Introdução Dinamica Não Linear e Teoria Do Caos

Introduo Dinmica No-Linear e Caos
Ricardo L. Viana Departamento de Fsica Universidade Federal do Paran Curitiba, Paran, Brasil 6 de setembro de 2011
Sumrio
1 Introduo 1.1 1.2 1.3 1.4 1.5 1.6 1.7 Dinmica No-Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . A dinmica e o problema de N corpos . . . . . . . . . . . . . . . . . . . . . . . . . . 7 7 8
Poincar e o nascimento da dinmica no-linear . . . . . . . . . . . . . . . . . . . . 10 Caos determinstico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 Lorenz e o efeito borboleta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 May e o mapa logstico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 Sistemas dinmicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 17
2 Mapas unidimensionais 2.1 2.1.1 2.1.2 2.1.3 2.2 2.3 2.4 2.5 2.2.1 2.3.1 2.4.1 2.5.1
Mapas unidimensionais lineares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 Mapa linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 Diagramas de escada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 Pontos xos e sua estabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . 19 Mapa discreto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 Pontos nalmente xos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 Mapa logstico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 Estabilidade das rbitas peridicas . . . . . . . . . . . . . . . . . . . . . . . . 31 3
Mapas unidimensionais no-lineares . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 Iteraes sucessivas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 Estabilidade dos Pontos Fixos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 rbitas peridicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
4 2.5.2 2.6 2.6.1 2.6.2 2.6.3 2.7
SUMRIO
Mapa logstico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 Uso de planilhas eletrnicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 Programa de computador para iteraes do mapa . . . . . . . . . . . . . . . 40 Uso de software matemtico . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
Solues numricas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49 51
3 Bifurcaes em mapas unidimensionais 3.1 3.2
Diagrama de bifurcaes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 Obteno numrica do diagrama de bifurcaes . . . . . . . . . . . . . . . . . . . . 53 3.2.1 3.2.2 3.2.3 3.2.4 Programa em linguagem C . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53 Uso do Maple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 Uso do Mathematica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56 Uso do Matlab . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 Bifurcao no mapa logstico em r = 3 . . . . . . . . . . . . . . . . . . . . . . 62
3.3 3.4 3.5 3.6 3.7 3.8
Bifurcao de duplicao de perodo . . . . . . . . . . . . . . . . . . . . . . . . . . . 58 3.3.1 Bifurcao tangente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62 Bifurcao transcrtica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64 Cascata de bifurcaes de duplicao de perodo . . . . . . . . . . . . . . . . . . . . 65 3.6.1 Universalidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67 Teoria de renormalizao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74 79
4 Caos em mapas unidimensionais 4.1 4.1.1 4.1.2 4.2 4.2.1 4.2.2
Comportamento catico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79 Aperiodicidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80 Sensibilidade s condies iniciais . . . . . . . . . . . . . . . . . . . . . . . . 82 Perodo 3 implica em caos . . . . . . . . . . . . . . . . . . . . . . . . . . . 87 Sequncia-U . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
Janelas peridicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
SUMRIO
4.2.3 4.3 4.3.1 4.3.2 4.3.3 4.4 4.4.1 4.4.2 4.4.3 4.5 4.5.1 4.5.2 4.5.3 4.5.4 4.5.5 4.5.6 4.6 4.6.1 4.6.2 4.6.3 4.6.4 4.7 4.7.1 4.7.2 4.8
5 Derivada Schwarziana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89 Intermitncia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90 Mecanismo da intermitncia do tipo I . . . . . . . . . . . . . . . . . . . . . . 93 Crise . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94 Denio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101 Clculo do expoente de Lyapunov . . . . . . . . . . . . . . . . . . . . . . . . 103 Um exemplo: o mapa da tenda . . . . . . . . . . . . . . . . . . . . . . . . . . 104 Uso do Maple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106 Uso do Mathematica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107 Uso do Matlab . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108 Diagrama de bifurcao de Lyapunov . . . . . . . . . . . . . . . . . . . . . . 109 Uso do Mathematica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111 Uso do Matlab . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111 O deslocamento de Bernoulli . . . . . . . . . . . . . . . . . . . . . . . . . . . 113 Transitividade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116 Caos forte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118 Conjugao Topolgica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119 Densidade de probabilidade do mapa logstico . . . . . . . . . . . . . . . . . 122 Expoente de Lyapunov e densidade de probabilidade . . . . . . . . . . . . . 124
Outras rotas para o caos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
Expoente de Lyapunov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
Determinao numrica do expoente de Lyapunov . . . . . . . . . . . . . . . . . . . 105
Transitividade e caos forte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
Densidade de probabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
SUMRIO
Captulo 1
Introduo
1.1 Dinmica No-Linear
A dinmica no-linear uma teoria matemtica que estuda sistemas de equaes de evoluo, ou seja, equaes onde o tempo uma varivel independente. Se tais equaes forem lineares, h solues gerais que nos permitem determinar o comportamento futuro do sistema descrito de forma exata, em funo do estado atual do sistema. J se as equaes forem no-lineares, essas solues exatas, em geral, no existem numa forma fechada. Uma srie de comportamentos, alguns deles bastante complicados, podem aparecer quando estudamos a evoluo temporal de sistemas descritos por equaes no-lineares: rbitas peridicas e quase-peridicas, cicloslimite, transientes, e caos. A dinmica no-linear concentra-se nos comportamentos a longos perodos do sistema que est sendo estudado. O comportamento futuro a pequenos tempos, normalmente, pode ser facilmente obtido por soluo numrica (computacional) das equaes de evoluo. No entanto, estamos particularmente interessados em estudar propriedades gerais, como equilbrio, estabilidade, tipos de convergncia ou divergncia, etc. A isso denominamos uma teoria qualitativa. O campo de aplicaes da dinmica no-linear muito extenso pois abrange qualquer sistema fsico, biolgico, etc. que possa ser descrito por equaes de evoluo. Na fsica, por exemplo, a dinmica de partculas e corpos rgidos apresenta uma srie de exemplos interessantes de sistemas dinmicos no-lineares. As equaes que descrevem circuitos eltricos com componentes no-lineares, como diodos e transistores, tambm aparecem em estudos de dinmica no-linear. Mas as idias de dinmica podem tambm ser aplicadas, com sucesso, no estudo de fenmenos biolgicos, como o crescimento de uma populao de bactrias, ou do nmero de clular de um tumor canceroso, ou ainda do nmero de indivduos infectados por uma doena contagiosa, apenas para dar alguns exemplos. Mesmo em cincias sociais, como a Economia, 7
CAPTULO 1. INTRODUO
o modelamento matemtico da evoluo de preos de um dado bem, ou de ndices macroeconmicos como taxas de inao e desemprego, tambm recam com frequncia em sistemas dinmicos no-lineares. Podemos concluir que o estudo da dinmica no-linear ajuda o estudante no s a ter uma viso nova e bastante motivadora da dinmica que ele j conhece dos cursos de Mecnica Clssica, como tambm abre uma perspectiva imensamente ampla de problemas interessantes em outras reas do conhecimento onde a experincia e a versatilidade do fsico fazem-no um prossional bastante procurado, como a meteorologia, a oceanograa, e at mesmo o mercado nanceiro.
1.2 A dinmica e o problema de N corpos

O estudo da dinmica de partculas surge logo no incio da Fsica Bsica, o que atesta a importncia que esse ramo da mecnica tem na compreenso do mundo fsico. Falando em termos da dinmica de uma partcula de massa m, ns partimos da equao do movimento (segunda lei de Newton): d2 r m 2 = F(r), (1.1) dt onde r : (x, y, z) o vetor posio da partcula, e F a fora resultante que age sobre ela. Aqui, (x, y, z) so as variveis dependentes do tempo, que a varivel independente na equao. Por simplicidade, consideramos o caso de um movimento unidimensional, para o qual podemos desdobrar a equao (1.1) (que de segunda ordem em relao ao tempo) em um sistema de duas equaes de primeira ordem: dx dt dv dt = v, = 1 F (x), m (1.2) (1.3) (1.4)
onde introduzimos uma nova varivel, a velocidade da partcula. Como veremos posteriormente, melhor trabalhar com sistemas de equaes diferenciais de primeira ordem. O objetivo da dinmica descrever o comportamento das variveis x(t), e v(t) em funo do tempo; dadas as condies iniciais x(0), v(0). A equao do movimento (1.1) pode ser facilmente generalizada para um sistema de N partculas interagentes entre si. Se usarmos, ainda, a expresso Newtoniana para a fora de atrao gravitacional entre duas partculas (Fij = Gmi mi /|ri rj |2 ), onde G a constante gravitacional, chegamos ao chamado sistema de N -corpos, cujo estudo est no mago da Mecnica Celeste.
1.2. A DINMICA E O PROBLEMA DE N CORPOS
Como sabemos da Mecnica Clssica, o problema de dois corpos (N = 2) tem uma soluo exata, ou seja, podemos prever de maneira exata as posies e velocidades de cada partcula para quaisquer tempos: futuros (t > 0) ou passados (t < 0) [1]. Quando h mais corpos no sistema, porm, a situao ca bem mais complicada. Um exemplo interessante do problema de N = 3 corpos o sistema formado pelo Sol e dois planetas gigantes como Jpiter e Saturno movendo-se em torno dele. A interao mtua entre Jpiter e Saturno interfere nas rbitas de ambos. O prprio Newton, nos Principia Mathematica, j havia estudado o efeito da atrao Solar e Terrestre sobre o movimento Lunar. Infelizmente, porm, nesse caso j no mais possvel obter, em geral, uma expresso fechada para as posies e velocidades dos trs corpos em funo do tempo. Ainda assim, podemos obter resultados analticos aproximados em alguns casos especcos, como o problema restrito de trs corpos, onde um deles tem massa muito menor que os outros dois, de tal modo que o movimento do terceiro s afetado pelos outros dois corpos, no afetando, por sua vez, o movimento deles. Para simplicar ainda mais, supe-se que os dois corpos tem massas iguais e giram em rbitas circulares em torno do seu centro de massa (como estrelas binrias, por exemplo). Esse problema discutido em alguns livros de Mecnica Clssica [2]. De modo geral, para N 3, no h solues exatas para o problema de N -corpos. Entretanto, podemos sempre recorrer a mtodos numricos (computacionais) para resolver as equaes de movimento de cada partcula, e procurar determinar as suas posies e velocidades para quaisquer instantes de tempo que queiramos. O sucesso desse procedimento atestado pelo grande desenvolvimento da Mecnica Celeste, desde os tempos de Newton at os dias de hoje, passando pelos trabalhos fundamentais de Laplace, Delaunay, e outros, culminando em Poincar, considerado o pai da Dinmica No-Linear. A Mecnica Celeste permitiu uma exatido incomparvel nas previses do comportamento de planetas, estrelas e cometas; um dos pontos altos tendo sido a espetacular descoberta do planeta Netuno em 1846, que foi previsto por Le Verrier meses antes com base unicamente nas previses feitas a partir das perturbaes que este exerce sobre a rbita do vizinho planeta Urano [3]. Tal grau de conana no poder determinstico da Mecnica Newtoniana levou Laplace, em 1814, a armar que [4] Uma inteligncia que, para um instante dado, conhecesse todas as foras de que est animada a natureza, e a situao respectiva dos seres que a compes, e se alm disso essa inteligncia fosse ampla o suciente para submeter esses dados anlise, ela abarcaria na mesma frmula os movimentos dos maiores corpos do Universo e os do mais leve tomo: nada seria incerto para ela, e tanto o futuro como o passado estariam presentes aos seus olhos. O esprito humano oferece, na perfeio que foi capaz de dar astronomia, um pequeno esboo dessa inteligncia. De fato, atualmente possvel predizer a trajetria futura dos planetas no Sistema Solar por milhares de anos, com o auxlio de modelos essencialmente Newtonianos [5].
10
CAPTULO 1. INTRODUO
No entanto, como veremos nos prximos captulos, esse paradigma (chamado determinismo Laplaciano) foi abalado consideravelmente pela descoberta, por Poincar, de comportamentos irregulares e imprevisveis a tempos grandes, que atualmente chamamos de caos. Dessa forma, mesmo que as equaes de um sistema catico estejam corretas, de um ponto de vista fsico, as suas previses podem estar comprometidas por caractersticas matemticas do sistema de equaes. Entender como o caos emerge das solues de sistemas no-lineares um dos objetivos desta disciplina.
1.3 Poincar e o nascimento da dinmica no-linear

O problema dos N corpos, como vimos, resistiu durante sculos s tentativas de encontrar uma soluo geral, fechada e analtica, por parte de matemticos, fsicos e astrnomos do primeiro time. Quem primeiro demonstrou, de forma rigorosa, que essa soluo no pode ser encontrada, de maneira geral, foi o genial matemtico francs Henri Poincar. Em ns do Sculo XIX o Rei Oscar II da Sucia e da Noruega instituiu um prmio (de 2500 coroas) - em homenagem a seu sexagsimo aniversrio - a quem resolvesse a questo da estabilidade do movimento dos corpos do Sistema Solar, que essencialmente o problema de N corpos se ignorarmos as perturbaes no-gravitacionais devido radiao eletromagntica, por exemplo. O organizador do concurso, o matemtico Gustav Mittag-Lefer, props a seguinte questo [3]: Dado um sistema de um nmero arbitrrio de massas puntuais que atraem-se mutuamente de acordo com a Lei de Newton, sob a hiptese de que dois pontos nunca colidem, tentar encontrar uma representao das coordenadas de cada ponto como uma srie em uma varivel que seja uma funo conhecida do tempo e tal que, para todos os seus valores a srie converge uniformemente. Poincar escreveu um celebrado ensaio em 1885, com o qual ganhou o prmio do Rei Oscar II [6]. Ainda que Poincar no tenha, de fato, resolvido esse problema (cuja soluo, de resto, continua, at o momento, ainda desconhecida), seu ensaio contm as idias essenciais da moderna teoria dos sistemas dinmicos, entre as quais o conceito de caos determinstico. O matemtico alemo Carl Weierstrass, que foi um dos rbitros do concurso, escreveu a MittagLefer, que o organizou [3]: Pode dizer ao seu soberano que este trabalho no pode, de fato, ser considerado como tendo fornecido a soluo completa do problema proposto, mas que , de qualquer forma, de tal importncia que sua publicao ir inaugurar uma nova era na histria da Mecnica Celeste. A nalidade que Sua Majestade tinha em mente na abertura da competio pode portanto ser considerada como tendo sido atingida.
1.4. CAOS DETERMINSTICO
11
1.4 Caos determinstico

Por caos determinstico ns entendemos a existncia de comportamento irregular, ou aperidico, e com dependncia sensvel das condies iniciais: dois processos originados por condies iniciais ligeiramente diferentes divergem exponencialmente com o tempo. Quando um modelo determinstico exibe caos, aparecem problemas quanto previsibilidade do comportamento futuro do sistema, j que a diferena entre duas condies iniciais ligeiramente distintas pode estar dentro do intervalo de incerteza com o qual estas condies iniciais so conhecidas. Nesse caso, no possvel dizer, com segurana, de qual das duas condies iniciais estamos falando. Logo, no se pode prever o comportamento futuro do sistema, pelo menos para um tempo arbitrariamente longo, a partir dessas condies iniciais. Essa ltima observao de fundamental importncia para apreciar corretamente o papel do caos na limitao que um sistema determinstico catico apresenta. comum que, embora os processos gerados por condies iniciais prximas divirjam com o tempo, essa discrepncia s signicativa a partir de um horizonte, chamado tempo de predio, que pode ser estimado como o inverso do chamado expoente de Lyapunov mximo do sistema (a ser denido mais adiante). possvel fazer previses conveis at esse tempo de predio caracterstico do sistema, mesmo quando o sistema catico. O prprio problema de N -corpos enfrentado por Poincar ilustra esse fato. Ainda que, atualmente, se saiba que haja solues caticas desse problema, o tempo de predio , em geral, grande o suciente para permitir predies absolutamente conveis. Como um exemplo, a trajetria de uma sonda espacial enviada a Marte representa um problema de, pelo menos, trs corpos - a sonda e os planetas Terra e Marte. A posio da sonda durante a longa viagem a Marte, que dura da ordem de sete meses, prevista com exatido pela Mecnica Newtoniana, a despeito do comportamento a tempo innito ser, a princpio, desconhecido. Como contraexemplo, h corpos celestes, como Hyperion, que um satlite exterior do planeta Netuno com a forma um tanto irregular de uma batata, e cuja trajetria altamente catica, de modo que o tempo de predio curto demais [7].
1.5 Lorenz e o efeito borboleta

Embora Poincar tenha sido capaz de vislumbrar a possibilidade de comportamentos caticos, que desaam a idia de haver uma soluo fechada e vlida para quaisquer instantes de tempo, ele no pde avanar nessa descrio, devido impossibilidade prtica de resolver as equaes do movimento por um tempo sucientemente longo, a ponto de evidenciar as consequncias de um possvel comportamento catico. Podemos dizer que o desenvolvimento da dinmica no-linear s ocorreu na medida em que a tecnologia da informao possibilitou, com o advento do computador eletrnico a soluo numrica de sistemas de equaes diferenciais para tempos bastante longos, de forma a
12
CAPTULO 1. INTRODUO
comprovar a existncia de comportamentos no-triviais como bifurcaes e caos. Edward Lorenz (1917-2008) foi um meteorologista americano que trabalhou durante muitos anos no MIT, na rea de previso numrica do tempo, uma rea em que as equaes que descrevem o sistema (no caso, a atmosfera) so no-lineares. O seu trabalho nessa rea envolvia a soluo numrica de sistemas de 12 equaes diferenciais acopladas descrevendo a forma em que o ar se move na atmosfera. A soluo destas equaes continha elementos como velocidades do vento, temperatura, presso, etc. e poderia ser usada na previso do tempo, ainda que na poca houvesse um grande ceticismo em relao eccia desses mtodos. O computador usado por Lorenz no inverno de 1961 para resolver numericamente o sistema de equaes acima era um Royal McBee LGP-30, com 113 tubos de vcuo e 1450 diodos: um monstrengo de quase duas toneladas que ocupava o espao de uma mesa de trabalho e custava a bagatela de 40 mil dlares! No obstante, sua velocidade era de apenas 120 kHz, Como seu computador era bastante lento, a soluo do sistema de equaes levava tipicamente vrias horas. Para economizar tempo, ao invs de reiniciar uma soluo desde o incio, ele recomeou de um ponto intermedirio da soluo antiga. Lorenz colocou como novas condies inicias no os valores com seis casas decimais que o computador gerou, mas sim digitou os valores que sairam diretamente da impressora, com apenas trs decimais, portanto ligeiramente diferentes daqueles realmente obtidos na soluo. Supondo que essa pequena diferena nas condies iniciais (cerca de uma parte em mil!) no fosse alterar nada relevante, ele saiu para tomar uma xcara de caf. Ao retornar, uma hora depois, para sua surpresa a sequncia de valores da soluo numrica tinha sido diferente da anterior! Ele tinha descoberto, meio que por acaso, as consequncias do caos determinstico. Mas Lorenz foi alm: procurou estudar esse intrigante fenmeno usando a teoria qualitativa dos sistemas dinmicos introduzida por Poincar. Uma dos suas primeiras preocupaes foi tentar achar sistemas mais simples de equaes que exibissem o mesmo tipo de propriedade que ele havia observado nas equaes para a atmosfera. Como resultado, Lorenz chegou a apenas trs equaes diferenciais dx dt dy dt dz dt = 10(y x), = x(28 z) y, 8 = xy z, 3 (1.5) (1.6) (1.7)
que so no-lineares devido aos produtos cruzados das variveis x, y e z, e que tambm exibia a dependncia sensvel s condies iniciais, tal qual seus modelos mais complicados para previso do tempo. Lorenz resumiu seus resultados num clebre artigo publicado em 1963 [8]), e que deu a ele a segunda paternidade da teoria do caos. Nesse artigo, Lorenz descreveu geometricamente as caractersticas da soluo catica que encontrou. Ele imaginou um espao abstrato
1.6. MAY E O MAPA LOGSTICO
13
Figura 1.1: Atrator borboleta para o sistema de Lorenz.
em cujos eixos indicou os valores das variveis x(t), y(t) e z(t) para cada instante de tempo. O conjunto desses pontos forma curvas que tm uma estrutura matemtica bastante complicada (falaremos dela quando estudarmos fractais, mais frente), chamado atrator borboleta devido sua forma de asas de borboleta [Fig. 1.1]. A sensibilidade s condies iniciais que caracteriza o comportamento catico no atrator borboleta ilustrada numa alegoria devida ao prprio Lorenz. Em 1972, este apresentou na 139.a reunio da American Association for the Advancement of Science a palestra Does the ap of a butterys wings in Brazil set off a tornado in Texas? (o bater das asas de uma borboleta no Brasil pode ocasionar um tornado no Texas?). Em outras palavras, uma inuncia to pequena como o bater das asas de uma borboleta poderia alterar as condies iniciais de um sistema catico (como a formao de ventos na atmosfera) a ponto de levar a um comportamento futuro imprevisvel, como um tornado. Essa alegoria gerou a expresso efeito borboleta, que frequentemente usada para representar o efeito que pequenas alteraes podem ter sobre o comportamento futuro dos sistemas.
1.6 May e o mapa logstico

Uma aplicao bastante interessante da dinmica so modelos de crescimento populacional. Uma populao biolgica com alimento suciente, espao para crescer e ausncia de predadores reproduz-se e aumenta exponencialmente, de acordo com o modelo que veremos a seguir.
14
CAPTULO 1. INTRODUO
Numa populao animal, por exemplo, costume fazer a contagem a tempos regulares, como anos ou meses, os quais podemos representar por uma varivel discreta t = 0, 1, 2, . . .. Vamos designar por Pt o tamanho da populao no instante t. Quando a populao pouco numerosa, a cada perodo t esta aumenta de um nmero R, que da ordem de 2 a 3 para mamferos de pequeno porte. Logo, a populao num instante t dada, em funo da populao no instante anterior, t 1, pela relao Pt = rPt1 , (1.8) que chamada equao a diferenas nitas, ou simplesmente mapa. Aqui r = R + 1, onde R a taxa de crescimento da populao, igual diferena entre a taxa de natalidade e mortalidade 1 . Se a primeira maior do que a segunda (nascem mais indivduos do que morrem), a taxa R positiva (ou seja, r > 1); caso contrrio R negativa (ou r < 1). Com uma taxa de crescimento positiva, seja qual for a populao inicial P0 , o nmero de indivduos aumentar exponencialmente com o tempo, produzindo rapidamente super-populao. Na verdade, h vrios fatores que limitam o nmero de indivduos que podem co-habitar em uma regio geogrca limitada, e com uma capacidade limitada de produo de alimentos. Uma forma de se exprimir essa tendncia saturao populacional consiste em supor que a taxa de crescimento no seja constante, mas sim diminuiria medida em que a populao atingisse um valor limite K, conhecido como capacidade de sustentao r r 1 Pt1 K
de modo que, caso a populao atingisse esse valor limite (Pt1 = K) a taxa de crescimento seria nula. Vamos denir uma populao reduzida dividindo-a pelo seu valor crtico K, que a capacidade de sustentao. Pt (1.9) xt , K Desta forma, enquanto Pt mede-se em nmero de habitantes, xt torna-se uma quantidade adimensional tal que 0 xt 1. Obtemos, ento, o chamado mapa logstico xt = rxt1 (1 xt1 ). (1.10)
As propriedades desse mapa foram notadas por Robert May na dcada de 70, quando era professor de fsica terica (na Universidade de Sydney) e de zoologia (na Universidade de Princeton). May estava estudando as propriedades do mapa logstico para diversos valores de r, entre 0 e o valor 3, 5699 , mas no conseguia entender o que ocorria aps este valor. Como sabemos atualmente, tal comportamento justamente o caos determinstico.
1
Usualmente as taxas so expressas em percentagens, aps serem multiplicadas por 100%
1.7. SISTEMAS DINMICOS

May recalls giving an invited seminar on the topic at the University of Maryland: When I got to the point in the talk when I said that I didnt understand what was going on once (r) got bigger than 3.57, Jim Yorke interrupted. I know what comes next, he said. Yorke and his colleague Tien-Yien Li had investigated the chaotic region of the map. Indeed it was Yorke and Li who coined the term chaos in a paper they went on to publish in 1975 with the enigmatic title Period three implies chaos.
15
James Yorke um matemtico da Universidade de Maryland que, inspirado pelo trabalho de Lorenz, publicara um artigo onde a palavra caos apareceu pela primeira vez na literatura cientca com a acepo que damos a ela atualmente [9]. Em 1976 May publicou um artigo bastante conhecido na revista Nature, que popularizou vrias propriedades interessantes do mapa logstico [10]. Entre os valores 3, 5699 e 4, o mapa logstico exibe predominantemente comportamento catico. O caso r = 4 j havia sido estudado muito antes, em 1947, pelos matemticos Stanislaw Ulam (1909-1984) e John von Neumann (1903-1957), como geradores de nmeros pseudoaleatrios, usados nos primeiros computadores eletrnicos fabricados.
1.7 Sistemas dinmicos

