MODELAGEM MATEMTICA E COMPUTACIONAL, UMA PODEROSA FERRAMENTA DE CARTER MULTIDISCIPLINAR

Carmo Neto, Antnio Merendz do - merendaz@iprj.uerj.br Assis, Joaquim Teixeira de - joaquim@iprj.uerj.br Monine, Vladimir Ivanovich - monin@iprj.uerj.br Universidade do Estado do Rio de Janeiro, Instituto Politcnico CP 97282 28601-970 Nova Friburgo, RJ, Brasil

Resumo. O objetivo deste trabalho mostrar alguns dos principais aspectos da modelagem matemtica e computacional, muitas vezes mal utilizada, pela falta de compreenso de suas caractersticas ou pelo excesso de preciosismo de muitos dos que se aventuram por seus caminhos quase sempre tortuosos. Atravs da apresentao de algumas de suas caractersticas, como sua multidisciplinaridade e do estado da arte, alm de um exemplo de aplicao, busca-se aprimorar o entendimento da modelagem, com suas qualidades e seus defeitos. Palavras-chave: Modelagem, matemtica, computacional, modelos, simulao 1. INTRODUO

A matemtica sempre foi muito utilizada, tanto para testar idias quanto para fazer previses do mundo real, por isso, se tornou a linguagem bsica das cincias fsicas e de suas aplicaes engenharia. Newton e seus contemporneos, em suas descries, talvez pensassem como se estas fossem referentes a alguma realidade objetiva. Hoje em dia, no entanto, os cientistas tendem a considerar qualquer descrio como um modelo, de maior ou menor preciso e extenso, que imita certos aspectos de um comportamento observado, possibilitando, desta maneira, que previses teis sejam feitas (Fowkes, 1994). De acordo com Aris (1994), Modelo Matemtico qualquer conjunto consistente de equaes matemticas que correspondam com alguma outra entidade, que o seu prottipo. O prottipo pode ser uma entidade fsica, biolgica, social, psicolgica ou conceitual. Segundo Tarsky (1953): " uma realizao possvel na qual todas as sentenas vlidas de uma teoria T so satisfeitas chamada de um modelo de T". 2. MATEMTICA E MODELAGEM

Desde o seu comeo, a modelagem matemtica tem vocao interdisciplinar, pois o uso de modelos matemticos, tanto qualitativos quanto quantitativos, a aplicao das tcnicas

matemticas a uma grande quantidade de reas de pesquisa, utilizando uma extensa gama de idias. Como exemplo, pode ser citado o trabalho de Volterra (1926), ele introduziu modelos para explicar qualitativamente as mudanas na populao de tubares no Mar Mediterrneo sob circunstncias nas quais no havia possibilidade de obter dados quantitativamente confiveis. No obstante, seus resultados foram muito vlidos e provocaram mudanas de atitude com relao modelagem, assim como levou aos modelos ecolgicos em uso corrente, hoje em dia. Com o desenvolvimento de computadores cada vez mais potentes e de menor custo, a modelagem matemtica (agora chamada tambm de modelagem computacional) cresceu muito. Tudo leva a crer que esta tendncia continuar, como resultado do reconhecimento de que a modelagem matemtica representa uma maneira econmica e eficiente de entender, analisar e projetar sistemas. Por outro lado, a matemtica, tem se tornado extremamente poderosa por causa das descries abstratas que possibilitam que complexas situaes matemticas sejam vistas de modo que simplifica as tarefas envolvidas. Estas abstraes so extremamente teis para um modelador matemtico, no entanto, muito ingnuo pensar na matemtica como se esta fosse uma ferramenta de poder ilimitado. Isto s vezes ocorre por que os estudantes se habituam com sistemas simples (em geral, lineares) para os quais resultados razoavelmente completos esto disponveis. Entretanto, geralmente no existem tcnicas teis para os sistemas complexos e no-lineares do mundo real e tcnicas puramente numricas so de uso limitado para expor seus processos ocultos. Neste caso, o pesquisador deve ser criativo, pois as receitas no funcionam e ele necessita basear o seu enfoque em um entendimento intuitivo dos processos envolvidos. Porm h um alento. Apesar destes enfoques no serem to universais em aplicao quanto se possa esperar, normal que enfoques teis em uma determinada aplicao possam ser modificados para servir a outras. Se um modelo for bem elaborado e definido, a tcnica de soluo usada para responder a uma pergunta particular sobre este depende da prpria pergunta que est sendo feita, isto , a Matemtica no pode ser isolada do contexto do modelo! Cada aplicao particular que desejamos modelar possui uma srie de modelos possveis, porm, pouqussimos destes podem realmente ser aplicados e os mais teis no so, necessariamente, os de maior interesse matemtico intrnseco. Pode-se concluir ento, que a deciso mais importante que um modelador deve tomar diz respeito escolha do modelo. E isto demanda uma boa dose de sensibilidade, por isso, Fowkes & Mahony (1994) disseram que "Modelar tanto uma arte quanto uma cincia". Apesar do profundo conhecimento de matemtica ser absolutamente essencial para a modelagem, a qualidade (isto , a utilidade) de um modelo no depende somente dela. Obviamente, para um modelador, o processo no est completo com a apresentao dos resultados matemticos. A interpretao dos resultados obtidos o componente principal do estudo, para evitar modelagens inadequadas e geralmente so necessrias pesquisas adicionais. O modelador no pode, em hiptese alguma, perder o contato com a realidade, sob o risco de obter resultados absurdos. Normalmente o ganho de percepo qualitativa conseguido da modelagem mais importante do que qualquer resultado quantitativo obtido. Em um artigo descrevendo trabalhos pioneiros em pesquisas sobre fogo, Howard Emmons citou que o desafio ao modelar o fogo "no produzir o modelo descritivo mais completo, mas produzir o modelo mais simples possvel que incorpora as caractersticas principais do fenmeno de interesse", Richardson, em seus ensaios pioneiros para entender problemas meteorolgicos descobriu que modelos meteorolgicos aparentemente vlidos, por incluir os efeitos da compressibilidade conduziam a previses absurdas - os modelos previram que frentes frias podiam se mover velocidade do som. Porm, se os efeitos da compressibilidade fossem totalmente ignorados ento previses factveis poderiam ser obtidas. Assim, um modelo

