Escolar Documentos
Profissional Documentos
Cultura Documentos
Orientadora
2011
517.38 Bessa, Gislene Ramos
B557t Teoria de Estabilidade de Equações Diferenciais Ordinárias e Apli-
cações: modelos presa-predador e competição entre espécies/ Gislene
Ramos Bessa- Rio Claro: [s.n.], 2011.
95 f. : g.
Introdução 17
Conclusão 72
Referências 75
17
1 Sistemas Autônomos e Teoria de
Estabilidade - o caso linear
A maioria das equações diferenciais não pode ser resolvida analiticamente e assim, é
importante considerarmos as informações qualitativas que podem ser obtidas da equa-
ção, sem de fato resolvê-las. Os resultados sobre estabilidade de pontos de equilíbrio
para sistemas não lineares são baseados no comportamento de sistemas lineares com
coecientes constantes associados.
Desta forma, este capítulo é destinado ao estudo de sistemas autônomos lineares,
formalização da teoria clássica de estabilidade e alguns resultados desta teoria. Faremos
também uma breve apresentação dos resultados do estudo dos planos de fase de sistemas
lineares, cuja caracterização das suas soluções estão no apêndice A deste trabalho.
19
20 Sistemas Autônomos e Teoria de Estabilidade - o caso linear
sendo que a última equação decorre das equações (1.1) e (1.2). O sistema dado pelas
equações (1.3) pode ser representado matricialmente por
ẋ = f (t, x) (1.4)
onde ⎡ ⎤ ⎡ ⎤
x1 (t) f1 (t, x1 , ..., xn )
⎢ ⎥ ⎢ ⎥
⎢ x2 (t) ⎥ ⎢ f2 (t, x1 , ..., xn ) ⎥
x(t) = ⎢
⎢ .. ⎥
⎥ e f (t, x) = ⎢
⎢ .. ⎥,
⎥ (1.5)
⎣ . ⎦ ⎣ . ⎦
xn (t) fn (t, x1 , ..., xn )
onde as fi (t, x1 , ..., xn ) são funções denidas em D.
Denição 1.1. Uma solução para o sistema (1.4) em um intervalo da reta I é uma
função vetorial ϕ(t), diferenciável, onde ϕ(t) = (ϕi), i = 1, ..., n e ϕi é denida em
I ⊂ R com valores em R, tal que ϕ satisfaça o sistema (1.4) em I para t ∈ I, (t, ϕ(t)) ∈
D.
Denição 1.2. Um sistema de equações diferenciais de primeira ordem é chamado
de autônomo quando as funções fi, i = 1, ..., n não dependem explicitamente da
variável independente t, mas apenas das variáveis x1, ..., xn, isto é,
⎧
⎪
⎪ ẋ1 = f1 (x1 , ..., xn )
⎪
⎪
⎨ ẋ2 = f2 (x1 , ..., xn )
⎪ ... (1.6)
⎪
⎪
⎪
⎩ ẋ = f (x , ..., x )
n n 1 n
O resultado a seguir nos permite realizar uma translação da solução através de uma
mudança de variável.
Proposição 1.1. Se x(t) é uma solução de (1.6) em I e se h é um número real então
é uma solução de (1.6) com domínio em Ih = {t − h /t ∈ I}.
x(t + h)
Demonstração. Seja x(t) = x(t + h), fazendo s = t + h temos:
d d d d
x(t) = x(s) s(t) = x(s) = f (x(s)) = f (x(t + h)) = f (x(t)),
dt ds dt dt
o que conclui a demonstração.
Observação: A proposição acima não se aplica a sistemas não autônomos, pois neste
caso teríamos
d d
x(t) = x(t + h) = f (x(s)) = f (t + h, x(t + h)) = f (t + h, x(t)) = f (x(t)).
dt dt
As soluções constantes de um sistema autônomo desempenham um papel impor-
tante no estudo do comportamento do sistema, pois as outras soluções tendem a se
Sistemas Autônomos e Estabilidade 21
então
lim ϕ(t) = x.
t→∞
Neste caso, além de se ter estabilidade, a solução que se inicia próxima de x, tende
à x com o passar do tempo.
Denição 1.6. Um ponto crítico x é dito instável se existe ε > 0 de modo que para
todo δ > 0 que se verica
|ϕ(t0 ) − x| < δ,
Figura 1.1: Ponto crítico: (a) estável; (b) assintoticamente estável; (c) instável
ẋ = Ax (1.7)
Note que λ1 − λ2 < 0. Assim, sempre que tivermos c2 = 0, o termo c1 ξ (1) e(λ1 −λ2 )t se
torna desprezível comparado ao termo c2 ξ (2) , para valores sucientemente grandes de t.
Dessa forma, quando t → ∞, as trajetórias no plano de fase tendem à origem e o fazem
tendendo também à reta na direção de ξ (2) . Logo, todas as soluções são tangentes à
reta contendo ξ (2) em direção ao ponto crítico, exceto aquelas que começam exatamente
na reta na direção ξ (1) , como ilustra a gura 1.2.a.
Mostremos, na gura 1.2.b, o esboço de alguns grácos típicos de x1 em função
de t, que ilustra o fato de todas as soluções apresentarem decaimento exponencial no
tempo, se x(0) > 0. O comportamento de x2 em função de t é semelhante.
Se tivermos 0 < λ2 < λ1 , então as trajetórias tem o mesmo padrão da gura 1.2.a
exceto o sentido do movimento, que se afasta da origem. Neste caso, x1 e x2 crescem
exponencialmente (em módulo) como funções de t.
No caso de autovalores reais, distintos e de mesmo sinal a origem é chamada de nó.
É assintoticamente estável se os autovalores são negativos e, instável, se os autovalores
são positivos.
24 Sistemas Autônomos e Teoria de Estabilidade - o caso linear
Figura 1.2: (a) plano de fase típico para autovalores negativos; (b) comportamento típico da
solução x1 em função de t.
(−2 − λ)(−5 − λ) − 4 = 0
ou seja,
λ1 = −1 e λ2 = −6,
−3 −2 −1 1 2 3
−1
−2
−3
Figura 1.4: (a) plano de fase típico para autovalores com sinais diferentes; (b) comportamento
típico da solução x1 em função de t.
Note que para c1 = 0 temos x(t) → (0, 0) quando t → ∞, enquanto que se c2 = 0 temos
|x(t)| → ∞ quando t → ∞. No entanto, para qualquer outra solução ( c1 = 0, c2 = 0)
o termo c2 ξ (2) e−t é desprezível comparado à c1 ξ (1) et e a medida que t cresce, o termo
c1 ξ (1) et é predominante na solução. Portanto, para t → ∞ temos |(x1 , x2 )| → ∞. Logo,
a origem é um ponto de sela.
Análise das soluções e plano de fase 27
6 y
1
x
−6 −5 −4 −3 −2 −1 1 2 3 4 5 6
−1
−2
−3
−4
−5
−6
onde ξ (1) e ξ (2) são autovetores independentes. Note que, a razão x2 (t)/x1 (t) independe
de t mas depende das coordenadas de ξ (1) e ξ (2) e das constantes arbitrárias c1 e c2 ,
isso signica que a trajetória caminha ao longo de uma reta passando pela origem. Se
λ < 0 temos, da equação (1.11), que a solução tende à solução nula quando t tende a
innito e toda trajetória está contida em uma reta contendo a origem. A gura 1.6.a
ilustra as trajetórias e a gura 1.6.b mostra esboço de grácos típicos de x1 em função
de t. A origem recebe o nome de nó próprio ou de ponto estrela.
Figura 1.6: (a) plano de fase típico para autovalores repetidos com 2 autovetores l.i.; (b)
comportamento típico da solução x1 em função de t.
Figura 1.7: (a) plano de fase típico para autovalores repetidos com um autovetor associado;
(b) comportamento típico da solução x1 em função de t.
Vamos determinar então, o vetor η tal que, x(t) = ξte−t + ηe−t seja uma solução para
o sistema dado. Esse vetor η deve satisfazer (A − λI)η = ξ , ou seja,
−5 5 η1 1 0
= =⇒ η= 1
.