Podemos subdividir os sistemas dinmicos em duas categorias, de acordo com o tipo de varivel que designa o tempo. A primeira categoria consiste dos chamados uxos ou equaes diferenciais, onde o tempo uma varivel contnua. Costumamos escrever os uxos como sistemas de equaes diferenciais de primeira ordem em relao ao tempo: dx1 = f1 (x1 , xN ), dt . . . dxN dt = fN (x1 , xN ), (1.11) (1.12) (1.13)
onde (x1 , xN ) so as variveis dependentes do tempo, e f1 , fN so funes arbitrrias destas variveis. Este chamado um uxo N -dimensional. Como um exemplo, as equaes de movimento para uma partcula deslocando-se ao longo do eixo x, dadas por (1.2)-(1.3), so um uxo bidimensional. J o sistema de Lorenz (1.5)(1.7), por exemplo, um uxo tridimensional. Finalmente, o problema geral de n corpos um uxo 6N -dimensional. A segunda categoria de sistemas dinmicos que nos interessam so as equaes a diferenas, ou mapas, onde o tempo uma varivel discreta, ou seja, s assume valores inteiros
16 t = 0, 1, 2, . A forma geral de um mapa N -dimensional x1t = f1 (x1t1 , xN t1 ), . . . xN t = fN (x1t1 , xN t1 ), O mapa logstico (1.10) um exemplo de mapa unidimensional.
CAPTULO 1. INTRODUO
(1.14) (1.15) (1.16)
No estudo da fsica ns nos deparamos com mais frequncia com equaes diferenciais, e por isso alguns livros-texto comeam por elas o estudo da dinmica no-linear [11]. No entanto, as equaes diferenciais s comeam a exibir um comportamento dinmico interessante (como caos) a partir de uxos tridimensionais (como o sistema de Lorenz). Isso faz com que se tenha de trilhar uma exposio relativamente longa para chegar a aspectos interessantes da dinmica do sistema. Por outro lado, os mapas tm a propriedade notvel de apresentar comportamento dinmico no-trivial j a partir do caso simples unidimensional, o que ilustrado pelo mapa logstico. Ento, mesmo no sendo os mapas to familiares aos estudantes de fsica, optamos por introduzir os conceitos bsicos de dinmica no-linear e caos de forma to rpida quanto possvel, usando mapas como sistemas dinmicos de referncia [12]. Mais tarde, veremos que possvel conectar de uma forma elegante e sucientemente geral uma descrio de uxos a tempo contnuo usando mapas.
Captulo 2
Mapas unidimensionais
2.1 Mapas unidimensionais lineares
2.1.1 Mapa linear
Vamos imaginar uma aplicao nanceira a uma taxa de juros 100% ao ms, onde 0 < < 1. Vamos denominar xt o montante (em reais) da aplicao no ms t = 0, 1, 2, . . ., de modo que x0 o montante inicial da mesma, no ms t = 0. O montante no ms t, em funo do montante no ms anterior t 1, ser dado por xt = xt1 + xt1 = (1 + )xt1 . (2.1) Agora suponhamos que, a cada ms, o investidor faa um depsito xo de A reais. O mapa resultante ser xt = (1 + )xt1 + A. (2.2) Este um exemplo de mapa (onde h uma nica varivel, no caso, o montante da aplicao) denominado mapa am, e que escrito de forma geral como xt = f (xt1 ) = xt1 + , onde e so nmeros reais. O mapa (2.2) corresponde escolha = (1 + ) e = A. O mapa (2.3) uma relao de recorrncia para a qual, dado o valor da varivel num dado instante, obtemos o valor da varivel no instante seguinte. Por exemplo, supondo conhecida a condio inicial x0 , no prximo instante teremos x1 = f (x0 ) = x0 + , e no instante seguinte x2 = f (x1 ) = x1 + = (x0 + ) + = 2 x0 + (1 + ). 17 (2.3)
18
CAPTULO 2. MAPAS UNIDIMENSIONAIS
Usaremos a seguinte notao: x2 = f (x1 ) = f (f (y0 )) f [2] (x0 ), onde f [2] (x) f (f (x)) denota a segunda iterada da funo f (x), ou seja, a funo composta com ela mesma, e que no deve ser confundida com a funo elevada ao quadrado, ou [f (x)]2 . Da mesma forma, f [t] (x) a t-sima iterada de f , ou seja, a funo f (x) composta com ela mesma t vezes. Analogamente, as iteradas subsequentes do mapa resultam da composio da funo f repetidas vezes: x3 = f (x2 ) = f (f (x1 )) = f (f (f (x0 ))) f [3] (x0 ) = x2 + = (2 x0 + (1 + )) + = 3 x0 + (1 + + 2 ) (2.4)
A sequncia de iteradas sucessivas do mapa, {x0 , x1 , x2 , . . . xn , . . .}, chamada de rbita gerada pelo mapa f (x), a partir da condio inicial x0 . Podemos usar o princpio de induo nita para determinar o valor da t-sima iterada xt , em funo da condio inicial x0 . xt = f (xt1 ) = xt1 + = (xt2 + ) + = 2 xt2 + (1 + ) . . = . . . . = t x0 + (1 + + 2 + . . . t1 ). (2.5)
A expresso entre parnteses na ltima das equaes anteriores igual soma dos t primeiros termos de uma progresso geomtrica de razo e termo inicial 1. Usando a frmula para a soma dos termos de uma progresso geomtrica, temos xt = t x0 + (t 1) = 1 x0 + 1 t , 1 (2.6)
que a soluo geral do mapa linear (2.3), pois fornece o valor de xt para qualquer valor do tempo t > 0, sem a necessidade de se calcular as iteradas intermedirias. S nos foi possvel obter esta soluo geral devido ao fato da funo f (x) ser linear.
2.1.2
Diagramas de escada
Uma maneira conveniente de visualizar as sucessivas iteradas de um mapa unidimensional xt = f (xt1 ), seja ele linear ou no, construir o diagrama de escada correspondente. Usamos dois eixos cartesianos representando as variveis xt (eixo das ordenadas) e xt1 (eixo das abscissas), e neste sistema traamos o grco da funo f (x). No caso da funo linear (2.7)
2.1. MAPAS UNIDIMENSIONAIS LINEARES

x x t+1 = tg f(x ) = x + t t t+1 =x t x x* x3 x
2
19
x t+1 t+1 =x t
(a)
(b)
x0
x1
x2 x3 x*
Figura 2.1: (a) Mapa linear. (b) Diagrama de escada de um mapa linear.
x + o grco uma reta com coecientes angular e linear iguais, respectivamente, a e [Fig. 2.1(a)]. Da geometria analtica, sabemos que = tan , onde o ngulo entre a reta e o eixo horizontal, medido no sentido anti-horrio (declividade da reta); e a ordenada do ponto de interseo da reta com o eixo vertical. Traamos tambm a primeira bissetriz, que o grco da funo identidade xt = xt1 , e que uma reta que passa pela origem e faz 45O com o eixo horizontal. Localizamos no eixo horizontal o valor correspondente condio inicial x0 , e subimos uma perpendicular at encontrar o grco da funo f (x), no caso a reta x + [Fig. 2.1(b)]. O valor correspondente no eixo vertical ser x1 = f (x0 ). Ns traamos uma paralela ao eixo horizontal a partir deste ponto at interceptar a primeira bissetriz. A abscissa do ponto de interseo obviamente igual a x1 . A partir deste ponto repetimos o processo: construimos uma perpendicular ao eixo horizontal passando por x1 at encontrar o grco da funo obtendo x2 = f (x1 ), rebatemos no eixo horizontal e assim por diante. O diagrama resultante assemelha-se a uma escada, onde o incio de cada degrau indica o valor da iterada do mapa.
2.1.3
Pontos xos e sua estabilidade
Na gura 2.1(b) observamos que a sequncia de iteraes aproxima-se do ponto de interseo entre o grco da funo linear e a primeira bissetriz. A coordenada x deste ponto a soluo da equao x = x + , ou seja x = , 1 (2.8)
20
x x
t+1
(a)
x = xt t+1 x
t+1 x
(b)
=x t+1 t
x1 x
*
x x
x*x x
0
x0 x2
x*
x1
Figura 2.2: (a) Mapa linear com inclinao maior que 45o . (b) Mapa linear com inclinao negativa.
desde que = 1. Caso = 1 e = 0, no h ponto de interseo entre a reta da funo e a primeira bissetriz - elas so retas paralelas. Se = 1 e = 0 as duas retas coincidem, de modo que todos os seus pontos satisfazem (2.8). O ponto x mais comumente chamado ponto xo do mapa f (x), pois ele um ponto que mapeia a si prprio. Esta denio se aplica a qualquer tipo de mapa, seja ele linear ou no-linear. De modo geral, para o mapa unidimensional xt = f (xt1 ), o ponto xo a soluo da equao x = f (x ). (2.10) Voltando ao mapa linear (2.3), podemos usar o ponto xo (2.8) para reescrever a sua soluo geral (2.6) como xt = (x0 x )t + x . (2.11) Os pontos xos representam solues estacionrias de um mapa, seja qual for. importante, porm, estudar tambm a sua estabilidade, ou seja, o comportamento das iteraes do mapa em relao a pequenos desvios do ponto xo. Vamos, pois, analisar com mais detalhes as situaes ilustradas pelas Figuras 2.1(b) e 2.2(a). No primeiro caso, as iteraes do mapa aproximam-se do ponto xo x quando t , o que ocorrer tanto se x0 estiver esquerda como direita do ponto xo. Neste caso, o ponto xo x assintoticamente estvel, pois pequenas perturbaes fazem o sistema retornar a ele quando o tempo t tende a innito. Por outro lado, na Figura 2.2(a), tomando-se uma condio inicial prxima ao ponto xo, observamos que as iteradas subsequentes do mapa afastam-se de x . Se zermos o tempo tendendo ao innito, (2.9)
2.1. MAPAS UNIDIMENSIONAIS LINEARES

x
(a)
x
21
(b)
x2
t+1 x = xt t+1
t+1 x = xt t+1
x1
x0
x1
x2
Figura 2.3: Diagrama de escada de um mapa linear para (a) = 1 e = 0, (b) = 1 e = 0.
tambm o valor das iteradas tender ao innito. Neste caso o ponto xo instvel, pois qualquer condio inicial em sua vizinhana produz uma rbita que afasta-se do ponto xo. Para obter um critrio que determine se um ponto xo estvel ou instvel, vamos tomar a soluo geral do mapa linear (2.11), lembrando que xt depende do tempo basicamente segundo as potncias t . Se || < 1 as sucessivas potncias de vo fornecendo nmeros cada vez menores, e t 0 quando t tende ao innito. Usando (2.11) temos, portanto, que xt x quando t 0, ou seja, o ponto xo x assintoticamente estvel. Por outro lado, se || > 1, as potncias de vo crescendo com o passar do tempo, e t quando t tende ao innito, de forma que tambm xt diverge, e o ponto xo x instvel. Como = tan , onde o ngulo que o grco faz com o eixo das abscissas, se > 0 o ponto xo estvel desde que o ngulo seja agudo e menor que 450 (j que tan 450 = 1). Podemos ter, ainda, um grco com inclinao negativa, como exemplicado pela Figura (2.2(b). Agora, para negativo o ponto xo estvel se 1 < < 0, desde que o ngulo seja obtuso e maior que 900 + 450 = 1350 . Na situao onde || = 1, h duas possibilidades: caso = 1 e = 0, como tan 450 = 1, a reta do grco paralela primeira bissetriz e no haver ponto xo x . O diagrama de escada mostra que, partindo de uma condio inicial qualquer x0 as iteraes subsequentes vo para innito [Fig. 2.3(a)]. Se = 0, a reta do grco passar pela origem e, na verdade, coincidir com a primeira bissetriz [Fig. 2.3(b)]. Podemos dizer, ento, que h innitos pontos xos, que no podem ser classicados nem como estveis nem como instveis. Se = 1, ento t igual a 1 se t for par, e 1, se t for mpar. Como x = /1 (1) =
22
(a) x x t+1 x = xt t+1
1

(b) t
x* x
0
x0
x*
x1
0 1 2 3 4 5
Figura 2.4: (a) Diagrama de escada de um mapa linear para = 1 e = 0; (b) Srie temporal correspondente.
/2, as iteraes subsequentes sero x1 = (1)1 (x0 x ) + x = x0 , x2 = (1)2 (x0 x ) + x = x0 , {x0 , x1 , x0 , x1 , . . .}, j que a cada duas iteraes o valor inicial se repete. O diagrama de escada correspondente uma gura fechada, diferente para cada condio inicial [Fig. 2.4(a)]. As iteraes sucessivas do mapa oscilam indenidamente em torno do ponto xo x sem jamais alcan-lo, seja qual for a condio inicial [Fig. 2.4(b)]. Podemos associar esse tipo de comportamento a um equilbrio indiferente. Finalmente, se = 0 a mesma situao repetir-se-, mas com o ponto xo na origem x = 0. Podemos resumir nossa anlise no seguinte critrio de estabilidade para mapas lineares ans: || < 1: x assintoticamente estvel, || > 1: x instvel, = 1 e = 0: no existe ponto xo, = 1 e = 0: existem innitos ponto xos (nem estveis nem instveis), = 1: ciclo de perodo 2 em torno do ponto xo. e assim sucessivamente, formando um ciclo de perodo 2
2.2. MAPAS UNIDIMENSIONAIS NO-LINEARES
23
2.2 Mapas unidimensionais no-lineares

O mapa linear possui uma soluo geral, ou seja, dado qualquer tempo t, podemos saber qual o valor de xt . H poucos comportamentos dinmicos possveis nesse caso: os valores de xt podem convergir assintoticamente para um ponto xo, divergir para innito, ou ainda estacionar num equilbrio nem estvel nem instvel (e que pode ser um nico ponto ou um ciclo com dois pontos). Mapas no-lineares, por outro lado, apresentam uma dinmica bem mais rica e complicada, que no se restringe aos comportamentos listados acima, incluindo outras possibilidades, como rbitas peridicas, bifurcaes, caos, crise, intermitncia, etc. Como um mapa no-linear no tem uma soluo geral, somos quase sempre obrigados a determinar numericamente as iteradas sucessivas, a partir de uma dada condio inicial. Embora existam innitos mapas que possam ser classicados como no-lineares, ns tradicionalmente introduzimos o seu estudo a partir de um paradigma, que o mapa logstico.
2.2.1
Mapa discreto
O mapa logstico tem a forma xt = f (xt1 ) = rxt1 (1 xt1 ), (2.12)
onde 0 xt 1 e 0 > r 4. O grco do mapa uma parbola cujo vrtice (ponto de mximo) tem coordenadas (xt1 = 1/2, xt = r/4) [Fig. 2.5(a)]. Quando r = 4 o vrtice da parbola logstica est em x = 1; logo se r > 4 a condio que x esteja no intervalo [0, 1] deixa de ser satisfeita. Da mesma forma, se r = 0 a parbola reduz-se ao eixo horizontal, e para valores negativos de r a concavidade da parbola invertida, o que tambm leva x a valores fora do domnio [0, 1]. O nome logstico para o mapa (2.12) vem do fato deste ser uma verso discreta do modelo logstico de Verhulst para o crescimento populacional (veja a Introduo para mais detalhes). Os pontos xos do mapa logstico so dados por x = 0, a 1 x = 1 , b r (r = 0). (2.13)
No entanto, se r < 1 segue que x necessariamente negativo, ou seja, fora do intervalo de b denio do mapa [0, 1]. Neste caso, portanto, apenas o ponto xo na origem, x = 0, existe. a Podemos conferir este fato no exemplo da gura 2.5(a), que mostra haver apenas uma interseo do grco da funo (no caso para r = 0, 7) e a primeira bissetriz. J se 1 < r < 4 haver tambm o segundo ponto xo x [Fig. 2.5(b)]. b
24
(a)
0,8 0,8 0,6 0,6
(b)
xt+1
0,4
xt+1
0,4
0,2
0,2
0,2
0,4
0,6
0,8
0,2
0,4
0,6
0,8
xt
xt
Figura 2.5: Primeira iterada do mapa logstico com (a) r = 0, 7; (b) r = 1, 5.
2.3 Iteraes sucessivas

No possuimos uma soluo geral para o mapa logstico, nem para modelos no-lineares, no caso de tempo t arbitrrio e r qualquer 1 .Temos, pois, de calcular as iteraes sucessivas a partir de uma condio inicial x0 , para obter xt : x2 = f (x1 ) = f (f (x0 )) = f [2] (x0 ) = rx1 (1 x1 ) x1 = f (x0 ) = rx0 (1 x0 )
x3 = f (x2 ) = f (f (f (x0 ))) = f [3] (x0 ) = rx2 (1 x2 ) . . . . . . xt = f (xt1 ) = f (f ( f (x0 ) )) = f [t] (x0 ). (2.14)
As iteradas sucessivas podem se tornar funes extremamente complicadas. Por exemplo, a segunda iterada do mapa logstico a funo f [2] (x) = f (f (x)) = rf (x)(1 f (x)) = r2 x(1 x) r3 x2 (1 x)2 ,
1
= r[rx(1 x)][1 rx(1 x)]
(2.15)
Esse procedimento leva rapidamente a funes polinomiais de grau bastante alto.

Alguns casos particulares, porm, tm soluo geral (vide Problema 1)
2.3. ITERAES SUCESSIVAS

x 1 t+1
x
25
(a)
1 0 2 1 0 t+1 1 0 1 0 1 0
(b)
T(x)
1111111111 0000000000 1111111111 0000000000 [2] 1111111111 0000000000 1111111111 0000000000 1111111111 0000000000 f(f(x))=f (x) 1111111111 0000000000 1111111111 0000000000
T(T(x))
__ x* 1 2
__ 1 4
1 x * __ 1 2
3 x* __x * 4 2
Figura 2.6: (a) Primeira e (b) segunda iteradas do modelo da tenda
Um mapa cujas iteradas sucessivas so relativamente mais fceis de ser obtidas, e que nos permitir chegar a resultados analticos em sees futuras, o chamado mapa da tenda [12] 2xt1 se 0 xt1 1 , 2 xt = T (xt1 ) = (2.16) 2(1 xt1 ) se 1 < xt1 1, 2 cujo grco tem a forma de uma tenda [Fig. 2.6(a)], sendo linear por partes nos intervalos [0, 1/2] e (1/2, 1]. No ponto x = 1/2 a funo T (x) contnua, mas no diferencivel, o que signica que a derivada do mapa T (x) em relao a x neste ponto no nica, ou seja, depende se estamos olhando esquerda ou direita de x = 1/2 2 . Um mapa linear por partes, como o modelo da tenda, comporta-se de forma mais prxima de um mapa no-linear, como o logstico. O modelo da tenda tem dois pontos xos, que so as solues da equao x = T (x ). Como T (x) denida de forma diferente nos intervalos [0, 1/2] e (1/2, 1], temos de impor ambas as formas do mapa na equao que fornece o ponto xo. No intervalo [0, 1/2] a condio x = 2x satisfeita por x = 0; ao passo que no intervalo (1/2, 1] temos que x = 2(1 x ) resulta em x = 2/3. Na Figura 2.6(b) mostramos a segunda quatro intervalos: 4x, 2(1 2x), T [2] (x) = 4(1 + 2x), 4(1 x), iterada do modelo da tenda, que dada em se se se se 0 x 1/4, 1/4 < x 1/2, 1/2 < x 3/4, 3/4 < x 1.
(2.17)
2 As derivadas so diferentes numa vizinhana do ponto crtico xc = 1/2: T (x ) = 2 e T (x+ ) = 2. Dizemos c c tambm que T (x) no suave neste ponto.
26
Neste caso, a funo tem trs pontos crticos, a saber: x = 1/4, 1/2 e 3/4. Observe que a segunda iterada uma espcie de cpia reduzida e duplicada da primeira iterada do modelo da tenda. De forma semelhante, a terceira iterada duplica novamente o grco, o que pode ser visto na gura 2.7(b). A primeira iterada do modelo da tenda T (x) = T [1] (x) tem um (= 20 ) vrtice no ponto crtico x = 1/2, e a declividade (coeciente angular) das retas (1)/(1/2) = 2 = 21 . A segunda iterada, T [2] (x), tem dois (= 21 ) vrtices, sendo a declividade (1)/(1/4) = 4 = 22 ; ao passo que a terceira iterada T [3] (x) tem quatro (= 22 ) vrtices e declividade (1)/(1/8) = 8 = 23 . Por induo nita, o grco da t-sima iterada do modelo da tenda deve ter 2t1 vrtices, e a declividade de cada segmento de reta 2t .
2.3.1
Pontos nalmente xos
Pontos que, se usados como condies iniciais num mapa f (x), levam depois de um certo nmero nito de iteraes ao ponto xo x so chamados de pontos nalmente xos. Dito de maneira mais formal, x um ponto nalmente xo de f (x) se existe um inteiro positivo n tal que f [n] (x) um ponto xo de f . Como um exemplo, no modelo da tenda x = 1/8 um ponto eventualmente xo, pois as imagens de x por meio do mapa T (x) convergem ao ponto xo x = 0 em n = 4 iteraes: T (1/8) = 1/4, T (1/4) = 1/2, T (1/2) = 1, T (1) = 0, T (0) = 0. De forma geral pode-se mostrar que, se x = k/2n , onde k e m so inteiros positivos, e 0 < k/2n 1, ento x um ponto nalmente xo do modelo da tenda. Se o mapa f (x) for inversvel, ele possui uma nica funo inversa f [1] . Nesse caso, os pontos nalmente xos so dados pelas suas imagens inversas (ou pr-imagens) f [t] , ou seja, as suas imagens pela t-sima iterada da funo inversa. No entanto, mesmo que o mapa no seja inversvel, como no exemplo do modelo da tenda (onde a funo inversa no nica), ainda assim podemos falar nas imagens inversas de um ponto xo e associ-las aos pontos nalmente xos. O conceito de pr-imagens aplica-se mesmo quando x no um ponto xo do mapa. Como um exemplo, 2/5 a imagem de dois pontos pelo modelo da tenda, a saber, x = 1/5 e 4/5. Logo h duas pr-imagens do ponto 2/5 pela primeira iterada, 1/5 = T [1] (2/5), quatro pr-imagens pela segunda iterada, 1/10 = T [2] (2/5), 2/5 = T [2] (2/5), 11/20 = T [2] (2/5), 11/10 = T [2] (2/5), e assim por diante. Concluimos que um mapa inversvel tem uma nica rbita para tempos negativos, ao passo que se ele for no-inversvel, h um nmero innito de pr-imagens (e rbitas) possveis. 4/5 = T [1] (2/5)
2.4. ESTABILIDADE DOS PONTOS FIXOS
27
2.4 Estabilidade dos Pontos Fixos