aparentemente menos elaborado conduz a melhores resultados. Na verdade, uma parcela essencial da modelagem diz respeito anlise dos aspectos que so relevantes para o contexto e omisso de outros aspectos da situao do mundo real que freqentemente conduzem a resultados esprios. A preciso normalmente requerida pelas investigaes puramente matemticas no , necessariamente, apropriada para a modelagem (Fowkes, 1994). Em resumo, apesar da modelagem ser uma cincia intimamente ligada matemtica, nem sempre um modelo com extrema complexidade matemtica conduz a melhores resultados do que um mais simples. Geralmente o que se busca ao modelar ser o mais fiel possvel ao prottipo, porm determinados aspectos deste podem ser desconsiderados para facilitar a resoluo matemtica e garantir resultados compatveis com a realidade, objetivo principal da modelagem. Muitas vezes esta fidelidade com o prottipo conseguida com um conjunto de equaes simples, isto , modelagem no sinnimo de complexidade! O trabalho do modelador muito influenciado pelas complexidades do mundo real e este deve ter discernimento suficiente para evitar solues que sejam desnecessariamente precisas, porm extremamente dispendiosas em tempo/dinheiro e que exijam dados de entrada que no esto disponveis, pois uma das vantagens da modelagem a melhor relao custo/benefcio proporcionada por esta, em relao a outros experimentos que poderiam ser realizados. Outrossim, muitas pesquisas atuais tm como finalidade controlar processos sob condies de operao. Sob tais circunstncias obviamente necessrio que qualquer computao seja simples o bastante para ser realizada em tempo real. Por isto, cabe ao modelador determinar, de acordo com a aplicao e as exigncias do processo, o grau de preciso que realmente atende aos requisitos e, ento, simplificar o modelo matemtico para conseguir a melhor relao custo/benefcio possvel, logo, modelar tambm avaliar para desprezar o desnecessrio! Um bom modelador deve saber reconhecer a aplicao interdisciplinar de idias, pois muito raramente ele se deparar com um problema no qual tenha completo domnio do assunto e para o qual o enfoque padro funciona. Na Indstria, na maioria das vezes, os problemas surgidos j foram exaustivamente estudados, para encontrar maneiras criativas de manipular a situao de interesse e falharam antes que o modelador tenha sido chamado. Alm do conhecimento matemtico (saber que procedimentos produziro resultados teis), o modelador tem que se utilizar tambm de seu know-how de problemas, conseguido em outros contextos. claro que existem princpios gerais (tanto matemticos quanto fsicos) que podem ser utilizados em operaes em diversas reas. Desta maneira, por exemplo, todos os problemas de difuso possuem caractersticas em comum com um "velho" problema: a equao do calor. O treinamento de um modelador, desta maneira, envolve um treinamento para reconhecer tais padres e princpios(Fowkes, 1994). Ao modelar, particulariza-se o geral e generaliza-se o especfico! 3. MODELAGEM COMPUTACIONAL

