EQUAC OES DIFERENCIAIS: UMA INTRODUC AO

(Vers ao preliminar)

MARLON GOMES

FORTALEZA 2013

Uma introdu c ao ` as equa co es diferenciais Marlon Gomes

(M. Gomes) Universidade Federal do Ceara tica, bloco 914. Departamento de Matema E-mail address : marlon.wyd@gmail.com URL: http://www.profmarlongomes.wordpress.com

Sum ario
Parte 1. Parte 1 - Teoria quantitativa 1 3 3 9 11 13

Cap tulo 1. Introdu c ao 1. Modelagem matem atica 2. Deni c oes b asicas Parte 2. Parte 2 - Teoria qualitativa

Refer encias Bibliogr acas

iii

Parte 1

Parte 1 - Teoria quantitativa

CAP TULO 1

Introdu c ao
Equa c oes Diferenciais surgem nas mais diversas areas da ci encia, e s ao a linguagem que utilizamos para modelar fen omenos naturais que envolvem a varia c ao de grandezas. Para servir como motiva c ao, antes de estudar as equa c oes diferenciais em si, iremos investigar onde estas equa c oes t em aplica c oes. Para isto, iniciaremos nossos estudos com os princ pios b asicos da modelagem matem atica, e veremos alguns dos fen omenos regidos por equa c oes diferenciais. 1. Modelagem matem atica Para modelar um fen omeno, o primeiro passo e encontrar dados, quantitativos ou qualitativos, sobre o que se quer estudar. Isto e feito via experimentos, e e importante levar em conta muitas vari aveis, para que possamos entender como cada uma delas inuencia o fen omeno. Exemplo 1 (Corpos em queda livre). Suponha que um objeto de massa m e dimens oes desprez veis esteja caindo de uma altura, que admitiremos ser pequena o suciente para que possamos negligenciar a varia c ao da gravidade no curso do movimento. Queremos encontrar uma equa c ao que descreva o movimento deste objeto. A lei de Newton Cl assica nos diz que a for ca resultante agindo sobre este objeto e FR = ma (1.1)

Onde a = denota a acelera c ao do corpo. As for cas agindo sobre o objeto s ao a for ca peso, P = mg , e a resist encia do ar, R = v , onde e uma constante ( o sinal negativo indica que esta for ca age no sentido contr ario ao do movimento). Assim, temos dv = mg v (1.2) dt A equa c ao 1.2 nos fornece um modelo simples para o movimento deste objeto, e como veremos posteriormente, a partir dela e poss vel descrever a velocidade do objeto em cada ponto se alguma informa c ao adicional e dada. m Exemplo 2 (Corpos com massa vari avel). Considere um recipiente de massa m Kg cuja capacidade total e V m3 . Este recipiente e cheio com agua, e posteriormente furado, , e observase que a vaz ao de agua e k m3 /s. O recipiente (cheio) e deixado cair de uma altura H , que consideraremos pequena o suciente para desprezar o efeito da varia c ao da gravidade no curso do movimento. Consideramos tamb em que o formato do recipiente e mantido, de modo que a resist encia do ar e dada por R = v , e que a densidade da agua e 1Kg/dm3 . Seja M = M (t) a massa do recipiente no tempo t s em kilogramas, M (t) = Massa do recipiente + Massa inicial de agua Massa perdida at e o tempo t M (t) = m + 103 103 kt Neste caso, a lei de Newton diz que d(M v ) dM dv = v+M (1.4) dt dt dt As for cas agindo sobre o recipiente s ao sua for ca peso, P = M g , e a for ca resistiva, R = v . Assim, o movimento e modelado por FR = dM dv v+M = M g v dt dt
3

(1.3)

(1.5)

1. INTRODUC AO

Esta equa c ao ` a primeira vista e mais complicada, pois envolve duas grandezas que variam com o tempo. Entretanto, a equa c ao 1.3 nos permite simplic a-la: dv = [m + 103 (1 kt)]g v dt dv [m + 103 (1 kt)] = [m + 103 (1 kt)]g + (103 k )v (1.6) dt A equa c ao 1.6 nos d a um modelo para descrever a varia c ao de velocidade do recipiente num determinado instante, como quer amos. 103 kv + [m + 103 (1 kt)] Exemplo 3 (Lan camento vertical). Um corpo de massa mKg e dimens oes desprez veis e lan cado na dire c ao perpendicular ` a superf cie da Terra no ponto do lan camento com uma velocidade inicial v0 , que assumimos ser extremamente alta. Iremos desconsiderar a resist encia do ar, j a que tanto a varia c ao da densidade do ar quanto a alta velocidade tornam esta quest ao complexa demais para esta introdu c ao. Queremos descrever como varia a velocidade deste corpo com rela c ao a ` sua altura h. A lei da gravita c ao de Newton diz que a for ca gravitacional agindo sobre o corpo e inversamente proporcional ` a sua dist ancia ao centro da Terra, F = k (R + h)2 (1.7)