No caso de mapas lineares, a anlise da estabilidade de um ponto xo importante para que saibamos: (i) se ele ou no assintoticamente estvel, caso contrrio no ser alcanado por condies iniciais tpicas; (ii) se as iteraes do mapa convergem ou no ao ponto xo (estvel) de forma amortecida ou oscilatria. O critrio que usamos anteriormente para a determinao da estabilidade do ponto xo no caso linear depende da existncia de uma soluo geral e, portanto, no se aplica para mapas no-lineares, como o logstico, nem para mapas lineares por partes, como o da tenda. Para eles, um novo critrio deve ser deduzido, baseado nas propriedades do mapa nas vizinhanas do ponto xo. Faremos a linearizao do mapa nas vizinhanas do ponto xo, o que vlido apenas se esta vizinhana for muito pequena em comparao com o domnio da varivel do mapa. Por exemplo, no caso do mapa logstico, o ponto xo x = 2/3 pertencente ao intervalo [0, 1] ser estudado em um pequeno intervalo aberto nele centrado (2/3 , 2/3 + ), onde 2/3. Consideremos, pois, um mapa no-linear xt = f (xt1 ) com ponto xo x = f (x ), e seja xt uma iterao do mapa prxima ao ponto xo, ou seja, vamos supor que xt pertence a uma pequena vizinhana de x . Vamos denir uma distncia entre estes pontos como t = |xt x |. (2.18)
Naturalmente, como o valor de xt muda conforme iteramos o mapa, assim tambm esperamos que a distncia t varie com o tempo. Se ela diminuir medida em que passa o tempo t, (t < t1 ) ento o ponto xo x assintoticamente estvel; se aumentar, (t > t1 ) o ponto xo instvel. Calculando t1 teremos t = |xt x | = |f (xt1 ) x | = |f (x + t1 ) x )|, (2.19)
tal que, sendo t1 um nmero pequeno por hiptese, podemos expandir a funo do mapa f (x) em uma srie de Taylor em torno de x = x , em potncias de t1 : f (x + t1 ) = f (x ) + t1 df (x) dx 1 2 d2 f (x) + t1 2 dx2 + ...,
x=x
(2.20)
x=x
onde desprezaremos os termos da expanso contendo potncias de t de ordem igual ou superior a 2. Lembramos que para que esta linearizao seja vlida, t1 deve ser sucientemente 2 3 pequeno: por exemplo, se t1 = 0, 1, ento t1 = 0, 01 0, 1, t1 = 0, 001 0, 1, e assim por diante. Desta forma, o erro cometido neste truncamento sempre signicativamente menor que os termos que estamos retendo. O termo que multiplica t1 a derivada do mapa f (x), calculada no ponto xo x = x , portanto uma constante, que vamos escrever como df (x) dx .
x=x
(2.21)
28 || < 1 || = 0 || > 1 || = 1

x estvel super-estvel x instvel o critrio de linearizao falha x
Tabela 2.1: Estabilidade do ponto de equilbrio de um mapa unidimensional 0<<1 1 < < 0 >1 < 1 convergncia monotnica a x , convergncia oscilatria a x , divergncia monotnica de x , divergncia oscilatria de x ,
Tabela 2.2: Comportamento das rbitas na vizinhana de um ponto xo de um mapa unidimensional tal que a equao (2.19) ca t |f (x ) + t1 x | = || t1 , (2.22)
onde usamos a denio de ponto xo x = f (x ). Observe que, segundo (2.22), as distncias na vizinhana do ponto xo obedecem a um mapa linear da forma (2.3), onde = || e = 0.
Se o ponto xo x for localmente estvel (instvel), ento as distncias a ele diminuem (aumentam) com o passar do tempo, o que leva ao critrio de estabilidade linear resumido na Tabela (2.1). Por falha do critrio, queremos dizer que a linearizao efetuada no suciente para esclarecer se o ponto xo ou no estvel. O intervalo de estabilidade 1 < < +1, ou seja, quanto mais afastados estivermos dos seus limites, mais estvel ser o ponto xo. Em particular, o ponto mais estvel (super-estvel) aquele equidistante dos extremos, tal que = 0. Finalmente, o sinal de determina o tipo de comportamento dos pontos da rbita, de forma anloga ao caso linear: se 0 < < 1 a convergncia (ou divergncia) das iteraes ao ponto xo monotnica, ou seja, as distncias t tm sempre o mesmo sinal, seja positivo ou negativo. J se 1 < < 0, as iteraes que convergem assintoticamente a x tm sinais alternados, de forma que a convergncia (ou divergncia) oscilatria. Os quatro casos possveis esto listados na Tabela (2.2). A ttulo de exemplo, considere o modelo da tenda (4.27). Como = T (x) = 2 > 1 para 0 x 1/2, o ponto xo x = 0 instvel e a divergncia das iteraes monotnica. Como = 2 < 1 para 1/2 < x 1, o ponto xo x = 2/3 tambm instvel e com divergncia monotnica.
2.5. RBITAS PERIDICAS
29
2.4.1
Mapa logstico
Lembramos que o mapa logstico tem dois pontos xos, a saber, x = 0, e x = 1 1/r. A a b estabilidade da origem determinada pela derivada do mapa, calculada no ponto xo df dx = r(1 2xt )|x=x = r. a (2.23)
x=x a
Logo, como impusemos que r > 0, o ponto xo x = 0 ser estvel desde que r < 1, caso contrrio ser instvel. Quando r = 1 sabemos que o critrio linear adotado no suciente para determinar a estabilidade. Alm disso, a convergncia ao ponto assintoticamente estvel monotnica, e no oscilante. J para o segundo ponto xo a derivada do mapa df dx = r(1 2xt )|x=x = r 1 2 1
b
x=x b
1 r
= 2 r,
(2.24)
tal que x ser assintoticamente estvel se |f (x )| = |2 r| < 1, ou seja, para 1 < 2 r < +1. b b Subtraindo 2 e invertendo o sinal de todos os termos das desigualdades, obtemos que o intervalo de estabilidade 1 < r < 3. Se r < 2, podemos facilmente vericar que o ponto xo x menor b que o ponto crtico 1/2, e maior que ele caso contrrio [veja a gura 2.5(b)]. A propsito, como para r = 2 a derivada do mapa se anula, ento o ponto xo x = 1 (1/2) = 1/2 super-estvel. b Vejamos o que ocorreu at o momento: para 0 < r 1 apenas a origem ponto xo, e estvel. Quando r passa pelo valor 1, a origem torna-se instvel, e surge o segundo ponto xo, x = 1 (1/r), que estvel at que r = 3. Este um exemplo de bifurcao, ou seja, b uma alterao abrupta na estabilidade um ponto xo ou rbita peridica, medida em que um parmetro do sistema variado.
2.5 rbitas peridicas

Mapas unidimensionais no-inversveis possuem um comportamento dinmico complexo, como a presena de rbitas peridicas, bifurcaes e at mesmo caos. Recordemos que um ponto xo x de um mapa xt = f (xt1 ) um ponto que mapeia a si prprio, ou seja, tal que x = f (x ). Uma rbita peridica de perodo 2, tambm chamada 2-ciclo, um conjunto de dois pontos {x , x } tais que um mapeia no outro, e vice-versa: 1 2 x = f (x ), 1 2 x = f (x ), 2 1 (2.25) Como x = f (x ) = f (f (x )) = f [2] (x ), ento x , assim como x , um ponto xo da segunda 2 1 2 2 2 1 iterada do mapa f (x). Logo, os pontos de uma rbita de perodo 2 so solues de x = f [2] (x ) = f (f (x )). (2.26)
30
x
1 0 2 t+1 1 0 1 0 1 0

x
(a)
1
11111111111 00000000000 11111111111 00000000000 11111111111 00000000000 [2] 11111111111 00000000000 11111111111 00000000000 f(f(x))=f (x) 11111111111 00000000000 11111111111 00000000000 11111111111 00000000000
11 00 3 t+1 11 00
11 00
(b)
T(T(x))
1111111111 0000000000 1111111111 0000000000 [3] 1111111111 0000000000 1111111111 0000000000 f(f(x))=f 1111111111 0000000000 T(T(T(x))) (x) 1111111111 0000000000 1111111111 0000000000
__ 1 4
1 x * __ 1 2
3 x* __x * 4 2
1 1 0 __ __ 8 4
__ 1 2
__ 3 4
Figura 2.7: (a) Segunda e (b) terceira iteradas do modelo da tenda
Vamos tomar como um exemplo o modelo da tenda T (x), visto na seo anterior. Os pontos {x , x } pertencentes a uma rbita de perodo 2 so solues de x = T [2] (x ), onde 1 2 a segunda iterada do modelo da tenda dada por (2.17). Como h quatro intervalos onde denida a segunda iterada, precisamos analisar os quatro casos possveis [Fig. 2.7(a)]: x [0, 1/4]: a equao x = 4x tem apenas a soluo x = 0, que um dos pontos xos do mapa; x (1/4, 1/2]: a equao do primeiro grau x = 2(1 2x ) tem raiz x = 2/5, que um 1 dos pontos do 2-ciclo; x (1/2, 3/4]: o segundo ponto xo x = 2/3 do mapa a soluo de x = 2[1 2(1 x )]; x (3/4, 1]: o segundo ponto do 2-ciclo, x = 4/5 raiz da equao x = 4(1 x ). 2 Observe que h quatro pontos com essa propriedade, dos quais dois j so os pontos xos, restando apenas dois pontos que compem a rbita de perodo 2: {2/5, 4/5}.
Para generalizar essa discusso, dizemos que x um ponto de perodo m (ou mperidico) do mapa f (x) se ele for um ponto xo da m-sima iterada do mapa: x = f [m] (x ). (2.27)
e se, adicionalmente, os pontos x , f (x ), f [2] (x ), f [m1] (x ) forem distintos. Se x for um ponto de perodo m, as suas imagens formam uma rbita de perodo m (ou m-ciclo): {x , f (x ), f [2] (x ), f [m1] (x )} (2.28)
31
Um m-ciclo um conjunto de m pontos de perodo m {x , x , x , . . . x }, tais que um m 1 2 3 mapeia o outro de forma cclica, ou seja:
x i+1 = f (xi ),
x 1
f (x ). m
(i = 1, 2, . . . m 1),
(2.29)
Aplicando sucessivamente as condies acima a qualquer um dos pontos do m-ciclo, por exemplo x , vemos que m x = f (x ) = f (f (x )) = f (f (f (x ))) = . . . = f [m] (x ), m m1 m2 m3 m (2.30)
De forma geral, h 2m pontos xos da m-sima iterada do mapa, T [m] (x). Alguns desses pontos so tambm pontos xos de T [k] (x) com k < m; os pontos restantes juntando-se para formar rbitas de perodo m. Para encontrar o nmero de m-ciclos (rbitas de perodo m), ns subtraimos o nmero total de pontos de perodo k para todos os valores de k < m e tais que k divide m. Por exemplo, quando m = 4, h 24 = 16 pontos xos da quarta iterada T [4] (x), ou ainda 16 pontos de perodo 4. Dois desses pontos tambm so pontos xos de T (x), e dois outros so pontos xos de T [2] (x). Sobram 16 2 2 = 12 pontos xos de T [4] (x) que formam 12/4 = 3 rbitas de perodo quatro. Pontos nalmente perodicos so aqueles cujas imagens pelo mapa f (x) levam, aps um nmero nito de iteraes, a um ponto peridico do mapa. Por exemplo, x = 7/10 um ponto eventualmente peridico para o modelo da tenda, pois suas imagens levam, aps duas iteradas de T (x), a um 2-ciclo: T (7/10) = 3/5, T (3/5) = 4/5, T (4/5) = 2/5, Pode-se mostrar que, para o mapa da tenda, se x um nmero racional pertencente ao intervalo (0, 1), ento x um ponto eventualmente peridico e vice-versa. Em particular, se x = k/m, onde k um inteiro par e m um inteiro mpar, ento x ponto peridico, sendo a recproca verdadeira. Um ponto nalmente xo se e s se ele tiver a forma x = k/2m ou k/(3.2m ), sendo k e m inteiros no-negativos [12]. T (2/5) = 4/5,
importante salientar que nem todos os pontos de perodo m pertencem a um m-ciclo, como vimos no exemplo do modelo da tenda para m = 2. A terceira iterada do modelo da tenda, T [3] (x) tem quatro vrtices, delimitando oito regies, de forma que h um total de oito pontos de perodo 3 [Fig. 2.7(b)]. Desses oito pontos, dois j so os pontos xos de T , mas no esto aqui incluidos os pontos do 2-ciclo, j que 2 no divide 3 (isto , so primos entre si). Ento restam 8 2 = 6 pontos de perodo 3 para T . Como cada 3-ciclo contm 3 pontos, h dois 3-ciclos. Um deles {2/7, 4/7, 6/7}, como pode-se mostrar facilmente.
2.5.1
Estabilidade das rbitas peridicas
Assim como os pontos xos, tambm as rbitas peridicas podem ser estveis ou instveis. Por exemplo, um 2-ciclo {x , x } assintoticamente estvel se, dada uma condio inicial suciente1 2
32
mente prxima a ele, as iteraes subsequentes do mapa vo aproximando-se, alternadamente, dos pontos peridicos. A anlise de estabilidade de uma rbita de perodo m, ou m-ciclo, pode ser feita a partir da observao que todos os m pontos dessa rbita so pontos xos do mapa m vezes iterado f [m] (x): x = f [m] (x ), para i = 1, 2, . . . m. Caso um destes pontos seja estvel, i i todos os outros tambm o sero, e o ciclo como um todo ser assintoticamente estvel. A mesma observao vale para os outros casos de estabilidade tal que, desta forma, podemos adaptar o critrio deduzido na seo anterior. No caso de rbitas peridicas (que formam um sub-conjunto dos pontos de perodo m), o parmetro determinante da estabilidade a derivada do mapa m vezes iterado em relao a x, calculada em qualquer um dos pontos do m-ciclo, por exemplo x : 1 m df [m] (x) dx ,
x=x 1
(2.31)
Sendo as iteradas sucessivas nada mais que funes compostas, podemos utilizar regra da cadeia para computar a derivada da m-sima iterada do mapa. Por exemplo, se f (x) e g(x) so duas funes do mesmo argumento, a derivada da funo composta h(x) = f (g(x)) dh(x) df (g(x)) df (g) dg(x) df (x) = = = dx dx dg dx dx dg(x) . x=g(x) dx (2.32)
Para calcular a derivada da composio de m funes, usamos a propriedade evidente f [m] (x) = f (f [m1] (x)) na regra da cadeia (2.32). Logo df [m] (x) dx =
x=x 1
df (f [m1] (x)) dx
=
x=x 1
df (x) dx
df [m1] (x) dx x=f [m1] (x )

1
.
x=x 1
(2.33)
Como os pontos de um m-ciclo mapeiam uns aos outros, ou seja, ym1 = f [m1] (x ), temos que 1
df [m] (x) dx
=
x=x 1
df (x) dx
x=x m1
df [m1] (x) dx
.
x=x 1
(2.34)
Procedendo de forma anloga para a derivada de f [m1] , teremos df [m] (x) dx =

x=x 1
df (x) dx
x=x m1
df (x) dx
x=x m2
df [m2] (x) dx
,
x=x 1
(2.35)
que podemos generalizar, usando induo nita, para o produto de m fatores, iguais s derivadas do mapa em cada ponto da rbita peridica: df [m] (x) dx =
x=x 1
df (x) dx
x=x m1
df (x) dx
x=x m2
df (x) dx
x=x 2
df (x) dx
,
x=x 1
(2.36)

de modo que m = df [m] (x) dx
m1
33
=
x=x 1 i=0
df (x) dx
.
x=x i
(2.37)
Assim, os pontos do m-ciclo sero: Assintoticamente estveis se |m | < 1, Super-estveis se m = 0, Instveis caso |m | > 1. No caso estvel, a convergncia rbita peridica ser: Monotnica se 0 < m < 1, Oscilatria se 1 < m < 0. Se a rbita peridica for instvel, a divergncia ser: Monotnica se m > 1, Oscilatria se m < 1. Finalmente, se |m | = 1, a linearizao no suciente para decidir sobre a estabilidade do m-ciclo. Considere novamente o modelo da tenda (4.27), como um exemplo simples de aplicao desse critrio. Como sabemos, por induo, que a m-sima iterada do mapa consiste numa sucesso de m tendas de altura 1 e largura da base 1/2m , a derivada (T [m] ) = m = 2m que sempre maior que um, para m = 0, logo todas as rbitas de perodo m que possamos encontrar para este mapa sero instveis, com divergncia monotnica.
2.5.2
Mapa logstico
Retornando, guisa de exemplo, ao mapa logstico f (x) = rx(1 x), vamos analisar agora a existncia e a estabilidade de rbitas de perodo superior, a partir do caso mais smples, as rbitas de perodo 2, ou 2-ciclos: {x , x }, cujos integrantes so pontos xos da segunda iterada 1 2 do modelo: x = f [2] (x ). A segunda iterada , por sua vez, f [2] (x) = rf (x)(1 f (x))
= r[rx(1 x)][1 rx(1 x)]
= r2 [rx4 + 2rx3 (1 + r)x2 + x],
(2.38)
34
0,8
0,8
0,6
0,6
xt+1
0,4
xt+1
0,4
0,2
0,2
0,2
0,4
0,6
0,8
xt
0,2
0,4
xt
0,6
0,8
Figura 2.8: Segunda iterada do mapa logstico para (a) r = 1, 5; (b) r = 3, 2.
tal que os pontos do 2-ciclo sejam solues da seguinte equao algbrica de quarto grau x = r2 [rx 4 + 2rx 3 (1 + r)x 2 + x ]. (2.39)
Pelo teorema fundamental da lgebra [13], esta equao ter quatro razes, reais ou complexas. No entanto, os pontos xos da primeira iterada do mapa f (x) tambm so pontos xos da segunda iterada f [2] (x), j que f [2] (x ) = f (f (x )) = f (x ) = x . (2.40)
Logo, das quatro solues esperadas para (2.39), duas j so conhecidas, a saber: x = 0, e a x = 1 (1/r). A forma cannica de uma equao algbrica do quarto grau b (x x )(x x )(x x )(x x ) = 0, 1 2 3 4 (2.41)
onde x , i = 1, 2, 3, 4, so as razes, das quais x = x e x = x . Logo os pontos do 2-ciclo so os a 3 4 i b zeros restantes do polinmio P (x) (x x )(x x )(x 0) x 1 + 1 2 = r2 [rx4 + 2rx3 (1 + r)x2 + x]. 1 r (2.42)
35
Como x (1 1/r) um divisor do polinmio P (x), usando o dispositivo de BriotRufni, obtemos 1 [r2 x2 + r(1 + r)x r 1], (2.43) P (x) = rx x 1 + r donde os pontos do 2-ciclo so as razes do trinmio quadrtico entre colchetes: r(r + 1) r2 (r + 1)2 4r2 (r + 1) 2
x 1,2
(2.44)
onde o sinal positivo refere-se a x , e o negativo a x . 2 1 O discriminante desta soluo = r2 (r + 1)2 4r2 (r + 1) = r2 (r2 2r 3).
(2.45)
O trinmio quadrtico entre parnteses tem razes r = 1 e r = 3. Logo, se 1 < r < 3 este trinmio ser negativo. Como r2 sempre positivo, o discriminante ser negativo para 0 < r < 3, e consequentemente os pontos x sero complexos, ou seja, no h um 2-ciclo 1,2 neste caso. A Figura 2.8(a) ajuda a entender o motivo: exceo dos pontos xos, no h outras intersees da segunda iterada com a reta de 45o . J para r > 3 os pontos do 2-ciclo so as razes (reais) dadas por (2.44) [Fig. 2.8(b)] x = 1,2 1 1 1 + 2 2r 2r (r 3)(r + 1). (2.46)
A estabilidade desta rbita peridica determinada pelo fator 2 = f (x )f (x ) = r(1 2x ).r(1 2x ) 1 2 1 2 = r2 2r2 (x + x ) + 4r2 x x 1 2 1 2 1 1 + 4r 1 + = r2 2r2 1 + r r = r2 + 2r + 4.
(2.47)
O 2-ciclo ser assintoticamente estvel se |2 | = |r2 2r 4| = |(r 1)2 5| < 1, que equivalente ao par de inequaes do segundo grau: 1 < (r 1)2 5 < 1. Resolvendo para r, temos que o intervalo de valores para os quais o ciclo estvel 3 < r < 1 + 6 3, 4495. O aparecimento do 2-ciclo no ponto r = 3 e a consequente perda de estabilidade do ponto xo x um segundo exemplo de bifurcao, j que houve em r = 3 uma mudana sbita tanto na b existncia como na estabilidade de rbitas peridicas.
36
Figura 2.9: Planilha e grco das 16 primeiras iteraes do mapa logstico para r = 0, 5.
2.6 Solues numricas

2.6.1 Uso de planilhas eletrnicas
O carter recursivo do clculo das iteraes de um mapa faz com que esta seja uma tarefa bastante smples para planilhas eletrnicas. Vamos exemplicar o procedimento para o mapa logstico (2.12) para o valor do parmetro r = 0, 5: xt = f (xt1 ) = 0, 5xt1 (1 xt1 ). (2.48)
Considerando a condio inicial x0 = 0, 1, por exemplo, vamos computar a sequncia das quinze primeiras iteraes do mapa. Colocamos o valor de r (0, 5), na clula C1, e o valor de x0 (0, 1), na clula B1. A frmula matemtica do mapa, Eq. (2.48), escrita simbolicamente na clula B2 como +$C$1 B1 (1 B1) (2.49)
onde o smbolo $C$1 indica o endereo absoluto da varivel (a planilha sempre buscar o valor de r na clula C1). J B1 um endereo relativo. O nmero na clula B1 copiado na rea de transferncia. O valor armazenado na rea de transferncia copiado quatorze (= 16 2) vezes para baixo, o que pode ser feito com o mouse copiando a clula e colando em bloco. O resultado
2.6. SOLUES NUMRICAS
37
o conjunto das quinze primeiras iteraes do mapa na segunda coluna (a primeira coluna lista os tempos t = 0, 1, 2, . . .), e que podem ser mostradas em um grco xt versus t usando-se os recursos grcos especcos da planilha (Fig. 2.9) A operao de colar em bloco faz cada clula referenciar a clula anterior, que justamente o princpio de recorrncia envolvido na iterao de um mapa. Por exemplo, se deslocarmos o cursor (usando o mouse) para a clula B3, onde encontra-se o valor da segunda iterao x2 , vemos a seguinte operao simblica: +$C$1 B2 (1 B2), e assim por diante, at o ltimo valor de t que colocamos nas clulas da coluna A. Caso quisssemos obter as 50 primeiras iteraes, deveramos colocar os respectivos valores em A, e colar a clula B2 no bloco que abrange todos estes valores. Podemos observar, pela Fig. 2.9, que as iteraes do modelo logstico convergem para o ponto xo na origem. Este , de fato, assintoticamente estvel, pois, computando a derivada da funo logstica d df (x) = (rx(1 x)) = r(1 2x), (2.50) dx dx e calculando seu valor no ponto xo, para r = 0, 5, vemos que (0) = df (x) dx = 0, 5 (1 2 0) = 0, 5 < 1. (2.51)
x=0
Uma das vantagens de usar uma planilha eletrnica a possibilidade de refazer os
38
clculos simplesmente atualizando os valores das clulas. Suponha, por exemplo, que desejssemos refazer a sequncia de iteraes para outro valor do parmetro r, digamos 2, 0. Para tal, basta alterar o valor de r na clula C1, de modo que os valores na coluna B so atualizados simultaneamente, bem como o grco [Fig. 2.10]. No caso exemplicado pela Figura 2.10, observamos pela srie temporal que, aps cinco iteraes (que chamamos transitrias) a rbita do mapa converge para o ponto xo x = 1 (1/r) = 1 (1/2) = 0, 5. Para saber da estabilidade deste ponto xo, ns calculamos o fator de estabilidade correspondente (x ) = df (x) dx =r 12 1 1 r = (2.52) (2.53)
x=x
= r 1 + df (x) dx
2 r
=2r =22=0<1
Alm disso, para este valor de r, o ponto xo em x = 0 instvel, j que (0) = = 2 (1 2 0) = 2 > 1. (2.54)
x=0
Mudando o valor de r para 3, 2, vemos na gura 2.11 que as iteraes convergem para uma rbita de perodo 2, ou 2-ciclo, aps cerca de 15 iteraes transitrias: x 0, 799 x 0, 513 x x . 1 2 1 2
39
O fator de estabilidade correspondente a esta rbita , por (2.31), dado por 2 = df [2] (x) dx = df (x) dx df (x) dx
(3, 2)2 (1 2 0, 80)(1 2 0, 51) 0, 12 < 1,
= [r(1
x=x 1 2x )][r(1 1
x=x 1
x=x 2
2x )] 2
(2.55)
mostrando que este ciclo , de fato, assintoticamente estvel, e com uma convergncia monotnica. Alm disso, o ponto xo x = 1 1/r tornou-se instvel para esse valor de r, j que o fator de estabilidade df (x) (x ) = = 2 3, 2 = 1, 2 (2.56) dx x=x tem mdulo maior que um. Uma rbita de perodo 4 pode ser observada quando aumentamos o valor do parmetro r para 3, 54, por exemplo. Aps menos de 10 iteraes transitrias, temos o 4-ciclo (Fig. 2.12) x 0, 517 x 0, 884 x 0, 367 x 0, 822 x x , 1 2 3 2 1 2
40
(a)
1

(b)
1
0,5 0,8
0,8
0,4 0,6
0,6
xt
0,3
xt
0,4
xt
0,4
0,2
0,2 0,1
0,2
10
20
30
40
50
10
20
30
40
50
10
20
30
40
50
Figura 2.13: Iteraes do mapa logstico para (a) r = 2, 0, (b) r = 3, 2, (c)r = 3, 54.
o fator de estabilidade correspondente sendo df [4] (x) 4 = dx