A habilidade do computador de manipular extensos clculos o torna a ferramenta ideal para trabalhar com dados que requerem pouca interpretao, mas como ferramenta cientfica e para a modelagem seu valor muito sobreestimado. O objetivo do modelador e do cientista entender processos de tal maneira que previses confiveis possam ser feitas. No contexto industrial, por exemplo, geralmente o objetivo aumentar a faixa de operao de um processo especfico, ou entender porque surgiram dificuldades inesperadas. A este respeito, a sada numrica de um determinado clculo no ajuda muito; necessrio saber como as diversas caractersticas do problema interagem para produzir o resultado. Um enfoque muito interessante o dos problemas inversos, que parte dos resultados de um processo para descobrir os fatores que os geraram.

Porm, a anlise essencial, pois, muitas vezes, erros aparentemente incuos no modelo matemtico podem mascarar a resposta. A compreenso do problema o que realmente importa. 4. RELAES ENTRE OS MODELOS

Pode-se usar o termo modelo para qualquer conjunto de equaes que, sob certas condies, e para uma certa finalidade produzem uma descrio adequada do sistema fsico. Mas, para isto, devem ser distinguidos os tipos de relaes entre diferentes modelos do mesmo processo. Modelos no existem isoladamente e s so realmente compreendidos quando relacionados com outros membros da famlia a que eles pertencem. A relao entre modelos no somente um tpico intrnseco da genealogia matemtica, mas deve ser vista tambm sob a perspectiva da finalidade do modelo e as condies sob as quais ele ser utilizado. 5. TIPOS DE MODELOS

Para facilitar o entendimento da modelagem, importante se familiarizar com os diversos tipos de modelo, os principais sero apresentados aqui como o foi por Aris(1994), com alguns acrscimos.

5.1 Modelos verbais e analogias mecnicas Este tipo de modelo baseado na expresso em linguagem comum, ao invs de linguagem matemtica. chamado de modelo macio (soft) porque no tem previses quantitativas ou conceitos definidos categoricamente. O uso de analogias mecnicas, verbalmente descritas, no raro em modelagem matemtica. Este tipo de modelo muito utilizado por cientistas das reas sociais, de letras e biolgicas. Muitos ecologistas dizem que nenhum avano fundamental da biologia pode ser atribudo Teoria Matemtica e, tambm, no acreditam que a linguagem matemtica seja a mais apropriada para expressar complexos sistemas, por isso utilizam este tipo de modelo. Porm esta uma viso extremamente simplista e, at preconceituosa, tendo em vista a aplicabilidade de diversos conceitos matemticos na biologia, no decorrer da histria. Um exemplo simples e clssico dessa interao e que poderia ser citado a aplicao da teoria das probabilidades no estudo da gentica. Portanto, importante que uma cincia no entre em coliso com outra, pois isto poderia comprometer o desenvolvimento tecnolgico da humanidade.

5.2 Modelos finitos A Teoria de Grafos encontrou muitas aplicaes naturais nas cincias sociais e fsicas. Um Grafo uma coleo de vrtices, V, Ligados de alguma maneira por elementos de uma coleo de arestas, E. As mais bvias aplicaes so as redes de todos os tipos, eltrica, mecnica, transporte, diviso e agendamento de tarefas, interdependncia industrial e o planejamento de experimentos.

5.3 Subconjuntos difusos (fuzzy sets) Uma classe importante de modelos foi apresentada por Zadeh (1965), quando ele definiu um conjunto ou subconjunto difuso. A definio usual de um subconjunto A de U pode ser formalizado em termos da funo caracterstica do subconjunto X(x) tal que para todo X U, X(x) = 1 se x A e X(x) = 0, se x no faz parte de A. Esta limitao vlida para diversos propsitos, porm h situaes cujas ambigidade e impreciso intrnsecas no so atendidas por esta atitude "Preto-e-Branco". Em termos computacionais, a lgica difusa no leva em conta somente o 1 (ligado) e o 0 (desligado), mas diversos valores no intervalo (0-1). As aplicaes mais importantes deste tipo de modelo dizem respeito tomada de decises em um ambiente difuso.