−5 5 η2 1 5
ou ainda,
c1 + c2 t
x(t) = e−t .
c1 + c2 (t + 15 )
Fazendo uso de propriedades de limite podemos concluir que (x1 , x2 ) → (0, 0) quando
t → ∞, independentemente das constantes c1 e c2 .
y
5
−5 −4 −3 −2 −1 1 2 3 4 5
−1
−2
−3
−4
−5
(ẋ2 x1 − x2 ẋ1 )
rṙ = x1 ẋ1 + x2 ẋ2 , (sec2 θ)θ̇ = (1.15)
x21
ṙ = αr (1.16)
θ̇ = −β. (1.18)
Figura 1.9: (a) plano de fase típico para autovalores complexos; (b) comportamento típico
da solução x1 em função de t.
Análise das soluções e plano de fase 31
Exemplo 1.4. Vamos determinar a solução geral para o sistema abaixo e descrever
seu comportamento quando t → ∞.
1 −1
ẋ = x
5 −3
λ = −1 ± i.
ou seja,
c1 cos t + c2 sen t
x(t) = e−t .
c1 (2 cos t + sen t) + c2 (2 sen t − cos t)
Essa solução é o produto de uma função limitada (combinação de seno e cosseno) com
uma função que tende a zero quando t tende a innito. Usando propriedades de limite
podemos concluir que x(t) → (0, 0), quando t → ∞.
−5 −4 −3 −2 −1 1 2 3 4 5
−1
−2
−3
−4
−5
ṙ = 0, θ̇ = −β (1.21)
e portanto
r = c, θ = −βt + θ0 (1.22)
Figura 1.11: (a) plano de fase típico para autovalores imaginários; (b) comportamento típico
da solução x1 em função de t.
Análise das soluções e plano de fase 33
Exemplo 1.5. Vamos mostrar que as trajetórias são elipses, quando os autovalores
são imaginários puros. Considere o sistema
ẋ1 α β x1
=
ẋ2 γ δ x2
α + δ = 0, αδ − βγ > 0. (1.23)
Logo,
∂M ∂N
=δ e = −α
∂x2 ∂x1
Como por (1.23) α = −δ , temos que a equação é exata. Assim, existe ψ(x1 , x2 ) tal que
∂ψ ∂ψ
= M (x1 , x2 ) e = N (x1 , x2 ).
∂x1 ∂x2
Temos, então
∂ψ
= γx1 + δx2
∂x1
Integrando em relação a x1 , vem:
γ 2
ψ(x1 , x2 ) = x + δx1 x2 + f (x2 ) (1.25)
2 1
Derivando (1.25) em relação a x2 , temos:
∂ψ
= δx1 + f˙(x2 ) = −(αx1 + βx2 ).
∂x2
Usando (1.23) temos:
Integrando em relação a x2
−β 2
x + k1 ,
f (x2 ) =
2 2
embora a constante k1 não apareça explicitamente na solução nal.
34 Sistemas Autônomos e Teoria de Estabilidade - o caso linear
Assim,
γ 2 β
x1 + δx1 x2 − x22
ψ(x1 , x2 ) = (1.26)
2 2
Sabemos que a solução da EDO é dada implicitamente por ψ(x1 , x2 ) = k , isto é,
Teorema 1.2. Seja o ponto crítico x do sistema linear (1.7) um ponto assintoticamente
estável, então existem constantes positivas k e α tais que
eAt x0 < ke−αt x0 para todo t ≥ 0, x0 ∈ R2. (1.28)
35
36 Estabilidade de Sistemas não Lineares
g(x)
→ 0 quando x → 0 (2.3)
x
Observe que o ponto (x1 , x2 ) = (0, 0) é ponto crítico do sistema dado e det(A) = 0. Os
outros pontos críticos do sistema (2.4) são: (−1, 0), (−1/3, −1), (−2/3, −2). Logo, o
ponto x = (0, 0) é ponto isolado. Vamos vericar então se
⎡ ⎤
g(x1 , x2 ) g1 (x1 , x2 )
→ 0 quando (x1 , x2 ) → (0, 0), onde g(x1 , x2 ) = ⎣ ⎦.
(x1 , x2 ) g2 (x1 , x2 )
Agora,
g1 (x1 , x2 ) = 2x1 x2 e 2x1 x2 → 0 quando (x1 , x2 ) → (0, 0) e
g2 (x1 , x2 ) = x21 − x22 e x21 − x22 → 0 quando (x1 , x2 ) → (0, 0).
Temos então que o sistema atende as condições e portanto é um sistema quase linear
na vizinhança do ponto crítico (0, 0).
A seguir, apresentaremos uma condição suciente para um sistema não linear ser
quase linear no caso bidimensional. Podemos escrever o sistema da equação (2.1) na
forma, ⎧
⎨ ẋ1 = F (x1 , x2 )
(2.5)
⎩ ẋ = G(x , x )
2 1 2
Teorema 2.1. Um sistema do tipo (2.5) será quase linear em uma vizinhança U de
um ponto crítico x sempre que as funções F (x1, x2) e G(x1, x2) forem duas vezes dife-
renciáveis e de classe C 1.
Demonstração. Como F e G são de classe C 1, usando a expansão de Taylor em torno
do ponto x = (x1 , x2 ) temos, para (x1 , x2 ) ∈ U ,
Sistemas Quase Lineares 37
Exemplo 2.2. Mostremos que o sistema não-linear abaixo é quase linear em todo
ponto crítico e vamos determinar o sistema linear correspondente a cada um dos pontos
críticos.
dx1 dx2
= (1 + x1 ) sen(x2 ) = 1 − x1 − cos(x2 ),
dt dt
pois F (x1 , x2 ) = (1+x1 ) sen(x2 ) e G(x1 , x2 ) = 1−x1 −cos(x2 ) são funções diferenciáveis
assim como suas derivadas parciais de primeira ordem,
Fx1 (x1 , x2 ) = sen(x2 ), Fx2 (x1 , x2 ) = (1+x1 ) cos(x2 ), Gx1 (x1 , x2 ) = −1 Gx2 (x1 , x2 ) =
sen(x2 ).
38 Estabilidade de Sistemas não Lineares
⎧ ⎧
⎨ (1 + x1 ) sen(x2 ) = 0 ⎨ sen(x2 ) + x sen(x2 ) = 0 (1)
=⇒
⎩ 1 − x − cos(x ) = 0 ⎩ 1 − cos(x2 ) = x (2)
1 2
x2 = kπ =⇒ x1 = 1 − coskπ
Se k ímpar, k = 2m + 1 → x1 = 2
Logo os pontos críticos são:
P1 = (0, 2mπ), m = 0, 1, 2, ...
P2 = (0, (2m + 1)π) m = 0, 1, 2, ....
Assim,o sistema linear correspondente a cada tipo de ponto crítico é respectiva-
mente:
⎛ ⎞⎛ ⎞
1 −1 x1
ẋ = ⎝ ⎠⎝ ⎠ , m = 0, 1, 2, ... e
−1 0 x2 − 2mπ
⎛ ⎞⎛ ⎞
−1 3 x1 − 2
ẋ = ⎝ ⎠⎝ ⎠ , m = 0, 1, 2, ....
−1 0 x2 − (2m + 1)π
Vimos até aqui que o sistema linear é uma boa aproximação para o sistema não-
linear (quase linear) numa vizinhança do ponto de equilíbrio. Agora vamos ver como
se relacionam as trajetórias e a estabilidade do sistema quase linear e o linear corres-
pondente. O teorema a seguir nos apresenta esse resultado.
Teorema 2.2. Linearização: Seja x = 0 um ponto crítico dos sistema quase linear (2.5)
e do sistema linear (2.7) correspondente. Então:
1. Se x é um ponto assintoticamente estável do sistema linear correspondente, então x
é um ponto assintoticamente estável do sistema quase linear;
2. Se x é um ponto instável do sistema linear correspondente, então x é um ponto
instável do sistema (2.5).