4
=
x=x 1 i=1
df (x) dx
=r
x=x i
4 i=1
(1 2x ) 0, 943 < 1, i
(2.57)
conrmando ser esta uma rbita assintoticamente estvel com convergncia monotnica. No prximo captulo aprofundaremos essa anlise de estabilidade das rbitas peridicas, mostrando a existncia de bifurcaes, que so alteraes da estabilidade e da natureza de pontos xos e rbitas peridicas.
2.6.2
Programa de computador para iteraes do mapa
Podemos usar um programa simples para calcular um certo nmero de iteraes do mapa logstico, para valores dados do parmetro r e da condio inicial x0 . Os passos necessrios para programao desta tarefa so os seguintes 1. Escolhemos um valor para o parmetro r (por exemplo, r = 2, 0); 2. Escolhemos a condio inicial x0 (por exemplo, x0 = 0, 1); 3. Inicializamos o valor da iterao com a condio inicial; 4. Iteramos o mapa logstico f (x) = rx(1 x). No necessrio o uso de duas variveis, para xt e xt1 . O uso do comando de atribuio (que em linguagem C o smbolo =) permite que o valor de xt seja sempre atualizado a cada chamada da funo f (x); 5. Repetimos o passo anterior at o nmero de pontos desejado, por exemplo 100.
41
Incluimos abaixo um programa de computador em linguagem C que implementa este procedimento. Nas Figuras 2.13(a), (b), e (c) mostramos os resultados da aplicao do programa acima para valores do parmetro iguais a r = 2, 0, 3, 2, e 3, 54, respectivamente.
/* iteracoes_logistico.c: produz uma serie temporal para o modelo logistico discreto. Saida dos dados no arquivo iteracoes_logistico.dat (tabela com duas colunas) */ #include <stdio.h> #include <math.h> FILE *fp; main( ) { int n, points; /* declaracoes de variaveis */ float x_n, x_0, r; fp = fopen("iteracoes_logistico.dat","w");/* abre arquivo */ r = 2.0; /* valor inicial de r */ points = 100; /* numero total de iteracoes */ x_ 0 = 0.1; /* condicao inicial */ x_n = x_0; /* inicializa o valor de x_n */ n = 0; fprintf(fp,"\%d \%f \n", n, x_n); for (n = 1; n <= points; ++ n) { /* varre os valores de n */ x_ n = r * x_n * (1 - x_n); /* calculo das iteracoes */ fprintf(fp,"\%d \%f \n", n, x_n); /* imprime resultados */ no arquivo de saida */ } fclose(fp); /* fecha o arquivo de dados */ }
2.6.3
Uso de software matemtico
Os softwares matemticos disponveis permitem, alm da determinao das iteraes de um mapa no-linear, tambm a visualizao dos respectivos diagramas de escada, o que facilita bastante a interpretao dos resultados. No entanto, a especicidade das tarefas anteriores faz com que no haja comandos prprios, como no caso de solues numricas de equaes diferenciais. Logo, haver a necessidade de alguma programao, na respectiva linguagem do software.
42 Maple
Tarefas como o clculo de rbitas so executadas pelo Maple por meio de procedures [14, 15]. Vamos descrever a procedure chamada orbita, cujos argumentos so a funo do mapa F, a condio inicial x0, o nmero de iteraes transitrias transit que eventualmente no queiramos levar em conta, e linhas, que o nmero total de linhas do arquivo de dados onde sero armazenados os resultados. Os valores do tempo t e de xt so salvos num arquivo de seis colunas (para economia de espao) correspondente a uma tabela chamada orbita, de forma que o nmero total de iteraes mostradas 3linhas [16]: orbita := proc(f, x0, transit, pontos) local x, k, c, orbita; x := x0; for k from 1 to transit do x := f(x); od: orbita := array(1..pontos,1..6); for c from 1 to 3 do for k from 1 to pontos do orbita[k,2*c-1] := transit+(c-1)*pontos+k-1; orbita[k,2*c] := x; x := f(x); od: od: op(orbita); end: Vamos exemplicar para o mapa logstico quando r = 3, 2, x0 = 0, 1, e queremos um total de 30 iteraes (isto , 10 linhas no arquivo), aps descartar as primeiras 100 transitrias. f := (x) -> r*x*(1-x): r := 3.2: orbita(f, 0.1, 100, 10); cujo resultado o seguinte: [[100, [101, [102, [103, [104, [105, [106, .5130445093, .7994554906, .5130445093, .7994554906, .5130445093, .7994554906, .5130445093, 110, 111, 112, 113, 114, 115, 116, .5130445093, .7994554906, .5130445093, .7994554906, .5130445093, .7994554906, .5130445093, 120, 121, 122, 123, 124, 125, 126, .5130445093], .7994554906], .5130445093], .7994554906], .5130445093], .7994554906], .5130445093],

[107, .7994554906, 117, .7994554906, 127, .7994554906], [108, .5130445093, 118, .5130445093, 128, .5130445093], [109, .7994554906, 119, .7994554906, 129, .7994554906]]
43
Para visualizar o grco de xt em funo do tempo usamos a procedure orbitagraf, onde o primeiro parmetro o mapa F, o segundo a condio inicial x0, o terceiro(list) uma lista de pares de nmeros, e o quarto (legenda) a legenda do grco. O primeiro nmero em cada par o nmero de iteraes transitrias a serem descartadas e o segundo o nmero de iteraes a serem colocadas no grco, etc. Por exemplo, para descartar as primeiras 100 iteraes, traar as 200 iteraes seguintes, voltar a descartas 100 iterales e traar as prximas 100, usamos a lista [100, 200, 100, 100], o que gera dois grcos para as sries temporais. orbitagraf := proc(f, x0, lista) local x, xf, i1, i2, s, k, intervalo, pontos, p1, p2, transit, iter; x := x0: i1 := 0; i2 := 0; for s from 1 to nops(lista)/2 do transit := op(2*s-1,lista); iter := op(2*s,lista); i1 := i2 + transit; i2 := i1 + iter; for k from 1 to transit do x := f(x); od: pontos := array(1..iter+1); for k from 1 to iter+1 do pontos[k] := [i1+k-1, x]; xf := x; x := f(x); od: x := xf; intervalo := i1..i2, 0..1; p1 := plot(pontos, intervalo, color=black, style=LINE): p2 := plot(pontos, intervalo, color=black, symbol=BOX, style=POINT): print(plots[display]([p1, p2])); od: end: As Figuras 2.14(a) at (d) exemplicam o comportamento do mapa logstico para ponto xo na origem, fora da origem, 2-ciclo e 4-ciclo, respectivamente, que so geradas, por sua vez, pelos seguintes comandos:
44
1

(a)
1
(b)
0,8
0,8
0,6
0,6
0,4
0,4
0,2
0,2
0 0 10 20 30 40 50
0 0 10 20 30 40 50
(c)
1 1
(d)
0,8
0,8
0,6
0,6
0,4
0,4
0,2
0,2
0 0 10 20 30 40 50
0 0 10 20 30 40 50
Figura 2.14: Iteraes do mapa logstico, obtidas com o uso do Maple, para (a) r = 0, 5; (b) r = 2, 0; (c) r = 3, 2; (d) r = 3, 54.
f r r r r
:= := := := :=
x -> r*x*(1-x): 0.5: orbitagraf(f, 0.8, [0,50]); 2.00: orbitagraf(f, 0.1, [0,50]); 3.20: orbitagraf(f, 0.1, [0,50]); 3.54: orbitagraf(f, 0.1, [0,50]);
Outro recurso disponvel no Maple a construo do diagrama de escada. Para o caso de r = 0, 5 o respectivo diagrama obtido usando a seguinte sequncia de comandos f := (r,x) -> r*x*(1-x): r := 0.5: n := 20: x[0] := 0.9: for i from 1 to n do x[i] := f(r,x[i-1]); od: p := seq( op([[x[i-1],x[i]],[x[i],x[i]]]),i=1..n): OPTS := x=0.0..0.25, color=black: diag := plot(x,OPTS): stair := plot([p],OPTS): parabola := plot(f(r,x),OPTS): plots[display]([diag,parabola,stair],scaling=CONSTRAINED);} cujo resultado pode ser visto na Fig. 2.15(a). Para os outros valores de r j considerados anteriormente alteramos a segunda linha para r := 2.0: n := 20: x[0] := 0.01: [Fig.

(a)
0,25 0,5
45
(b)
0,2
0,4
0,15
0,3
0,1
0,2
0,05
0,1
0 0 0,05 0,1 x 0,15 0,2 0,25
0 0 0,1 0,2 x 0,3 0,4 0,5
(c)
1 1
(d)
0,8
0,8
0,6
0,6
0,4
0,4
0,2
0,2
0 0 0,2 0,4 x 0,6 0,8 1
0 0 0,2 0,4 x 0,6 0,8 1
Figura 2.15: Diagramas de escada do mapa logstico, obtidos com o uso do Maple, para (a) r = 0, 5; (b) r = 2, 0; (c) r = 3, 2; (d) r = 3, 54.
2.15(b)], r := 3.2: n := 50: x[0] := 0.01: [Fig. 2.15(c)], e r := 3.54: 100: x[0] := 0.01: [Fig. 2.15(d)]. Mathematica
n :=
A iterao de modelos discretos unidimensionais pode ser feita facilmente no Mathematica por meio da funo NestList [17, 18]. Para obter, por exemplo, as 10 primeiras iteraes do mapa logstico quando r = 0, 5, a partir da condio inicial x0 = 0.1, podemos usar os comandos r = 0.9; NestList[r # (1 - #) &, 0.1, 10]; para obter a Fig. 2.16(a). Mudando o valor de r para 2, 0, 3, 20, e 3, 54, resultam as Figuras 2.16(b) a (e), respectivamente. Para traar os grcos da primeira iterao do mapa logstico, bem como os diagramas de escada, podemos usar a seguinte sequncia de comandos (para r = 0, 5, com condio inicial x0 = 0, 3, e desenhando 8 degraus da escada): T[x_] := 0.5 x (1- x); o = {{0.3, T[0.3]}};
46
x 0.1 0.08 0.06

x 0.5 0.4 0.3 0.04 0.02 4 x 0.8 0.6 0.6 0.4 0.2 0.4 6 8
(a)
10 n
0.2
(b)
4 6 8 10 n
x 0.8
(c)
10 20 30 40 50 n
0.2 10 20 30 40
(d)
50 n
Figura 2.16: Sries temporais do mapa logstico, obtidas com o uso do Mathematica, para (a) r = 0, 5; (b) r = 2, 0; (c) r = 3, 2; (d) r = 3, 54.
p = {{0.3,0},{0.3,T[0.3]}}; Do[I = Last[Last[o]]; o = Append[o,{I,I}]; o = Append[o,{I,T[I]}],{8}]; Show[Plot[{T[x],x},{x,0,1}],Graphics[{Line[p],Line[o]}]]; resultando na Fig. 2.17(a). O resultado, quando o valor de r alterado para 2, 0, 3, 20, e 3, 54, pode ser visto nas Figuras 2.17(b) a (e), respectivamente. Matlab Para gerar sries temporais do mapa logstico usando o Matlab, escrevemos um pequeno programa que usa o comando de repetio for, e onde os valores das iteraes so armazenados num vetor (matriz coluna) de dados x(i) [19, 20]. Por exemplo, para r = 0, 5, e condio inicial x0 = 0, 9, usamos os seguintes comandos para traar as 50 primeiras iteraes: r = 0.5; x0 = 0.9; N = 50; x(1) = x0; for i=1:N x(i+1) = r * x(i) * (1 - x(i)); end figure(1); hold off; plot(x,k*); hold on; plot(x,k);

0.7 0.6 0.5 0.4 0.3 0.2 0.1 0.2 1 0.8 0.6 0.4 0.2 0.2 0.4 0.6 0.8 1 0.4 0.6 0.8 1 1
47
0.7 0.6 0.5 0.4 0.3 0.2 0.1 0.2 0.4 0.6 0.8 1
(a)
(b)
(c)
0.8 0.6 0.4 0.2
(d)
0.2
0.4
0.6
0.8
Figura 2.17: Diagramas de escada do mapa logstico, obtidos com o uso do Mathematica, para (a) r = 0, 5; (b) r = 2, 0; (c) r = 3, 2; (d) r = 3, 54.
axis([1 N 0 1]); mostradas na Fig. 2.18(a). Alterando o valor de r para 2, 0, 3, 20, e 3, 54, obtemos as Figuras 2.18(b) a (e), respectivamente. O diagrama de escada para o mapa logstico obtido por meio de um programa dividido em trs partes: a primeira traa os grcos da funo logstica e da primeira bissetriz. A segunda calcula os pontos do grco, tal como na gerao das sries temporais. A terceira e ltima parte traa os degraus da escada usando os comandos line e plot. O programa-exemplo para r = 0, 5 : fplot(2.0*y*(1-y),[0,1],k);hold on; axis(square); axis([0 1 0 1]); set(gca,XTick,(0:0.1:1),YTick,(0:0.1:1)) grid on; fplot(1*y,[0 1],k); r=2.0;x0=0.9;N=50; x(1) = x0; for i=1:N x(i+1)=r*x(i)*(1-x(i)); end line([x(1) x(1)],[0 x(2)],Color,k) plot(x(1),x(1),ko); for j=1:N-1
48
0.9
(a)
0.9
(b)
0.8
0.8
0.7
0.7
0.6
0.6
0.5
0.5
0.4
0.4
0.3
0.3
0.2
0.2
0.1
0.1
10
15
20
25
30
35
40
45
50
10
15
20
25
30
35
40
45
50
0.9
(c)
0.9
(d)
0.8
0.8
0.7
0.7
0.6
0.6
0.5
0.5
0.4
0.4
0.3
0.3
0.2
0.2
0.1
0.1
10
15
20
25
30
35
40
45
50
10
15
20
25
30
35
40
45
50
Figura 2.18: Sries temporais do mapa logstico, obtidas com o uso do Matlab, para (a) r = 0, 5; (b) r = 2, 0; (c) r = 3, 2; (d) r = 3, 54.
(a)
0.9 0.8
0.9
(b)
0.8
0.7
0.7
0.6
0.6
0.5
0.5
0.4
0.4
0.3
0.3
0.2
0.2
0.1
0.1
0 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 1
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
(c)
0.9 0.9 0.8 0.8
(d)
0.7
0.7
0.6
0.6
0.5
0.5
0.4
0.4
0.3
0.3
0.2
0.2
0.1
0.1
0 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
Figura 2.19: Diagramas de escada do mapa logstico, obtidos com o uso do Matlab, para (a) r = 0, 5; (b) r = 2, 0; (c) r = 3, 2; (d) r = 3, 54.
2.7. EXERCCIOS
line([x(j) x(j+1)],[x(j+1) x(j+1)],Color,k) line([x(j+1) x(j+1)],[x(j+1) x(j+2)],Color,k) plot(x(j+1),x(j+1),ko); end
49
conforme mostrado na Fig. 2.19(a); ao passo que os casos r = 2, 0; 3, 2 e 3, 54 esto representados nas Figs. 2.19(b) a (d), respectivamente.
2.7 Exerccios
1. Considere o mapa xt = sin(xt1 ). (a) Mostre que x = 0 o nico ponto xo (Sugesto: use o teorema do valor mdio do clculo). (b) Mostre que as iteradas de qualquer ponto x convergem para x = 0. (c) Mostre que a estabilidade de x = 0 no pode ser determinada pelo critrio de linearizao. 2. (a) Mostre que (2/7, 4/7, 6/7) uma rbita de perodo 3 para o modelo da tenda T (x). Este ciclo estvel ou instvel? (b) Determine todos os pontos xos da terceira iterada do modelo da tenda, T [3] (x). (c) Ache o nmero de pontos xos de T [m] (x), o nmero de pontos de perodo m para T (x), o nmero de rbitas de perodo m e o nmero de m-ciclos para T (x), quando m = 1, 2, 3, 4, 5.
m nmero de pontos xos para nmero de pontos de perodo m para T nmero de m-ciclos para T T [m]
3. Considere o mapa xt = f (xt1 ). (a) No caso f (x) = x1/3 mostre que x = 1 um ponto assintoticamente estvel de perodo 2; (b) No caso f (x) = x2 3x + 2 mostre que {0, 2} um 2-ciclo instvel; 4. Seja a famlia de mapas a um parmetro: xt = f (xt1 ), com f (x) = x2 + . Ache os pontos xos do mapa e estude sua estabilidade nos casos: (a) 0 < < 1/4 e (b) > 1/4. 5. Considere a seguinte generalizao do modelo da tenda xt = Ta (xt1 ) = 2axt1 2a(1 xt1 )
1 se 0 xt1 2 , 1 se 2 < xt1 1,
(a) Determine os pontos xos do mapa e estude sua estabilidade, para os casos 0 < a < 1/2, 1/2 < a 1, a = 1/2, e 1/2 < a < 1. (b) Mostre que
4a2 2a 1+4a2 , 1+4a2
um 2-ciclo instvel do mapa.
6. Para o mapa da tenda, mostre que x = 3/16 um ponto nalmente xo, x = 6/13 um ponto peridico (de perodo 6), e que x = 7/10 um ponto nalmente peridico (de perodo 2).
50

7. Obtenha numericamente e trace o grco correspondente das iteraes do mapa xt = x2 + , t1 onde xt [0, 1] e 0. Escolha valores diversos para o parmetro , bem como para as condies iniciais x0 , usando uma planilha eletrnica, adaptando o programa iteracoeslogistico.c, ou algum dos softwares matemticos. 8. O chamado modelo de Ricker xt = xt1 erxt1 (1xt1 )
um modelo usado no estudo de populaes animais, sendo x a populao e r a taxa de crescimento. (a) Determine analiticamente os pontos xos e estude sua estabilidade. (b) Use algum dos softwares matemticos para traar sries temporais e diagramas de escada para valores do parmetro r que levem a pontos xos, rbitas de perodo 2 e 4. (c) Use o Mathematica (ou outro software) para determine numericamente uma rbita de perodo 2, estudando sua estabilidade. Como um exemplo, para achar o ponto xo do mapa logstico, usamos o comando [17] Solve[x = rx(1-x), x] 9. Use o Mathematica (ou outro software) para determinar analiticamente os pontos da rbita de perodo 2 do mapa logstico (veja o tem (c) do problema anterior). 10. (a) Mostre que o mapa logstico xt = rxt1 (1 xt1 ) tem, no caso r = 4, a soluo exata: xt = sin2 2t1 onde uma funo da condio inicial: (x0 ) = (b) Mostre que, no caso r = 2, a soluo exata xt = 1 1 2n (1 2x0 ) 2 2 1 arcsin x0
(b) Use o resultado do tem (b) para mostrar que, a no ser que x0 = 0, temos que as iteraes do mapa convergem assintoticamente para 1/2. Explique este resultado. 11. Seja x (0, 1). Demonstre que x nalmente peridico para o mapa da tenda T (x) se, e somente se, x um racional, ou seja, um nmero da forma k/p, onde k e p so inteiros primos entre si.
Captulo 3
Bifurcaes em mapas unidimensionais

At agora, concentramos nossa anlise no comportamento peridico dos modelos dinmicos, tanto a tempo discreto como contnuo. Vimos, basicamente, a existncia de pontos xos, interpretados como solues de equilbrio; e rbitas peridicas, indicando um comportamento repetitivo aps um certo intervalo de tempo. Em ambos os casos, a dinmica nos fornece indicaes precisas do comportamento futuro do sistema, caso este seja adequadamente descrito pelo modelo matemtico adotado. A partir de uma condio inicial, se esperarmos at os transientes decairem, teremos previsto o comportamento do sistema para quaisquer tempos futuros. No entanto, o comportamento peridico no a nica possibilidade para os sistemas dinmicos. Caos determinstico pode evoluir a partir de diversas rotas, a partir da evoluo das rbitas peridicas, quando um parmetro do sistema variado. Esta evoluo pode ocorrer tanto pela criao ou destruio de pontos xos e/ou rbitas peridicas, mas tambm pelas chamadas bifurcaes, que representam alteraes na sua estabilidade. Neste captulo, vamos abordar estes aspectos da dinmica de sistemas no-lineares, focalizando os modelos discretos unidimensionais. Vamos, em particular, revisitar o mapa logstico, introduzido no Captulo 2, e que ser usado como paradigma para a discusso de bifurcaes e caos em modelos discretos unidimensionais xt = f (xt1 ) = rxt1 (1 xt1 ), (3.1)
e que denido para os seguintes intervalos 0 xt 1 e 0 > r 4. Fora deles, as iteraes divergem, ou seja, tendem a menos innito com o passar do tempo.
3.1 Diagrama de bifurcaes

O diagrama de bifurcaes um grco dos valores assintticos da varivel de estado x versus o parmetro de controle, suposto varivel dentro do seu intervalo de denio. Por valores assin51
52
CAPTULO 3. BIFURCAES EM MAPAS UNIDIMENSIONAIS
tticos entendemos o comportamento das rbitas aps um intervalo de tempo sucientemente grande: podemos ter pontos xos, rbitas peridicas, ou caticas; de modo que as iteraes transitrias no so consideradas. No exemplo do mapa logstico, uma parte do diagrama de bifurcaes pode ser traada com base nos resultados obtidos no Captulo anterior. Conforme a Fig. 3.1, no eixo das abscissas representamos os valores do parmetro r, e no eixo das ordenadas os valores assintticos de xt . Para 0 < r < 1 s existe o ponto xo estvel na origem x = 0, logo neste intervalo os valores a assintticos de xt so iguais a zero, formando um segmento de linha cheia reta. Para o intervalo 1 < r < 2, a origem torna-se instvel, donde o segmento de reta tracejado; ao passo que aparece o segundo ponto xo x = 1 (1/r), que estvel e menor que b 1/2, sendo representado por um ramo de parbola cheia em funo de r variando dentro do intervalo (1, 2). J para o intervalo 2 < r < 3 os mesmos fatos so vericados, exceto o segundo ponto xo, que agora maior que 1/2. O ponto xo super-estvel em r = 2 corresponde interseo entre este ramo de parbola e uma reta horizontal em x = 1/2. Se traarmos uma reta vertical neste intervalo veremos que a tendncia das iteraes atrativa em relao a x , e b repulsiva em relao origem. Finalmente, no intervalo 3 < r < 1 + 6 3, 449 o segundo ponto xo perde estabilidade, sendo representado por um ramo tracejado de parbola, ao passo que surge uma rbita de perodo 2 estvel. Esta rbita representada por dois ramos cheios de parbola, que correspondem aos dois sinais da expresso dada por (2.44), ou seja: x e x . Este o estado assinttico 1 2 da imensa maioria das rbitas. Na verdade, as nicas excees seriam rbitas cujas condies iniciais fossem colocadas exatamente sobre os pontos xos instveis - e que neles permaneceriam por toda a eternidade. Entretanto, ns jamais conseguimos especicar com preciso innita um nmero qualquer na prtica. Por exemplo, se usarmos trs casas decimais (aps a vrgula) para uma condio inicial, como x0 = 0, 004, a quarta casa decimal j completamente incerta, no sentido que arredondamos o seu conteudo usando a regra conhecida. Os nmeros 0, 0039, 0, 0041, 0, 0037, etc... seriam todos arredondados para 0, 004, de modo que h uma innidade de valores prximos porm diferentes de 0, 004, que so para ele arredondados. impossvel colocar uma condio inicial exatamente num ponto xo ou rbita peridica instvel, pois qualquer pequeno desvio (como aquele provocado pelos erros de arredondamento) j suciente para afastar as iteraes subsequentes do ponto xo ou rbita instvel. Para obter o 2-ciclo superestvel ns igualamos a zero o fator de estabilidade 2 = r2 2r 4, o que fornece como nica raiz positiva o valor r2 = 1 + 5 3, 236. fcil ver que x = 1/2 um dos pontos deste 2-ciclo super-estvel, de modo que a reta horizontal que passa por ele intercepta o diagrama de bifurcao (ramo cheio) nos pontos pertencentes a rbitas peridicas super-estveis. Este fato subsiste para qualquer perodo, e ser usado mais tarde na discusso da rota de Feigenbaum para o caos.
3.2. OBTENO NUMRICA DO DIAGRAMA DE BIFURCAES
53
3,449
1 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0
3,57...
0 0,2 0,4 0,6 0,8 1 1,2 1,4 1,6 1,8 2 2,2 2,4 2,6 2,8 3 3,2 3,4 3,6 3,8 4
Figura 3.1: Diagrama de bifurcaes do mapa logstico no intervalo 0 < r < 4.
3.2 Obteno numrica do diagrama de bifurcaes

3.2.1 Programa em linguagem C
Para r > 1 + 6 um estudo puramente analtico, como o que foi mostrado aqui, impraticvel, de forma que o diagrama de bifurcaes para o mapa logstico deve ser feito numericamente. Vamos descrever a metodologia usada para obter este diagrama: 1. Escolhemos um intervalo de valores para o parmetro r. No caso do mapa logstico, [0, 4]; 2. Fixamos o valor inicial do parmetro r; 3. Escolhemos uma condio inicial x0 (por exemplo, 0, 2); 4. Iteramos o mapa logstico f (x) = rx(1 x) desconsiderando as primeiras, digamos, trans = 100 iteraes transitrias; 5. Continuamos iterando o mapa por mais, digamos pontos = 100 iteraes onde ns presumimos observar o estado assinttico do sistema, e traamos no diagrama os valores de xt correspondentes (haver eventualmente uma grande superposio de pontos);
54