5.4 Modelos estatsticos Considera o processo e seus dispositivos de medida como uma caixa-preta de onde vm os dados observados, porm, os dados gerados podem estar corrompidos por erros sistemticos ou randmicos. A finalidade da anlise estatstica construir um modelo estatstico na base das sadas observadas e, desta maneira, tirar concluses sobre o fenmeno subjacente. Este considera as medidas como realizaes da varivel randmica X. O modelo estatstico do processo , portanto, a funo densidade (probabilidade), algumas vezes chamada funo de massa da probabilidade, quando associada a probabilidades no-nulas, ou sua integral, a funo de distribuio cumulativa, para a varivel randmica. As ferramentas estatsticas necessrias para fazer as inferncias desejadas so um entendimento da teoria de amostragem e estatstica e as vrias qualidades de inferncias consistncia, bias, varincia mnima, eficincia, etc.- e os vrios testes de estimativa e confiana. H uma grande quantidade de distribuies (Gaussiana ou normal, normal-log, gama, beta, binomial, Poisson, Weibull), cada um com suas prprias virtudes e propriedades.

5.5 Equaes diferenciais e diferenas As equaes diferenciais so o tipo de modelo mais comum nas cincias fsicas. Equaes de diferena so apropriadas quando a varivel dependente discreta. Sistemas contnuos amostrados tambm so um vasto campo de aplicao para estas equaes. H tambm os casos em que os dois tipos de equaes ocorrem simultaneamente. As equaes integrais e ntegro-diferenciais tambm so usadas como modelos. 5.6 Modelos estocsticos A origem da Teoria de processos estocsticos o estudo do movimento browniano e outros problemas de marcha randmica. Um ponto chave da extensa aplicabilidade que embora o estado no tempo t+1 somente seja conhecido probabilisticamente este depende somente do estado no tempo t. Esta propriedade, freqentemente chamada de propriedade de Markov, significa que a probabilidade da transio entre o estado i no tempo t e o estgio j no tempo t+1, pij(t), tudo que precisa ser conhecido. Se este independente de t, o processo estacionrio. Modelos estocsticos tem um vasto campo de aplicao, desde a teoria de aprendizagem at a mobilidade da energia de trabalho da balstica ou da ecologia.

5.7 Redes neurais Utilizam, como paradigma, a aprendizagem do ser humano (neurnios). um mtodo que vem crescendo expressivamente, desde os anos 40, quando foram apresentadas ao mundo cientfico. So muito utilizadas quando se deseja classificar um conjunto. Tem aplicaes em cincias to diversas quanto a economia (aplicadas a anlise de risco, por exemplo) e a medicina (classificao de imagens mdicas, por exemplo).

6.

UM MODELO SIMPLES

O exemplo utilizado por Fowkes & Mahony(1994) para o modelador iniciante muito bom e consta da seguinte situao: Um fabricante deseja fabricar uma mesa de quatro pernas, que no balance, mesmo que, por irregularidades do piso, por exemplo, ela repouse sobre apenas trs de suas pernas. Aqui est uma situao fictcia que requer o uso de princpios simples e elementares de matemtica, por isso bem til, neste caso. Um enfoque interessante para esta situao responder inicialmente estas perguntas: O que faz com que a mesa balance? Podemos eliminar este "balano" atravs de limitaes no seu projeto? primeira vista nos parece bvio que, se a mesa no possuir imperfeies em suas quatro pernas e o piso na qual ela repousa tambm perfeitamente nivelado, no haver balano. Porm esta condio perfeita demais para ocorrer, ento, o modelador deve tomar certos cuidados, pois o que interessa para o fabricante no somente fabricar uma pea perfeita, mas com uma boa relao custo-benefcio. Neste momento muito importante que o modelador consiga dados a respeito das limitaes da fbrica, isto , a respeito dos aspectos geomtricos, pois de nada adianta ser encontrado um modelo de mesa perfeito mas que seja invivel produzi-lo. Neste momento, o modelador j pode identificar as variveis fsicas que realmente so relevantes para o seu modelo, como o fato de que a mesa um corpo rgido, com suas pernas fixadas firmemente. Isto conduz a outras consideraes, do ponto de vista fsico, por exemplo, sabe-se que quando sobre um corpo rgido o vetor das foras atuantes se anula, a sua velocidade de translao permanece inalterada e este pode ser descrito e analisado em termos de seus componentes de velocidade rotacional e translacional (Fowkes, 1994). Outras consideraes a respeito do equilbrio esttico da mesa devem ser observadas. Outro aspecto fsico interessante a ser observado neste modelo a deformao, para isto utiliza-se a Lei de Hooke. Observa-se na figura 1 (Fowkes, 1994) um esquema das foras atuantes na mesa, num dado momento. Pode-se ver que o equilbrio esttico s possvel se o somatrio de foras e momentos for nulo.