Onde R e o raio da Terra, medido em metros. No n vel do mar, F = mg , logo, k = mgR2 . J a que estamos desconsiderando a for ca resistiva, temos dv mgR2 = dt (R + h)2

(1.8)

Podemos reescrever a equa c ao acima utilizando a regra da cadeia, dv dv dh dv = =v dt dh dt dh Logo, dv mgR2 = dh (R + h)2

mv

(1.9)

Veremos posteriormente como utilizar esta equa c ao para descobrir qual seria a velocidade inicial necess aria para que o corpo deixasse o campo gravitacional da Terra. Exemplo 4 (Misturas). No tempo t = 0s, um tanque cont em Q0 Kg de sal dissolvidos em L m3 3 de agua. Agua contendo uma concentra c ao C Kg/m de sal est a entrando no tanque a uma taxa de r m3 /s. Este tanque possui um dispositivo que circula a agua, de modo que a mistura em seu interior pode ser considerada homog enea em cada tempo t (i.e., a concentra c ao num determinado ponto do tanque n ao depende do ponto, somente do tempo). Iremos denotar esta concentra c ao por Q(t). Agua sai do tanque na mesma taxa r m3 /s. Queremos calcular como esta concentra c ao varia com o tempo em fun c ao de t. Para isto, iremos assumir que o sal n ao e criado ou destru do no processo, e iremos ignorar o fen omeno de evapora c ao da agua. Observe ainda que desde que as taxas de entrada e sa da de l quido do tanque s ao as mesmas, o volume do tanque e constante, assim, a concentra c ao depende somente da massa de sal presente na mistura. Observe que no tempo t, a quantidade de sal que sai do tanque e Ms (t) = Q(t)r Kg/s Assim, temos (1.10)

 1. MODELAGEM MATEMATICA

dQ = (taxa de entrada) (taxa de sa da) dt dQ = Cr Qr (1.11) dt Esta mesma an alise pode ser feita em qualquer fen omeno onde n ao h a processos de cria c ao ou destrui c ao da subst ancia envolvida, volume constante, e homogeneidade da mistura. Exemplo 5 (Din amica populacional: modelo linear). Considere popula c ao de uma determinada area, e denote por N (t) o seu n umero de habitantes no tempo t s. Queremos modelar como varia a fun c ao N com rela c ao ao tempo. Durante um determinado intervalo de tempo, as altera c oes na popula c ao ocorrem via 3 fen omenos: nascimento, morte e migra c ao. Consideremos por simplicidade que n ao h a fen omenos migrat orios. Deste modo, podemos escrever dN dB dD = (1.12) dt dt dt Onde B (t) e D(t) s ao as fun c oes que medem os nascimentos e mortes em fun c ao do tempo. O modelo mais simples de din amica populacional foi proposto por Thomas Malthus1 em [3], que armava que ambas as taxas de natalidade e mortalidade eram proporcionais ` a popula c ao. Com estas hip oteses, ter amos dN = N (1.13) dt Onde > 0 e uma constante. Observe que a equa c ao 1.13 indica que num tempo t, a taxa de crescimento populacional e sempre positiva, portanto N e crescente. Diferenciando a equa c ao com rela c ao ao tempo, obtemos d2 N = 2N > 0 (1.14) dt2 O que implica que a fun c ao N e convexa, portanto, N cresce mais do que qualquer fun c ao am2. Malthus tamb em postulou que o crescimento da produ c ao agr cola era dado por uma fun c ao am, e de acordo com o u ltimo resultado, previu que se nada fosse feito para controlar as taxas de natalidade, chegaria a um ponto em que a humanidade iria entrar em colapso, o que cou conhecido como Cat astrofe Malthusiana. Ele estimou que este ponto seria o ano de 1880. Exemplo 6 (Din amica populacional: modelo log stico). Um modelo mais realista para a din amica populacional foi proposto por Pierre-Fran cois Verhulst3, em [5]. Este modelo leva em conta os fatores inibidores de crescimento, como capacidade de produ c ao agr cola limitada. Iremos denotar por a capacidade intr seca de crescimento da popula c ao, isto e, a taxa de crescimento populacional na aus encia de fatores inibidores, que e modelada de acordo com o modelo de Malthus. Verhulst assumiu que se o n umero de habitantes inicial, N0 , e menor do que a capacidade de carga ambiental, ent ao para um tempo t pequeno o suciente o crescimento e pr oximo ao modelo linear de Malthus. Se h a um n umero menor de habitantes do que a capacidade m axima do ambiente, ent ao a tend encia do n umero de habitantes e crescer, e se a quantidade de habitantes e maior do que a capacidade m axima, o n umero de habitantes tende a crescer. Al em disso, quanto mais o n umero de habitantes se aproxima da carga ambiental m axima (por cima ou por baixo), menor e a velocidade de decrescimento ou crescimento da popula c ao. Verhulst ent ao postulou que o crescimento populacional era modelado por uma equa c ao do tipo
1Thomas Robert Malthus ( 13/02/1766 23/12/1834) foi um economista e dem ografo brit anico, conhecido