6. Incrementamos o valor do parmetro r por uma pequena quantidade (por exemplo, 0, 001); 7. Repetimos os passos de (3) a (6) at o valor nal do parmetro r.
Mostramos abaixo uma implementao dessa sequncia de clculos em linguagem C de programao. /* bifurcacao_logistico.c: produz o diagrama de bifurcacoes para o mapa logistico. Saida dos dados no arquivo lyapunov_logistico.dat (tabela com duas colunas) */ #include <stdio.h> #include <math.h> FILE *fp; main( ) { int n, trans, points, n_r; float x_n, x_0, r, r_i, r_f, delta; fp = fopen("bifurcacao_logistico.dat","w");/* abre arquivo */ r_i = 0.1; /* valor inicial de r */ r_f = 4.0; /* valor final de r */ n_r = 100; /* numero de valores de r */ points = 200; /* numero de iteracoes calculadas para cada valor de r */ trans = 100; /* numero de pre-iteracoes transientes */ delta = (r_f - r_i)/n_r; /* incremento no valor de r */ x_0 = 0.2; /* condicao inicial */ for(r = r_i;r <= r_f;r = r + delta) /* varre os valores de r */ { x_n = x_0; /* inicializa o valor de x */ for (n = 0;n <= points;++ n) /* varre os valores de n */ { x_n = r * x_n * (1 - x_n); /* calculo das iteracoes */ if (n > trans) /* descontamos transientes */ { fprintf(fp,"\% f \% f \n", r, x_n); /* imprime resultados no arquivo de saida */ } } } fclose(fp); /* fecha o arquivo de dados */ }
55
Observe que necessrio desconsiderar as iteraes transitrias pois elas, caso superpostas no diagrama, poderiam mascarar os estados assintticos, que so os resultados nos quais estamos interessados. Como o nmero de iteraes transitrias (trans), pode variar bastante tanto com a escolha da condio inicial como com o valor do parmetro (em particular, a durao dos transitrios pode ser extremamente grande na vizinhana de bifurcaes), a indicao de um valor adequado para trans deve ser feita na base da tentativa-e-erro. Outra caracterstica importante dos diagramas obtidos numericamente a ausncia de rbitas peridicas instveis. O motivo j foi discutido h pouco, e basicamente a impossibilidade prtica de um nmero com preciso nita ser colocado exatamente numa rbita instvel. Por outro lado, como veremos, o diagrama evidencia de forma bastante clara a existncia de rbitas caticas, embora ele no sirva por si s como demonstrao deste fato. Na gura 3.1 mostramos o diagrama de bifurcao do mapa logstico no intervalo [0, 4]. A parte referente ao sub-intervalo [0, 1+ 6 3, 449] j conhecida, a menos dos ramos instveis dos pontos xos e do 2-ciclo que no aparecem no diagrama obtido numericamente. Para r > 1 + 6 observamos a existncia de uma rbita de perodo 4 estvel, ao passo que o 2-ciclo existente anteriormente desaparece (na verdade, ele torna-se instvel, e portanto deixa de ser gracado). Esta uma nova bifurcao, bastante similar quela anteriormente descrita para r = 3, e que ser vista em mais detalhes na prxima seo. Esta rbita de perodo 4 dura relativamente pouco, sofrendo uma nova bifurcao em r 3, 544 e instabilizando-se, cedendo seu lugar a uma rbita de perodo 8. H uma rpida acumulao destas bifurcaes e, para valores de r superiores a um valor r 3, 57 observamos traos mais ou menos contnuos de pontos no diagrama. Embora em princpio possam ser rbitas de perodos extremamente altos, h evidncias slidas que tratam-se na verdade de rbitas caticas, para as quais valem as duas caractersticas bsicas: (i) irregularidade; (ii) dependncia sensvel s condies iniciais. Essas regies caticas alternam-se com janelas peridicas com uma estrutura bastante peculiar. Finalmente, a regio catica desaparece subitamente no nal do intervalo de denio, ou seja, em r = 4. Todos estes fatos sero discutidos em detalhes ainda neste captulo.
3.2.2
Uso do Maple
Ao invs de compilar e executar um programa numa linguagem como C, Fortran, etc. podemos usar a versatilidade e praticidade dos softwares matemticos descritos ao longo deste livro. Vamos comear pelo Maple. Ns usaremos o comando plot para traar os pontos correspondentes a uma lista de pontos denominada graf, a qual construida a partir da matriz xx[ ], cujos elementos so: linhas: os valores do parmetro de bifurcao, desde r = 0 at r = 4, com intervalos de Deltar =;
56

os valores da varivel xt do mapa logstico, desde t = 40 (ou seja, descartamos as 40 primeiras iteraes transientes) at t = 80.
Um programa em Maple que implementa esse procedimento mostrado abaixo, os resultados sendo exibidos na Figura 3.2. with(plots): imax:=80: jmax:=400: passo:=0.01: lista:=array(0..10000): xx:=array(0..10000,0..10000): for j from 0 to jmax do xx[j,0]:=0.5: for i from 0 to imax do xx[j,i+1]:=(passo*j)*xx[j,i]*(1-xx[j,i]): end do: lista[j]:=[[(passo*j),xx[j,n]]\$n=40..imax]: end do: graf := [seq(lista[j],j=0..jmax)]: plot(graf,x=0..4,y=-0.1..1,style=point,symbol=circle, symbolsize=1,labels=[r,x],color=black);
3.2.3
Uso do Mathematica
Para traar o diagrama de bifurcaes do mapa logstico usando o Mathematica ns usamos o comando ListPlot, o qual traa um grco a partir de uma lista de dados, que denominamos lista [17]. Esta ltima construida de forma recursiva, acrescentando dados a cada passo (isto , a cada valor do parmetro r) usando o comando Append, pela iterao do modelo logstico por 100 iteraes para cada valor do parmetro r. Iniciamos pelo valor ri = 2, 8 e terminamos no valor rf = 4, 0 usando um intervalo r = 0, 01 entre dois valores sucessivos de r. A funo que representa o modelo logstico introduzida como Logistico[ ] e pode ser facilmente adaptada para outros modelos que o leitor esteja interessado, tendo em vista os comandos a seguir [Fig. 3.3] Logistico[x_] := r x (1-x); lista = { }; Do[x = 0.25; Do[x = Logistico[x],{100}]; Do[x = Logistico[x];lista=Append[lista,{r,x}],
57
Figura 3.2: Diagrama de bifurcaes do mapa logstico usando o Maple.
{100}],{0,2.8,4,0.01}]; ListPlot[lista,AxesLabel->{r,x_t}];
3.2.4
Uso do Matlab
O Matlab tambm oferece a possibilidade de traarmos o diagrama de bifurcaes do mapa logstico a partir de uma function, descrita abaixo, e cuja estrutura lembra a usada no programa em linguagem C anteriormente introduzido. Os argumentos so os valores inicial e nal do parmetro, respectivamente indicados por r0 e r1 , e o nmero de iteraes. Para gerar a Fig. 3.4, por exemplo, usamos o comando bifurcacao(2.8,4.1000). function bifurcacao(r0,r1,numero) close if nargin<1 r0=0; r1=4; numero=5000; end r=r0:(r1-r0)/numero:al; x=0.25; for i=1:20000
58
x_t 1 0.8 0.6 0.4 0.2 2.8 3.2 3.4 3.6 3.8 4 r
Figura 3.3: Diagrama de bifurcaes do mapa logstico usando o Mathematica.
x=a.*x.*(1-x); plot(r,x,.k,MarkerSize,0.5) end
3.3 Bifurcao de duplicao de perodo

Na discusso precedente sobre a estabilidade dos pontos xos e rbitas peridicas do mapa logstico nos defrontamos com alguns exemplos de mudanas na existncia ou estabilidade, que denominamos bifurcaes. Para mapas unidimensionais h trs tipos bsicos de bifurcaes, e que sero discutidos com mais detalhes a seguir. A m de tornar a nossa discusso um pouco mais geral, vamos considerar um mapa unidimensional xt = fp (xt1 ), (3.2)
cuja funo depende de um parmetro varivel p. Chamaremos de pB o ponto onde ocorre uma bifurcao no respectivo diagrama. Ns suporemos que a funo fp (x) seja suave no seu domnio de denio, ou seja, que seja contnua e diferencivel um nmero sucientemente grande de vezes 1
1 Isso implica que funes lineares por partes (ou seja, no-suaves em um nmero nito de pontos), como o mapa da tenda T (x), so excluidas da presente discusso sobre bifurcaes.
3.3. BIFURCAO DE DUPLICAO DE PERODO
59
1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 2.6 2.8 3 3.2 r 3.4 3.6 3.8 4 x
Figura 3.4: Diagrama de bifurcaes do mapa logstico usando o Matlab.
A bifurcao de duplicao de perodo, tambm chamada de bifurcao ip, ocorre quando uma rbita de perodo n estvel torna-se instvel no ponto de bifurcao p = pB , de tal forma que surge uma nova rbita estvel de perodo 2n para valores de p superiores a pB . Representando esquematicamente na gura 3.5(a) uma bifurcao de duplicao de perodo, vemos que surge no ponto de bifurcao um ramo estvel de parbola (como uma forquilha), correpondente nova rbita que surge para p > pB . Para uma rbita de perodo n, haver tambm n forquilhas, ou seja 2n ramos estveis. Poderamos ter, ainda, esta duplicao de perodo quando p diminui passando por pB , o que uma bifurcao inversa de duplicao de perodo. Considere o mapa logstico, para o qual o parmetro varivel p = r. O ponto xo = 1 (1/r) (que uma rbita de perodo n = 1) sobre uma bifurcao de duplicao de perodo em rB = 3, tornando-se instvel e dando origem a uma rbita de perodo 2: {x , x }. 1 2 Outra bifurcao deste tipo ocorre para r igual a 1 + 6, onde a rbita anterior de perodo 2 torna-se instvel e surge um 4-ciclo. x b Para entender como ocorre uma destas bifurcao de duplicao do perodo, vamos considerar na gura 3.6 a segunda iterada do mapa logstico, f [2] (x) = rf (x)[1 f (x)] = r2 x(1 x)[1 rx(1 x)], (3.3)
um pouco antes e um pouco depois da bifurcao que ocorre quando r = 3. Para r < 3, vemos que o grco de f [2] (x) intercepta a primeira bissetriz apenas nos pontos xos, no havendo
60
x periodo 2n
(a)
[2] f p (x)
11 00 11 00 11 00
(b)
primeira bissetriz
11 00
periodo n
estavel
instavel
1 0
p<p
p B p
B
p=p
p>p
Figura 3.5: (a) Bifurcao de duplicao do perodo. (b) Segunda iterada de um mapa na vizinhana de uma bifurcao de duplicao do perodo.
portanto um 2-ciclo [Fig. 3.6(a)]. O ponto xo x estvel, pois a derivada do mapa calculada neste ponto tem mdulo b inferior a 1; isto , a inclinao da tangente ao grco no ponto xo menor do que 450 (embora, como os eixos coordenados tenham tamanhos distintos, isso no que claro a princpio no diagrama). Quando atingimos do ponto de bifurcao o grco da segunda iterada tangencia a primeira bissetriz, de modo o ponto xo outrora estvel torna-se indiferente [Fig. 3.6(b)]. Aps o ponto de bifurcao aparecem dois novos pontos peridicos, que so membros de um ciclo de perodo 2, ambos estveis pois as derivadas da segunda iterada tm mdulos menores que um nos mesmos [Fig. 3.6(b)]. Generalizamos essa discusso considerando a segunda iterada de um mapa genrico, p f[2] (x), sendo pB o valor do parmetro para o qual ocorre a bifurcao (pB = 3 no exemplo anteriormente citado para o mapa logstico). Iniciando de um valor de p abaixo do seu valor crtico pB , observamos que, medida em que o valor de p aumenta, a inclinao do grco (ou melhor, da sua tangente no ponto xo) vai aumentando, mas ainda assim menor do que 1 (pois o grco permanece abaixo da primeira bissetriz). A corcova do grco vai aproximando-se da primeira bissetriz at intercept-la no ponto de bifurcao p = pB [Fig. 3.5(b)]. Simultaneamente, a derivada do mapa no ponto xo atinge o valor 1, isto , o mdulo ultrapassa o valor 1 indicando perda de estabilidade. Para p > pB , a derivada do mapa no ponto xo superior a um, em mdulo, e o grco da segunda iterada corta a reta de 45o nos pontos do 2-ciclo. O fator de estabilidade desta rbita superior a um, o que signica que tangentes
3.3. BIFURCAO DE DUPLICAO DE PERODO

1 1 1
61
(a)
0,8
(b)
0,8
(c) estvel instvel

0,6
estvel
0,6
xt
0,4
0,4
estvel
0,2
0,2
0,2 0,4 0,6 0,8
xt-2
0,2 0,4 0,6 0,8
xt-2
0,2 0,4 0,6 0,8
xt-2
Figura 3.6: Segunda iterada do mapa logstico para (a) r = 2, 5; (b) r = 3, 0; (c) r = 3, 4.
ao grco de f [2] (x), traadas por estes pontos, tm inclinao menor que 45o . Este mecanismo bsico ocorre em todas as bifurcaes de duplicao de perodo subsequentes.
p f[2] (x),
Quando p = pB , ou seja, exatamente no ponto de bifurcao, a inclinao do grco de ou sua derivada calculada no ponto xo x , igual a 1: d [2] f (x) dx p
[2] = (fpB ) (x ) = +1.
xt
(3.4)
x=x ,p=pB
No entanto, se considerarmos a primeira iterada do mapa, veremos que no ponto de bifurcao sua derivada dever ser igual a 1 (mas o mdulo continua sendo igual a 1 de qualquer forma): d fp (x) dx
x=x ,p=p
B
= (fpB ) (x ) = 1.
(3.5)
Para p > pB o ponto xo x torna-se instvel (inclinao da segunda iterada maior que 1), e emergir um par de pontos xos estveis, que compem uma rbita estvel de perodo 2. Resumindo, uma bifurcao de duplicao de perodo, onde este varia de n para 2n, tal que as seguintes condies devam ser obedecidas pela primeira e segunda iteradas do mapa no ponto xo:
[2n] (fpB ) (x ) [n] (fpB ) (x ) = 1
(3.6) (3.7)
= +1
62
3.3.1
Bifurcao no mapa logstico em r = 3
Ns descrevemos no Captulo 2 a bifurcao de duplicao de perodo que ocorre para o mapa logstico em r = 3. O ponto xo x = 1 1/r, que estvel para r pouco menor que 3, tornase instvel para r pouco maior que 3. Ao mesmo tempo, emerge no ponto de bifurcao uma rbita estvel de perodo 2. Vamos checar as condies formais (3.6)-(3.7) para a existncia de uma bifurcao de duplicao de perodo em r = 3, onde x = 1 1/3 = 2/3.
Como fr (x) = rx(1 x) e fr (x) = r(1 2x). Logo
(f3 ) (x = 2/3) = 3 1 2
2 3
= 1
J a segunda iterada do modelo logstico pode ser escrita como f [ 2]r (x) = r2 x(1 x)[1 rx(1 x)] = (r2 x r2 x2 )(1 rx + rx2 ) cuja derivada (f [ 2]r ) (x) = r2 (1 2x)[1 rx(1 x)] + r3 x(1 x)(1 + 2x) que, calculada no ponto de bifurcao, fornece (f [ 2]3 ) (x = 2/3) = 32 1 2 2 3 13 2 3 1 2 3 + 33 2 3 1 2 3 1 + 2 2 3 = +1
vericando, assim, as condies (3.6)-(3.7) para n = 1.
3.4 Bifurcao tangente

Tambm chamada de bifurcao n-sela, ou fold, ela ocorre quando: (i) antes do ponto de bifurcao pB no h ponto xo (ou rbita peridica); (ii) depois do ponto de bifurcao surge um par de pontos xos (ou rbitas peridicas) - um estvel e outro instvel [Fig. 3.7(a)]. As palavras antes e depois do ponto de bifurcao signicam casos onde p < pB e p > pB , respectivamente. Se trocarmos os papis, teremos uma bifurcao tangente inversa. Embora esta bifurcao tambm ocorra no mapa logstico, onde desempenha um importante papel no aparecimento das chamadas janelas peridicas, vamos exemplicar esta situao num mapa mais smples xt = fp (xt1 ) = pext1 , (3.8) onde p o parmetro varivel, dentro do intervalo [0, ), e e = 2, 71824... o nmero de Euler. O valor crtico, neste caso, pB = 1/e 0, 367. Os pontos xos desse modelo so dados pelas solues da equao transcendente x = pex , (3.9)
3.4. BIFURCAO TANGENTE
63
primeira bissetriz
x
estavel
(a)
(b)
f (x)
p
instavel
[n]
p < pB
p=p
p>p
Figura 3.7: (a) Bifurcao tangente. (b) Primeira iterada de um mapa na vizinhana de uma bifurcao tangente.
que pode ou no ter solues, dependendo do valor de p. A estabilidade destes pontos xos determinada pelo fator |fp (x )| = |pex |. (3.10) Na gura 3.8 indicamos o comportamento da primeira iterada do mapa 3.8 para valores maiores e menores que pB . Se p = 0, 2 < pB o grco de fp (x) intercepta a primeira bissetriz em dois pontos xos, a saber, x 0, 25 e x 2, 5 [Fig. 3.8(a)]. Como |0, 2ex1 | 0, 26 < 1 e 1 2 |0, 2ex2 | 2, 44 > 1, os pontos x e x so estvel e instvel, respectivamente. O ponto x , com 1 2 1 efeito, estvel pois a tangente do grco neste ponto tem inclinao menor que 45o , ao passo que o outro, x , instvel (a inclinao maior que a da primeira bissetriz). 2 No ponto de bifurcao p = pB , o grco tangencia a reta de 45o no ponto xo x = 1, j que, de (3.9), e (3.11) 1 = pB e1 = . e Observe que, quando p aproxima-se do valor crtico por valores maiores que este (p p+ ), os B pontos xos x e x aproximam-se e coalescem no ponto de tangncia x = 1 [Fig. 3.8(b)]. Para 2 1 valores de p maiores que pB no h soluo da equao (3.9) e, portanto, no h ponto xo [Fig. 3.8(c)]. Este mecanismo descrito esquematicamente na gura 3.7(b), onde apenas a parte re[n] levante do grco da n-sima iterada de um mapa, fp , mostrada, para valores na vizinhana do ponto de bifurcao tangente pB . Para valores abaixo de pB no existe ponto xo, ao passo que, em p = pB , o grco tangencia a primeira bissetrix em x , ou seja,
[n] (fpB ) (x ) = +1
(3.12)
64
4

4 4
(a)
3 3
(b)
3
(c)
instvel
xt
estvel
0 0 1
xt-1
xt-1
xt-1
Figura 3.8: Bifurcao tangente no mapa exponencial para (a) p = 0, 2 < pB ; (b) p = pB = 1/e; (c) p = 0, 45 > pB .
que, para o mapa (3.8), implica na equao (3.11). Quando p maior que o valor crtico, duas intersees so observadas, correspondentes ao par de pontos xos (ou rbitas peridicas, de maneira geral) estvel e instvel criados pela bifurcao.
3.5 Bifurcao transcrtica

Nesta situao, antes do ponto de bifurcao p = pB , temos dois pontos xos, um estvel e outro instvel, que vo se aproximando na medida em que chegamos ao ponto de bifurcao. Aps a coliso estes pontos continuam existindo, mas a estabilidade deles trocado: o ponto xo estvel torna-se instvel e vice-versa [Fig. 3.9)(a)]. Um exemplo de bifurcao transcrtica pode ser observado no mapa logstico, quando o parmetro r igual ao valor crtico rB = 1. Quando o parmetro r menor que 1, vimos que o nico ponto xo no-negativo (e estvel) a origem x = 0. No entanto, se levarmos tambm em considerao os valores negativos de x, poderamos argumentar que o ponto x = (1 1/r) tambm seria um ponto xo. Alm disso, como f (x ) = 1 2x = 1 + 2(1 1/r) = 1 2/r > 1 (j que 0 < r < 1, segue que este ponto xo negativo instvel [Fig. 3.9(b)]. Quando r = 1 a origem torna-se instvel, como j vimos anteriormente, e o ponto xo x = 1 1/r emerge e + estvel. Isto corresponde a uma troca de estabilidade entre os dois pontos xos no ponto de
xt
3.6. CASCATA DE BIFURCAES DE DUPLICAO DE PERODO
65
(a)
(b)
estavel
instavel
0
estavel
instavel
Figura 3.9: Bifurcao transcrtica no mapa logstico
bifurcao transcrtica rB = 1. De modo geral, no ponto onde ocorre a bifurcao, o grco da tangente primeira iterada do mapa tem inclinao de 45o , j que neste ponto ocorre uma mudana de estabilidade; logo a derivada do mapa igual a 1 neste ponto: (fpB ) (x ) = +1. (3.13)
Por outro lado, h ainda a seguinte condio suplementar para a ocorrncia de uma bifurcao transcrtica [21] (fpB )(x ) = 0, (3.14) a qual triviamente satisfeita pelo ponto xo na origem, para o mapa logstico.
3.6 Cascata de bifurcaes de duplicao de perodo

O diagrama de bifurcaes da gura 3.1 mostra que h uma sequncia de bifurcaes de duplicao de perodo, comeando em r = 3.0, e continuando at r 3, 57, aps o que teremos um comportamento radicalmente diferente do que at agora estudamos. Para r > 3, 57... as iteraes do modelo no parecem mais estacionar numa rbita de perodo bem denido, muito embora a smples observao da gura no nos permita de fato discernir entre uma rbita de perodo muito alto, como 5000, e algo qualitativamente diferente. Na verdade, este comportamento o que chamaremos posteriormente de caos, embora precisemos denir de maneira mais precisa
66
0,9

(b)
x
(a)
0,8
0,7
0,6
0,5
0,4
r1
3,15 3,2 3,25 3,3
r2
r3
0,3 3,1
3,35
3,4
3,45
3,5
3,55
Figura 3.10: (a) Ampliao de parte do diagrama de bifurcaes do mapa logstico. (b) Esquema de uma cascata de bifurcaes de duplicao de perodo no mapa logstico (no est em escala).
o que isto signica. Por enquanto, vamos nos ater cascata de bifurcaes de perodo, que foi estudada por Feigenbaum no nal da dcada de 70 [22], muito embora outros pesquisadores como Myrberg [23] e May [10] j tivessem conhecimento de algumas de suas propriedades. Podemos observar na gura 3.10(a), que uma ampliao de parte do diagrama de bifurcaes da gura 3.1, que a sequncia de bifurcaes de duplicao de perodo no ocorre em intervalos de mesma amplitude. Por exemplo, a distncia entre a segunda e a terceira bifurcaes cerca de um quinto da distncia entre a primeira e a segunda. As demais ocorrem em intervalos ainda menores, e aparentemente h uma acumulao de bifurcaes [a qual no possvel observar na gura 3.10(a)] no ponto r 3, 57.
Feigenbaum determinou os valores do parmetro r para os quais o mapa logstico sofre bifurcao de duplicao de perodo. Ns denominamos rn o valor do parmetro r para o qual h uma bifurcao de perodo 2n para o perodo 22n = 2n+1 [Fig. 3.10(b)]. Por exemplo, r1 = 3 marca a bifurcao de um ponto xo (perodo 1) para um 2-ciclo (perodo 2). Ns mostramos analiticamente que bifurcao seguinte ocorre para r2 = 1+ 6. Esses resultados esto na Tabela 3.6, que ainda contm as bifurcaes at perodo 256. Vrias concluses interessantes emergem da anlise dos resultados da tabela 3.6 [24]. Inicialmente, observamos que a razo entre as distncias entre bifurcaes sucessivas rn1 rn2 rn rn1

n 1 2 3 4 5 6 7 perodo = 2n 2 4 8 16 32 64 128 rn 3, 0000000 3, 4494896 3, 5440903 3, 5644073 3, 5687594 3, 5696916 3, 5698913 rn rn1
rn1 rn2 rn rn1
67
0, 4494896 0, 0946007 0, 0203170 0, 0043521 0, 0009322 0, 0001997
4, 7514 4, 6562 4, 6683 4, 6686 4, 6692
Tabela 3.1: Pontos de bifurcao de duplicao de perodo no mapa logstico
parece convergir para um valor constante, medida em que cresce o perodo da rbita bifurcante. Se este valor fosse constante para todas as bifurcaes, poderamos classicar a sequncia de intervalos inter-bifurcaes, rn rn1 , como uma progresso aritmtica decrescente e innita. No entanto, a razo acima no propriamente constante, mas sim tende a um valor constante , aproximando-se dele medida em que n tende a innito. Este valor corresponde formalmente ao seguinte limite, devido a Feigenbaum rn1 rn2 = 4, 669201609 . . . n rn rn1 lim (3.15)
Outra observao importante que a cascata de bifurcaes de duplicao de perodo acumula-se no ponto onde lim rn r = 3, 5699456 . . . (3.16)
n
Mais precisamente, podemos computar, com base nos dados da Tabela 3.6 as distncias entre os vrios pontos de bifurcao e o valor onde elas se acumulam: r rn n onde c = 2, 637 e a constante de Feigenbaum. c n (3.17)
3.6.1
Universalidade
Os resultados obtidos por Feigenbaum so notveis em vrios aspectos, mas no seriam realmente importantes se fossem vlidos unicamente para o mapa logstico. Por exemplo, poderamos indagar se o valor de acumulao das bifurcaes e a razo entre as suas distncias poderiam ser diferentes se usssemos outro mapa, como por exemplo o mapa quadrtico xt+1 = a x2 , t (3.18)
68
n 1 2 3 4 5 6 7 8
r rn 0,5699456 0,1204560 0,0258553 0,0055383 0,0011862 0,0000254 0,0000543 0,0000116
c n
0,5648 0,1209 0,0259 0,0055 0,0012 0,00025 0,000054 0,000011
Tabela 3.2: Acumulao de bifurcaes de duplicao de perodo no mapa logstico
Figura 3.11: Diagrama de bifurcaes do mapa quadrtico