Figura 1. Foras atuantes em uma mesa (Fowkes, 1994)

7.

AVALIAO DO MODELO

Uma vez que tenha sido estabelecido, o modelo tem vida prpria e no pode mais ser isolado de suas origens e de seu contexto. Porm importante que este seja continuamente avaliado, em busca de um progresso conceitual, conforme pode ser visto no esquema abaixo:
Idias Preliminares Primeiro Modelo

Progresso Conceitual

Idias Revisadas Interpretao Avaliao

Segundo Modelo

Planejamento
do Experimento Experincia

Conhecimento Efetivo

Figura 2. Modelagem, um Processo Dinmico (Aris,1994)

Deve-se entender o progresso conceitual como o entendimento de uma situao real, porm este no feito na direo da maior complexidade ou um nmero crescente de parmetros, pelo contrrio, este se d pela simplificao e reduo de variveis a ajustar. O modelador tambm deve desconfiar de um modelo demasiadamente perfeito, pois isto pode esconder diversos problemas de adaptabilidade a outras situaes e, mesmo na situao em estudo.

8. CONCLUSO

O que diferencia a modelagem matemtica de outras cincias o seu forte aspecto intuitivo, por exigir, freqentemente, criatividade, por parte do pesquisador e grande habilidade com diversas ferramentas matemticas para lidar com situaes as mais diversas possveis, sem contar que essencial para o modelador saber avaliar, em tempo real, o seu modelo, para fazer ajustes que o adequem da melhor maneira possvel situao real e previses teis possam ser feitas A habilidade de simplificar a descrio matemtica de uma situao fsica sem perder muita preciso tambm um requisito fundamental para a modelagem matemtica. Esta to importante para o modelador quanto obter estimativas precisas da significao numrica de incluir ou excluir diversos efeitos fsicos no modelo. Na ausncia de conhecimentos detalhados da rea de interesse, a maneira mais efetiva de um matemtico obter as estimativas necessrias determinando o tamanho relativo de diversos termos que aparecem na descrio matemtica. Do modelador exigida uma boa dose de perspiccia e sensibilidade para elaborar modelos que correspondam, na medida do possvel, a situaes em que outros tipos de experimentos ou enfoques so inviveis, do ponto de vista prtico ou econmico. No entanto, o maior erro de um pesquisador na rea de modelagem se deixar encantar pelas belas

abstraes matemticas com que se depara e se desligar do aspecto prtico e real do modelo e isto pode conduzi-lo a resultados esprios e inesperados.

REFERNCIAS Aris, Ruterford, 1994, Mathematical modelling techniques, Dover, New York. Banks, J., 1999, proceedings of the 1999 Winter Simulation Conference, USA, pp 7-13. Fowkes, N. D. and Mahony, J. J., 1994, An Introduction to Mathematical Modelling, J. Wiley, Chichester, England. Volterra, V., 1926. Variazione e flutuazini del numero dindividui in specie animali conviventi, Mem. Accad. Nazionale Lincei, (ser. 6) 2, pp 31-113. Zadeh, L.A., 1965, Fuzzy sets. Information and control, 8, 338.

MATHEMATICAL AND COMPUTATIONAL MODELLING, A POWERFUL TOOL OF MULTIDISCIPLINAR CHARACTER Abstract. The objective of this paper is to show some of the main aspects the computational and mathematical modelling, many times been misused, because of the lack of comprehension about its features or the excessive preciosity of many people that enterprise its, almost always, winding roads. Through showing some of its features, like its multidisciplinarity and the state of the art, moreover an example of application, searching for improve the understanding of modelling with, its qualities and its deficiencies. Keywords: Modelling, mathematical, computational, model, simulation