Demonstração. (1.) Inicialmente vamos fazer uma mudança de variável conveniente
y(t) = x(t0 ) − x(t), de modo que o ponto de equilíbrio x de ẋ = f (x) corresponda ao
ponto de equilíbrio y = (0, 0) do sistema
Como o sistema (2.5) é quase linear, temos que f (x) é de classe C 1 . Assim, aplicando
a expansão de Taylor na função f (y(t) + x) em torno do ponto x obtemos:
d
f (y(t) + x) = f (x) + f (x)y + g(y) (2.9)
dt
onde g(y) satisfaz
d
g(0, 0) = 0 eg(0, 0) = 0. (2.10)
dt
Como f (x) = 0, a equação (2.8) pode ser reescrita como
d
ẏ = f (x)y + g(y). (2.11)
dt
Vamos mostrar que a solução nula, y(t) = 0 da equação (2.11) é assintoticamente
estável.
Note que, do fato do sistema (2.8) ser quase linear e do Teorema do Valor Médio
temos que, para algum m > 0, existe um ε > 0 tal que
Retornando à equação (2.11), suponha que y(t) é uma solução satisfazendo a condição
inicial y(0, 0) = y 0 . Se olharmos para g(y(t)) como uma função de t então, usando a
fórmula da Variação das Constantes (ver Apêndice C) temos:
t
At 0
y(t) = e y (t) + eA(t−s) g(y(s))ds. (2.13)
0
Para concluir a demonstração, escolha δ > 0 tal que kδ < ε. Assim, |y(t)| < ε sempre
que α − km > 0, o que prova a estabilidade de y(t). Ainda pela equação (2.17),
concluímos que |y(t)| → 0 quando t → ∞. Logo, o ponto de equilíbrio y = (0, 0) é
assintoticamente estável.
(2.) Ver Hale [6].
Este teorema nos mostra que podemos estudar a estabilidade de um ponto crítico de
um sistema quase linear através de um estudo da estabilidade do sistema linear corres-
pondente. Em apenas uma situação a estabilidade de um ponto crítico é indeterminada,
que é quando temos um centro (isso ocorre quando temos autovalores imaginários pu-
ros). Para as outras situações de autovalores, a estabilidade de um ponto crítico em
relação aos dois sistemas são as mesmas. Já, em relação a classicação do ponto crítico,
observamos alterações em dois casos: quando os autovalores são imaginários puros e
quando são reais e iguais.
O exemplo a seguir nos mostra a variação da estabilidade de sistema quase linear
quando os autovalores do sistema linear correspondente são imaginários puros.
Exemplo 2.3. Vamos estudar a estabilidade próximo ao ponto (0, 0) dos sistemas
abaixo.
⎧ ⎧
⎪ dx1 ⎪ dx1
⎨ = x2 + x1 (x21 + x22 ) ⎨ = x2 − x1 (x21 + x22 )
(i) dt (ii) dt
⎪
⎩ dx2 = −x + x (x2 + x2 ) ⎪
⎩ dx2 = −x − x (x2 + x2 )
1 2 1 2 1 2 1 2
dt dt
Observe que (0, 0) é ponto crítico de cada um dos sistemas acima. De fato,
Sistema (i)
⎧ ⎧
⎨ x2 + x1 (x21 + x22 ) = 0 ⎨ x22 + x1 x2 (x21 + x22 ) = 0
=⇒
⎩ −x + x (x2 + x2 ) = 0 ⎩ x2 − x x (x2 + x2 ) = 0
1 2 1 2 1 1 2 1 2
Note que cada um dos sistemas dado é quase linear. Usando o teorema (2.1) temos:
sistema (i) ⇒ As funções F (x1 , x2 ) = x2 + x1 (x21 + x22 ) e G(x1 , x2 ) = −x1 + x2 (x21 + x22 )
são funções polinomiais e portanto de classe C 2 . Logo, o sistema é quase linear na
vizinhança de x.
Com os mesmos argumentos, concluímos que o sistema (ii) também é quase linear.
Para estudarmos a estabilidade de x , fazemos inicialmente,
dr dx1 dx2
r2 = x21 + x22 , r > 0, r = x1 + x2 (2.18)
dt dt dt
Sistema (i)
⎧ ⎧
⎪ dx1 ⎪ dx1
⎨ = x2 + x1 (x21 + x22 ) ⎨ x1 = x1 x2 + x21 (x21 + x22 )
dt =⇒ dt
⎪
⎩ dx2 = −x + x (x2 + x2 ) ⎪
⎩ x dx2 = −x x + x2 (x2 + x2 )
1 2 1 2 2 1 2 2 1 2
dt dt
Somando as equações,
dx1 dx2 dr dr
x1 + x2 = (x21 + x22 )2 ⇒ r = r4 ⇒ = r3 .
dt dt dt dt
Resolvendo a EDO, temos
−2
r 1 1 1
r−3 dr = dt ⇒ = t+c ⇒ 2 = −2t+k ⇒ r2 = ⇒ r=
−2 r −2t + k −2t + k
1 1
Para o PVI, t = 0 e r = r0 > 0, vem r0 = √ , k > 0 ⇒ k = 2 .
k r0
Logo,
1 1 1
r(t) = , onde − 2t + 2 > 0 ⇒ t < 2 .
1 r0 2r0
−2t + 2
r0
1
Assim, quando t → 2 , r(t) → ∞. Logo, r(t) torna-se ilimitada na vizinhança
2r0
de (0, 0).
Portanto, x é instável.
Sistema (ii)
⎧ ⎧
⎪ dx1 ⎪ dx1
⎨ = x2 − x1 (x21 + x22 ) ⎨ x1 = x1 x2 − x21 (x21 + x22 )
dt =⇒ dt
⎪
⎩ dx 2 ⎪
⎩ x dx 2
= −x1 − x2 (x21 + x22 ) 2 = −x1 x2 − x22 (x21 + x22 )
dt dt
Somando as equações,
dx1 dx2 dr dr
x1 + x2 = (x21 + x22 )(−x21 − x22 ) ⇒ r = r2 (−r2 ) ⇒ = −r3 .
dt dt dt dt
dr
Como r > 0 temos que < 0. Resolvendo a EDO, temos
dt
42 Estabilidade de Sistemas não Lineares
−r−2 1 1 −k
r−3 dr = −dt ⇒ = −t + c ⇒ 2 = 2t + k ⇒ r = , t> .
−2 r 2t + k 2
Para o PVI, t = 0 e r = r0 > 0, vem
1 1
r0 = √ , k > 0 ⇒ k = 2 .
k r0
1
Logo, r(t) = e quando t → ∞, r(t) → 0.
1
2t + 2
r0
Portanto, x é assintoticamente estável para o sistema (ii).
ẋ = f (x), (2.19)
x1 F (x1 , x2 )
onde x = e f (x) = .
x2 G(x1 , x2 )
(ii) denida positiva (denida negativa) se V (0, 0) = 0 e V (x1 , x2 ) > 0 (V (x1 , x2 ) <
0), ∀ (x1 , x2 ) ∈ Ω\{(0, 0)}.
Exemplo 2.4. A função V (x1, x2) = x21 + x22 é denida positiva pois x21 + x22 = 0 ⇐⇒
(x1 , x2 ) = (0, 0) e x21 + x22 > 0 ∀ (x1 , x2 ) ∈ R2 , (x1 , x2 ) = (0, 0).
Já a função V (x1 , x2 ) = (x1 + x2 )2 é semidenida positiva pois V (x1 , x2 ) = 0 na reta
x2 = −x1 e V (x1 , x2 ) > 0 ∀ (x1 , x2 ) ∈ R2 , (x1 , x2 ) = (x1 , −x1 ).
A função V (x1 , x2 ) = −x21 é semidenida negativa uma vez que V (x1 , x2 ) ≤ 0 ∀ (x1 , x2 )
∈ R2 . Note que V (x1 , x2 ) = 0 ∀ (x1 , x2 ) = (0, x2 ) ∈ R2 .
