hurwitz para o polinômio de 3º ordem de (3.57)
λ3 1 ab
λ2 (a + b − c) 2abc
λ1 b1 b2
λ0 c1 c2
Pelo critério de Routh-Hurwitz na Tabela 5, para que haja estabilidade dos pontos
P ± , é necessário que i) c < (a + b), ii) c < ( b+a
3
), iii) 2abc > 0, sendo ii) mais restritiva que i). A
bifurcação Hopf ocorre em c h = b+a
3 , sendo que nesse ponto os autovalores são λ1 = −(a+b−c)
e λ2,3 = ±i ω. Substituindo a raiz λ2 = i ω no polinômio (3.57), os valores de ω satisfazem
ω2 (a + b − c) = 2abc e ω2 = ab. A amplitude das raízes complexas conjugadas em c h são,
p
portanto, λ2,3 = ± ab. Em síntese, para (a, b) > 0, os pontos de equilíbrio P ± do sistema são
estáveis para 0 < c < c h .
Nos parâmetros propostos por Lü (a = 36, b = 3), o sistema é assintoticamente estável
com 0 < c < 13. Na investigação do comportamento caótico, para que haja essa dinâmica é
necessário a divergência, c < a + b, e a instabilidade dos pontos, apresentando-se para c > c h .
Na Figura 35 é ilustrado o lugar geométrico das raízes do polinômio (3.57). Graficamente
é possível observar a transição de um ponto de nó para um foco em c ≈ 0, 36, sendo esse
o ponto em que surge um par de raízes complexas conjugadas com parte real negativa. A
bifurcação Hopf, caracterizada por um par de raízes complexas conjugadas com parte real
nula, também pode ser constatada graficamente em c = 13. A partir dessa bifurcação, o ponto
de equilíbrio é do tipo sela-foco e a estrutura global a de um atrator estranho, verificado
posteriormente pelo máximo expoente de Lyapunov.

10
λ1
0
λ2
-5 λ3
-10
-15
-20
-25
-30
-35
-40
0 3 6 9 12 13 15 18 21 24 27 30
Parâmetro c

20
λ1
λ2
15 λ3
10
-5
-10
-15
-20
0 3 6 9 12 13 15 18 21 24 27 30
Parâmetro c
Figura 35 – Lugar geométrico das raízes do polinômio (3.57) para a = 36, b = 3 e 0 < c < 30.
Estrutura Dinâmica do Atrator
Uma característica interessante do sistema de Lü é a de possuir uma estrutura dinâ-

mica semelhante ao atrator de Lorenz e de Chen em determinadas regiões do parâmetro (LÜ;
CHEN; ZHANG, 2002). A Figura 36 ilustra os resultados das simulações e nelas verifica-se a
semelhança com o retrato de fases do sistema de Lorenz da Figura 16 e com o sistema de
Chen na Figura 27.
(a) (b)
Figura 36 – Atratores do sistema (3.48) de Lü, com a = 36 e b = 3, topologicamente seme-

lhantes ao: (a) Atrator de Lorenz com c = 13, 5; (b) Atrator de Chen com c = 24.
Condições iniciais (x(0), y(0), z(0)) = (1, 1, 1) e 20 < t < 50
A Figura 37 ilustra algumas seções de Poincaré do sistema de Lü. A elevada densidade

de pontos em regiões delimitadas indica a possível aperiodicidade das soluções.
x=0 x = 7.74
35 40
-
-
+ 35 +
30
30
25 25
Eixo z
Eixo z
20 20
15
15
10
10 5
-10 -8 -6 -4 -2 0 2 4 6 8 10 -4 -2 0 2 4 6 8 10 12
Eixo y Eixo y
y=0 y = 7.74
40 40
-
-
+ 35 +
35
30
30 25
Eixo z
Eixo z
25 20
15
20
10
15 5
-15 -10 -5 0 5 10 15 -2 0 2 4 6 8 10 12 14 16 18
Eixo x Eixo x
z = 25 z = 20
30 30
-
- +
20 20
+
10 10
Eixo y
0 Eixo y 0
-10 -10
-20 -20
-30 -30
-25 -20 -15 -10 -5 0 5 10 15 20 25 -20 -15 -10 -5 0 5 10 15 20
Eixo x Eixo x
Figura 37 – Seções de Poincaré do sistema de Lü para a = 36, b = 3, c = 20.
A Figura 38 ilustra os diagramas de bifurcação do sistema de Lü para os máximos de

z(t ) em (a) e máximos de x(t ) em (b). Observa-se que existem poucas regiões do parâmetro
em há movimentos periódicos, caracterizados pela baixa densidade de picos, como exemplo
em c ≈ 16, 5.
60
30
50
20
40 10
Máximos de z ( t )
Máximos de x ( t )
0 c
30
-10
20
-20
10
-30
0
10 15 20 25 30 10 15 20 25 30
(a) (b)
Figura 38 – Diagramas de bifurcação do sistema de Lü com a = 36, b = 3 e 10 < c < 30. (a)
Máximos de z(t ); (b) Máximos de x(t ).
A Figura 39 exibe o espectro dos expoentes de Lyapunov em função da variação do

parâmetro c. Graficamente verifica-se que o sistema de Lü é caótico em uma ampla gama
de valores de c, exceto por janelas de comportamento periódico indicadas pelo máximo
expoente nulo.
0
-5
-10
-15
-20
λ1
-25 λ2
λ3
-30
12 14 16 18 20 22 24 26 28 30
Parâmetro c
Figura 39 – Diagrama de bifurcação dos expoentes de Lyapunov para o sistema de Lü.

3.5 Sistema Caótico Unificado

Proposto por Lü et al. (2002), o chamado sistema caótico unificado é conhecido por
reproduzir as dinâmicas dos atratores de Lorenz, Chen e Lü, sendo as duas primeiras geradas
nos extremos do parâmetro de controle/bifurcação. Esse sistema representa uma transição
contínua entre esses dois atratores e é caótico em todo espectro do parâmetro variável. A
estrutura algébrica de EDO’s é dada por

ẋ = (25α + 10)(y − x)


ẏ = (28 − 35α)x + (29α − 1)y − xz (3.58)
x y − α+8 z,


 ż =
3
com α ∈ [0, 1]. Esse sistema tem como característica a presença de apenas um parâmetro o
que torna sua análise mais simples em relação aos sistemas anteriormente abordados. Na
Figura 40 é ilustrado três atratores gerados por esse sistema.
(a) Atrator de Lorenz, α = 0. (b) Atrator de Lü, α = 0, 8.
(c) Atrator de Chen, α = 1.
Figura 40 – Atratores do Sistema Caótico Unificado.
Algumas das propriedades básicas do sistema (3.58) são a simetria, que é facilmente
verificada pela transformação (x, y, z) → (−x, −y, −z), e também a invariância sob o eixo z,
que determina se x = y = 0 em t = t 0 , então x = y = 0 para todo t ≥ t 0 . Além disso, a trajetória

no eixo z tende a origem quando t → ∞. O divergente do campo de (3.58) fornece
∂ f 1 ∂ f 2 ∂ f 3 11α − 41
∇·f = + + = , (3.59)
∂x ∂y ∂z 3
sendo a condição para existência do atrator α < 41