pelo seu pioneirismo no estudo de din amica populacional, e por ter proposto a cat astrofe Malthusiana, em 1798, em obra publicada sob o pseud onimo J. Johnson. 2Veremos no pr oximo cap tulo que de fato N cresce mais do que qualquer polin omio. 3 Pierre-Fran cois Verhulst ( 28/08/1804 15/02/1849) foi um matem atico belga que prop os o modelo log stico de din amica populacional, que dentre outras inova co es, postulava a exist encia de um n umero m aximo de indiv duos que um ambiente pode suportar, chamado de capacidade de carga ambiental.

1. INTRODUC AO

dN = h(N )N dt Pelas considera co es anteriores, estamos procurando uma fun ca o h que satisfaz: se x e pequeno h(x) r, h(x) < 0, se x e grande o suciente h (x) < 0, se x > 0 A fun c ao mais simples que satisfaz estas hip oteses e a fun c ao am, h(x) = (r ax), a > 0 Substituindo h na equa c ao 1.15 obtemos N dN = r(1 )N dt K r Onde K = a . Observe que se 0 < N < K , ent ao dN dt > 0, e se N > K , K e a capacidade de carga ambiental. Se a popula c ao inicial e K , ent ao

(1.15)

(1.16)

(1.17)

(1.18)
dN dt

< 0. A constante

dN =0 (1.19) dt Portanto N e constante. A solu c ao N K e chamada solu c ao de equil brio, j a que n ao h a varia c ao de N (tente encontrar a outra solu ca o de equil brio). Veremos mais detalhes sobre este modelo na se c ao seguinte. Exemplo 7 (Din amica populacional: o modelo log stico com limiar cr tico). Algumas popula c oes apresentam o fen omeno do limiar cr tico: se a popula c ao e inferior a um determinado n vel, a reprodu c ao se torna inecaz e a popula c ao entra em colapso. Veremos como combinar este fen omeno ` ao modelo log stico que considera a capacidade de carga ambiental. Vamos denotar por K a capacidade ambiental m axima, e T o limiar cr tico. Queremos uma fun c ao h que satisfaz: se x e pequeno h(x) r, h(x) < 0, se x > K ou x < T h(x) > 0, se T < x < K

(1.20)

Uma fun c ao simples com este tipo de comportamento (duas mudan cas de sinal) e a fun c ao quadr atica, h(x) = r 1 Assim, a equa c ao 1.15 ca dN N N = r 1 1 N (1.22) dt K T Neste caso, temos duas solu c oes de equil brio interessantes, N K e N T . Veremos adiante mais caracter sticas deste modelo. Exemplo 8 (Rumores). Suponha que haver a um ataque nuclear na cidade de Oppentown, e no tempo t = 0 uma propor c ao x (0, 1) da popula c ao sabe deste fato. Considere que todo habitante que sabe deste ataque avisa a todos aqueles que ele encontra, e que ainda n ao sabem. Iremos supor tamb em que a taxa de espalhamento do rumor e proporcional a ` quantidade de contatos entre pessoas informadas e pessoas n ao informadas, a constante de proporcionalidade sendo uma medida do grau de conabilidade m edio da not cia. Assuma ainda que as pessoas de ambos os grupos, os que sabem e os que n ao sabem, podem interagir livremente, de forma que o n umero de contatos e porporcional a x(1 x). Temos assim um modelo bastante simplicado de espalhamento de informa ca o, x K 1 x T (1.21)