∂V ∂V
V̇ (ϕ(t)) = (ϕ(t))ẋ1 (t) + (ϕ(t))ẋ2 (t)
∂x1 ∂x2
ou ainda,
V̇ (ϕ(t)) = ∇V (ϕ(t)) · f (ϕ(t)) (2.20)
onde f (x1 , x2 ) = F (x1 , x2 ) G(x1 , x2 ) , ou seja, V̇ é o produto interno do gradiente
de V e f (x1 , x2 ).
Vejamos as possibilidade de estabilidade para x = (0, 0)
Teorema 2.3. Lyapunov: Seja x = (0, 0) um ponto crítico isolado do sistema (2.19)
em Ω e seja V de classe C 1 uma função denida positiva em Ω.
(i) Se V̇ (x1 , x2 ) ≤ 0, ∀ (x1 , x2 ) ∈ Ω\{(0, 0)}, então (0, 0) é estável;
(ii) Se V̇ (x1 , x2 ) < 0, ∀ (x1 , x2 ) ∈ Ω\{(0, 0)}, então (0, 0) é assintoticamente estável;
(iii) Se V̇ (x1 , x2 ) > 0, ∀ (x1 , x2 ) ∈ Ω\{(0, 0)}, então (0, 0) é instável.
Demonstração. (i) Seja V uma função denida positiva. Tome ε > 0 suciente-
mente pequeno de modo que B = {(x1 , x2 ) ∈ R2 ; (x1 , x2 ) < ε} ⊂ Ω e seja
k = min{V (x1 , x2 ); (x1 , x2 ) = ε}, que é positivo pois V é positiva denida. Pela con-
tinuidade de V , existe δ com 0 < δ < ε tal que Bδ (x) ⊂ B e V (x1 , x2 )) < k, ∀ (x1 , x2 ) ∈
Bδ (x). Vamos mostrar que a solução constante x(t) = x iniciada na bola de raio δ são
estáveis, isto é,
ϕ(t0 ) − x < δ =⇒ ϕ(t) − x < ε, ∀ t > 0. (2.21)
Seja t = min{s ∈ (0, t]; ϕ(s) − x ≥ ε}, assim temos V (x(t)) ≥ k . Por hipótese
V̇ ≤ 0, ou seja, V é não crescente ao longo das soluções, logo, V (x(t)) ≤ V (x(t0 )) ≤
k =⇒ V (x(t)) < k , o que é uma contradição. Assim, o ponto x é estável.
Os outros itens podem ser encontrados em [6].
44 Estabilidade de Sistemas não Lineares
Teorema 2.4. Suponha que a origem seja um ponto crítico isolado do sistema autô-
nomo (2.19). Seja V uma função de classe C 1. Se existe um domínio limitado Dk , k
constante, contendo a origem, onde V (x1, x2) < k, V é denida positiva e V̇ é denida
negativa, então toda solução do sistema (2.19) que começa em um ponto em Dk tende
à origem quando t tende à ∞.
Demonstração. A demonstração pode ser vista em Boyce [4].
Demonstração. De fato,
Teoria de Estabilidade segundo Lyapunov 45
(0, 0) é instável.
Já para o sistema (ii) temos:
V̇ (x1 , x2 ) = Vx1 ẋ1 + Vx2 ẋ2
= 2x1 [x2 − x1 (x21 + x22 )] + 2x2 [−x1 − x2 (x21 + x22 )]
= 2x1 x2 − 2x21 (x21 + x22 ) − 2x1 x2 − 2x22 (x21 + x22 )
= −2(x21 + x22 ) = 0 (V̇ (x1 , x2 ) < 0 ∀(x1 , x2 ) ∈ Ω \ (0, 0) e V̇ (0, 0) = 0)
Logo,V̇ é denida negativa, portanto pelo teorema de Lyapunov, o ponto crítico
(0, 0) é assintoticamente estável.
Dessa forma, nos casos onde os autovalores são imaginários puros, como é o caso do
exemplo 2.3, o Método de Lyapunov pode ser útil para conclusão sobre a estabilidade
do ponto de equilíbrio.
Vamos construir uma função de Lyapunov V (x1 , x2 ) = Ax21 + Bx1 x2 + Cx22 tal que V
é denida positiva (V (x1 , x2 ) > 0 e V (0, 0) = 0) e V̇ é denida negativa (V̇ (x1 , x2 ) <
0 e V̇ (0, 0) = 0). Observe que V̇ (x1 , x2 ) = −x21 − x22 é denida negativa. Mas, V̇ (x1 , x2 )
deve satisfazer V̇ (x1 , x2 ) = Vx1 ẋ1 + Vx2 ẋ2 . Assim,
V̇ (x1 , x2 ) = Vx1 ẋ1 + Vx2 ẋ2
= (2Ax1 + Bx2 )(ax1 + bx2 ) + (Bx1 + 2Cx2 )(cx1 + dx2 )
= (2aA + cB)x21 + (bB + 2dC)x22 + (2bA + aB + dB + 2cC)x1 x2 .
Como queremos V̇ (x1 , x2 ) = −x21 − x22 segue
(2aA + cB)x21 + (bB + 2dC)x22 + (2bA + aB + dB + 2cC)x1 x2 = −x21 − x22 .
Resolvendo o sistema encontramos,
Vamos mostrar que V (x1 , x2 ) = Ax21 + Bx1 x2 + Cx22 é denida positiva, usando o
teorema2.5. Assim, precisamos mostrar que A > 0 4AC − B 2 > 0.
Por (2.29) segue que A > 0. Agora,
2 2
! 2 2
! !2
c + d + (ad − bc) a + b + (ad − bc) bd + ac
4AC − B 2 = 4 − − −
2Δ 2Δ Δ
F1 (x1 , x2 ) G1 (x1 , x2 )
→ 0 e → 0 quando, r = (x21 + x22 )1/2 −→ 0.
r r
Isso signica que, dado ε > 0 existe uma bola aberta de raio R centrado na origem tal
que, se 0 < r < R então
Tome
M = max{|2A|, |B|, |2C|}. (2.34)
Vamos mostrar que dado ε > 0, R pode ser escolhido de modo a ter V̇ < 0 para
r < R.
Fazendo
x1 = r cos(θ)
(2.35)
x2 = r sen(θ)
e substituindo em (2.32) vem,
V̇ (x1 , x2 ) = −r2 + (2Ar cos(θ) + Br sen(θ))F1 (x1 , x2 ) + (Br cos(θ)
+2Cr sen(θ))G1 (x1 , x2 ).
Note que,
r[(2A cos(θ) + B sen(θ))F1 v + (B cos(θ) + 2C sen(θ))G1 (x1 , x2 )] ≤
|r|{ [ |2A|| cos(θ)| + |B|| sen(θ)|]|F1 (x1 , x2 )| + [|B|| cos(θ)| + |2C|| sen(θ)|]|G1 (x1 , x2 )| } ≤
Assim,
V̇ ≤ −r2 + 2rM [|F1 (x1 , x2 )| + |G1 (x1 , x2 )|]
1 r r
Tomando ε = , por (2.33), ∃ R tal que |F1 (x1 , x2 )| < e |G1 (x1 , x2 )| < .
4M 4M 4M
Teorema de Linearização via Função de Lyapunov 49
Vamos mostrar que V (x, y) = Ax2 + Bxy + Cy 2 , com A, B e C dados por (2.38) é
denida positiva, isto é, A > 0 e 4AC − B 2 > 0.
Note que,
c2 + d2 + (ad − bc)
A= > 0, pois a + d > 0 e ad − bc > 0.
2(a + d)(ad − bc)
Agora
50 Estabilidade de Sistemas não Lineares
! ! !2
2 c2 + d2 + (ad − bc) a2 + b2 + (ad − bc) bd + ac
4AC − B = 4 − −
2Δ 2Δ Δ
F1 (x1 , x2 ) G1 (x1 , x2 )
→ 0 e → 0 quando r = (x21 + x22 )1/2 −→ 0
r r
Isso signica que, dado ε > 0 existe uma bola aberta de raio R centrado na origem tal
que, se 0 < r < R então
Tomando
M = max{|2A|, |B|, |2C|}, (2.41)
vamos mostrar que dado ε > 0, R pode ser escolhido de modo a ter V̇ > 0 para r < R.
