Escolar Documentos
Profissional Documentos
Cultura Documentos
Tamires Costa
São Paulo-SP
Julho de 2015
1
Resumo
In this work is made a brief study about applications in delay differential equations.
In chapter 1, the differences between delay differential equations and ordinary differential
equations are emphasized and is described the method of steps. In the chapter 2, is
described how numerical methods to solve delay differential equations work. In chapter 3,
an application of delay differential equations reproduces the epidemic of dengue occurred
between 2004 e 2005 in Singapore and changes on the intensity of the epidemic is analyzed
by changing some parameters in the model.
Sumário
2 Métodos Numéricos 13
2.1 Método de Runge Kutta . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
4 Considerações Finais 27
Referências Bibliográficas 28
Capı́tulo 1
dx
= f (t, x(t), x(t − τ1 ), x(t − τ2 ), ..., x(t − τn )) (1)
dt
5
1.2 Equação logı́stica com atraso
Uma das aplicações mais conhecidas de equações diferenciais ordinárias é na des-
crição de dinâmica populacional [10]. A equação mais simples que descreve o crescimento
de uma população supõe que a taxa de crescimento de uma população é proporcional à
própria população.
dx
= ax(t) (2)
dt
Nesse modelo, a representa a taxa constante de crescimento da população em es-
tudo, dx
dt
é a taxa de variação de uma população no instante t e o parâmetro a representa a
taxa de variação constante. De acordo com esse modelo, a população cresce exponencial-
mente sem limites, o que não é verdade. A equação logı́stica de crescimento populacional
limita o tamanho da população:
dx x(t)
= ax(t)(1 − ) (3)
dt k
6
comprimento igual a τ . O método inicia com uma função inicial x(t) = f0 (t) definida no
intervalo [-τ ,0]. No intervalo [0, τ ], x(t-τ ) tem o conhecido valor f0 (t − τ ). Usando essa
função, reduz-se a equação diferencial com atraso em uma equação diferencial ordinária
no intervalo [0, τ ]. Resolvendo a equação com condição inicial x(0) = f0 (0), obtém-se
a função x(t) = f1 (t) em [0, τ ]. Então avança-se para o intervalo [τ, 2τ ] e repete-se o
procedimento.
Tomando como exemplo a equação diferencial com um atraso
dx
= −x(t − 1) (5)
dt
com a condição inicial x(t) = f0 (t) = 1, para t em [-1,0]. No intervalo [0,1], x(t-1) =
1. Resolvendo dx dt
= -x(t-1) = -1 com condição inicial x(0)=1, temos x(t) = f1 (t) = 1-
t. No intervalo [1,2], x(1) = 0 e dx dt
= -x(t-1) = −f1 (t − 1) = -(1-(t-1)) = t-2. Então
x(t) = f2 (t) = 21 (t2 − 4t + 3). No intervalo [2,3], x(2) = −1 2
e -x(t-1) = −f2 (t − 1) =
1 1
- 2 ((t − 1) − 4(t − 1) + 3). Resolvendo, temos f3 (t) = 6 (−t + 9t2 − 24t + 17) = x(t) em
2 3
7
Figura 1.1: Solução de dx dt
= −x(t − 1) no intervalo [-1,4] obtida pelo método dos passos.