Perodo 2n 2 4 8 16 32 64 128 256 3 6 12 24 48 96 192 an 0,75 1,25 1,3680989 1,3940462 1,3996312 1,4008287 1,4010853 1,4011402 1,75 1,7685292 1,777216 1,7792521 1,7796964 1,7797923 1,7798129
an an1 an an1
69
4,2337 4,5515 4,6458 4,6639 4,6682 4,6689 4,2810 4,5698 4,6363 4,6524
Tabela 3.3: Pontos de bifurcaes de duplicao de perodo no mapa quadrtico.
onde 2 < x < 2 com a > 0 como o parmetro varivel, no caso desde a = 0 at 2. Este mapa apresenta um diagrama de bifurcaes muito parecido com o do mapa logstico (Fig. 3.11). As semelhanas no param a. Na tabela 3.6 ns mostramos os valores do parmetro a, ditos an , para os quais uma bifurcao de duplicao do perodo ocorre, e o respectivo valor da razo entre as distncias. Novamente, o valor da razo das distncias inter-bifurcaes parece convergir para um valor limite, que a prpria constante de Feigenbaum (evidentemente o valor do parmetro a para o qual as bifurcaes se acumulam diferente). Uma inspeo cuidadosa da gura 3.11 mostra que h uma segunda cascata de bifurcaes de duplicao de perodo iniciando-se em a = 1, 75 (dentro de uma janela do diagrama, como ser visto na prxima seo). Neste caso, partimos de uma rbita de perodo 3, tal que as rbitas seguintes tm perodos 6, 12, e assim por diante. Os valores correspondentes s bifurcaes so mostrados na tabela 3.3. A razo converge para 4, 669... mesmo neste caso!
Outra descoberta de Feigenbaum no mapa logstico refere-se ao comportamento do diagrama de bifurcao na direo x. Inspecionando a Fig. 3.1 podemos observar que as sucessivas bifurcaes de duplicao de perodo criam forquilhas no diagrama de bifurcao com larguras variveis. Uma maneira de padronizar a medida dessas larguras medir, dentro de uma dada forquilha, a distncia dn entre o ponto crtico x = 1/2 (onde o mapa logstico tem um mximo) e o ponto peridico mais prximo dentro do 2n -ciclo correspondente [veja a Figura 3.12 para um esquema]. Podemos ver que, para dois ciclos sucessivos, a distncia dn muda de
70
x
dn
m d n+1
r rn Rn r n+1 n+1 R
Figura 3.12: Diagrama de bifurcaes esquemtico mostrando as distncias d ao ponto crtico nos ciclos superestveis do mapa logstico e os respectivos valores do parmetro r.
sinal, ou seja, o ponto peridico mais prximo alternadamente maior ou menor que o ponto crtico 1/2. Feigenbaum mostrou que a razo entre duas distncias sucessivas tende a um limite universal quando n : dn = 2, 5029 . . . dn1 (3.19)
Para outros mapas, como o quadrtico, esse mesmo limite obtido, com a possvel diferena que o ponto crtico outro. Na verdade, para apresentar este comportamento universal os mapas tem de ser unimodais, ou seja, ter um nico ponto crtico. A universalidade signica que, para diferentes mapas unimodais, quando o perodo dos ciclos tende a innito, as constantes e tendem ao mesmo valor. Isso ocorre porque, nesse limite, todos os mapas unimodais tm um comportamento semelhante, a despeito de possveis diferenas. Feigenbaum explorou essa caracterstica de auto-similaridade para desenvolver uma teoria de renormalizao que capaz de prever teoricamente os valores universais das constantes e para mapas unimodais de forma geral [22].
3.7. TEORIA DE RENORMALIZAO
71
(a) f(x,R ) 0
f[2]1 ) (x,R
(b)
(c)
xm
xm
Figura 3.13: (a) Primeira iterada de um mapa unimodal num ciclo superestvel em R0 ; (b) Segunda iterada de um mapa unimodal num ciclo superestvel em R1 ; (c) Em destaque a regio delimitada em (b).
3.7 Teoria de renormalizao

Nessa seo vamos dar uma idia da teoria de renormalizao usada por Feigenbaum para prever as constantes universais. Seja f (x, r) um mapa unimodal que exibe uma cascata de bifurcaes com duplicao do perodo, tal que xm seja o ponto crtico do mapa (no caso do mapa logstico, xm = 1/2, como vimos). Designamos por rn o valor de r no qual criado um 2n -ciclo, e Rn denotar o valor de r para o qual este ciclo contm o valor crtico [Figura 3.13]. O ciclo existente em Rn aquele usado para denir a largura da forquilha, ou seja, a distncia entre o ponto crtico e o ponto mais prximo a ele. Pode-se mostrar, ainda, que esse ciclo superestvel. Para o mapa logstico, por exemplo, o coeciente de estabilidade de um 2n -ciclo o produto de fatores r(1 2x), um para cada ponto do ciclo. Se o ciclo contm o ponto crtico xm = 1/2, ento o fator correspondente nulo, e sua presena torna o coeciente do ciclo todo tambm igual a zero. Como regra geral, um ciclo superestvel de um mapa unimodal sempre contm o ponto crtico. A inspeo da Fig. 3.13 mostra que Rn est sempre entre dois pontos de bifurcao consecutivos rn e rn+1 . interessante que o intervalo entre dois valores sucessivos de Rn tambm diminui mesma taxa em que a diferena entre dois valores sucessivos de rn , com a mesma constante universal .
72
(a) f(x,R ) 0 [2] f (x,R ) (b) 1
[2] (/, ) 1
(c)
REESCALONE POR A
Figura 3.14: (a) Primeira iterada de um mapa unimodal num ciclo superestvel em R0 ; (b) Regio prxima ao ponto crtico da segunda iterada de um mapa unimodal num ciclo superestvel em R1 ; (c) Resultado da aplicao de um passo de renormalizao em (b).
O termo auto-similaridade signica algo que parecido com si mesmo em escalas diferentes. Um exemplo simples uma cabea de couve-or: ela composta de gomos que, se ampliados, lembram a cabea como um todo. Em nosso caso, a estrutura do diagrama de bifurcaes nos ciclos superestveis auto-similar, em diferentes escalas tanto em x como em r. Por exemplo, vamos considerar a primeira iterada de um mapa unimodal num ciclo superestvel [Fig. 3.13(a)]. Isso signica que um dos pontos xos o prprio ponto crtico, que um mximo local da primeira iterada do mapa f (x, R0 ). A segunda iterada no ciclo superestvel seguinte, f [2] (x, R1 ), tem quatro pontos xos, um dos quais o ponto crtico novamente [Fig. 3.13(b)]. Se ns destacarmos apenas a regio prxima ao ponto crtico, veremos que a gura resultante lembra a primeira iterada, s que em escalas menores (em x e r) e seu grco est invertido [Fig. 3.13(c)]. Do ponto de vista dinmico, as situaes em (a) e (c) so muito parecidas, pois temos essencialmente o mesmo comportamento, que um ponto xo assintoticamente estvel. Para exprimir essa operao matematicamente, ns redenimos x como x xm , o que desloca a origem para o ponto crtico x = xm . Essa redenio tambm subtrai xm da funo f , j que xt = f (xt1 , r). Ns esquematizamos os grcos transladados de f (x, R0 ) e f [2] (x, R1 ) nas Figuras 3.14(a) e (b), respectivamente. Na segunda gura apenas o trecho prximo ao ponto crtico mostrado.
3.7. TEORIA DE RENORMALIZAO
73
O reescalonamento necessrio para que a Fig. 3.14(b) torne-se similar Fig. 3.14(a) consiste em duas operaes: (i) amplicamos ambos os eixos por um fator de escala , tal que || > 1 (de fato, || 2, 5); (ii) invertemos ambos os eixos da gura, por meio da operao (x, y) (x, y). Pode-se mostrar que reescalonar pelo fator consiste em substituir f [2] (x, R1 ) x por f [2] , R1 [11]. Ns denominamos esse processo de um passo de renormalizao: tomamos a segunda iterada de f , reescalonamos x x/ e deslocamos r para o prximo ciclo superestvel. Aps um passo de renormalizao os dois grcos devem ser aproximadamente similares, o que representada pela equao x (3.20) , R1 . f (x, R0 ) f [2] O processo continua da seguinte forma: podemos renormalizar f [2] no ciclo superestvel em R1 para o prximo ciclo (de perodo 4), de modo que f [2] Substituindo (3.21) em (3.20) x x , R1 f [4] , R2 . 2 (3.21)
x , R2 , 2 o que pode ser generalizado, aps n passos de renormalizao, para f (x, R0 ) 2 f [4] f (x, R0 ) n f [2
n]
(3.22)
x , Rn . n
(3.23)
A similaridade, nesse caso, vai aumentando conforme avanamos no valor de n. Feigenbaum descobriu numericamente que, no limite de innitos passos de renormalizao, o processo tende para uma funo universal g0 (x) [22, 25]:
n
lim n f [2
n]
x , Rn = g0 (x). n
(3.24)
Aqui, universal signica que a funo g0 (x) independe da forma inicial do mapa f (x, r), desde que este seja unimodal (e tenha um mximo quadrtico, tal qual o mapa logstico). Para obter a funo universal g0 (x), comeamos com f (x, R0 ) no ponto xo superestvel. Se comearmos com f (x, Rn ), no ciclo superestvel de perodo 2i , a sequncia de innitos passos de renormalizao leva funo universal gi (x): gi (x) = lim n f [2
n
n]
x , Rn+i . n
(3.25)
Na seo anterior vimos que a sequncia de valores de Ri converge para o ponto de acumulao das bifurcaes R = r 3, 57 de forma semelhante sequncia de valores de ri , inclusive com a mesma razo 4, 669. Se ns iniciarmos o processo de renormalizao
74
no prprio ponto de acumulao, no precisaremos deslocar para o prximo ciclo superestvel aps reescalonar, ou seja x f (x, R ) f [2] (3.26) , R . A funo universal correspondente, denotada g(x), corresponde ao limite de innitos passos de renormalizao, ou seja x g(x) = g [2] , (3.27) chamada equao de Feigenbaum-Cvitanovic, que uma equao funcional [25]. Para resolvla, precisamos de condies de contorno: aps deslocar o ponto crtico para a origem, todas as funes f tm mximos em x = 0, ento exigimos que g (0) = 0. Sem perda de generalidade, ainda, podemos impor a condio g(0) = 1. Para x = 0 temos que (3.27) leva a g(0) = g(g(0)) Mas g(0) = 1, ento 1 = g(1), de modo que a soluo da equao de Feigenbaum-Cvitanovic tambm nos leva a um valor terico para a constante de Feigenbaum = 1 . g(1) (3.28)
A equao de Feigenbaum-Cvitanovic no tem uma soluo exata. Podemos, no entanto, obter solues aproximadas na forma de sries de potncias [11] g(x) = 1 + c2 x2 + c4 x4 + onde c2 = 1, 5276, c4 = 0, 1048, etc.; a partir do que obtemos que 1 = 2, 365 1 1, 5276 + 0, 1048 (3.29)
bastante prximo do valor correto = 2, 5029 .
3.8 Exerccios
1. Considere o mapa logstico xt = rxt1 (1 xt1 ). Mostre as seguintes armaes (consulte os resultados do Captulo anterior): (a) Para 0 < r < 1 h um nico ponto xo estvel em x = 0; (b) Em r = 1 h uma bifurcao transcrtica, pela qual x = 0 torna-se instvel e aparece o ponto xo estvel 1 1/r;
3.8. EXERCCIOS
75
(c) Em x = 3 este segundo ponto xo tambm torna-se instvel e emerge um 2-ciclo estvel, por meio de uma bifurcao de duplicao de perodo; (d) Determine os pontos deste ciclo em funo de r; (e) No ponto x = 1 + 6 este 2-ciclo torna-se instvel por meio de uma nova bifurcao de duplicao de perodo; (f) Usando estes resultados, trace o diagrama de bifurcao do mapa logstico no intervalo 0 < r < 1 + 6. 2. Use o programa em linguagem C ou algum dos softwares matemticos para traar o diagrama de bifurcao do mapa logstico, no intervalo 1 + 6 < r < 4. 3. Mostre as seguintes propriedades do mapa logstico no ponto de bifurcao r = 3: (a) x = 2/3 um ponto xo; (b) O coeciente de estabilidade (2/3) igual a 1 para r = 3 e uma funo decrescente quando r aumenta a partir desse ponto; (c) O diagrama de escada da segunda iterada do mapa tem um ponto de inexo em x = 2/3. 4. Use os softwares matemticos para, com o uso dos diagramas de escada, mostrar que a terceira iterada do mapa logstico tem uma bifurcao tangente em r 3, 83. 5. Considere o mapa xt = f (xt1 ) = w aw arctan(xt1 ) + (1 w)xt1 + , b b
(a) Trace o grco do mapa para achar o seu ponto xo no caso w = 0, 3, a = 0, 3, b = 0, 25, e = 4, 8. (b) Como o ponto xo est prximo origem, podemos procurar um valor analtico aproximado fazendo arctan(x ) x . Compare o resultado com o obtido anteriormente.
onde x R e temos trs parmetros: a, b, w e .
(c) Use o mtodo de Newton-Raphson para encontrar um valor numrico preciso para o ponto xo, o qual ser a (nica) raiz da funo erro: (x) = arctan(x) + a bx,
ou seja, que (x ) = 0. O mtodo de Newton requer, ainda, a derivada da funo erro, a saber (x) = b d (arctan(x)) = b dx 1 + 2 x2 .
Como sabemos que a raiz prxima de x = 0, podemos adotar este valor como nosso chute inicial x0 . As aproximaes sucessivas no mtodo de Newton sero dadas por xi+1 = xi (xi ) , (xi ) (i = 0, 1, 2, ),
e esperamos que xi x aps um nmero sucientemente grande de iteraes do processo, desde que obviamente (xi ) nunca seja um nmero muito prximo de zero (caso em que o mtodo falharia). Abaixo mostramos um programa em linguagem C que implementa o mtodo de NewtonRaphson para o mapa:
76

/* root.c: determina os pontos fixos do mapa pelo mtodo de Newton */ #include <stdio.h> #include <math.h> double psi(double arg), dpsi(double arg); main( ) { int n,points; /* declaracoes de variaveis */ double xnew,xold,x0,tol,dif,der; points = 100; /* numero total de iteracoes */ x0 = 0.0; /* condicao inicial */ xold = x0; /* inicializa o valor de x_n */ n = 0; tol = 1e-6; for (n=1; n<=points;++n) { /* varre os valores de n */ xnew = xold - (psi(xold)/dpsi(xold)); dif = fabs(xnew - xold); xold = xnew; } der = 0.7 - (5.76/(1+(23.04*xnew*xnew))); printf("%f %f\n",xnew,der); } /* especifica a equacao */ double psi(double arg) { double a, b,sigma; a = 0.0; b = 0.25; sigma = 4.8; return(a - b*arg - atan(sigma*arg)); } /* especifica a derivada */ double dpsi(double arg) { double b,sigma,aux; b = 0.25; sigma = 4.8; aux = sigma/(1+(sigma*sigma*arg*arg)); return(-b-aux); } Faa um grco mostrando o resultado da aplicao do mtodo de Newton quando b = 0, 25,
3.8. EXERCCIOS
= 4, 8, w = 0, 3, e fazemos o parmetro a variar de 1, 25 a +1, 25.
77
(d) Ache a condio de estabilidade para o ponto xo. Faa um grco do coeciente de estabilidade para w = 0, 3, b = 0, 25, = 4, 8, e a varivel.
6. Ache os pontos R0 e R1 para o mapa quadrtico f (x) = r x2 . 7. Seja o mapa yt = f (yt1 ). Fazendo a substituio de varivel xn = yn mostre que o reescalonamento converte f [2] (x, R1 ) em f [2] (x/, R1 ). 8. Resolva a equao de Feigenbaum-Cvitanovic usando a seguinte aproximao para a funo universal: g(x) = 1 + ax2 . Substitua essa aproximao e, comparando termos de mesma ordem, ache o valor de a. Determine o valor de correspondente.
78
Captulo 4
Caos em mapas unidimensionais

Neste captulo introduziremos a noo de comportamento catico, empregando modelos discretos unidimensionais como sistemas dinmicos ao mesmo tempo simples porm j possuindo caractersticas que so comuns a sistemas mais complicados. Nosso objetivo ser o de caracterizar o comportamento catico de maneira precisa conceitual e matematicamente, at para distinguir caos de outros comportamentos parecidos porm de origem distinta. Por exemplo, em processos estocsticos a evoluo temporal pode ser indistinguvel de um sistema catico; mas este ltimo resulta de um sistema determinstico - do qual se conhecem as equaes que governam a evoluo temporal.
4.1 Comportamento catico

Voltando ao diagrama de bifurcaes do mapa logstico, visto no Captulo anterior (Fig. 3.1); aps a acumulao de um nmero innitamente grande de bifurcaes de duplicao de perodo, ou seja, para 3, 57 < r > 4, temos uma regio densamente populada de iteraes do mapa. De fato, a inspeo visual do diagrama no nos permite tirar concluses denitivas, visto que poderamos ter rbitas de perodo muito grande. No entanto, como veremos, essas rbitas densamente populadas referem-se ao comportamento catico. As duas propriedades bsicas que caracterizam o comportamento catico so: (i) aperiodicidade; (ii) sensibilidade extrema s condies iniciais. Vamos discutir em separado cada uma delas. 79
80
CAPTULO 4. CAOS EM MAPAS UNIDIMENSIONAIS
(a)
1 0 0,8 -5 0,6
(b)
xt
0,4
xt
-10
0,2
-15
100
200
300
400
500
-20
10
20
30
40
50
Figura 4.1: Iteraes do mapa logstico para (a) r = 4, 000, (b) r = 4, 001.
4.1.1
Aperiodicidade
Uma rbita peridica apresenta um padro bem denido: aps um certo nmero de iteraes um ponto da rbita volta ao ponto de partida: x0 x1 x2 x0 Logo, sabemos quais os pontos que a rbita do mapa ir visitar, de forma que uma previso torna-se relativamente fcil. Uma rbita catica, pelo contrrio, no apresenta um padro identicvel de comportamento: uma determinada sequncia no parece se repetir jamais. As iteraes mostram um comportamento irregular, ou aperidico. Esta caracterstica diculta grandemente qualquer possibilidade de previso do comportamento futuro das iteraes de uma rbita catica, conhecido o estado presente. Na ausncia de um padro de comportamento, pode ser to difcil prever qual sero as iteraes futuras do mapa, como seria faz-lo num sistema estocstico (passeio aleatrio). No caso particular do mapa logstico com r = 4, mostrado na gura 4.1(a), pode-se mostrar que to difcil prever qual ser a iterada seguinte do mapa - conhecendo-se previamente as anteriores - como seria determinar se o lanamento de uma moeda daria cara ou coroa! Este ltimo caso representa a ausncia completa de possibilidade de prever o futuro a partir do conhecimento da natureza determinstica do sistema dinmico: apenas podemos determinar probabilidades sobre os resultados futuros dos sistema. Em geral, contudo, o grau de previsibilidade dos sistemas caticos
4.1. COMPORTAMENTO CATICO
81
(a)
1 1
(b)
0,8
0,8
0,6
0,6
xt
0,4
xt
0,4
0,2
0,2
20
40
60
80
100
20
40
60
80
100
Figura 4.2: Iteraes do mapa logstico para r = 4, 0 e condies iniciais (a) x0 = 0, 1, (b) 0, 100001.
no to pequeno como neste exemplo em particular. Como saber se uma srie temporal como a mostrada na gura 4.1(a) ou no aperidica? A smples inspeo visual claramente insuciente, por dois motivos:
1. por maior que seja o nmero de iteraes mostrado, ainda podemos estar observando um comportamento transiente do sistema: aps um certo nmero de pr-iteraes o sistema poderia estacionar num ponto xo ou rbita peridica, ou mesmo ir a innito. Um exemplo, para o mapa logstico, mostrado na gura 4.1(b). Aps um certo nmero de iteraes exibindo um comportamento altamente irregular, os pontos da rbita do mapa divergem para menos innito.
2. muito difcil distinguir visualmente a ausncia completa de periodicidade (caos) de uma periodicidade complicada (como uma rbita de alto perodo, ou a combinao de um nmero innito de periodicidades). A tcnica da anlise de Fourier, a ser vista mais adiante, pode tornar esta distino mais clara.
82
4.1.2
Sensibilidade s condies iniciais
H um nmero innitamente grande de valores de r para os quais o mapa logstico apresenta caos; em particular, para r = 4 [12]. Na gura 4.2(a) mostramos as trinta primeiras iteraes neste caso, que sugerem um comportamento aperidico. Para ilustrar a dependncia sensvel s condies iniciais, ns podemos alterar a condio inicial x0 , do valor 0, 1 para um nmero bastante prximo, como 0, 100001, o que representa um aumento percentual de apenas 0, 100001 0, 1 = 0, 00001 100% = 0, 001% 0, 1 Os grcos utilizando as condies iniciais ligeiramente diferentes so signicativamente diferentes. Comparando as guras 4.2(a) e 4.2(b) vemos que, durante as primeiras iteraes, as rbitas geradas por x0 = 0, 1 e x = 0, 100001 tm pontos praticamente identicos, mas 0 posteriormente elas se afastam mutuamente e seguem trajetrias completamente independentes. Na gura 4.3(a) ns superpomos as rbitas caticas obtidas, no caso do mapa logstico com r = 4, para duas condies iniciais muito prximas: as primeiras iteraes de fato so praticamente coincidentes. No entanto, com o passar do tempo as rbitas afastam-se rapidamente, e perdem qualquer relao mtua. O termo afasta-se deve ser entendido aqui com um gro de sal. Como os pontos da rbita do mapa logstico esto connados ao intervalo [0, 1], no possvel para os pontos das duas rbitas afastarem-se por uma distncia maior que o tamanho do intervalo. No entanto, a anlise da gura 4.3(a) mostra que afastamento signica a perda de qualquer correlao entre as rbitas inicialmente muito prximas. A maneira mais direta de quanticarmos esta propriedade de sensibilidade s condies iniciais o clculo do chamado expoente de Lyapunov, e que ser visto mais adiante neste captulo. Um mapa exibir dependncia sensvel s condies iniciais se existirem pontos arbitrariamente prximos a qualquer ponto x que separar-se-o de x por ao menos uma certa distncia dada sob iteraes do mapa. muito difcil demonstrar rigorosamente que um dado mapa apresenta dependncia sensvel s condies iniciais, a no ser em casos bastante especiais. Por exemplo, pode-se mostrar que o mapa logstico para r > 2 + 5 possui dependncia sensvel s condies iniciais diretamente a partir da denio acima, usando argumentos topolgicos [26]. Na prtica, entretanto, ns podemos apenas comprovar numericamente essa propriedade. Um exemplo onde isto pode ser feito o chamado mapa do padeiro (a razo deste nome curioso ser explicada no prximo captulo). Ele um mapa unidimensional bastante parecido com o mapa da tenda, j visto anteriormente: xt = B(xt1 ) = 2xt1 2xt1 1 se 0 xt1 1 , 2 se 1 < xt1 1, 2 (4.1)
onde x [0, 1], tal como nos mapas logstico e da tenda. Uma outra forma de escrever as
4.1. COMPORTAMENTO CATICO
83
(a)
1
xt
(b)
0,8
0,6
xt
0,4
0,2
20
40
60
80
100
0,5
1 t1
Figura 4.3: (a) rbitas do mapa logstico para r = 4 obtidas a partir de duas condies iniciais muito prximas. (b) Mapa do padeiro.
equaes acima usar a prescrio mdulo 1: xt = B(xt1 ) = 2xt1 (mod1), (4.2)
que signica tomar o resto da diviso de xt por 1, quando xt for maior que 1. Por exemplo, se x0 = 0, 4, a prxima iterao ser o dobro deste valor x1 = 2 0, 4 = 0, 8 < 1. J na prxima iterao, x2 = 2 0, 8 = 1, 6 > 1, deve ser aplicada a prescrio mdulo 1, que simplesmente tira a parte inteira do nmero, deixando a parte fracionria, logo x2 = 1, 6(mod1) = 0, 6, de modo que sempre temos os valores de xt compreendidos entre 0 e 1. O grco do mapa do padeiro, mostrado na gura 4.3(b), indica que este mapa descontnuo (portanto no-diferencivel) em x = 1/2, tal qual o mapa da tenda, alis. Os pontos xos desse mapa seriam x = 0 e x = 1, mas devido prescrio mdulo 1, ento identicamos o ponto 1 com 0, logo ambos so na verdade o mesmo ponto. Como a inclinao do grco 1/(1/2) = 2 > 1, este ponto xo instvel. O mapa do padeiro tem muitas propriedades semelhantes ao mapa da tenda, T (x). Em particular, pode-se mostrar que as rbitas obtidas a partir de condies inicias tpicas so sempre caticas. Vamos tomar, portanto, duas condies iniciais muito prximas: x0 = 1/3 (assim mesmo, na forma de frao), e x 0 = 0, 333 (obtida truncando o resultado da diviso de 1 por 3). A distncia entre estas duas condies iniciais relativamente pequena 0 = |x0 x 0 | = 1 0, 333 = 3, 33 104 1 3 (4.3)
84 t 0 1 2 3 4 5 6 7 8 9 10

xt 1/3 2/3 1/3 2/3 1/3 2/3 1/3 2/3 1/3 2/3 1/3 x t 0, 333 0, 666 0, 332 0, 664 0, 328 0, 656 0, 312 0, 624 0, 248 0, 496 0, 992 t = |xt x t | 3, 33 104 6, 66 104 1, 33 104 2, 66 104 5, 33 103 0, 01066 0, 02133 0, 04266 0, 08533 0, 17066 0, 65866
Tabela 4.1: Sensibilidade s condies iniciais no mapa do padeiro
As iteraes provenientes da primeira condio inicial so pontos de uma rbita de perodo 2, pois 2 1 x1 = B(x0 ) = B( ) = < 1 3 3 2 4 4 1 x2 = B(x1 ) = B( ) = (mod1) = 1 = = x1 3 3 3 3 logo, as iteraes subsequentes alternam-se entre os valores 1/3 e 2/3 indenidamente. (4.4) (4.5)
As iteradas da segunda condio inicial, 0, 333, podem ser obtidas usando uma planilha eletrnica, como mostramos na seo 1.10. Na tabela 4.1.2 ns mostramos os resultados das 10 primeiras iteraes para ambas as condies iniciais, bem como a distncia entre elas. Veja que, durante as primeiras 4 ou 5 iteraes as duas rbitas permaneceram relativamente prximas, j que a distncia entre elas era da ordem de 103 100% = 0, 1% do tamanho do intervalo [0, 1]. Aps 10 iteraes, no entanto, esta distncia j era da ordem de 66% do tamanho do intervalo, portanto altamente signicativa. Caso tomssemos mais casas decimais na segunda condio inicial, por exemplo, x 0 = 0, 3333333, podemos concluir facilmente que a mesma coisa ocorreria, j que a distncia entre as iteraes duplica a cada instante de tempo t. Evidentemente neste caso seria maior o nmero de iteraes necessrias para uma separao entre as rbitas da ordem do tamanho do intervalo. Portanto, do ponto de vista mais fundamental, no importa qual a preciso que seja usada na especicao da segunda condio inicial - ela sempre afastar-se- da outra rbita. Se lembrarmos que uma calculadora trabalhar sempre com uma expresso truncada para uma frao, como 1/3, a concluso perturbadora que a condio inicial ser sempre um nmero como x 0 , e portanto o resultado numericamente obtido nunca ser igual ao que desejaramos, a partir de uma condio inicial do tipo x0 = 1/3.
4.2. JANELAS PERIDICAS
85
(a)
1
(b)
1
0 3,57 r J3 4 r
0 3,82 r J3 3,87 r
Figura 4.4: (a) Diagrama de bifurcaes do mapa logstico, na regio predominantemente catica: r < r 4. (b) Diagrama de bifurcaes do mapa logstico, na regio da janela de perodo 3: 3, 82 < r < 3, 87
Naturalmente, isto nos traz novamente ao problema da previsibilidade de um sistema catico. Em princpio, se conhecssemos com preciso innitamente grande a condio inicial, poderamos prever com certeza absoluta os valores subsequentes dos pontos de uma rbita catica. O problema, no entanto, est nessa premissa: no conseguimos jamais uma condio inicial com esta previso! inevitvel que cometamos erros, tanto numricos (truncamento, preciso) como experimentais, na determinao das condies iniciais. Pois bem, estes erros faro com que a rbita catica que uma calculadora (ou computador) produza seja inicialmente prxima quela que desejamos obter; mas com o passar do tempo, esta trajetria ir se desviar inexoravelmente da verdadeira, e qualquer tentativa de previso ser infrutfera.
4.2 Janelas peridicas