Fazendo
x1 = r cos(θ)
(2.42)
x2 = r sen(θ)
e substituindo em (2.39) vem,
V̇ (x1 , x2 ) = r2 + [2Ar cos(θ) + Br sen(θ)]F1 (x1 , x2 ) + [Br cos(θ) + 2Cr sen(θ)]G1 (x1 , x2 )
Nos ecossistemas, a interação entre duas espécies distintas varia de acordo com o
tipo dos efeitos que uma espécie causa sobre a outra espécie. De acordo com o tipo de
interação podemos ter: (i) simbiose ou mutualismo, quando ambas espécies se bene-
ciam com a presença da outra; (ii) presa-predador, quando uma espécie (predador) se
benecia com a presença da outra (presa), enquanto que a segunda é afetada pela pre-
sença da primeira(predador); (iii) competição, caracterizada por ambas espécies serem
afetadas com a presença da outra [7].
Neste capítulo apresentaremos dois modelos clássicos em Dinâmica Populacional,
envolvendo as interações (ii) e (iii), apresentados inicialmente por Lotka e Volterra,
por volta de 1925-1926, e mais tarde estudados por Gause, em 1934.
3.1 Presa-Predador
Este modelo trata de duas espécies dividindo um ambiente fechado, onde uma das
espécies (presas) dispõe de alimento em abundância e a outra espécie (predador) se
alimenta da primeira. Vale ressaltar que um modelo representado por apenas duas
populações não descreve os complexos relacionamentos existentes na natureza mas, o
estudo desses modelos simples é o primeiro passo para que possamos compreender os
fenômenos mais complicados.
Denotaremos a população de presas por x e a população de predadores por y. Ambas
populações variam com o tempo e seus crescimentos dependem de suas respectivas taxas
de natalidade e mortalidade.
Suponhamos que, na ausência dos predadores, a população de presas cresça ilimi-
tadamente e que os predadores, na ausência das presas, sejam extintos (por falta de
alimento morrerão). Se a principal causa de mortalidade das presas for atribuída ao
ataque dos predadores, então a taxa de mortalidade das presas será proporcional ao
53
54 Os Modelos Presa-Predador e Competição entre Espécies análise de estabilidade
0
• λ2 = −b < 0 =⇒ ξ (2) =
1
A sua solução geral é dado por
u 1 0
= c1 eat + c2 e−bt
v 0 1
Logo, a origem é um ponto de sela e portanto instável para o sistema (3.3). Pelo
teorema (2.2) temos que P1 é também um ponto instável para o sistema (3.1).
(ii) Para a vizinhança do ponto P2 = ( βb , αa ) temos o seguinte sistema linear:
⎛ ⎞ ⎛ α ⎞⎛ ⎞
0 −b
d ⎝ u ⎠ ⎜ β ⎟ u
=⎝ ⎠⎝ ⎠, (3.4)
dt v β v
a 0
α
√
cujos autovalores são: λ = ±i ab.
Neste caso, o ponto crítico é um centro (estável) do sistema (3.4). Para obtermos
a equação que dene as trajetórias no plano uv faremos:
β
dv −a u α β α β
= αα =⇒ b vdv + a udu = 0 =⇒ b v 2 + a u2 = k, onde k > 0.
du b v β α β α
β
Logo, as trajetórias do sistema (3.4) são elipses.
Pelo teorema (2.2), quando o ponto crítico é um centro do sistema linear corres-
pondente temos que a estabilidade desse ponto crítico para o sistema quase linear é
indeterminada, podendo ser um centro ou uma espiral.
Mas, nesta situação, esta indeterminação pode ser resolvida encontrando as tra-
jetórias do sistema (3.1). Para isso, vamos calcular dy/dx o que resulta na seguinte
equação:
dy y(−b + βx)
= (3.5)
dx x(a − αy)
A equação (3.5) pode ser resolvida usando o método de variáveis separáveis. Assim,
obtemos:
−b a b a
dx + β = dy − α =⇒ − β dx + − α dy = 0
x y x y
b ln x − βx + a ln y − αy = k (3.6)
Podemos mostrar que o gráco da função que satisfaz a equação (3.6) é uma curva
fechada e portanto, o ponto crítico ( βb , αa ) também é um centro para o sistema (3.1).
Nas referências bibliográcas, essa propriedade em geral é ilustrada através do método
geométrico de Volterra. Apresentaremos também, uma demonstração algébrica do fato.
56 Os Modelos Presa-Predador e Competição entre Espécies análise de estabilidade
onde a constante c pode ser determinada em função das condições iniciais (x0 , y0 ) e é
dada por
c = xb0 y0a e−βx0 e−αy0 . (3.8)
Inicialmente, precisamos garantir que a curva não possui auto intersecção, ou seja,
é regular.
Seja γ(t) a trajetória do sistema (3.1) no plano xy . Para (x0 , y0 ) = ( βb , αa ) e distinto
de (0, 0), temos
γ(t) = (x(t), y(t)) e γ̇(t) = (ẋ(t), ẏ(t)) = (0, 0) . Portanto, a curva γ(t) é regular.
Mostremos agora que a curva γ(t) é fechada. Sejam t1 = t2 pontos quaisquer tais
que
P1 = γ(t1 ) = (x(t1 ), y(t1 ))
P2 = γ(t2 ) = (x(t2 ), y(t2 ))
Usando (3.6) temos
⎧
⎨ a ln y(t1 ) − αy(t1 ) + b ln x(t1 ) − βx(t1 ) = k
(3.9)
⎩ a ln y(t ) − αy(t ) + b ln x(t ) − βx(t ) = k
2 2 2 2
Assim, usando (3.7), temos que P1 e P2 são pontos da trajetória se, e somente se
a b
α(y(t2 )−y(t1 )) y(t1 ) β(x(t1 )−x(t2 )) x(t2 )
e =e . (3.10)
y(t2 ) x(t1 )
Observe que x(t2 ) = x(t1 ) e y(t2 ) = y(t1 ) satisfaz a relação (3.10), ou seja, ∃ t1 , t2 , t1 =
t2 tal que γ(t1 ) = γ(t2 ). Como a curva não tem auto intersecção, ela é fechada.
2. Geométrico: (Conforme consta em Bassanezi [3].) Faremos uma ilustração
geométrica das curvas representadas pela equação (3.6), onde usaremos um método
gráco dado por Volterra, para traçarmos um esboço das trajetórias para a constante
c, xa.
Inicialmente introduzimos uma variável auxiliar z :
1b
1
z = a ln y − αy z = −b ln(kx) + βx, k = . (3.11)
c
Observe que:
dz a dz a d2 z a
= − α =⇒ = 0 ⇐⇒ y = , e ainda 2 = − 2 < 0.
dy y dy α dy y
a a
Portanto para y = , z atinge o valor máximo a ln − 1 .
α α
58 Os Modelos Presa-Predador e Competição entre Espécies análise de estabilidade
dz
Fazendo o mesmo para obtemos:
dx
dz b dz b d2 z b
= − + β =⇒ = 0 ⇐⇒ x= , e ainda 2
= 2 > 0.
dx x dx β dx x
b cb
Logo, para x = , z atinge o valor mínimo, b 1 − ln . Desta forma, a população
β β
de x deve variar entre um valor mínimo x1 e um valor máximo x2 , soluções de
a
a ln − 1 = −b ln x − βx.
α
O mesmo ocorre com a população y , variando entre as duas soluções de
cb
b 1 − ln = a ln y − αy.