f0 , f1 , f2 , f3 e f4 são os gráficos no intervalo [-1,0], [0,1], [1,2], [2,3] e [3,4], respectivamente
8
de a equação diferencial ser de primeira ordem, há apenas um valor de λ. Em equações
diferenciais com atraso lineares, é possı́vel fazer o mesmo procedimento, apesar de muitas
vezes não ser tão simples como em equações diferenciais ordinárias, porque ele resulta em
equações transcedentais que podem conter infinitas raı́zes. Usando como exemplo
dx
= ax(t − 1) (6)
dt
onde a é uma constante. Neste exemplo, há um único ponto de equilı́brio x = 0. Substi-
tuindo x(t) por Ceλt , resulta:
(λ − ae−λ ) = 0 (8)
Figura 1.2
Para λ real e a positivo [4]
No caso de a>0, há uma única intersecção e λ positivo. Portanto a solução x(t)
= Ceλt cresce exponencialmente quando t tende a infinito, se afastanto do equilı́brio x
= 0, tornando-o instável. No caso de a <0 , pode haver duas intersecções, uma só ou
nenhuma. No caso de uma só intersecção, como ae−λ e λ se tangenciam, igualando suas
9
derivadas, resulta:
−ae−λ = 1 (9)
ou
a = −eλ (10)
Figura 1.3
Para λ real e três valores de a < 0. Há um ponto de tangência para a = ac e não há
raı́zes reais para a < ac [4]
,
λr = ae−λr cos(λi ) (14)
10
e
λi = −aeλr sen(λi ) (15)
λr
= −cotg(λi ) (16)
λi
As duas últimas equações levam a duas equações paramétricas para a e λr usando λi como
parâmetro:
λr = −λi cotg(λi ) (17)
−λi
a= λ cotg(λ i ) sen(λ )
(18)
e i i
Figura 1.4
Figure 5: Para λ complexo, há um número infinito de curvas de solução. Também
incluı́da na figura a curva de solução para λ real. [4]
para os valores de a para os quais λ tem a parte real negativa, ou seja os valores a
pertencentes ao intervalo [ac2 , 0]. O valor de ac2 , segundo a figura acima, corresponde à
λr = 0 e λi não nulo. Utilizando novamente a equação (14)
0 = acos(λi ) (19)
11
portanto
+ π
λi =− + kπ (20)
2
e usando a equação (15)
λi = −asen(λi ) (21)
ou
+
λi =− a (22)
e
+
a =− λi (23)
π −π
Então, para os valores negativos de a, λi = 2
e ac2 = 2
. Portanto, x = 0 é estável para
a pertencente a [ −π
2
, 0]
12
Capı́tulo 2
Métodos Numéricos
xn,1 = xn
j−1
X
xn,j = xn + hn βj,k fn,k
k=1
,
fn,j = f (tn + αjhn , xn,j )
s
X
xn+1 = xn + hn γk fn,k
k=1
13
(24)
Onde s, βj,k , αj e γk são escolhidos de forma que xn+1 seja uma aproximação precisa
de x(tn+1 ).
No uso do método para equações diferenciais com atraso, os termos com atraso
podem cair entre os tempos ti e ti+1 mas, pelo método de Runge Kutta, só temos apro-
ximações nos tempos t1 , t2 , ...tn e não entre eles. Para contornar essa dificuldade, é natural
usar um interpolador para aproximar x(t-τ ) para ti < t − τ < ti+1 . Para ordens suficien-
temente baixas de Runge Kutta, o interpolador de Hermite oferece aproximações em todo
o intervalo [tn , tn+1 ]. A função do Matlab dde23, baseada em Runge Kutta de terceira
ordem, funciona dessa forma. À medida que a ordem aumenta, é mais difı́cil fazer a in-
terpolação com o interpolador de Hermite. Atualmente, códigos baseados nos métodos de
Runge Kutta usam sua extensão contı́nua para aproximar os valores da função em todo
o intervalo [tn , tn+1 ]. Assim, obtém-se um polinômio interpolador que aproxima a solução
em todo o intervalo de cada passo. Então, os interpoladores de cada passo formam um
polinômio que aproxima a solução desde o tempo inicial até o atual tn .
Se o passo h for maior que o atraso τ , precisamos do valor t − τ > tn , que ainda
não está disponı́vel, então o método de Runge Kutta se torna implı́cito. Para evitar essa
dificuldade, comandos antigos normalmente restringiam o tamanho do passo h, mas isso
os tornava ineficientes para atrasos pequenos τ , pois quanto menor o tamanho do passo,
mais ”caro”é o algotitmo. Os comandos mais modernos usam os valores obtidos com a
extensão contı́nua do Runge Kutta nos passos anteriores para predizer os valores em todo
o intervalo [tn , tn+1 ], assim Runge Kutta explı́cito pode calcular a solução em tn+1 . Esse
procedimento lembra o método de previsão e correção para métodos de passos múltiplos.