11 , garantida em α ∈ [0, 1].
Pontos de equilíbrio e estabilidade
Assumindo ẋ = ẏ = ż = 0 no Sistema (3.58), os pontos de equilíbrio são
P 0 = (0, 0, 0),
p p
P + = ( (α + 8)(9 − 2α), (α + 8)(9 − 2α), 27 − 6α), (3.60)
p p
P − = (− (α + 8)(9 − 2α), − (α + 8)(9 − 2α), 27 − 6α).
Os três pontos são distintos se (α + 8)(9 − 2α) > 0, que implica em −8 < α < 4, 5. Para
análise da estabilidade local, a matriz Jacobiana correspondente ao sistema (3.58) é
 
−(25α + 10) 25α + 10 0
Jf (x∗ , y∗ , z∗ ) = 
 
∗
28 − 35α − z 29α − 1 −x ∗ . (3.61)
y∗ x∗ − α+8
3
Estabilidade do ponto de equilíbrio P0
Substituindo o ponto de equilíbrio P 0 em (3.61), a matriz resultante para o cálculo dos

autovalores é ¯ ¯
¯−(25α + 10 + λ) 25α + 10 0 ¯
¯ ¯
¯ ¯ ¯ ¯
¯JP ¯ = ¯
0 ¯ 28 − 35α 29α − 1 − λ 0 ¯ = 0,
¯ (3.62)
α+8
− 3 − λ¯
¯ ¯
¯ 0 0
resultando no polinômio característico
P 0 (λ) = [λ2 + (11 − 4α)λ + (25α + 10)(6α − 27)][−(α + 8)/3 − λ] = 0, (3.63)
em que λ3 = − α+8
3 é um autovalor evidente. A estabilidade do ponto de equilíbrio na origem
é analisada a partir da Tabela 6 aplicando-se o critério de Routh-Hurwitz. Pela tabela, esse
ponto é estável se (11 − 4α) > 0 e (25α + 10)(6α − 27) > 0. Combinando as restrições, a origem
é estável quando α < − 25 e α > 4, 5. Para α ∈ [0, 1], os autovalores satisfazem λ2 > 0 > λ3 ,
caracterizando a origem como ponto de sela com duas variedades estáveis e uma instável.
Estabilidade dos pontos de equilíbrio P±

λ2 1 (25α + 10)(6α − 27)

λ1 11 − 4α 0
λ0 (25α + 10)(6α − 27) 0

¯ ¯
¯ −(25α + 10 + λ) 25α + 10 0 ¯
¯ ¯
¯ ¯ ¯ p ¯
¯JP ¯ = ¯
+ 1 − 29α 29α − 1 − λ − (α + 8)(9 − 2α)¯ = 0, (3.64)
¯p p
¯ ¯
− α+8 λ
¯
¯ (α + 8)(9 − 2α) (α + 8)(9 − 2α) − ¯
3
41 − 11α 2 (38 − 10α)(α + 8)

P + (λ) = λ3 + λ + λ + 2(25α + 10)(α + 8)(9 − 2α) = 0. (3.65)
3 3
Tabela 7 – Critério de Routh-Hurwitz para o polinômio de 3º ordem de (3.65)

(38−10α)(α+8)
λ3 1 3
41−11α
λ2 3 2(25α + 10)(α + 8)(9 − 2α)
λ1 b1 b2
λ0 c1 c2
A estabilidade de P ± é determinada aplicando o critério de Routh-Hurwitz na Tabela 7.

41−11α
A primeira condição para P ± ser estável requer que 3
> 0, implicando em α < 41
11
≈ 3, 72
(condição de dissipatividade). O cálculo de b 1 fornece
µ ¶
(41 − 11α)(38 − 10α)
b 1 = −2(25α + 10)(9 − 2α) + (α + 8) > 0, (3.66)
9
ou de forma simplificada
2
(505α2 − 2259α − 31)(α + 8) > 0. (3.67)
9
Resolvendo a desigualdade, α > 4, 487 e −8 < α < −0, 0137. O cálculo do elemento c 1 na tabela
fornece
c 1 = 2(25α + 10)(α + 8)(9 − 2α) > 0. (3.68)
Resolvendo a desigualdade obtêm-se −0, 4 < α < 4, 5 e α < −8. A solução para todas as restri-
ções é verificada diretamente pelo lugar geométrico das raízes na Figura 41. Por inspeção, o
ponto de equilíbrio P ± do sistema é estável, isto é, possui todas as partes reais dos autovalores
menores que zero, quando −8 < α < −0, 4. Para α ∈ [0, 1], fica comprovada a instabilidades de
todos os pontos de equilíbrio do sistema.

30
λ1
λ2
20 λ3
10

0
-10
-20
-30
-40
-8 -6 -4 -2 -0.4 0 2 4 6 8
Parâmetro α

150
λ1
λ2
λ3
100
50
X: 4.515
Y: 0
0
-50
-100
-150
-8 -6 -4 -2 -0.455 0 2 4 4.45 6 8
Parâmetro α
Figura 41 – Lugar geométrico das raízes do polinômio (3.65) para −8 < α < 8.
Na Figura 42 é ilustrado o Diagrama de Bifurcação do Sistema Caótico Unificado.

Verifica-se pela elevado índice de pontos, indicando os picos do movimento oscilatório, que
as soluções tem características aperiódicas, exceto por uma estreita janela de movimento
periódico, que ocorrem em α ≈ 0, 58.
30
50
20
40
10
Máximos de z ( t )
Máximos de x ( t )
30
0 a
20
-10
10
-20
0
-30
0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0
(a) (b)
Figura 42 – Diagramas de bifurcação do Sistema Unificado com 0 < α < 1. (a) Máximos de
z(t ); (b) Máximos de x(t ).
3.6 Considerações Finais