A regio catica, no diagrama de bifurcaes do mapa logstico, que ampliamos na Figura 4.4(a), inicia-se no valor de acumulao das bifurcaes r 3, 57, e termina abruptamente em r = rC = 4.0. Embora boa parte dos valores de r dentro do intervalo [r , rC ] paream dar origem a rbitas caticas (as bandas escuras observadas), bastante evidente a existncia de janelas onde o comportamento volta a ser peridico. De fato, pode-se mostrar que existem innitas janelas deste tipo, e seu estudo tambm revelou caractersticas universais.
86
1
0,8
0,6
xt+3
0,4
0,2
r = 3,8084 r = 3,8284 r = 3,8484
0,2
0,4
xt
0,6
0,8
Figura 4.5: Terceira iterada do mapa logstico para valores de r na vizinhana de rJ3 .
A maioria destas janelas estreita demais para ser facilmente observada nos diagramas de bifurcao, mas algumas se sobressaem, principalmente a chamada janela de perodo 3. Ela surge em rJ3 = 1 + 8 3, 8284 subitamente aps uma banda de comportamento catico, na forma de uma rbita estvel de perodo 3 [vide gura 4.4(b)]. Este 3-ciclo, por sua vez, tambm sofre, a partir de r 3, 840, uma cascata de bifurcaes com duplicao de perodo 3 6 12 3 2n 1 . Na verdade, podemos imaginar que cada ponto do 3-ciclo tem a sua prpria cascata, e que acumulam-se no valor rJ = 3, 999, dando origem a trs bandas caticas. O 3-ciclo estvel que aparece a partir de rJ3 3, 8284 origina-se de uma bifurcao tangente. Em r = rJ3 forma-se um 3-ciclo estvel e outro 3-ciclo instvel (este ltimo no observado no diagrama de bifurcaes, como sabemos), cujos pontos so os pontos xos da [3] terceira iterada do mapa, fr (x). A gura 4.5 mostra o comportamento da terceira iterada do mapa logsticona vizinhana do ponto de bifurcao rJ3 . Para valores de r inferiores a ele, o grco de , fr (x) intercepta a primeira bissetriz apenas em dois pontos j bem conhecidos: a origem x = 0 e o ponto xo x = 11/r (corresponde ao caso r = 3, 8084 na Fig. 4.5). Ambos so instveis. Logo, no pode haver rbita de perodo 3 neste caso, o que de fato ocorre, embora no diagrama antes de rJ3 haja uma regio catica. Como e porqu isso ocorre ser visto numa prxima seo, quando abordarmos o fenmeno da intermitncia.
1
[3]
Um exemplo semelhante, para o mapa quadrtico, foi abordado na seo anterior
87
Exatamente no ponto de bifurcao rJ3 o grco da terceira iterada tangencia a primeira bissetriz nos pontos do 3-ciclo (corresponde ao caso r = 3, 8284 na Fig. 4.5). Para r > rJ3 h seis novas intersees, dadas por parte das razes da equao algbrica
[3] x = fr (x ),
e correspondentes s duas rbitas de perodo 3, uma estvel e outra instvel ( o caso r = 3, 8484 na Fig. 4.5).
4.2.1
Perodo 3 implica em caos
Um fato bastante comum no diagrama de bifurcao do mapa logstico a existncia de valores do parmetro r para os quais existem pontos peridicos de certos perodos, mas no de outros. Um exemplo smples a inexistncia de pontos peridicos de perodo superior a 1, mesmo que fossem instveis, na regio do diagrama r [0, 3] onde s h pontos xos.
Em 1975, os matemticos Li e Yorke publicaram um famoso artigo intitulado Period-3 implies chaos [9], onde pela primeira vez a palavra caos foi utilizada numa acepo muito prxima atualmente empregada na teoria dos sistemas dinmicos. Neste trabalho, foi provado que, se um mapa unidimensional tiver pontos peridicos de perodo 3, ento ele ter pontos de todos os perodos possveis. Se estas rbitas de perodos mais altos so estveis ou instveis outro problema. O teorema de Li-Yorke demonstrado de forma bastante inteligvel no livro de Danny Gulick [12]. Vamos, agora, consider a parte da janela de perodo 3 do mapa logstico, no intervalo rJ3 < r < 3, 840, para o qual visvel a existncia de pontos de perodo 3. De fato, neste caso, os pontos de perodo 3 no so trs pontos xos, e sim compe uma rbita estvel de perodo 3. Pelo teorema de Li-Yorke, este fato implica a existncia, dentro deste intervalo, de pontos peridicos (e, portanto, ciclos) com todos os perodos possveis. No entanto, todos estes outros pontos peridicos devem ser instveis (j que no aparecem no diagrama).
O caos preconizado pelo Teorema de Li-Yorke refere-se existncia de um nmero innito e no-contvel 2 de pontos no intervalo [0, 1] que no convergem para a rbita estvel de perodo 3. Estes pontos formam um conjunto de medida de Lebesgue nula, ou seja, se tomarmos um ponto no intervalo [0, 1] ao acaso, a probabilidade de obtermos um ponto deste conjunto nula. s vezes este tipo de comportamento denominado de caos topolgico ou caos de Li-Yorke. Pelo mesmo motivo, uma condio inicial x0 tpica (ou seja, no pertencente esse conjunto) ir gerar uma rbita que convergir, quando o tempo t tende a innito, rbita de perodo 3 estvel. Essa rbita ter um comportamento transiente bastante complicado, o qual inuenciado diretamente pelo conjunto de pontos peridicos instveis descritos pelo Teorema.
2 Os nmeros de uma sequncia no-contvel no podem ser postos em correspondncia biunvoca com os nmeros naturais.
88
Trata-se, pois, de um transiente catico, e no de uma rbita catica no sentido que nos referimos anteriormente. O resultado de Li e Yorke foi obtido de maneira independente de um outro teorema, anterior e mais geral, devido ao matemtico russo Sharkowski (seu trabalho foi publicado em 1964 numa revista de pouca divulgao [27]). Inicialmente vamos denir o ordenamento de Sharkowski (), que uma maneira de ordenar todos os nmeros inteiros positivos, e baseia-se no fato de que todo inteiro positivo pode ser escrito na forma 2k n, onde n um inteiro mpar, para algum inteiro no-negativo k. O ordenamento de Sharkowski o seguinte: 2 3 2 5 2 7 2 3 2 5 2 7 Est claro que este ordenamento no o mesmo usado habitualmente no conjunto dos nmeros inteiros: embora 17 > 14, como 14 pode ser escrito como 21 7, ele est antes de 14 no ordenamento de Sharkowski (17 14). 23 22 21 1
2
3 5 7 2 3 2 5 2 7
2 2 3 3
(4.6)
3
Sharkowski mostrou que, se um mapa unidimensional tiver uma rbita de perodo m, ento existiro rbitas com todos os perodos n, tais que m n. Se zermos m = 3, que o menor inteiro do ordenamento de Sharkowski, ento haver rbitas de todos os perodos possveis n, j que 3 n para todo n = 3; que o prprio teorema de Li-Yorke. Como outro exemplo, se houver uma rbita de perodo 5, podero existir rbitas de todos os perodos inteiros, com a exceo de perodo 3, j que 3 5.
4.2.2
Sequncia-U
Feigenbaum no foi o primeiro pesquisador a investigar as notveis propriedades do mapa logstico, em particular a sua rota para o caos via cascata de bifurcaes com duplicao do perodo. J em 1973, Metropolis, Stein e Stein [28] estudaram o ordenamento para o qual ocorrem rbitas peridicas estveis em uma classe geral de mapas unidimensionais, da qual o mapa logstico um exemplo, que pode ser escrita como xt+1 = rf (xt ), onde r um parmetro e f (x) um mapa unimodal. Mapas unimodais apresentam um ponto crtico 3 , de tal forma que fp (x) inicialmente monotonicamente crescente, e depois monotonicamente decrescente (g 4.6). No caso do mapa logstico, por exemplo, h apenas um ponto crtico em xc = 1/2. Metropolis e seus colaboradores demonstraram que, para mapas unimodais, existe um ordenamento bem-denido para o qual aparecem rbitas peridicas estveis, medida em que o parmetro de bifurcao do mapa, p, aumentado. Esta sequncia dita universal, ou sequnciaU: 1 2 2 2 ... 6 5 3 2 3 ... 5 6 4 6 5 6 (4.7)
3
Pontos crticos de um mapa so aqueles onde a derivada do mapa nula.

x
t
89
x t1
Figura 4.6: Mapa unimodal
Em particular, no mapa logstico, as janelas peridicas imersas na regio predominantemente catica [r , rC ] esto ordenadas de acordo com a sequncia-U. Comparando o diagrama de bifurcaes do mapa logstico, Fig. 3.10 com a sequncia-U 4.7, vemos que o incio da sequncia familiar, pois temos, medida em que r aumenta, rbitas estveis de perodos 1 (ponto xo), 2 (2-ciclo), 2 2 (4-ciclo), seguido pela cascata de duplicao do perodo. Os prximos trs valores da sequncia-U, 6, 5, e 3, correspondem s rbitas das trs primeiras janelas peridicas que observamos estarem imersas na regio catica da Fig 4.4 [24]. O valor seguinte, 2 3, a primeira componente da nova cascata de duplicao do perodo que o 3-ciclo sofre, levando novamente ao caos, e consequentemente ao m desta janela peridica. Os demais valores, 5, 6, 4, 6, 5, 6, . . ., correspondem a janelas muito estreitas, pequenas demais para serem observadas no diagrama da g. 4.4.
4.2.3
Derivada Schwarziana
Vamos retornar, mais uma vez, janela de perodo 3 do mapa logstico: rJ3 < r < 3, 840. Sabemos que ela se inicia com uma rbita de perodo 3, mas poderamos (em princpio) ter outras possibilidades: trs pontos xos, um ponto xo e uma rbita de perodo 2, e assim por diante. Como saber antecipadamente qual a natureza desses pontos peridicos o objeto desta subseo. Para responder a esse tipo de questo, devemos denir inicialmente a chamada derivada Schwarziana de uma funo. Seja f (x) denida num certo intervalo, tal que sua terceira derivada, f (x) seja contnua nesse intervalo. A derivada Schwarziana de f no ponto x dada por (Sf )(x) = f (x) 3 f (x) f (x) 2 f (x)
2
(4.8)
O mapa logstico, por exemplo, tem derivada Schwarziana negativa em todo o intervalo
90 [0, 1], pois
f (x) = r(1 2r), (Sf )(x) =
3 2r 2 r(1 2r)
f (x) = 2r,
2
f (x) = 0, 6 <0 (1 2x)2
(4.9) (4.10)
H um teorema fundamental, devidos ao matemtico Isidore Singer, vlido para mapas cuja derivada Schwarziana negativa no seu intervalo de denio: se o mapa f (x) tiver n pontos crticos e (Sf )(x) < 0 para todo x, ento f (x) tem no mximo n + 2 rbitas peridicas atrativas [12]. Lembremos que o mapa logstico tem apenas um ponto crtico (em xc = 1/2). Como sua derivada Schwarziana negativa em [0, 1], o teorema de Singer garante que ele pode ter, no mximo, 1 + 2 = 3 rbitas peridicas atrativas para um dado valor de r. Em princpio poderamos ter 0, 1, 2 ou 3 rbitas estveis com um certo perodo (o qual no fornecido pelo teorema de Singer). No entanto, no caso do mapa logstico, o teorema de Singer tem um corolrio ainda mais forte: para cada valor de r [0, 4] o mapa tem no mximo uma rbita peridica atrativa. Logo, no mapa logstico podemos ter, na verdade, apenas uma rbita peridica atrativa para um dado r. Portanto, na janela de perodo 3 temos uma rbita de perodo 3, e no trs pontos xos estveis, por exemplo.
4.3 Outras rotas para o caos

A cascata de bifurcaes de duplicao do perodo pode ser encarada como uma rota para o caos, no sentido de que podemos passar de um regime peridico para catico variando continuamente um parmetro. H, no entanto, outras rotas pelas quais o caos pode aparecer pela variao de um parmetro. Nesta obra vamos focalizar duas delas: as rotas de intermitncia e crise, procurando exemplicar sua ocorrncia no mapa logstico. Toda rota para o caos caracterizada pela existncia de um valor crtico do parmetro p = pc , a partir do qual (para mais ou para menos) passamos abruptamente do regime peridico para o catico. Na rota de Feigenbaum para o mapa logstico, este valor crtico o ponto de acumulao das bifurcaes de duplicao do perodo r 3, 57, tal que para r <= r a dinmica peridica, e torna-se subitamente catica para r > r . De modo geral, o caos pode ocorrer para p tendendo ao valor crtico pc por valores inferiores a pc (p p+ , como na rota de c Feigenbaum para o mapa logstico) ou inferiores (p p ). c
4.3.1
Intermitncia
A intermitncia a alternncia, observada em vrios modelos dinmicos, entre dois tipos de comportamento: regular e aleatrio [29]. O sistema permanece por um tempo mais ou menos
4.3. OUTRAS ROTAS PARA O CAOS

1 0,8
91
(a)
xt
0,6 0,4 0,2 0 200 1 0,8 300 400 500 600 700 800 900 1000
(b)
xt
0,6 0,4 0,2 0 200 1 0,8 300 400 500 600 700 800 900 1000
(c)
xt
0,6 0,4 0,2 0 200 300 400 500 600 700 800 900 1000
Figura 4.7: Sries temporais para o mapa logstico quando (a) r = 3, 8084; (b) r = 3, 8284; (c) r = 3, 8484.
longo num estado regular quiescente, que interrompido de tempos em tempos por exploses irregulares de forma aparentemente aleatria. A gura 4.7 ilustra este tipo de comportamento, a partir da srie temporal, ou seja, o grco de xt versus tempo t, do mapa logstico na vizinhana do incio da janela de perodo 3, que ocorre para r = rJ3 3, 8284.
Quando r < rJ3 temos comportamento catico [Fig. 4.7(a)]. Porm, medida em que nos aproximamos do incio da janela em r = rJ3 (que, lembramos, ocorre devido uma bifurcao tangente) temos um comportamento que alterna exploses caticas com oscilaes bemcomportadas [Fig. 4.7(b)]. Essa a caracterstica que identica o comportamento intermitente: a alternncia de oscilaes peridicas e caticas. Se r > rJ3 temos apenas oscilaes regulares advindas de estarmos numa rbita estvel de perodo 3 [Fig. 4.7(c)]. Os intervalos regulares, ditos tambm laminares (por analogia com o escoamento laminar de um uido), so de tempos em tempos interrompidos por exploses caticas intermitentes. A durao das regies laminares, que denominaremos i , no constante, todavia, variando de modo bastante acentuado com a condio inicial, e obedecendo a uma certa distribuio estatstica [Fig. 4.8]. Uma descrio quantitativa desta distribuio pode basear-se na
92
1
0,8
0,6
xt
0,4 0,2
1
0 200 300 400 500 600
2
700 800
3
900 1000 1100 1200 1300
Figura 4.8: Srie temporal para o mapa logstico quando r = 3, 8284, salientando as duraes dos intervalos laminares.
durao mdia dos intervalos laminares, 1 < >= Np

Np
i
i=1
(4.11)
onde Np o nmero regies laminares amostradas numa dada srie temporal. Para r < rJ3 o regime catico interrompido por regies laminares de forma intermitente. Quando r aproxima-se de rJ3 as exploses caticas tornam-se menos frequentes, ou seja, as regies laminares tm durao mdia cada vez maior. Quando r exatamente igual ao valor crtico, a durao da regio laminar tende a innito - isto quer dizer que no temos mais exploses caticas, e que portanto a dinmica passou ao regime peridico. Neste caso, a transio para o caos ocorre se percorrermos o diagrama de bifurcao no sentido inverso: o caos aparece + subitamente quando r tende ao valor crtico rJ3 por valores superiores a ele (r rJ3 ). Pomeau e Manneville determinaram a durao mdia da regio laminar quando r ligeiramente inferior a rJ3 (de modo a no sairmos da banda catica), e observaram a seguinte relao, tambm chamada de lei de escala: < >= K (r rJ3 )
(r rJ3 )
(4.12)
onde K e so coecientes determinados por ajuste numrico (regresso linear) usando o mtodo dos mnimos quadrados (num grco log-log). Desta relao, segue imediatamente que, se
93
< > tende ao innito quando r tende ao valor crtico por valores inferiores a ele. O coeciente assume o valor 1/2, o que pode ser obtido por uma teoria simples derivada dos argumentos da prxima sub-seo. Aqui novamente encontramos uma manifestao da universalidade, uma vez que, em um grande nmero de modelos discretos unidimensionais investigados, este coeciente foi determinado como = 1/2. O que estes mapas tm em comum o fato da intermitncia ser causada por uma bifurcao tangente, como veremos na prxima seo. Esta situao denominada intermitncia tipo I. Transies intermitentes causadas por outros tipos de bifurcao so caracterizadas por um expoente gamma = 1 (intermitncia tipos II e III), as quais no sero abordadas neste trabalho [30].
4.3.2
Mecanismo da intermitncia do tipo I
Assim como o mecanismo da rota de Feigenbaum para o caos uma bifurcao de duplicao do perodo, a rota da intermitncia do tipo I associada a uma a bifurcao tangente. Para entender o porqu, vamos remeter novamente Figura 4.5, que mostra o comportamento da terceira iterada do mapa logstico nas vizinhanas do ponto crtico rJ3 . Para r < rJ3 , que a regio onde existem as regies laminares e as exploses caticas intermitentes, no h interseo [3] do grco de fr com a primeira bissetriz, de modo que existe ponto xo aqui. No entanto, se r est prximo a rJ3 , tambm o grco da terceira iterada aproxima-se da primeira bissetriz formando um canal estreito. Este estreitamento ocorre prximo ao ponto xo que s aparece quando, em r = rJ3 , o grco tangencia a primeira bissetriz. Os degraus da escada cam cada vez menores e mais numerosos medida em que entramos no canal estreito, mas iro sair dali aps algum tempo, eventualmente muito alto (e que depende da largura do canal). Dentro do canal, as iteraes mudam to pouco de valor que lembram um ponto xo de f [3] , ou seja, um 3-ciclo do mapa. Na srie temporal, as iteraes lembram bastante um 3-ciclo real, e so justamente os pontos da regio laminar. As iteraes so, por assim dizer, enganadas pelo fantasma do ponto xo existente no canal estreito. Como as iteraes saem do canal, a regio laminar tem uma durao nita, e as iteraes subsequentes tm um comportamento catico. Quando nos aproximamos do valor crtico, o canal torna-se cada vez mais estreito e a durao da regio laminar cada vez maior. Para demonstrarmos a lei de escala (4.12) utilizaremos o mapa unidimensional [31]: xt = f (xt1 ) = xt1 + + x2 , t1 (4.13)
que exibe uma bifurcao tangente para = 0. Dessa forma, podemos encarar esse mapa como uma aproximao para o comportamento do mapa logstico na vizinhana do incio da janela de perodo 3, caso identiquemos = r rJ3 (vide a Fig. 3.8 para os diagramas de escada de um mapa qualitativamente similar a este).
94
Se apenas ligeiramente superior a zero a funo f (x) quase tangencia a primeira bissetriz, formando o canal estreito pelo qual as iteraes so enganadas antes de serem reinjetadas aleatoriamente. Justamente dentro do canal os degraus da escada so to pequenos que o tempo pode ser aproximado por uma varivel contnua, e o mapa torna-se uma equao diferencial ordinria [29] dx xt xt1 = + x2 , (4.14) dt que pode ser integrada x t dx = dt = t t0 2 0 +x t0 fornecendo, como resultado x(t) = 1/2 tan 1/2 (t t0 ) , (4.15) onde t0 marca o instante no qual as iteraes penetram na parte mais estreita do canal, sendo que podemos fazer t0 = 0 sem perda de generalidade. Sabemos que a funo tangente vai a innito (positivo ou negativa) quando seu argumento tende a /2. Logo x(t) diverge quando t = /21/2 . Na verdade, como x possui valores apenas entre zero e um, esse valor no tem signicado mais profundo, a no ser mostrar que, para grandes valores de x, afastamo-nos da parte mais estreita do canal e a substituio do mapa por um mapa contnuo no mais vlida. De qualquer forma, a soluo (4.15) til pois nos d uma idia da ordem de grandeza do intervalo de tempo que as iteraes permanecem na parte mais estreita do canal, e que t 1/2 . Concluimos, portanto, que a durao mdia dos intervalos laminares diverge como 1/2 |r rJ3 |1/2 , que resulta na lei de escala (4.12). A universalidade deste resultado prende-se ao fato de a aproximao pelo mapa (4.14) vlida para qualquer mapa que exiba uma tangncia quadrtica primeira bissetriz no ponto crtico. Como a aplicao fr (x) = rx(1 x) mapeia pontos do intervalo [0, 1] em pontos desse mesmo intervalo (escrevemos que fr : [0, 1] [0, 1]), ento as iteraes que saem do canal acabam voltando ao mesmo aps algum tempo (reinjeo aleatria). Esse nterim representa as exploses caticas que interrompem de forma intermitente as regies laminares.
4.3.3
Crise
A rota de crise para o caos distingue-se das anteriores por no ser motivada por uma bifurcao especca, e sim por uma coliso entre uma rbita catica e uma rbita peridica instvel. Depois da crise, acontece uma mudana sbita da rbita catica - ela pode se tornar uma rbita peridica, pode aumentar seu tamanho, ou ainda divergir para innito [32]. O diagrama de bifurcaes do mapa logstico exibe diversos exemplos de crise, em algumas de suas formas. Tomemos o valor rCR = 4, que marca aparentemente o nal do regime catico. Na Figura 4.9 mostramos uma srie temporal para um valor de r ligeiramente superior ao valor crtico. As iteraes inicialmente apresentam um comportamento altamente irregular,
95
-5
xt
-10
-15
-20
10
20
30
40
50
Figura 4.9: Srie temporal para o mapa logstico em r = 4, 001
chamado apropriadamente de transiente catico, e aps um certo tempo divergem para menos innito. Isto ocorre pois, para r > 4 a aplicao fr (x) mapeia pontos de [0, 1] fora deste intervalo. No entanto, antes de divergir, o comportamento das iteraes lembra bastante o de uma rbita catica. Durao do transiente catico A durao deste transiente catico i depende bastante da condio inicial x0 escolhida para a rbita. Para comprovar esse fato zemos a seguinte experincia numrica: tomamos um valor superior mas bastante prximo ao valor da crise: r = 4.0 + 105 e iteramos o mapa logstico para um grande nmero N0 = 105 de condies iniciais escolhidas aleatoriamente entre 0 e 1 (usando um gerador de nmeros aleatrios para essa nalidade). Para cada condio inicial o mapa iterado at que divirja, o que aferido tomando-se (de forma algo arbitrria) um valor mximo |xmax | = 100 possvel. Quando este alcanado contamos a durao do transiente catico i . Da passamos condio inicial seguinte e repetimos o processo. O programa abaixo, em linguagem C, implementa este algoritmo /* crise.c: determina a durao dos transientes para vrias condies iniciais (escolhidas aleatoriamente) no mapa logstico discreto para r = 4 + eps */
96
#include <stdio.h> #include <stdlib.h> #include <math.h> #define XMAX 100 #define frand() ((double) rand() / (RAND_MAX+1.0)) FILE *fp; main( ) { int i,inits,count,tau; double x_n,x_0,r,eps,sum,med; fp = fopen("crise1.dat","w"); r = 4.0; eps = 0.00001; inits = 100000; sum = 0; count = 0; for(i=1;i<=inits;++i) { x_0 = frand(); x_n = x_0; while (fabs(x_n) < XMAX) { x_n = (r+eps)*x_n*(1.0-x_n); count = count + 1; } tau = count; count = 0; sum = sum + tau; fprintf(fp,"\%f %d\n",x_0,tau); } med = sum/inits; printf("\%f\n",med); fclose(fp); }
Na tabela 4.3.3 indicamos a durao do transiente associado com algumas condies iniciais, com o objetivo de mostrar a forte dependncia de i com x0 . Uma descrio estatstica dessa dependncia com a condio inicial pode ser feita usando uma funo distribuio de probabilidade (). Formalmente, a quantidade ()d fornece o nmero de vezes em que a durao do transiente encontrada no intervalo que vai de a + d. Uma aproximao numrica satisfatria dessa distribuio obtida a partir de um histograma de frequncia, como o mostrado na Fig. 4.10. Os valores de () gerados desta forma podem

i 1 2 3 4 5 6 7 8 9 10 xt 0.005435 0.649787 0.126222 0.461949 0.084185 0.780251 0.785932 0.684677 0.910227 0.867197 i 2812 405 507 593 325 1225 35 267 1270 3544 i 11 12 13 14 15 16 17 18 19 20 xt 0.062674 0.047183 0.527075 0.177133 0.927866 0.109525 0.387996 0.596191 0.638409 0.700340 i 564 1350 186 388 760 2687 348 59 234 333
97
Tabela 4.2: Dependncia da durao do transiente catico com as condies iniciais no mapa logstico para r = 4, 0 + 105 .
ser ajustados por uma funo exponencial do tipo