 1. MODELAGEM MATEMATICA

dx = x(1 x) (1.23) dt Observe que desde que x (0, 1), x(1 x) > 0, de modo que o n umero de pessoas informadas e sempre crescente. Este modelo ainda nos fornece uma informa c ao qualitativa interessante. Note que dx dx d2 x = (1 x) x dt2 dt dt = x(1 x)2 x2 (1 x) = x(1 x)(1 2x)
2

(1.24)

x A equa c ao 1.24 nos diz que se x > 0, 5 ent ao d c ao x e c oncava. Isto nos dt2 < 0, ou seja, a fun diz que quando mais da metade da popula c ao est a informada, a taxa de espalhamento da not cia d2 x diminui. Por outro lado, se x < 0, ent ao dt2 > 0, o que nos diz que a taxa de espalhamento da not cia aumenta quando menos da metade da popula ca o est a informada. Este fen omeno e interessante e pode nos surpreender ` a primeira vista - se mais pessoas sabem, ent ao por que a informa c ao se espalha mais devagar? O leitor e convidado a reetir sobre isso.

o 1. Um modelo mais el levaria em conta a probabilidade de um vetor (algu Observac a em que possui a informa c ao) encontrar outros, algo que depende por exemplo da sua localiza c ao: se o vetor est a num shopping center ou num est adio de futebol, ele pode fazer a informa c ao se espalhar mais rapidamente do que se estiver numa cabana isolada no interior. Similarmente, o modelo deveria considerar a probabilidade da not cia ser considerada verdadeira, e at e mesmo a probabilidade de o vetor contar a not cia ou n ao. Este e um problema bastante complexo, que entretanto vem sendo atacado com sucesso por governos em casos de controle de epidemias, controle de p anico, e por empresas no caso de publicidade, por exemplo. Exemplo 9 (A campanha de Bernoulli). Daniel Bernoulli4 publicou em 1766, [4], um modelo que relacionava a expectativa de vida com a taxa de pessoas mortas por var ola. Este modelo simples aplica-se a qualquer outra doen ca que uma vez contra da confere imunidade se o infectado sobrevive. Consideramos o conjunto de indiv duos nascidos num determinado ano, que iremos xar como o tempo inicial, t = 0. Seja n(t) o n umero de tais indiv duos vivos no tempo t, e x(t) o n umero de indiv duos que n ao contra ram var ola at e o tempo t ( e que portanto est ao suscet veis). Seja b a taxa que as pessoas suscet veis a ` doenca contraem var ola, e seja a taxa de pessoas que contraem var ola e morrem. Finalmente, seja (t) a taxa de mortalidade relativas a todas as outras causas que n ao a var ola. A quantidade de pessoas que s ao suscet veis ` a doen ca e dada pela diferen ca entre a quantidade original e a soma entre o n umero de pessoas que contram a var ola e o n umero de pessoas mortas por outras causas, assim: dx = [b + (t)]x (1.25) dt O n umero de pessoas mortas deste conjunto at e o tempo t e dado pela soma entre a quantidade de pessoas que contraiu var ola e morreu, e a quantidade de pessoas que morreu de outras formas, assim a taxa de varia c ao das pessoas vivas com o tempo e: dx = (bx + (t)n) dt (1.26)

x(t) A fun c ao z (t) = n ao ter (t) mede a probabilidade de num tempo t uma pessoa estar viva e n contra do var ola. Note que 4 Daniel Bernoulli ( 08/02/1700 17/03/1782) foi um matem atico e f sico su co, membro da tradicional fam lia Bernoulli, conhecido por suas contribui c oes a ` teoria de Mec anica dos Fluidos (princ pio de Bernoulli), e seu trabalho pioneiro em Probabilidade, Estat stica, Teoria da Decis ao e An alise de Risco.

1. INTRODUC AO

dz dx 1 dn1 = +x dt dt n dt dx 1 1 dn = x 2 dt n n dt dn [n dx x ] = dt 2 dt n [n(b + (t))x + x(bx + (t)n)] = n2 2 nxb + x b = n2 = zb + z 2 b = zb(1 z ) (1.27)

Observe que esta taxa n ao depende da mortalidade devido a outras causas, . Note ainda que e n ao crescente (tente entender o que isso desde que 0 z, 1, temos dz dt 0, portando z signica!). Al em disso, d2 z = b + 2zb dt2

(1.28)