β
Agora, existem constantes k e θ tais que, para c1 = 0, a equação (3.14) possa ser escrita
como:
kb √
u(t) = cos( ab t + θ) (3.15)
β
Presa-Predador 59
onde,
kb −kb βc1 −βc2
c1 = cos θ e c2 = sen θ =⇒ k = e k= =⇒
β β b cos θ b sen θ
βc1 −βc2 c1 −c2 −c2 −c2
= =⇒ = =⇒ tg θ = =⇒ θ = arctg .
b cos θ b sen θ cos θ sen θ c1 c1
−bα
Como u̇ = v obtemos v , usando a equação (3.15).
β
a b √
v(t) = k sen( ab t + θ). (3.16)
α a
a dx
• Para y < temos > 0, o número de presas aumenta devido ao baixo número de
α dt
a dx
predadores. Já para y > temos < 0, ou seja, número de presas diminui quando
α dt
o número de predadores é grande;
dy a
• Temos também que > 0 se x > , pois com alimentação (presa) em grande
dt α
60 Os Modelos Presa-Predador e Competição entre Espécies análise de estabilidade
a dy
quantidade o número de predadores aumenta, enquanto que para x < tem-se <0
α dt
já que com um número baixo de alimento (presa) o número de predadores diminui.
onde a, c são as taxas de crescimento das duas espécies e a/b e c/d são seus níveis de
saturação. Mas, quando ambas espécies estão presentes, temos que cada uma afeta o
suprimento de comida disponível para a outra. A expressão mais simples para reduzir
a taxa de crescimento da espécie x devido à presença da espécie y é substituir o fator
de crescimento (a − bx) na primeira equação de (3.19) por (a − bx − αy), onde α é
a medida de grau de interferência da espécie y sobre a espécie x. De modo análogo,
substituindo (c − dy) na segunda equação de (3.19) por (c − dy − βx) obtemos o sistema
ẋ = x(a − bx − αy)
(3.20)
ẏ = y(c − dy − βx)
Buscar uma solução onde a competição entre duas espécies leva a um estado de equilí-
brio de coexistência que nem sempre é possível. Em alguns casos, a competição resulta
Competição entre Espécies 61
na extinção de uma das espécies. Para compreender como isso ocorre e aprender a
prever qual situação prevalecerá vamos estudar os possíveis casos, dependendo da ori-
entação das isóclinas de x e y , que são as retas onde ẋ e ẏ se anulam, respectivamente.
Vamos denotar por r1 e r2 as isóclinas de x e y , respectivamente.
r1 : a − bx − αy = 0
r2 : c − dy − βx = 0
Para obtermos os pontos críticos fazemos
x(a − bx − αy) = 0 =⇒ x = 0 ou a − bx − αy = 0
e assim, temos o seguinte:
y(c − dy − βx) = 0 =⇒ y = 0 ou c − dy − βx = 0
ad − cα
P1 = (0, 0, ), P2 = (a/b, 0), P3 = (0, c/d) e P4 = (x, y), onde x = e
bd − αβ
cb − aβ
y= , bd − αβ = 0.
bd − αβ
Figura 3.3: Existência do ponto de equilíbrio de coexistência. (a) condições do caso (i); (b)
condições do caso (ii).
Figura 3.4: Duas situações (casos iii e iv) onde P4 não existe do ponto de vista biológico.
Figura 3.5: Duas situações (casos v e vi) onde P4 não existe do ponto de vista biológico.
64 Os Modelos Presa-Predador e Competição entre Espécies análise de estabilidade
Observe que os quatro resultados onde o ponto P4 não existe, podem ser resumidos
a dois, pois as condições encontradas são duas a duas iguais, exceto na localização do
ponto P4 , que nos dois primeiros pertence ao quarto quadrante, já nos dois últimos
pertence ao segundo quadrante.
Vamos fazer os estudo dos sinais de ẋ e ẏ para "suspeitarmos"da estabilidade dos
pontos críticos.
• P1 = (0, 0)
Competição entre Espécies 65
cujos autovalores são a e c, ambos positivos. Logo, o ponto crítico (0,0) é instável,
independente dos parâmetros do sistema.
• P2 = (a/b, 0)
Usando o sistema (3.21) temos,
⎛ ⎞ ⎛ a a ⎞⎛ ⎞
a − 2b −α
d ⎝ u1 ⎠ ⎜ b b ⎟ u 1
=⎝ ⎠⎝ ⎠ (3.23)
dt a
u2 0 c−β u2
b
a a
Os autovalores são: λ1 = a − 2b = −a < 0 e λ2 = c − β .
b b
Observe que:
a c
(1) λ2 > 0 =⇒ < ;
b β
a c
(2) λ2 < 0 =⇒ > .
b β
a c
Assim para as casos onde < temos que P2 é ponto de sela. Enquanto que, para
b β
a c
os que > , P2 é assintoticamente estável.
b β
• P3 = (0, c/d)
Usando (3.21) temos,
⎛ ⎞ ⎛ c ⎞⎛ ⎞
u1 a−α 0 u1
⎠=⎜ ⎟⎝
d ⎝ d
⎝ ⎠ ⎠ (3.24)
dt c c
u2 −β c − 2d u2
d d
c c
Os autovalores são: λ1 = c − 2d = −c < 0 e λ2 = a − α .
d d
a c a c
Logo, λ2 > 0 =⇒ > e λ2 < 0 =⇒ < .
α d α d
a c
Assim para as casos onde < temos que P3 é assintoticamente estável e, para
α d
a c
os que > , P3 é ponto de sela e portanto instável.
α d
Resolvendo-a, encontramos:
"
−(bx + dy) ± (bx + dy)2 − 4(bd − αβ)xy
λ=
2
Observe que:
∗ Se bd − αβ < 0 então a expressão da raiz é positiva e maior que (bx + dy)2 . Logo,
os autovalores são distintos com sinais contrários. Portanto, o ponto crítico P4 é um
ponto de sela, o que representa em nosso estudo biológico que a coexistência pode não
ser possível.
∗ Se bd − αβ > 0 temos ainda que a expressão da raiz é positiva mas menor que
(bx + dy)2 . De fato, pois
(bx + dy)2 − 4(bd − αβ)xy = (bx)2 + 2bdxy + (dy)2 − 4bdxy + 4αβxy
67
68 Variações do modelo clássico presa-predador
Assim, resolvendo
c a oac
sistema
(4.3) encontramos os pontos de equilíbrio P1 = (0, 0), P2 =
(k, 0) e P3 = , − .
d b bdk
Analisando a estabilidade dos pontos de equilíbrios encontrados temos:
• Para P1 = (0, 0) temos:
⎧
a 0 ⎨ λ1 = a > 0
J(0, 0) = ⇒
0 −c ⎩ λ = −c < 0
2
c
Dessa forma se k > o ponto de equilíbrio P2 = (k, 0) é um ponto de sela, portanto
d
c
instável. Enquanto que, para k < , P2 = (k, 0) é assintoticamente estável.
d
c a ac
• Para P3 = , − .
d b bdk
⎛ ⎞
ac bc
c a −
ac ⎜ dk d ⎟
J , − =⎜ ⎝
⎟
⎠ (4.4)
d b bdk ad ac
− 0
b bk
Observe que:
c
• Se k < então o termo da raiz quadrada é um número real positivo e maior do que
d
o primeiro termo da expressão (4.5). Logo, o ponto de equilíbrio é um ponto de sela,
instável.
c
• Se k > temos que os autovalores são números reais negativos ou complexos con-
d c a ac
jugado com parte real negativa. Logo o ponto de equilíbrio P3 = , − é
d b bdk
assintoticamente estável.
rdk
λ2 + λ + (rdk − cr) = 0,
c
e encontramos % 2
rdk rdk
− ± − 4(rdk − cr)
c c
λ= (4.11)
2
Dessa forma temos:
c
• Se dk − c > 0 ⇒ k > temos que o termo da raiz quadrada é positivo e menor do
d
que o primeiro termo da expressão (4.11) ou um número complexo. Logo, os autovalo-
c rdk r
res possuem parte real negativa e portanto o ponto de equilíbrio P3 = , −
d bc b
é assintoticamente estável;
• Se dk − c < 0 temos que o termo da raiz quadrada é positivo e maior do que o termo
rdk
. Logo, os autovalores possuem sinais contrários e portanto o ponto de equilíbrio
c
c rdk r
P3 = , − é um ponto de sela, instável.
d bc b
No modelo clássico temos o ponto de equilíbrio trivial P1 = (0, 0), que é do tipo
sela, e o ponto P2 que indica a possibilidade de coexistência das duas populações, já
que é um centro. No entanto, para o modelo que considera o crescimento logístico das
presas, surge um terceiro ponto de equilíbrio P = (k, 0), onde k é a capacidade suporte
do meio, cujo tipo de estabilidade depende de parâmetros do modelo. Além disso, o
ponto de equilíbrio de coexistência das duas populações não é mais um centro, podendo
ser instável ou assintoticamente estável. Já o modelo de Schoener também possui três
pontos de equilíbrio, sendo que o ponto (0, 0) passa a ser assintoticamente estável.