Este capítulo apresentou resultados em relação a caracterização da dinâmica de
quatro sistemas caóticos. Determinou-se em cada um deles, por meio de um estudo analítico
e computacional, propriedades do comportamento dos sistemas em diferentes valores do
parâmetro.
Pela definição de caos utilizada nesse texto, isto é, o Máximo Expoente de Lyapunov
positivo e as soluções limitadas, comprovou-se que todos os sistemas são caóticos em de-
terminados valores do parâmetro. A limitação das soluções é verificada diretamente pelos
diagramas de bifurcação, que indicam neles picos de oscilação limitados.
71
Capı́tulo 4
Caos em um Circuito Eletrônico
4.1 Introdução
Estruturas algébricas de equações diferenciais ordinárias não lineares podem ser
reproduzidas a partir da combinação de componentes eletrônicos. Derivadas da análise de
circuitos elétricos, tais equações permitem descrever o comportamento dinâmico da tensão
em diferentes nós.
Este capítulo dedica-se a analisar o circuito eletrônico proposto em (SUN; WANG;
ZHU, 2013). Na investigação de dinâmicas caóticas, tal circuito tem a vantagem de possuir três
estruturas distintas de EDO’s não lineares que são caóticas em certos valores de parâmetros.
Como metodologia em sua análise, na Seção 4.2 realiza-se um estudo teórico do caos nos três
sistemas a partir dos expoentes de Lyapunov. Na Seção 4.3, por meio da Lei de Kirchoff das
correntes, são deduzidas as equações dinâmicas da tensão em determinados nós. Por fim, na
Seção 4.4 apresenta-se os resultados gráficos obtidos em simulação.
Na Figura 43 é ilustrado o circuito simulado em software Multsim. Seus componentes
básicos são: resistores, capacitores, amplificadores operacionais e multiplicadores analógicos.
Estão presentes também cinco chaves on-off (S 1 , . . . , S 5 ) que em determinadas posições
selecionam partes ativas do circuito, determinando assim as estruturas algébricas das EDO’s.
Há também três potenciômetros (R 14 , R 17 , R 24 ) que possibilitam a variação de um parâmetro,
permitindo a investigação de diferentes dinâmicas.
4.2 Descrição e Análise dos Sistemas

Nesta seção são apresentadas considerações utilizadas na criação de três sistemas di-
nâmicos distintos a partir do sistema Caótico Unificado da Equação (3.58). São determinados
pela análise do máximo expoente de Lyapunov, intervalos de valores dos parâmetros em que
o comportamento caótico ocorre.
Capítulo 4. Caos em um Circuito Eletrônico 72
Figura 43 – Circuito eletrônico de três estruturas de EDO’s não lineares e caóticas. Sis-
tema I - S 4 e S 5 ativas; Sistema II - S 1 e S 2 ativas; Sistema III - S 3 e S 5 ati-
vas. Componentes: Multiplicador Analógico AD633, Amplificador Operacio-
nal TL084, R 5 = R 10 = R 37 = 1 M Ω, C 1 = C 2 = C 3 = 1 µF , R i = 10 kΩ (i =
19, 20, 22, 24, 25, 27, 29, 30, 32), R 4 = 30 kΩ, R j = 1 kΩ ( j = 1, 2, 8, 33), R 9 =
R 21 = R 34 = 240 kΩ, R 23 = 280 kΩ, R 26 = 290 kΩ, R 31 = 350 kΩ, R 35 =
91 kΩ, R 36 = 910 kΩ, R 3 = 15 kΩ, R 15 = R 18 = 240 kΩ, R k = 10 kΩ (k =
6, 7, 11, 12, 13, 16, 38, 39).
Sistema I
Fixando α = 0, 8 na primeira e terceira equação do Sistema (3.58), mantendo a segunda

inalterada, sua forma reescrita é dada por


ẋ = 30(y − x)


ẏ = (28 − 35β)x + (29β − 1)y − xz (4.1)

x y − 8,8

 ż =
3 z,
em que β, por associação ao sistema (3.58), é o novo e único parâmetro variável. O divergente
do campo fornece
∂ f1 ∂ f2 ∂ f3
∇·f = + + = −33, 93 + 29β = p (4.2)
∂x ∂y ∂z
Para β < 1, 17, o sistema dinâmico é dissipativo e as soluções quando t → ∞ se contraem a
uma taxa exponencial p em um atrator de volume zero que pode ser um ponto de equilíbrio,
um ciclo limite ou um atrator estranho. Na Figura 44 é ilustrado de forma gráfica os valores
do máximo expoente de Lyapunov em função da variação do parâmetro β. Verifica-se que o
Sistema I é caótico para β ∈ [0,1 0,85], exceto por várias pequenas janelas periódicas que
ocorrem quando λ1 = 0.
3
λ1
2.5
Máximo Expoente de Lyapunov
1.5
0.5
-0.5
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Parâmetro β
Figura 44 – Máximo expoente de Lyapunov do sistema Sistema I para 0 < β < 1. Tempo de
convergência do método t = 800s, τ = 0, 5s e x(0) = y(0) = z(0) = 1.
Sistema II
Fixando α = 0 na primeira e terceira equação do Sistema (3.58) e substituindo o termo

y por x na segunda equação, o sistema reescrito é dado agora por

ẋ =

 10(y − x)
ẏ = (27 − 6γ)x − xz (4.3)

x y − 83 z,

 ż =
em que γ é o único parâmetro variável. O divergente do campo fornece
∂ f1 ∂ f2 ∂ f3
∇·f = + + = −12, 67, (4.4)
∂x ∂y ∂z
de forma que a constante negativa garante a dissipatividade do sistema para valores indepen-
dentes do parâmetro γ. A Figura 45 ilustra graficamente os valores do máximo expoente de
Lyapunov obtidos na variação do parâmetro γ. Verifica-se que o sistema é caótico para γ ∈
[-23,2 1,8], exceto por algumas janelas de movimento periódico das soluções.
2.5
λ1
2
1.5
0.5
-0.5
-25 -23 -21 -19 -17 -15 -13 -11 -9 -7 -5 -3 -1 1 3
Parâmetro γ
Figura 45 – Máximo expoente de Lyapunov do sistema Sistema II para −25 < γ < 3. Tempo de
Sistema III
Fixando α = 0, 8 na primeira e terceira equação do sistema (3.58) e substituindo o

termo x por y na segunda equação, esse sistema é representado agora da seguinte forma

ẋ =

 (30)(y − x)
ẏ = (27 − 6θ)y − xz (4.5)

x y − 8,8

 ż =
3
z,
em que θ é o parâmetro variável. O divergente do campo fornece
∂ f1 ∂ f2 ∂ f3
∇·f = + + = −5, 93 − 6θ. (4.6)
∂x ∂y ∂z
Para θ > −0, 99, o divergente torna-se negativo, garantindo a dissipatividade e a con-
vergência das soluções para um atrator. Na Figura 46 é ilustrado de forma gráfica os valores do
máximo expoente de Lyapunov obtidos na variação do parâmetro θ. Verifica-se pelo expoente
positivo que o sistema é caótico para θ ∈ [0,58 2,7], exceto por algumas pequenas janelas
periódicas.
2.5
λ1
2
1.5
0.5
-0.5
0.5 1 1.5 2 2.5 3
Parâmetro θ
Figura 46 – Máximo expoente de Lyapunov do sistema Sistema III para 0, 5 < θ < 3. Tempo de
4.3 Modelagem do Circuito