A ordem de precisão do método de Runge Kutta depende da suavidade da solução
no passo considerado. Isso normalmente não é problema com equações diferenciais or-
dinárias, mas, como já foi visto, é esperado encontrar descontinuidades no processo de
resolução de uma equação diferencial com atraso. Comandos populares lidam com as
descontinuidades em diferentes formas. O comando dde23, por exemplo, localiza todos
os pontos onde há descontinuidade no intervalo de interesse e os arranja para que sejam
incluı́dos no conjunto [ t0 , t1 , ...].
A seguir, uma tabela comparando a solução da Equação diferencial com Atraso (6)
obtida pelas funções do Octave ode23d, ode45d e ode78d, baseadas na versão modificada
de Runge Kutta de ordem (2,3), (4,5) e (7,8), respectivamente. Em comparação com o
resultado obtido usando apenas o método dos passos, observa-se que a função ode45d é a
que oferece os resultados mais precisos.
14
Figura 2.1: Comparação entre a solução de (6) obtida pelo ode23d, ode45d, ode78d e pelo
método dos passos.
Para resolver o sistema de equações diferenciais com atraso do capı́tulo 3, foi usada
a função ode45d do Octave. Mais detalhes sobre seu funcionamento podem ser encontra-
dos na referência [6].
15
Capı́tulo 3
3.2 O modelo
O modelo, proposto por Massad et all. [2], descreve a dinâmica de uma epidemia de
dengue em três componentes de transmissão: humanos, mosquitos e ovos (este incluindo
os estágios intermediários do mosquito, larva e pupa).
16
No modelo descrito abaixo, SH são os humanos suscetı́veis, IH são os humanos
infectados, RH são os humanos recuperados (e imunes), SM são os mosquitos suscetı́veis,
LM são os mosquitos infectados e latentes, IM são os mosquitos infectados e infectantes,
SE são os ovos suscetı́veis e IE são os ovos infectados.
dSH SH NH
= −abIM − µH SH + rH NH (1 − )
dt NH kH
dIH SH
= abIM − (µH + αH + γH )IH
dt NH
dRH
= γH IH − µH RH
dt
dSM IH
= ps cs (t)SE − µM SM − acSM
dt NH
dLM IH SM (t − τ )
= acSM − e−µM τ ac − µM LM
dt NH NH (t − τ )
IM IH (t − τ )
= e−µM τ acSM (t − τ ) − µM IM + pcS (t)IE
dt NH (t − τ )
dSE (SE + IE )
= [rM SM + (1 − g)rM IM (1 − − µE IE − pS cs (t)SE
dt kE
dIE (SE + IE )
= [grM IM ](1 − ) − µE IE − pI cS (t)IE
dt kE
onde cS (t) = d1 − d2 sen(2πf t + φ) reproduz influências do clima na produção de
ovos dos mosquitos. Pode-se simular a duração e severidade do inverno através dos termos
d1 e d2 . Para d1 maior que d2 , o inverno tem duração curta e é pouco rigoroso, como no
caso de Cingapura. Para d1 menor que d2 , o inverno é mais longo e rigoroso. Neste caso
seria necessário multiplicar cs (t) por uma função indicadora θ(d1 − d2 sen(2πf t + φ), que é
igual a 0 caso seu argumento seja negativo e 1 caso seja igual ou maior que zero. Humanos
suscetı́veis crescem à taxa rH NH (1− NkHH )−µH SH onde µH é a taxa de mortalidade humana,
rH é a taxa de natalidade humana e kH é a capacidade de suporte da população humana.