Assim, o estudo dessas duas variações para o modelo presa-predador mostra que a
mudança na hipótese de crescimento das presas gera alterações signicativas, tanto no
número de pontos de equilíbrio quanto na estabilidade dos mesmos.
Conclusão
Ao desenvolver este trabalho pudemos perceber que sistemas de equações diferencias
estão presentes em modelagens nas mais diversas áreas, embora nesse texto optamos
por apresentar somente modelos de Dinâmica Populacional. O estudo da teoria de
estabilidade se torna muito útil, uma vez que quase sempre não é possível obter uma
expressão analítica para solução. Dessa forma, obter informações qualitativas da solu-
ção é importante para conhecermos o comportamento do sistema.
Discutimos duas técnicas para o estudo de estabilidade: linearização e de Lyapunov.
Com a primeira, nada concluímos quando o ponto de equilíbrio é um centro para o
sistema linear. No entanto, a segunda pode ser aplicada a qualquer sistema autônomo
apesar da inexistência de um método para determinarmos a função de Lyapunov.
Ao estudarmos as variações para o modelo presa-predador percebemos que pequenas
alterações nos parâmetros causam mudanças signicativas nos pontos de equilíbrio e
na estabilidade desses pontos.
73
Referências
[1] SCHOENER, T. W. Population growth reulated by intraspecic competition for
p. 5684, 1973.
[2] LEAH, E.-K. Mathematical Models in Biology . 1. ed. Vancouver: Society for Indus-
S.A., 2006.
[5] HALE, J. K. Ordinary Dierential Equations . 2. ed. Florida: Robert and Krieger
[6] HALE, J.; KOÇAK, H. Dynamics and Bifurcations . 1. ed. New York: Springer-
Verlag, 1991.
[7] MAY, R. M. Stability and Complexity in model Ecosystems . 2. ed. Princeton, New
[9] ZILL, D. G.; MICHAEL, R. Equações Diferenciais - vol.2 . 3. ed. São Paulo: Pearson
[10] BRAUN, M. Equações Diferenciais e suas aplicações . 1. ed. Rio de Janeiro: Cam-
75
A Sistemas de Equações Diferenciais
Ordinárias Lineares de ordem n
Uma Equação Diferencial Ordinária (EDO) de ordem n (n ≥ 2), em geral pode ser
representada por
y (n) = F (t, y, . . . , y (n−1) ). (A.1)
Através da mudança de variável
x1 = y, x2 = ẏ, x3 = ÿ, . . . , xn = y (n−1) , (A.2)
a equação pode ser escrita na forma de um sistema de EDO's:
⎧
⎪
⎪ ẋ1 = x2
⎪
⎪
⎪
⎪
⎪
⎨ ẋ2 = x3
. .. (A.3)
⎪
⎪
⎪
⎪
⎪
⎪ ẋn−1 = xn
⎪
⎩ x˙
n = F (t, x1 , x2 , . . . , xn )
77
78 Sistemas de Equações Diferenciais Ordinárias Lineares de ordem n
Se cada uma das funções F1 , F2 , . . . , Fn nas equações (A.4) é uma função linear das
variáveis dependentes x1 , x2 , . . . , xn , então o sistema de equações é dito linear e caso
contrário, é não linear. Nesse momento, nosso objeto de estudo são os sistemas lineares
e assim, vamos reescrever o sistema (A.4) na forma,
⎧
⎪
⎪ ẋ1 (t) = a11 (t)x1 (t) + a12 (t)x2 (t) + . . . + a1n (t)xn (t) + g1 (t)
⎪
⎪
⎨ ẋ2 (t) = a21 (t)x1 (t) + a22 (t)x2 (t) + . . . + a2n (t)xn (t) + g2 (t)
.. (A.5)
⎪
⎪ .
⎪
⎪
⎩
ẋn (t) = an1 (t)x1 (t) + an2 (t)x2 (t) + . . . + ann (t)xn (t) + gn (t)
Se gi (t) = 0, ∀i, i = 1, ..., n, o sistema (A.5) é dito homogêneo , caso contrário, é não
homogêneo.
Em notação matricial podemos escrever o sistema (A.5) como:
onde
⎡ ⎤
a11 · · · a1n
⎢ . .. .. ⎥
ẋ = [ẋ1 ẋ2 · · · ẋn ]T , g(t) = [g1 (t) g2 (t) · · · gn (t)]T e A(t) = ⎢
⎣
.. . . ⎥
⎦,
an1 · · · ann
onde aij = aij (t) são funções reais de variável real, i = 1, · · · , n, j = 1, · · · , n.
Além do sistema de equações diferenciais, podem ser dadas condições iniciais da
forma ⎡ ⎤
x01
⎢ ⎥
⎢ x02 ⎥
x(t0 ) = ⎢
⎢ ..
⎥
⎥ (A.7)
⎣ . ⎦
x0n
onde t0 ∈ I sendo I o domínio das soluções x(t) e x01 , x02 , · · · x0n são números dados.
O sistema (A.5) sujeito à condição inicial (A.7) constitui um Problema de Valor
Inicial - PVI .
Denição A.1. Dizemos que uma função x = ϕ(t) é uma solução, num intervalo I,
Teoria Básica 79
para o sistema (A.6), se suas componentes satisfazem cada uma das equações em (A.5),
∀ t ∈ I.
ẋ = A(t)x, (A.8)
Teorema A.2. Se x(1) e x(2) são soluções do sistema (A.8) então c1x(1) +c2x(2) também
é solução, para quaisquer constantes reais c1 e c2 .
Demonstração. Como x(1) e x(2) são soluções temos [x(1) ] = A(t)x(1) e [x(2) ] =
A(t)x(2) .
Vamos mostrar que a combinação linear dessas duas soluções também é uma solução.
[c1 x(1) + c2 x(2) ] = c1 [x(1) ] + c2 [x(2) ]
= c1 A(t)x(1) + c2 A(t)x(2)
= A(t)[c1 x(1) + c2 x(2) ],
Usando este teorema várias vezes, temos que se x(1) , x(2) , · · · , x(k) são soluções de
(A.8) então c1 x(1) + c2 x(2) + ... + ck x(k) é solução, ∀ c1 , ..., ck ∈ R. Consideremos agora
x(1) , x(2) , · · · , x(n) n soluções do sistema (A.8), onde An×n e a matriz
⎡ ⎤
x11 (t) · · · x1n (t)
⎢ .. .. .. ⎥
X(t) = ⎢
⎣ . . . ⎥.
⎦ (A.10)
xn1 (t) · · · xnn (t)
80 Sistemas de Equações Diferenciais Ordinárias Lineares de ordem n
Podemos concluir que as soluções x(1) , x(2) , · · · , x(n) são linearmente independentes
em um ponto se, e somente se, W [x(1) , x(2) , · · · , x(n) ] = 0 para esse ponto.
independentes em cada ponto do intervalo (α, β) então toda solução x = φ(t) é expressa
de modo único por
x = c1 x(1) + c2 x(2) + · · · + cn x(n) . (A.12)
Como por hipótese detX(t0 ) = 0, pois x(1) , x(2) , · · · , x(n) são linearmente inde-
pendentes, segue que o sistema (A.13)) tem solução única c1 , c2 , . . . , cn . Assim,
pelo teorema de Existência e Unicidade, como φ(t0 ) = x(t0 ), temos ϕ(t) = x(t) =
c1 x(1) (t) + c2 x(2) (t) + · · · + cn x(n) (t), ∀ t ∈ (α, β), o que completa a demonstração.