Considerando o circuito ilustrado na Figura 43, juntamente com as indicações dos
potenciais e o sentido convencionado das correntes que saem e entram dos nós, realizou-se
sua modelagem com base na análise do circuito por meio da Lei de Kirchoff das correntes. Tal
lei permite dizer que a soma das correntes que entram em um nó deve ser igual a soma das
correntes que saem do mesmo nó.
A corrente que flui em um ramo do circuito é determinada pelo valor da diferença de
potencial entre dois nós dividido pelo valor do elemento resistivo entre tais nós, isto é, a Lei
de Ohm. No circuito há vários nós de potencial nulo (ou de referência). Isso ocorre devido a
conexão com o terra virtual de todas as entradas positivas dos amplificadores operacionais, o
que permite reduzir a complexidade da análise em diversas etapas da modelagem. As equa-
ções diferenciais obtidas derivam, em parte, pela expressão diferencial da corrente em um
capacitor, dado por i c = C ddvtc . Os termos não lineares presentes nos sistemas de equações são
obtidos eletronicamente por meio do multiplicador analógico AD633. As variáveis de estado,
x(t ) y(t ) z(t )
isto é, as tensões V1 = 24
,V2 = 24 e V3 = 24 são normalizadas para evitar níveis de tensão
elevada nos componentes. A normalização das tensões juntamente com o ganho de saída
1
do multiplicador k = 10 permitem reproduzir no circuito as mesmas estruturas algébricas de
EDO’s dos Sistemas I, II e III.
4.3.1 Modelagem Sistema I

No circuito da Figura 43, o primeiro sistema de equações é obtido quando as chaves
on-off S 4 e S 5 estão fechadas e S 1 ,S 2 e S 3 abertas. Fazendo a análise do nó V1 obtêm-se as
seguintes equações
V2 V1 −Va Va d vc
− = , ic = , ic = C1 , V1 = −v c , (4.7)
R1 R2 R4 R5 dt
que combinadas resultam em
R 4 −V1 V2
µ ¶
V̇1 = + . (4.8)
C 1 R5 R2 R1
A análise do nó V2 fornece
Vd V1 V3 Vb Vb V2 Vh Vf Vd
− +=− , ic = , i c = −C 2V̇2 , + + =− ,
R 21 R8 R9 R 10 R 19 R 24 R 29 R 20
(4.9)
V1 Vh Ve Vg Vf V2 Ve V1 Vg
=− , + =− , = , =− ,
R 22 R 23 R 27 R 32 R 28 R 25 R 26 R 30 R 31
resultando em
R 9 R 20 R 23 R 28 R 31 R 26 R 28
·µ ¶ µ ¶ ¸
1 0, 1R 9
V̇2 = − V1 + − V2 − V1 V3 . (4.10)
R 10 R 21C 2 R 22 R 24 R 29 R 30 R 32 R 25 R 27 R 29 R 19 R 8 R 10C 2
Pela análise do nó V3 obtêm-se
V1 V2 Vc Vc
µ ¶
1 1
− V3 + =− , ic = , i c = −C 3V̇3 , (4.11)
R 33 R 36 R 35 R 34 R 37
resultando em
R 34 0, 1V1V2 R 35 + R 36
· µ ¶ ¸
V̇3 = − V3 . (4.12)
R 37C 3 R 33 R 35 R 36
Utilizando os valores de cada respectivo componente nas Equações (4.8), (4.10) e
(4.12), o sistema de EDO’s correspondente é

V̇1 = 30(V2 − V1 )


V̇2 = (28 − 0, 0035R 28 )V1 + (0, 0029R 28 − 1)V2 − 24V1V3 (4.13)

24V1V2 − 264

V̇ =
3 V .
91 3
O parâmetro β referente ao Sistema da Equação (4.1), por equivalência ao novo sistema, exceto
pela normalização das tensões, é descrito agora por β = R10284 . Utilizando um potenciômetro
R 28 = 10 kΩ, têm-se β ∈ [0 1]. Isso permite gerar diferentes dinâmicas com a variação de uma
resistência elétrica.
4.3.2 Modelagem Sistema II

O segundo sistema de equações é obtido quando S 1 e S 2 estão fechadas e S 3 , S 4 e S 5
abertas. Pela análise do nó V1 chega-se as seguintes equações
V2 V1 Va
µ ¶
1 1
− = −Va + , ic = , i c = −C 1V̇1 , (4.14)
R1 R2 R3 R4 R5
R3 R4 V2 V1
· ¸
V̇1 = − . (4.15)
(R 3 + R 4 )R 5C 1 R 1 R 2
Analisando o nó V2 obtêm-se
Vi V1 V3 Vb Vb V1 Vi
− =− , ic = , i c = −C 2V̇2 , = , (4.16)
R 15 R8 R9 R 10 R 13 R 14
resultando em
R9 R 14
· ¸
0, 1
V̇2 = V1 − V1 V3 . (4.17)
R 10C 2 R 13 R 15 R8
As equações obtidas pela análise do nó V3
V1 V2 V3 Vc Vc
− =− , ic = , i c = −C 3V̇3 , (4.18)
R 33 R 35 R 34 R 37
fornecem
R 34 V3
· ¸
0, 1
V˙3 = V1 V2 − . (4.19)
R 37C 3 R 33 R 35
.
Utilizando os valores de cada respectivo componente nas Equações (4.15), (4.17) e
(4.19), o sistema de EDO’s correspondente é

V̇1 = 10(V2 − V1 )


R 14
V̇2 = 104 1
V − 24V1V3 (4.20)

24V1V2 − 240

V̇ =
3 V
91 3
O parâmetro γ referente ao Sistema II descrito na Equação (4.3) é encontrado fazendo

R 14 27 R 14
(27 − 6γ) = 104
, que resulta em γ = 6
− 6(10 4 ) . Escolhendo o potenciômetro R 14 = 1, 5 M Ω,
γ ∈ [−20, 5 4, 5].
4.3.3 Modelagem Sistema III

O terceiro sistema de equações é obtido quando S 3 e S 5 estão fechadas e S 1 ,S 2 e S 4
abertas. Fazendo a análise do nó V1 obtêm-se as seguintes equações
V2 V1 Va Va
− =− , ic = , i c = −C 1V̇1 , (4.21)
R1 R2 R4 R5
R4
· ¸
1 1
V̇1 = V2 − V1 . (4.22)
R 5C 1 R 1 R2
Analisando no nó V2 obtêm-se
Vj V1 V3 Vb Vb Vj V2
− =− , ic = , i c = −C 2V̇2 , = , (4.23)
R 18 R8 R9 R 10 R 17 R 16
resultando em
R9 R 17
· ¸
0, 1
V̇2 = V2 − V1 V3 . (4.24)
R 10C 2 R 16 R 18 R8
As equações do nó V3
0, 1V1V2 Vc Vc
µ ¶
1 1
− + V3 = − ; ic = ; i c = −C 3V˙3 (4.25)
R 33 R 35 R 36 R 34 R 37
resultam na equação de estado
R 34 R 35 + R 36
· µ ¶ ¸
0, 1
V̇3 = V1 V2 − V3 . (4.26)
R 37C 3 R 33 R 35 R 36
Substituindo os valores dos componentes nas Equações (4.22), (4.24) e (4.26), o sis-
tema de EDO’s torna-se