Os humanos suscetı́veis adquirem a doença de acordo com a taxa −abIM NSHH onde a é
a média de picadas por dia de um mosquito e b é a taxa de picadas que transmitem a
infecção. A segunda equação descreve os humanos infectados, que podem ou se recuperar
com taxa γH ou morrer com taxa (αH + µH ). A terceira equação descreve a recuperação
dos humanos, que assim permanecem pelo resto da vida. A quarta, quinta e sexta equação
descreve os mosquitos suscetı́veis, latentes e infectados, respectivamente. Os mosquitos
suscetı́veis variam à taxa
pS cS (t)SE − µM SM
17
ovos. Os mosquitos suscetı́veis ficam infectados à taxa acSM NIHH onde c é a fração de
picadas dos mosquitos suscetı́veis nos humanos infectados, assim infectando esses mos-
quitos. Esses mosquitos, assim que infectados, passam um tempo no perı́odo latente,
denominado perı́odo de incubação extrinsico. A fração desses mosquitos sobreviventes do
perı́odo latente, com probabilidade e−µM τ , se torna infectante. Portanto, a taxa de mos-
quitos que ficam infectantes por unidade de tempo é e−µM τ acSM (t − τ ) NIHH(t−τ )
(t−τ )
. O termo
pI IE é o número de ovos infectados que chocam por unidade de tempo e que sobreviveu ao
perı́odo intermediário (larva e pupa). A sétima e a oitava equação representam a dinâmica
envolvendo os ovos suscetı́veis e infectados, respectivamente. Na sétima equação, o termo
(SE + IE )
[rM SM + (1 − g)rM IM ](1 − )
kE
representa a taxa de ovos suscetı́veis postos por mosquitos suscetı́veis com taxa
(SE + IE )
rM SM (1 − )
kE
(SE + IE )
(1 − g)rM IM (1 − )
kE
(SE + IE )
[grM IM ](1 − )
kE
18
Figura 3.1
As notações dos parâmetros, seus significados biológicos e valores aplicados nas
simulações [2]
19
IH (0) = 50,
RH (0) = 0,
SM (0) = 15000000,
LM (0) = 0,
IM (0) = 0,
SE (0) = 8000000,
IE (0) = 50.
Os demais parâmetros do modelo são os mesmos da tabela.
Figura 3.2
Resultado obtido neste trabalho
20
Figura 3.3
Resultado obtido em [2]
21
Figura 3.4: Comparação de medidas de combate à dengue no número de casos
22
Figura 3.5: Comparação das três medidas contra a epidemia de dengue aplicadas simul-
taneamente com a aplicação delas isoladamente
23
nos gráficos, observa-se que as medidas adulticidas são mais eficientes contra a epidemia,
assim como foi mostrado no caso contı́nuo.
Figura 3.6: O gráfico em forma de linha representa o número de casos de dengue após
a aplicação de medidas larvicidas e o gráfico tracejado, após a aplicação de medidas
adulticidas.
24
Figura 3.7: Comparação com as medidas adulticidas (gráfico tracejado), medidas larvici-
das (gráfico em linha escura) e as duas medidas combinadas (gráfico em linha clara).
Figura 3.8: Casos reais de dengue (pontos) comparados com o resultado das simulações
de combate à dengue obtidas em [2]
25
Como no controle contı́nuo, as medidas adulticidas aplicadas de forma discreta se
mostraram tão eficientes quanto combinadas com as medidas larvicidas.
Baseando-se nos resultados das simulações contı́nuas e discretas, conclui-se que
controlar a população de mosquitos adultos é a medida que mais causa impacto nos casos
de dengue que, aplicada isoladamente, se mostra quase tão efetiva quando aplicada em
conjunto com outras medidas de controle.
26
Capı́tulo 4
Considerações Finais
27
Referências Bibliográficas
[6] Octave Forge. Extra Packages for GNU Octave. Disponı́vel em:
http://octave.sourceforge.net/odepkg/function/ode45d.html . Acesso em
20/08/2015.
28
[10] WRIGHT, W. e FOX, K. Delay Dierential Equations and the Logistic
Population Model. 2012. Disponı́vel em: http://msemac.redwoods.edu/ dar-
nold/math55/deproj/sp12/wright/paper.pdf . Acesso em 20/08/2015.
29