Teorema A.4. Se x(1), x(2) , · · · , x(n) são soluções de ẋ = A(t)x no intervalo (α, β),
então W [x(1) , x(2) , · · · , x(n) ] ou é identicamente nulo ou nunca se anula nesse inter-
valo.
ẋ = Ax, (A.14)
ẋ1 = ax1 ,
Assim, x é solução não trivial para (A.14) desde que det(A − λI) = 0, ou seja, λ é
autovalor de A e ξ seu autovetor associado.
Dessa forma, a natureza dos autovalores e autovetores associados determinam a
natureza da solução geral do sistema (A.14). Considerando A uma matriz real, temos
três possibilidades de autovalores para A:
1. Todos os autovalores são reais e distintos entre si;
82 Sistemas de Equações Diferenciais Ordinárias Lineares de ordem n
Para mostrar que as n soluções são linearmente independentes, basta calcular o Wrons-
kiano das soluções, ou seja,
& & &&
& ξ (1) eλ1 t · · · ξ (n) eλn t & · · · ξ1 &&
(n) & (1)
& 1 1 & & ξ1
& .. . .. & .. &
.. && ..
(1) (n) &
W [x , . . . , x ] = & . .. . & = e(λ1 +λ2 +···+λn )t &
. . &. .
& &
& (1) λ1 t (n) λn t & (1) &
(n) &
& ξn e · · · ξn e & ξn · · · ξn & &
(A.18)
Observe que a função exponencial nunca se anula e ainda o determinante do último
termo é sempre diferente de zero, pois os autovetores que formam as colunas da matriz,
são linearmente independentes. Assim, o Wronskiano nunca se anula e portanto, as
soluções x(1) , . . . , x(n) formam um conjunto fundamental de soluções. Logo, a solução
geral para a equação (A.14) é da forma
(A − λ1 I)ξ (1) = 0.
Mas, buscamos por soluções reais. Então, vamos considerar, λ1 = α + βi, e ξ (1) = a + bi
onde a = [a1 a2 ]t , b = [b1 b2 ]t com α, β, ai , bi ∈ R, i = 1, 2. Assim,
x(1) = (a + bi)eα1 t [cos(βt) + i sen(βt)]
u(t) = aeα1 t cos(βt) − beα1 t sen(βt) e v(t) = aeα1 t sen(βt) + beα1 t cos(βt) (A.22)
temos,
x(1) = u(t) + iv(t). (A.23)
Vamos mostrar que se x(1) = u(t) + iv(t) é uma solução complexa para (A.14) então
u(t) e v(t) são soluções reais de (A.14).
Note que, se u(t) + iv(t) é solução então:
[u(t) + iv(t)] = A[u(t) + iv(t)]
Para mostrarmos que u(t) e v(t) são soluções linearmente independentes vamos
considerar λ1 e λ1 autovalores conjugados com autovetores associados ξ (1) e ξ (1) , res-
pectivamente, λ1 = α + βi e ξ (1) = a + bi, como acima.
Primeiramente vamos mostrar que a e b são linearmente independentes.
Considere a equação
c 1 a + c2 b = 0 (A.24)
x = c1 ξ (1) eρt + c2 ξ (2) eρt + · · · + ck ξ (k) eρt + ck+1 ξ (k+1) eλk+1 t + · · · + cn ξ (n) eλn t . (A.27)
x = δteρt (A.29)
ẋ = Ax. (A.33)
A matriz ⎡ ⎤
(1) (2) (n)
x 1 x1 · · · x 1
⎢ (1) (2) (n) ⎥
⎢ x 2 x2 · · · x 2 ⎥
Ψ(t) = ⎢
⎢ .. .. .. ..
⎥
⎥ (A.34)
⎣ . . . . ⎦
(1) (2) (n)
x n xn · · · x n
é chamada de Matriz Fundamental de Soluções para (A.33). Observe que a matriz
Ψ(t) é inversível.
Assim, a solução geral
x = Ψ(t)C, (A.36)
Matriz Fundamental 87
Ψ−1 (0)
x(0) = Ψ(0)C =⇒ x0 = Ψ(0)C =⇒ C = Ψ−1 (0)x(0),
Se tivermos uma matriz fundamental φ(t) tal que φ(0) = I , então φ−1 (0) = I .
Logo, a solução x(t) obtida em (A.37) pode ser representada por
Observe de (A.38) que, nas situações onde serão calculadas as soluções para várias
condições iniciais, a solução para o PVI é obtida através de uma multiplicação de
matrizes, pois esta matriz fundamental é tal que φ(0) = I .
Fazendo uma analogia com a expansão em série de eat , dada uma matriz constante
A, n × n, podemos mostrar que cada termo da série
'
∞
An t n
I+
n=1
n!
'
∞
An t n
exp(At) = I + (A.39)
n=1
n!
d
[exp(At)] = A exp(At) ⇒ exp(At) |t=0 = I
dt
Assim, a matriz fundamental φ tal que φ(0) = I satisfaz o mesmo PVI que exp(At).
Dessa forma, podemos identicar φ(t) com exp(At) e portanto a solução do PVI é dada
por
x(t) = exp(At)x0 (A.40)
ou ainda,
( ) ( ) x x ( )
g(x, y) = x y M2 +L + f (B.3)
y y
onde ⎡ ⎤
b d
a 2 2
⎢ ⎥
M3 = ⎣ b
2
c e
2 ⎦ é a matriz da função polinomial g;
d e
2 2
f
b
a
M2 = b
2
é a matriz da parte quadrática de g;
2
c
( )
L= d e é a matriz da parte linear de g.
Sempre que quisermos descrever uma cônica por meio da equação g(x, y) = 0 su-
poremos que g é do segundo grau, ou seja, os coecientes a, b e c não são todos nulos,
isto é equivalente a dizer que a matriz M2 é não nula.
Denição B.1. Sejam g uma função polinomial de segundo grau, M 3 matriz associada
89
90 Classicação de Cônicas
⎧
⎪
⎪ Δ3 = 0 parbola
⎪
⎪
⎪
⎪
⎪
⎪ ⎧
⎪
⎨ ⎪
⎪ δ < 0 duas retas paralelas
Δ2 = 0 ⎪
⎪
⎪ ⎨
⎪
⎪ δ = 0 reta
⎪ Δ3 = 0 ⎪
⎪
⎪
⎪
⎪ ⎪
⎪
⎪
⎩ ⎪
⎩ δ > 0 conjunto vazio
93
94 Fórmula da Variação das Constantes
então
t
f (t) ≤ ke a g(s)ds
, t ∈ [a, b]. (D.2)
*t
Demonstração. h(t) = k + a f (s)g(s)ds. Note que h(a) = k e
Vamos denir a função
dessa forma temos f (t) ≤ h(t), ∀ t ∈ [a, , b].
Derivando a função h(t) em relação a t temos, do Teorema Fundamental do Cálculo
e do fato de g(t) ≥ 0, que
t
Multiplicando a desigualdade dada pela equação (D.3) por e− a g(s)ds
obtemos,
t t ( t )
ḣ(t)e− a g(s)ds
≤ h(t)g(t)e− a g(s)ds
⇒ h(t)e− a g(s)ds ≤ 0
ou seja,
d ( t )
h(t)e− a g(s)ds ≤ 0. (D.4)
dt
Integrando a equação (D.4) em relação à t, no intervalo [a, b], vem:
t t
h(t)e− a g(s)ds
− h(a) ≤ 0 ⇒ h(t) ≤ ke a g(s)ds
, t ∈ [a, b]. (D.5)
95