V̇1 = 30(V2 − V1 )


R 17
V̇ = V − 24V1V3 (4.27)
 2 104 2
24V1V2 − 264

V̇ =
3 91 V3
O parâmetro θ referente ao Sistema III descrito na Equação 4.5 é encontrado fazendo

R 17 27 R 17
(27 − 6θ) = 104
, que resulta em γ = 6
− 6(10 4 ) . Escolhendo o potenciômetro R 17 = 250 kΩ,
θ ∈ [0, 33 4, 5].
4.4 Resultados Gráficos

Nesta seção são apresentados resultados obtidos em Multsim a partir da simulação
do circuito ilustrado na Figura 43. Realizando a medida dos estados V1 e V2 por meio do osci-
loscópio, gerou-se diferentes retratos de fases em cada um dos três sistemas para diferentes
valores do parâmetro variável.
A Figura 47 ilustra os retratos de fases referentes ao Sistema I descrito na Equação
(4.13). A análise do máximo expoente de Lyapunov mostrou que tal sistema é caótico para β ∈
[0,1 0,85]. A Figura (a) ilustra uma solução de equilíbrio, enquanto as Figuras (b), (c) e (d)
ilustram a estrutura dinâmica de um atrator caótico.
Na Figura 48 exibe-se os retratos de fases referentes ao Sistema II, representado pela
Equação (4.20). O comportamento caótico, determinado pelo máximo expoente de Lyapunov
desse sistema, ocorre quando γ ∈ [-23,2 1,8]. Na Figura (a) as soluções convergem para um
ponto de equilíbrio, em (b) e (d) para um atrator caótico. Em (c) é verificada a existência de
uma solução de equilíbrio com período 1T , um ciclo limite estável, contido no intervalo do
parâmetro γ em que o máximo expoente de Lyapunov ilustrado na Figura 45 é nulo.
Na Figura 48 são ilustrados os retratos de fases do Sistema III descrito na Equação
(4.20). Para γ ∈ [0,58 2,7], a dinâmica desse sistema é caótica, cujos seus atratores são
ilustrados em (b) e (c). Em (a) e (b) são ilustradas duas soluções de equilíbrio, convergindo
em (a) para um ponto de equilíbrio e em (b) para um ciclo limite estável de período 2T .
(a) R 28 = 0, 9 kΩ, β = 0, 09. (b) R 28 = 1 kΩ, β = 0, 1.
(c) R 28 = 5 kΩ, β = 0, 5. (d) R 28 = 8 kΩ, β = 0, 8.
Figura 47 – Retratos de fase das variáveis V1 × V2 do Sistema I.
(a) R 14 = 130 kΩ, γ = 2, 33. (b) R 14 = 250 kΩ, γ = 0, 33.
(c) R 14 = 1170 kΩ, γ = −15. (d) R 14 = 1530 kΩ, γ = −21.
Figura 48 – Retratos de fase das variáveis V1 × V2 do Sistema II.

(a) R 17 = 100 kΩ, θ = 2, 83. (b) R 17 = 135 kΩ, θ = 2, 25.
(c) R 17 = 200 kΩ, θ = 1, 166. (d) R 17 = 238 kΩ, θ = 0, 53.
Figura 49 – Retratos de fase das variáveis V1 × V2 do Sistema III.
4.5 Comentários Finais

Nesse capítulo foram estudados três sistemas dinâmicos distintos que são caóticos
em determinados intervalos de valores do parâmetro. A partir de um circuito eletrônico,
descreveu-se seus três diferentes modos de operação e suas equações dinâmicas associadas,
obtidas na modelagem pela teoria de análise de circuitos elétricos. O intuito foi mostrar uma
possível representação física real de sistemas caóticos.
A consistência entre as dinâmicas obtidas em simulação eletrônica com os resultados
esperados a partir do máximo expoente de Lyapunov permitem, então, a investigação teórica e
prática de uma infinidade de dinâmicas do circuito apenas mudando-se a posição das chaves
e variando-se os potenciômetros. Dentre as possíveis dinâmicas, destaca-se nos retratos
de fases obtidos em simulação estruturas semelhantes ao atrator de Lorenz (Figura 48-(b)),
Atrator de Chen (Figura 47-(d), Figura 47-(c)) e o Atrator de Lü (Figura 49-(b)).
81
Capı́tulo 5
Conclusões e Trabalhos Futuros
O presente trabalho teve como proposta a realização de um estudo aplicado a quatro