De modo que se z < 21 c ao z e convexa, o que signica que o decrescimento e mais a fun acentuado, enquanto que se z > 21 , a fun c a o z e c o ncava, e o decrescimento e mais lento. O leitor e convidado a interpretar este resultado. Bernoulli utilizou este modelo para estimar o ganho na expectativa de vida se a taxa de mortes por var ola fosse eliminada. Veremos isso mais adiante. Vimos acima v arios modelos matem aticos para diversas situa c oes, e em geral neste ponto alguns estudantes se perguntam se h a um m etodo para constru c ao de modelos. A resposta e, felizmente, n ao. Cada problema nos traz novas vari aveis a considerar, como foi o caso dos tr es modelos de din amica populacional apresentados. A ideia importante que se deve ter e que n ao h a modelo certo ou errado, e sim modelo adequado e inadequado. A mec anica cl assica de Newton n ao est a errada - ela e simplesmente o modelo adequado para tratar problemas em baixas velocidades, enquanto a mec anica relativ stica e um modelo melhor para velocidades elevadas. O modelo at omico de Bohr-Sommerfeld e muito ecaz para explicar as linhas espectrais do atomo de hidrog enio, mas pouco eciente para explicar o que mant em o n ucleo coeso - para isso, precisamos do modelo de for cas nucleares. Toda vez que novas considera c oes forem adicionadas, um novo modelo deve ser criado! E como sabemos o que pode ou n ao ser desconsiderado no fen omeno? Bem, isto depende de suas necessidades. Se voc e est a modelando um fen omeno e requer uma precis ao de cinco casas decimais, e um fen omeno s o tem inu encia a partir da d ecima casa decimal, ele pode certamente ser desconsiderado. Isto e o que acontece quando tratamos por exemplo das for cas agindo entre dois el etrons - a for ca gravitacional e muito pequena se comparada ` a for ca el etrica, de modo que podemos desconsiderar seu efeito. Embora n ao haja receita para construir um modelo, algumas dicas s ao em geral bastante u teis Atrav es de observa c ao, determinar os princ pios que regem o problema em quest ao. Por exemplo: o calor tende a uir dos corpos de maior temperatura para os de maior temperatura. Determinar as vari aveis pertinentes no problema em quest ao, e tentar estabelecer rela c oes entre elas. Por exemplo: num movimento de uma part cula, a velocidade e a taxa de varia c ao da posi c ao com o tempo. Determinar como as vari aveis inuenciam no problema. Isto em geral e feito via experimentos. Por exemplo: numa queda livre, a for ca de resist encia do ar e proporcional a velocidade.

 2. DEFINIC OES BASICAS

Construir um modelo matem atico baseado em como as vari aveis inuenciam o problema. Frequentemente leva-se em conta as rela c oes entre as vari aveis, para simplicar o problema, como zemos no exemplo 3. Testar o modelo obtido em outros experimentos, variando os par ametros em rela c ao ao experimento inicial. Fazer as corre c oes necess arias para consertar o modelo, caso haja discrep ancias entre o que e previsto e o que acontece realmente. Os dois u ltimos passos s ao talvez os mais importantes. N ao importa o qu ao matematicamente belo seja o seu modelo, se ele n ao est a de acordo com o experimento, ele e in util para as aplica c oes (embora possa ser extremamente interessante do ponto de vista matem atico). Um passo importante na constru c ao de um modelo e vericar quais as suas consequ encias. N ao e raro que alguns fen omenos sejam previstos pelo comportamento das equa c oes e somente muito tempo depois sejam comprovados experimentalmente. O modelo padr ao de particulas subat omicas e um exemplo de sucesso: algumas part culas foram previstas pelo modelo e posteriormente sua exist encia foi comprovada pelo LHC. 2. Deni c oes b asicas

Parte 2

Parte 2 - Teoria qualitativa

Refer encias Bibliogr acas

[1] Boyce, W. E.; diPrima, R. C., Elementary dierential equations and boundary value problems, 7th ed. New York: John Wiley & Sons, Inc. 2001. [2] Dietz, K; Heesterbeck, J. A. P., Daniel Bernoullis epidemological model revisited. Math. Biosci. v. 180, p. 1-21, 2002. [3] Johnson, J.; An essay on the principle of population. Londres: St. Pauls Church-yard. 1798. [4] Bernoulli, D., Essay dune nouvelle analyse de la mortalite causee par la petite varole. Mem. Math. Phys.Acad. Roy. Sci. Paris, 1766. [5] Velhusrt, P.-F., Notice sur la loi que la population poursuit dans son accroissement. Correspondance math ematique et physique, v. 10, p. 113-121, 1838.

13