sistemas não lineares com intuito de descrever seus possíveis comportamentos dinâmicos
em diferentes valores dos parâmetros. Como objetivo principal, buscou-se caracterizar o
caos presentes nesses sistemas e explorar algumas de suas características essenciais, como
o padrão dinâmico dos atratores e sua delimitação no espaço de estados, a aperiodicidade
do movimento, a instabilidade dos pontos de equilíbrio e a sensibilidade desses sistemas às
condições iniciais.
Para descrever o comportamento dos sistemas, no Capítulo 3 foi realizado um estudo
local das soluções que consistiu na análise de raízes polinomiais. Com isso, foi possível deter-
minar em quais valores do parâmetro determinado tipo de comportamento local acontece
e sua estabilidade associada. Contudo, tal análise não permite identificar dinâmicas como
ciclos limite ou atratores caóticos. Para isso, foram utilizadas ferramentas computacionais
que fornecem informações do comportamento global das soluções. Pelo máximo expoente de
Lyapunov foram determinados nos sistemas regiões do parâmetro no qual o comportamento
é caótico ou regular. De forma complementar, com os Diagramas de Bifurcação observou-se
a característica da aperiodicidade dos sistemas em diferentes valores do parâmetro. Os Retra-
tos de Fases apresentados permitem uma visualização direta dos atratores caóticos e outra
evidência de seu movimento aperiódico é exibida nas Seções de Poincaré.
Buscando reproduzir a dinâmica caótica em um sistema físico real, no Capítulo 4
apresentou-se um circuito eletrônico cujas equações que o descrevem foram obtidas na
modelagem pela teoria da análise de circuitos elétricos. A partir de um estudo prévio da
dinâmica por meio dos Expoentes de Lyapunov, buscou-se reproduzir nesse circuito atratores
caóticos e soluções periódicas estáveis. Os resultados da simulação, exibidos em forma do
Retrato de Fases, servem para validar não só o perfeito funcionamento do circuito pelo modelo
que o descreve, como também as dinâmicas reproduzidas e indicadas pelos Expoentes de
Lyapunov.
Uma proposta de trabalho futuro seria a implementação prática do circuito eletrônico
tratado nesse texto. Conforme a metodologia utilizada em (VELOSA, 2016), poderia-se tam-
Capítulo 5. Conclusões e Trabalhos Futuros 82
bém desenvolver técnicas de detecção e controle do caos em tempo real. Outra interessante
aplicação desse sistema baseia-se na criptografia de sinais por meio da sincronização de osci-
ladores caóticos, conforme abordado em (GRZYBOWSKI; RAFIKOV, 2008). Nessas aplicações,
uma gama de novos conceitos e ferramentas são utilizados como informação para leis de
controle, como exemplo a detecção de órbitas periódicas instáveis em um atrator caótico,
utilizadas no controle do caos pela técnica de OGY.
83
Referências
ALGABA, A. et al. Chen’s attractor exists if lorenz repulsor exists: The chen system is a special
case of the lorenz system. Chaos: An Interdisciplinary Journal of Nonlinear Science, AIP, v. 23,
n. 3, p. 033108, 2013. 2
ALGABA, A. et al. The lü system is a particular case of the lorenz system. Physics Letters A,
Elsevier, v. 377, n. 39, p. 2771–2776, 2013. 2
ANISHCHENKO, V. S. et al. Nonlinear dynamics of chaotic and stochastic systems: tutorial and
modern developments. [S.l.]: Springer Science & Business Media, 2007. 7
ARGYRIS, J. et al. An Exploration of Dynamical Systems and Chaos: Completely Revised and
Enlarged Second Edition. [S.l.]: Springer, 2015. 8, 1, 6, 24, 32, 33, 43, 44
BUSCARINO, A.; FORTUNA, L.; FRASCA, M. Essentials of Nonlinear Circuit Dynamics with
MATLAB® and Laboratory Experiments. [S.l.]: CRC Press, 2017. 30
ČELIKOVSKỲ, S.; CHEN, G. Hyperbolic-type generalized lorenz chaotic system and its canoni-
cal form. IFAC Proceedings Volumes, Elsevier, v. 35, n. 1, p. 203–208, 2002. 2
ČELIKOVSKÝ, S.; CHEN, G. On a generalized lorenz canonical form of chaotic systems. Inter-
national Journal of Bifurcation and Chaos, World Scientific, v. 12, n. 08, p. 1789–1812, 2002.
2
ČELIKOVSKỲ, S.; CHEN, G. On the generalized lorenz canonical form. Chaos, Solitons &
Fractals, Elsevier, v. 26, n. 5, p. 1271–1276, 2005. 2
CHEN, G. The chen system revisited. Dynamics of Continuous, Discrete and Impulsive Systems,
v. 20, p. 691–696, 2013. 2
CHEN, G.; UETA, T. Yet another chaotic attractor. International Journal of Bifurcation and
chaos, World Scientific, v. 9, n. 07, p. 1465–1466, 1999. 1, 2, 49
CROSS, M. Introduction to Chaos: chapter 1 - The Lorenz model. 2000. Disponível em: <http:
//www.cmp.caltech.edu/~mcc/Chaos_Course/Outline.html>. 32, 33
GRZYBOWSKI, J.; RAFIKOV, M. Sincronização do sistema caótico unificado via controle ótimo
linear feedback e aplicação em comunicação segura. Trends in Applied and Computational
Mathematics, v. 9, n. 1, p. 105–114, 2008. 82
HILBORN, R. C. Chaos and nonlinear dynamics: an introduction for scientists and engineers.
[S.l.]: Oxford University Press on Demand, 2000. 25
Referências 84
HIRSCH, M. W.; SMALE, S.; DEVANEY, R. L. Differential equations, dynamical systems, and an
introduction to chaos. [S.l.]: Academic press, 2012. 32, 33
KAPLAN, J. L.; YORKE, J. A. Preturbulence: a regime observed in a fluid flow model of lorenz.
Communications in Mathematical Physics, Springer, v. 67, n. 2, p. 93–108, 1979. 43
LAKSHMANAN, M.; RAJASEEKAR, S. Nonlinear dynamics: integrability, chaos and patterns.

[S.l.]: Springer Science & Business Media, 2012. 27, 28, 48
LAYEK, G. An Introduction to Dynamical Systems and Chaos. [S.l.]: Springer, 2015. 7, 8, 1, 6, 23,
32, 33, 39, 41
LEONOV, G. A.; KUZNETSOV, N. V. On differences and similarities in the analysis of lorenz,

chen, and lu systems. Applied Mathematics and Computation, Elsevier, v. 256, p. 334–343,
2015. 2
LIMA, E. L. et al. A equação do terceiro grau. Matemática Universitária, v. 5, p. 9–23, 1987. 86
LORENZ, E. N. Deterministic nonperiodic flow. Journal of the atmospheric sciences, v. 20, n. 2,

p. 130–141, 1963. 1, 2, 33
LÜ, J.; CHEN, G. A new chaotic attractor coined. International Journal of Bifurcation and
chaos, World Scientific, v. 12, n. 03, p. 659–661, 2002. 1, 2, 58
LÜ, J.; CHEN, G.; CHENG, D. A new chaotic system and beyond: the generalized lorenz-
like system. International Journal of Bifurcation and Chaos, World Scientific, v. 14, n. 05, p.
1507–1537, 2004. 31
LÜ, J. et al. Bridge the gap between the lorenz system and the chen system. International
Journal of Bifurcation and Chaos, World Scientific, v. 12, n. 12, p. 2917–2926, 2002. 2, 66
LÜ, J.; CHEN, G.; ZHANG, S. Dynamical analysis of a new chaotic attractor. International
Journal of Bifurcation and chaos, World Scientific, v. 12, n. 05, p. 1001–1015, 2002. 59, 60, 62
LYNCH, S. Dynamical systems with applications using MATLAB. [S.l.]: Springer, 2004. 30, 48
MONTEIRO, L. H. A. Sistemas dinâmicos. [S.l.]: Editora Livraria da Física, 2006. 6, 7, 8, 23, 24,
25, 27, 31
SAVI, M. A. Dinâmica não-linear e caos. [S.l.]: Editora E-papers, 2006. 7, 11, 14, 16, 17, 19, 20,
21, 22, 24, 25, 26, 27, 29
SHIVAMOGGI, B. K. Nonlinear dynamics and chaotic phenomena: An introduction. [S.l.]:

Springer, 2014. v. 103. 24, 30
SILVA, G. V. M. da. Controlo nao linear. Escola superior de tecnologia de Setúbal, 2006. 7, 19
SILVA, R. A. d. et al. Estruturas periódicas espirais em planos de parâmetros de um modelo

ecológico. Universidade do Estado de Santa Catarina, 2015. 25, 26
SUN, K.-h.; WANG, Y.-l.; ZHU, C.-x. Dynamics and circuit implementation of three simplified
chaotic systems. Journal of Central South University, Springer, v. 20, n. 3, p. 663–669, 2013. 71
UETA, T.; CHEN, G. Bifurcation analysis of chen’s equation. International Journal of Bifurca-
tion and Chaos, World Scientific, v. 10, n. 08, p. 1917–1931, 2000. 49, 52
Referências 85
UPADHYAY, R. K.; IYENGAR, S. R. Introduction to mathematical modeling and chaotic dyna-

mics. [S.l.]: CRC press, 2013. 23, 28
VANĚČEK, A.; ČELIKOVSKỲ, S. Control systems: from linear analysis to synthesis of chaos. [S.l.]:
Prentice Hall International (UK) Ltd., 1996. 2
VELOSA, C. M. N. Análise e controlo robusto de modos de funcionamento caóticos em

sistemas aeroespaciais. 2016. 30, 31, 81
VILLATE, J. Introdução aos sistemas dinâmicos: uma abordagem prática com maxima. 2005.
7, 13
WANG, X.; CHEN, G. A gallery of lorenz-like and chen-like attractors. International Journal of
Bifurcation and Chaos, World Scientific, v. 23, n. 04, p. 1330011, 2013. 2
WIGGINS, S. Introduction to applied nonlinear dynamical systems and chaos. [S.l.]: Springer
Science & Business Media, 2003. v. 2. 7, 10, 14, 16, 17, 20, 21, 86
WOLF, A. et al. Determining lyapunov exponents from a time series. Physica D: Nonlinear
Phenomena, Elsevier, v. 16, n. 3, p. 285–317, 1985. 48
YANG, Q.; CHEN, G.; ZHOU, T. A unified lorenz-type system and its canonical form. Inter-
national Journal of Bifurcation and Chaos, World Scientific, v. 16, n. 10, p. 2855–2871, 2006.
2
YORKE, J. A.; YORKE, E. D. Metastable chaos: the transition to sustained chaotic behavior in
the lorenz model. Journal of Statistical Physics, Springer, v. 21, n. 3, p. 263–277, 1979. 44
ZHANG, H.; LIU, D.; WANG, Z. Controlling chaos: suppression, synchronization and chaotifi-
cation. [S.l.]: Springer Science & Business Media, 2009. 7, 1, 9, 10, 14, 16, 17, 21, 24
86
ANEXO A
Ferramentas de Análise de Polinômios
As ferramentas apresentadas nesse anexo foram retiradas de (WIGGINS, 2003; LIMA

et al., 1987). Descrevê-las permitirá uma melhor compreensão dos métodos utilizados para
estudar a dinâmica de sistemas lineares por meio de equações polinomiais.
Considere a princípio um polinômio de coeficientes reais da forma:
p(λ) = a n λn + a n−1 λn−1 , . . . , +a 1 λ + a 0 , a i ∈ R, a 0 6= 0. (A.1)
Teorema A.0.1 (Teorema Fundamental da Algebra). O polinômio (A.1) tem exatamente n

raízes reais ou complexas, λ1 , . . . , λn , onde a repetição de raízes é possível, i.e., λi = λ j , para
algum i e j.
Considerando apenas o caso de polinômios com coeficientes reais, é possível verificar

que se λ é uma raiz de (A.1), seu conjugado complexo λ̄ também é raiz. Sendo assim, para
polinômios com coeficientes reais, as raízes ocorrem em pares complexos conjugados.
A seguir é descrito um resultado útil que permite obter algumas informações das
raízes desse polinômio apenas analisando os coeficientes.
Teorema A.0.2 (Regra dos sinais de Descartes). Considere a sequência de coeficientes de (A.1):
a n , a n−1 , . . . , a 1 , a 0 .
Seja k o número total de mudanças de sinal de um coeficiente para o seguinte na sequência.

Então, o número de raízes reais positivas do polinômio é igual a k, ou k menos um inteiro par
positivo.(Nota: se k = 1, então existe exatamente uma raiz real positiva.)
A localização no plano complexo das partes reais das raízes do polinômio (A.1) pode
ser determinada pelo critério de Routh-Hurwitz. Primeiramente constrói-se a tabela de Routh
(8) associada a esse polinômio. As duas primeiras linhas da tabela são preenchidas direta-
ANEXO A. Ferramentas de Análise de Polinômios 87
Tabela 8 – Tabela de Routh-Hurwitz
λn an a n−2 a n−4 a n−6 ...

λn−1 a n−1 a n−3 a n−5 a n−7 ...
λn−2 b1 b2 b2 ...
λn−3 c1 c2 c3 ...
.. .. ..
λn−4 . . .
.. .. ..
. . .
λ1
λ0
mente com os coeficientes do polinômio de acordo com a sequência apresentada. Para a

segunda linha em diante, os coeficientes da tabela são obtidos por
¯ ¯ ¯ ¯ ¯ ¯
−1 ¯¯ a n a n−2 ¯¯ −1 ¯¯ a n a n−4 ¯¯ −1 ¯¯ a n a n−6 ¯¯
b1 = ¯ ¯ , b2 = ¯ ¯ , b3 = ¯ ¯, ...
a n−1 ¯a n−1 a n−3 ¯ a n−1 ¯a n−1 a n−5 ¯ a n−1 ¯a n−1 a n−7 ¯
¯ ¯ ¯ ¯
−1 ¯¯a n−1 a n−3 ¯¯ −1 ¯¯a n−1 a n−5 ¯¯
.c 1 = ¯ ¯ , c2 = ¯ ¯, ....
b1 ¯ b1 b2 ¯ b1 ¯ b1 b3 ¯
Teorema A.0.3 (Teste de Routh-Hurwitz). Todas as raízes do polinômio (A.1) têm partes reais
estritamente menores que zero se, e somente se, todos os elementos na primeira coluna da
tabela Routh forem diferentes de zero e tiverem o mesmo sinal.
Uma outra relação útil aplicada na análise dos coeficientes de um polinômio consiste
no que é conhecido como relação de Girard. Seja um polinômio de terceira ordem com seu
primeiro coeficiente normalizado
p(λ) = λ3 + a 2 λ2 + a 1 λ + a 0 , (A.2)
com raízes λ1 , λ2 , λ3 . Expandindo (λ − λ1 )(λ − λ2 )(λ − λ3 ) chega-se a seguinte relação dos

coeficientes desse polinômio com suas raízes
p(λ) = λ3 − (λ1 + λ2 + λ3 )λ2 + (λ1 λ2 + λ1 λ3 + λ2 λ3 )λ − λ1 λ2 λ3 , (A.3)
Quando existe um par de raízes complexas conjugadas de parte real zero, ou seja,
λ1,2 = ±i λ, uma das raízes pode ser determinada diretamente a partir do negativo do coefici-
ente a 2 .
As soluções de um polinômio cúbico na forma de (A.2) podem ser obtidas pelas
expressões analíticas de Tartaglia-Ferro-Cardano. Realizando uma mudança de coordenada,
λ = Λ − a32 , o polinômio (A.2) transforma-se em
3
a 22 2a 23 a1 a2
Λ + (a 1 − )Λ + − + a 0 = 0, (A.4)
3 27 3
ANEXO A. Ferramentas de Análise de Polinômios 88
que é uma equação que não possui o termo de grau 2. A análise da equação de terceiro grau
pode ser feita pela equação resultante
Λ3 + pΛ + q = 0, (A.5)
a 22 2a 23
em que p = (a 1 − 3 )e q =( 27 − a13a2 + a 0 ). Uma raiz desse polinômio é obtida diretamente
por
v s v s
u u
q q2 p3 q q2 p3
u
3
u
3
Λ1 = − + + + − − + . (A.6)
t t
2 4 27 2 4 27
q2 p3
Destacando o radicando D = 4 + 27 , o polinômio (A.5) terá as seguintes raízes:
• D > 0 : uma raíz real e duas raízes complexas conjugadas;
• D = 0 : três raízes reais, sendo uma repetida;
• D < 0 : três raízes reais e distinta.
Para determinar a raiz do polinômio original (A.2), utiliza-se a transformada λ = Λ− a32

que resultou no polinômio em estudo. As outras duas raízes do polinômio original poderão
ser determinadas por divisão de polinômios, resultando na análise das raízes pela equação de
Báskara.

MONOGRAFIA AnaliseDinâmicaCaos

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

MONOGRAFIA AnaliseDinâmicaCaos

Enviado por

Direitos autorais:

Formatos disponíveis

Universidade Federal de Ouro Preto

Instituto de Ciências Exatas e Aplicadas

Trabalho de Conclusão de Curso

Análise de Dinâmica Não Linear e

William César Viana

Análise de Dinâmica Não Linear e

Trabalho de Conclusão de curso apresentado à Universi-

Universidade Federal de Ouro Preto

86f.: il.: color; grafs.

Orientadora: Profª. MScª. Anny Verly.

Monografia (Graduação). Universidade Federal de Ouro Preto. Instituto de

1. Engenharia Elétrica. 2. Sistemas dinâmicos diferenciais. 3. Modelos

Palavras-chave: Caos, Sistemas Dinâmicos, Não Lineares, Sistema de Lorenz, Sistema de

Na teoria de sistemas dinâmicos não lineares caos é um determinado tipo de com-

estabilidade, pontos de bifurcação, regiões de parâmetros que os tornam caóticos, dentre

• Definir sistemas dinâmicos não lineares e as condições de estabilidade assintótica no

• Aplicar ferramentas matemáticas de análise como Funções de Lyapunov, divergência

• Caracterizar o comportamento dinâmico dos sistemas de Lorenz, Chen, Lü e do Sistema

• Empregar as leis da física de Kirchoff para obtenção de um modelo para o circuito

• Implementar o circuito em ambiente de simulação computacional utilizando o software

1.3 Estrutura do Trabalho

2.2 Um Breve Histórico do Surgimento da Teoria do Caos

2.3 Sistemas Dinâmicos Contínuos

y (n) = f (y, ẏ, ..., y (n−1) ). (2.1)

Neste trabalho os sistemas abordados não satisfazem as propriedades matemáticas

x 1 = y, x 2 = ẏ, x 3 = ÿ, · · · , x n = y (n−1) , (2.3)

O sistema (2.4) pode ser escrito genericamente na seguinte forma:

2.4 Espaço de Estados

2.5 Teoria da Estabilidade e Comportamento das Soluções

Soluções que iniciam no ponto de equilíbrio permanecem estacionárias independen-

2.5.2 Estabilidade de Trajetórias e Órbitas

Figura 2 – Ponto de Equilíbrio: (a) Estável no sentido de Lyapunov; (b) Assintoticamente

Outra importante noção de estabilidade refere-se a estabilidade orbital. Um órbita

O + (x0 , t 0 ) = {x ∈ Rn |x = x̄(t ), t ≥ t 0 , x̄(t 0 ) = x0 }. (2.7)

É necessário definir a distância de um ponto a um conjunto. Então, toma-se S ∈ Rn um

d (p, S) = inf |p − x|. (2.8)

2.5.2.1 Sistemas Lineares e Classificação no Plano de Fases

Na análise de sistemas lineares bidimensionais, as possíveis soluções são responsáveis

em que A é uma matriz constante n × n não-singular e x = (x 1 , x 2 , · · · , x n ). A solução analítica

As soluções expressas em (2.10) do sistema da Equaçõe (2.9) são obtidas utilizando-se

A matriz T é escolhida de forma que a operação T −1 AT = d i ag (λi ), onde λi são os

Substituindo (2.13) em (2.9) e realizando algumas manipulações obtêm-se o seguinte

em que λ são os autovalores da matriz A , v = (v 1 , v 2 , · · · , v n ) o autovetor associado a cada

d et [A − λI] = 0 ou P (λ) = a n λn + a n−1 λn−1 + · · · + a 0 = 0. (2.15)

O polinômio (2.15) é chamado de polinômio característico e suas raízes são os auto-

Figura 3 – Formato geométricos das soluções e classificação dos pontos de equilíbrio de um

2.5.2.2 Linearização em Torno de um Ponto de Equilíbrio

Considere o sistema da Equação (2.5) e a seguinte mudança de coordenadas:

em que y é uma pequena variação da solução. Substituindo (2.17) em (2.5) e aplicando-se

ẋ = x̄˙ (t ) + ẏ = f(x̄(t )) + Df(x̄(t ))y + ϑ(kyk2 ), (2.18)

em que Df é a derivada de f, também chamada de matriz Jacobiana de f, k.k é a norma em Rn .

ẏ = Df(x̄(t ))y + ϑ(kyk2 ). (2.19)

O intuito é analisar o comportamento das soluções arbitrárias próximas a x̄. Isso é

ẏ = Df(x̄(t ))y. (2.20)

matriz Jacobiana avaliada no ponto de equilíbrio é dada por

2.5.2.3 Conceito de Variedades de um Sistema Dinâmico

As características de movimento nas proximidades do ponto de equilíbrio podem

σs = {λ t al que Re(λ) < 0},

• Variedade estável W s : formada por um conjunto de pontos x que determinam valores

• Variedade instável W u : de forma análoga, é formada por um conjunto de pontos x que

Nas vizinhanças do ponto de equilíbrio, o espaço Rn é representado pela soma direta

onde s +u +c = n. O primeiro tipo de subespaço E s é estável e relaciona-se com os autovalores

exemplo em (c) é simular ao (a), no entanto as soluções se afastam na superfície formada