() = 0 e
(4.16)
onde os coecientes foram determinados por regresso linear como 0 = 5091, 7 e = 0, 001. Em situaes como essa - assim como na intermitncia - ns estamos interessados no valor mdio da durao 1 < >= N0
N0
i
i=1
onde N0 representa o nmero de condies iniciais usadas para computar a durao do transiente. No exemplo mostrado na gura 4.10, quando r = 4, 0 + 105 temos que < >= 994, 449. Se estivermos muito prximos ao valor crtico, essa durao mdia pode ser to grande (da ordem de milhes de iteraes!) que, se no observarmos a rbita por um tempo sucientemente extenso, poderamos tomar o transiente pela prpria rbita catica. Na verdade, a durao mdia do transiente catico tende a innito quando r tende ao + valor crtico rCR = 4 por valores superiores a ele (r rCR ). Nesse caso, o transiente vira uma rbita catica propriamente dita. Para investigar como a durao mdia do transiente < > varia com a distncia ao valor da crise, r rCR , ns podemos utilizar o programa abaixo: /* crisetau.c: determina a durao mdia dos transientes no mapa logstico versus r - 4 */ #include <stdio.h> #include <stdlib.h> #include <math.h>
98
10000
1000
()
100 10 0 2000 4000
6000
8000
Figura 4.10: Histograma de frequncias para o nmero de vezes em que o transiente catico tem durao para o mapa logstico para r = 4, 0 + 105 . Foram empregadas 105 condies iniciais. A linha cheia representa um ajuste por regresso linear.
#define XMAX 100 #define frand() ((double) rand() / (RAND_MAX+1.0)) FILE *fp; main( ) { int i,inits,count,tau; double x_n,x_0,r,eps,sum,med,epsmax,delta; fp = fopen("crisetau.dat","w"); inits = 100000; r = 4.0; eps = 0.00000001; epsmax = 0.001; delta = 2.0; while (eps <= epsmax){ eps = eps*delta; sum = 0; count = 0; for(i=1;i<=inits;++i) { x_0 = frand(); x_n = x_0; while (fabs(x_n) < XMAX) { x_n = (r+eps)*x_n*(1.0-x_n);
99
1000
<>
100
10
0,0001
0,001
0,01
r-4
Figura 4.11: Durao mdia do transiente catico no mapa logstico como funo da diferena r 4. A linha cheia representa uma o resultado de uma regresso linear. count = count + 1; } tau = count; count = 0; sum = sum + tau; } med = sum/inits; fprintf(fp,"\%f %f\n",eps,med); } fclose(fp); } onde variamos a distncia desde 107 at 102 . Para conseguir uma varredura eciente desse intervalo abrangendo cinco ordens de grandeza ns incrementamos a distncia no adicionando uma quantidade pequena, como nos diagramas de bifurcao, mas multiplicando por um fator como 2. Podemos ver pela Figura 4.11 que a durao mdia diminui com a distncia por meio de uma lei de potncia na forma < > (r rCR )
+ (r rCR )
(4.17)
onde o expoente foi determinado por regresso linear como = 0, 489 0, 002. De fato, Grebogi, Ott e Yorke mostraram, usando argumentos tericos, que este expoente deve ser exata-
100

crise
x 1
(a) x
1
crise
(b)
estavel
0 0 1
instavel
0
3 4 r
3,82 r J3
3,87
Figura 4.12: (a) Coliso da rbita catica com o ponto xo instvel do mapa logstico em r = 4. (b) Coliso da rbita catica com o 3-ciclo instvel numa janela peridica do mapa logstico
mente igual a 1/2 para o mapa logstico [32]. A pequena discrepncia entre o resultado obtido numericamente explicada pelo nmero insucientemente grande de pontos no grco, especialmente muito prximo a r = 4, onde a durao mdia do transiente tende a innito. A lei de escala (4.17) semelhante vlida no caso de intermitncia, e de fato, pode-se mostrar que ela comum a uma classe ampla de mapas unidimensionais, os quais tem mximos ou mnimos quadrticos: nas vizinhanas dos pontos de mximo ou mnimo a funo f (x) pode ser localmente representada por uma funo quadrtica. Mecanismo da crise No caso desta crise, o mecanismo a coliso, em r = rCR = 4, da rbita catica pr-existente com o ponto xo instvel (x = 0) que foi criado com a bifurcao transcrtica que descrevemos em r = 1. Na verdade, para r > 1, o diagrama de bifurcaes foi se abrindo sempre para valores superiores a zero, ao passo que o ponto xo instvel permaneceu como um observador passivo [Fig. 4.12(a)]. Quando r = 4, as iteraes da rbita catica preenchem todo o intervalo [0, 1] (isto no ocorre para nenhum outro valor de r), de forma que h uma coliso entre o ponto xo e a rbita. A dinmica ps-colisional consiste de um (longo) transiente, que de certa forma recorda o passado catico da rbita, seguida de uma divergncia a menos innito causada pelo fato de ser r maior do que 4. Este um exemplo de crise dita interior [32]. Outro exemplo de crise que ocorre no diagrama de bifurcaes do mapa logstico pode
4.4. EXPOENTE DE LYAPUNOV
101
ser observada no nal da janela de perodo 3, que marca o retorno banda catica. De fato, o 3-ciclo que inicia a janela em rJ3 = 3, 816 (por meio de uma bifurcao tangente), sofre uma cascata de bifurcaes com duplicao do perodo, o que leva a basicamente trs bandas caticas - uma para cada ponto do ciclo. Essas bandas caticas so relativamente estreitas, e alargam-se subitamente em rCR3 = 0, 999. Isso signica que a rbita catica com trs bandas para r < rCR3 (os pontos da rbita alternam-se caoticamente entre elas) repentinamente aumenta de tamanho e passa a ter uma nica banda. Essa alterao sbida no comportamento catico tambm constitui um exemplo de crise interior, motivada pela coliso, em rCR3 , das trs bandas caticas com o 3-ciclo instvel que foi criado pela bifurcao tangente, no incio da janela de perodo 3 [Fig. 4.12(b)]. Porque a crise pode ser considerada uma rota para o caos? Percorrendo o diagrama de bifurcaes 3.10 no sentido inverso, temos um regime catico transiente para r > rCR = 4 que transforma-se, quando r = rCR num regime catico permanente. No entanto, no segundo caso abordado (fuso de bandas caticas), a crise no exatamente uma rota, mas um fenmeno caracterstico do regime catico.
4.4 Expoente de Lyapunov

Alm da ausncia de periodicidade, ou regularidade, que observa-se na evoluo dos pontos de uma rbita catica, existe uma extrema sensibilidade s condies iniciais: duas condies iniciais muito prximas levam a rbitas que afastam-se com o passar do tempo, at perder qualquer correlao mtua. um fato importante que este afastamento ocorre a uma taxa exponencial, qual nos referimos como o expoente de Lyapunov da rbita. Se for positivo, temos uma marca registrada da ocorrncia de caos.
4.4.1
Denio
Vamos supor que, num mapa unidimensional arbitrrio xt+1 = f (xt ), escolhamos duas condies iniciais muito prximas entre si: x0 e x 0 , tal que a distncia inicial entre elas: d0 = |x 0 x0 | seja muito pequena (em relao a qualquer uma delas: d0 x0 ). Aps uma iterao do mapa, a distncia entre os pontos correspondentes a cada rbita ser d1 = |x 1 x1 | = |f (x 0 ) f (x0 )| . Esta distncia ser, na iterao seguinte, igual a d2 = |f (x 1 ) f (x1 )| = |f [2] (x 0 ) f [2] (x0 )|
102

d0 x 0 x 0
t iteraoes dt x
t
x t
Figura 4.13: Divergncia de trajetrias inicialmente muito prximas
Procedendo por induo nita, aps t iteraes do mapa f (x), as rbitas geradas a partir de x0 e x 0 estaro distantes de (cf. g. 4.13) dt = |x t xt | = |f [t] (x 0 ) f [t] (x0 )| (4.18)
Admitindo que a distncia acima dependa exponencialmente do tempo, medido em nmero de iteraes do mapa, temos que dt d0 et (4.19)
onde o expoente de Lyapunov. Usamos o smbolo ao invs de uma igualdade (=), pois na denio matemtica do expoente de Lyapunov fazemos um limite, onde a distncia inicial tende a zero, e onde o nmero de iteraes tende a innito. Resolvendo para ele, e aplicando estes limites, temos pois que = lim lim 1 ln d0 0 t t dt d0 (4.20)
Se h comportamento catico, as rbitas originrias de condies iniciais muito prximas afastam-se exponencialmente com o passar do tempo. Neste caso, positivo. Pontos xos e rbitas peridicas, mesmo instveis, esto sempre associadas a negativo, ou seja, as rbitas convergem exponencialmente com o passar do tempo. Em pontos de bifurcao, o expoente de Lyapunov torna-se nulo, como veremos na prxima seo. Evidentemente, em mapas, como o mapa logstico, onde o intervalo de denio limitado, no caso [0, 1], a distncia entre dois pontos no pode ser maior que 1, o tamanho do intervalo. Neste caso, embora a denio anterior continue formalmente correta, necessrio um mtodo prprio para computar o expoente de Lyapunov, sem a necessidade de calcular a cada tempo a distncia entre as iteraes.
4.4. EXPOENTE DE LYAPUNOV
103
4.4.2
Clculo do expoente de Lyapunov
Substituindo a expresso 4.18 para a distncia entre as rbitas na denio 4.20 do expoente de Lyapunov, teremos |f [t] (x 0 ) f [t] (x0 )| 1 (4.21) = lim lim ln d0 0 t t d0 Mas, como temos x 0 = x0 + d0 , resulta que = lim ln lim
t
f [t] (x0 + d0 ) f [t] (x0 ) d0 0 d0
(4.22)
onde tambm permutamos os dois limites, assim como o segundo limite com o logaritmo neperiano. O termo entre as barras de valor absoluto, f [t] (x0 + d0 ) f [t] (x0 ) , d0 0 d0 lim o limite de uma razo incremental quando o incremento da varivel independente tende a zero; ou seja, por denio a derivada da funo f [n] (x), d [t] f (x) dx =
x=x0
df [t] (x0 ) dx0
calculada no ponto x = x0 . Logo, podemos reescrever a eq. (4.22) como = lim df [t] (x0 ) 1 ln t t dx0 (4.23)
Sabemos que a expresso correspondente s iteradas sucessivas de um mapa pode ser proibitivamente grande, devido composio sucessiva de polinmios de alto grau, de forma que o clculo direto da derivada da funo f [n] (x) impraticvel. No entanto, podemos usar repetidas vezes a regra da cadeia (vide Eq. 2.36) para escrever a derivada da funo n vezes composta f [n] (x) = f (f (f ( ))) como o produto das derivadas da funo f (x) em cada ponto da rbita xi , com i = 0, 1, 2, . . . n 1 (vide tambm Eq. 4.31: df [t] (x0 ) = dx0 de modo que 4.23 ca = lim 1 ln t t
t1 t1 i=0
df (xi ) = dxi
t1
f (xi )
i=0
(4.24)
f (xi )
i=0
(4.25)
104
Usando a regra elementar de que o logaritmo do produto a soma dos logaritmos de cada um dos seus fatores, temos que a expresso nal para o expoente de Lyapunov 1 = lim t t
t1 i=0
ln |f (xi )|
(4.26)
que, desta vez, exige somente o conhecimento da derivada do mapa.
4.4.3
Um exemplo: o mapa da tenda
Em alguns casos excepcionais, possvel determinar o expoente de Lyapunoov analiticamente a partir da denio 4.26. Um deles o mapa da tenda xt+1 = T (xt ) = 2xt 2(1 xt ) se se 0 xt 1 , 2 1 < xt 1, 2 (4.27)
onde tambm vimos que possvel determinar gracamente, usando induo nita, as iteradas sucessivas de T (x). A primeira iterada tem um pico em x = 1/2 [Fig. 2.6(a)], ao passo que a n-sima iterada tem 2n1 picos [vide Figuras 2.7(a) e (b) para os casos de n = 2 e n = 3, respectivamente], em x = 1/2n , 3/2n , etc... A derivada da n-sima iterada, T [n] (x) igual inclinao de cada segmento de reta que forma um pico, e igual a 1 dT [n](x) = = 2n dx 1/2n Observe que esta derivada existe em quase todos os pontos do intervalo [0, 1], com a exceo dos pontos onde a funo T [n] (x) tem picos, ou seja, em x = 1/2n , 3/2n , etc... Nestes pontos a derivada no existe, pois o limite que daria origem a ela tem valores diferentes direita e esquerda do ponto (em particular, o sinal da inclinao diferente nas vizinhanas do pico). No entanto, esses pontos problemticos so atpicos, no sentido de que, se escolhssemos a esmo um ponto do intervalo [0, 1], pode-se mostrar que a probabilidade de pegarmos por azar um destes pontos problemticos zero 4 . Logo, o expoente de Lyapunov para quase todas as condies iniciais dentro do intervalo [0, 1] dada por 4.25 = lim 1 1 dT [n] (x0 ) 1 ln = lim ln 2n = lim n ln 2 n n n n n n dx0 (4.28)
4 Os matemticos formalizam esta idia dizendo que o conjunto de pontos para os quais a derivada no existe tem medida de Lebesgue nula
4.5. DETERMINAO NUMRICA DO EXPOENTE DE LYAPUNOV

Neste caso, antes de tirar o limite, o nmero de iteraes simplicado, de modo que = ln 2 0, 69 > 0
105
(4.29)
indicando que quase todos as condies iniciais no intervalo [0, 1] geram rbitas caticas. Mencionamos, ainda, o fato de que tambm o mapa do padeiro B(x) = 2x(mod1), tem o mesmo expoente de Lyapunov do mapa da tenda.
4.5 Determinao numrica do expoente de Lyapunov

Para mapas no-lineares, em geral, o clculo do expoente de Lyapunov pela denio 4.26 no pode ser feito analiticamente, como na seo anterior. No entanto, a frmula 4.26 j fornece o algoritmo para se determinar o expoente de Lyapunov numericamente, usando um programa de computador. A metodologia usada para obter o expoente de Lyapunov consiste em: 1. determinar o valor das iteraes do mapa xt = f (xt1 ) a partir de uma condio inicial x0 tpica; 2. calcular a derivada do mapa, f (xi ), em cada ponto da rbita; 3. determinar o logaritmo desse valor e armazen-lo; 4. acumular os valores obtidos para um grande nmero de pontos (o maior possvel, de acordo com o limite pressuposto na denio), preferencialmente descontando pr-iteraes transientes; 5. dividir o resultado pelo nmero de pontos utilizados O resultado pode convergir para um valor, positivo, negativo ou zero, mas pode tambm excepcionalmente divergir a menos innito, como veremos. Apresentamos, a seguir, um programa em linguagem C que implementa o clculo do expoente de Lyapunov para o mapa logstico, com r = 4: xt+1 = 4xt (1 xt ) (e que pode ser facilmente adaptado para outros mapas discretos unidimensionais). /* lyapunov_logistico.c: calcula o expoente de Lyapunov para o mapa logistico para r = 4.0 como funo do tempo. Saida dos dados no arquivo lyapunov_logistico.dat (tabela com duas colunas) */ #include <stdio.h> #include <math.h> FILE *fp; main()
106 {
int n, points; float x_n, x_0, r, der, lyap, acc; fp = fopen("lyapunov_logistico.dat","w"); /* abre arquivo */ r = 4.0; /* valor de r */ points = 500; /* numero total de pontos*/ x_0 = 0.1; /* condicao inicial */ x_n = x_0; /* inicializa o valor de x (apenas no primeiro valor de r) */ acc = 0.0; /* zera o acumulador do somatorio */ for (n = 1;n <= points;++n) { x_n = r * x_n * (1 - x_n); /* computa as iteracoes */ der = fabs(r * (1 - 2 * x_n)); /* calcula a derivada do mapa em cada ponto */ acc = acc + log(der); /* incrementa somatorio */ lyap = acc / n; /* calcula expoente de Lyapunov */ fprintf(fp,"\% d \% f \n", n, lyap); } fclose(fp); /* fecha arquivo de dados */ } Na gura 4.14, mostramos os resultados do clculo do expoente de Lyapunov para o mapa 4x(1x) em funo do nmero de iteraes n. Observamos que, medida em que n cresce, o valor de tende ao valor 0, 69 > 0, o que j era de se esperar, tendo em vista a necessidade de tirar o limite n . Conrmamos, pois, que em r = 4 o mapa logstico exibe realmente uma rbita catica. De fato, pode-se mostrar que = ln 2 0, 69 que o mesmo expoente de Lyapunov encontrado na seo anterior para o mapa da tenda T (x).
4.5.1
Uso do Maple
O Maple implementa o procedimento numrico descrito anteriormente por meio de um programa especco, que inclui a funo do mapa logstico f (x) = rx(1 x), sua derivada (calculada analiticamente!), o valor do parmetro r, o nmero de iteraes (pontos) e de transientes descartados (trans). Um exemplo de programa o seguinte (para r = 4, 0, 10000 iteraes e 1000 transientes): restart: with(plots): f:= r*x*(1-x); dfdx:=diff(f,x); r:=4.0;

0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0
107
100
200
300
400
500
Figura 4.14: Expoentes de Lyapunov para o mapa logstico em r = 4 como funo do nmero de iteraes
pontos:=10000; trans:=1000; lista:=array(0..pontos): x0:=0.1: for i from 1 by 1 to trans do x0:=eval(f,x=x0): od: x0; lista[0]:=x0: for i from 1 by 1 to pontos do x0:=eval(f,x=x0): lista[i]:=x0: od: lambda:=0: for i from 1 by 1 to pontos do lambda:=lambda+ln(abs(eval(dfdx,x=lista[i]))): od: lambda:=lambda/pontos;
4.5.2
Uso do Mathematica
No ambiente do Mathematica o clculo do expoente de Lyapunov pode ser feito de forma bastante simples com o auxlio do comando Compile, onde o primeiro argumento uma lista de variveis e o segundo a funo que fornece as iteraes do mapa logstico. A lista de vari-
108
veis contm os parmetros necessrios ao clculo do expoente, como r, a condio inicial x0 , o nmero n de iteraes a serem computadas, e o nmero trans de iteraes transientes descartadas. Pode ser necessrio declarar o tipo das variveis dessa lista, como reais ou inteiros. Nesse caso, no lugar do nome da varivel deve aparecer uma lista com dois elementos: o primeiro sendo o nome propriamente dito e o segundo seu tipo (Real ou Integer). Em nosso caso, as variveis n e trans devem ser declaradas reais. A funo logstica tem seu argumento representado pelo smbolo # e terminada pelo smbolo &. Os valores da funo so obtidos, como j sabemos, pela aplicao do comando NestList. A sequncia de comandos necessrios a seguinte: lyapunov = Compile[{r, x0, {n, _Integer}, {trans, _Integer}}, x = Drop[ NestList[r#(1-#) &, x0, n], trans+1]; Apply[ Plus, Log[ Abs[r(1-2x)]]]/Length[x]]; Para calcular o expoente de Lyapunov quando r = 4, usando a condio inicial x0 = 0, 7, 50000 pontos e descartando 100 transientes usamos lyapunov[4,0.7,50000,100], o que fornece 0.69315; que bastante prximo do valor teoricamente previsto 0.693147 (obtido pelo comando N[ Log[2]]).
4.5.3
Uso do Matlab
O Matlab permite a implementao do procedimento descrito anteriormente para o clculo de expoente de Lyapunov. Tomando, novamente, o mapa logstico como exemplo, denimos a funo lyapunov(r,pontos,trans), que calcula o expoente de Lyapunov para o valor r do parmetro de bifurcao, sendo pontos o nmero total de pontos calculados da rbita, e trans o nmero de iteraes transientes descartadas no cmputo do expoente de Lyapunov. function lyapunov(r,pontos,trans) x = 0.5; lambda = 0; for i = 1:trans x1 = r*x*(1-x); x = x1; end for i = 1:pontos x1 = r*x*(1-x); lambda = lambda + log(abs(r*(1-2*x1))); x = x1; end
109
x 1
1
0 3,1 4 r
3,3
Figura 4.15: Diagrama de bifurcao e expoente de Lyapunov para o mapa logstico
lambda = lambda/pontos Para determinar o expoente correspondente a r = 4, por exemplo, escrevemos lyapunov(3.9999999,20000,1000), e que fornecer o valor 0.6931 o qual coincide, dentro da preciso de quatro dgitos aps a vrgula, com ln 2.
4.5.4
Diagrama de bifurcao de Lyapunov
Podemos, agora, fazer uma pequena adaptao no programa mostrado h pouco para a determinao do expoente de Lyapunov, e incluir uma malha adicional que varre os diversos valores do parmetro r. A gura resultante pode ser chamada diagrama de bifurcao de Lyapunov, pois fornece os expoentes em funo de r (O leitor encorajado a escrever novamente o programa, combinando os cdigos para gerao do diagrama de bifurcaes e o de clculo do expoente de Lyapunov). O resultado mostrado na gura 4.15, onde colocamos tambm novamente o diagrama de bifurcao, para efeitos de comparao. Apenas o intervalo 2, 5 < r < 4 mostrado. Para valores de r abaixo do ponto de acumulao r = 3, 61, os expoentes de Lyapunov so predominantemente negativos (regime peridico), exceo de um nmero de pontos onde ele se anula. Estes pontos coincidem com os pontos de bifurcao observados no diagrama superior. Por exemplo, em r1 = 3 h uma bifurcao de duplicao de perodo, onde o ponto xo x = 1 1/r passa de estvel para instvel, ou seja, o mdulo da derivada do mapa calculada no ponto xo, |f (x )|, passa de menor para maior que 1. Logo, exatamente no ponto de bifurcao temos |f (x )| = 1. Como ln 1 = 0, neste ponto o expoente de Lyapunov 4.26 nulo.
110
O expoente de Lyapunov de uma rbita de perodo m mais smples de calcular, visto que, como os pontos da rbita se repetem de m em m iteraes, no necessrio tomar o limite n , basta calcular o produto de m termos, cada um para um ponto da rbita. Neste caso, podemos adaptar a denio 4.28 e escrever: = 1 ln m
m1
f (xi )
i=0
(4.30)
Consideremos, agora, um ponto de bifurcao, onde uma rbita de perodo m passa de estvel para instvel, emergindo uma outra rbita estvel de perodo 2m. Exatamente no ponto de bifurcao o multiplicador do m-ciclo (vide 4.31) igual a 1: m df [m] (x) = dx
m1
=
x=x 1 i=0
df (x) dx
=1
x=x i
(4.31)
Logo, o expoente de Lyapunov no ponto de bifurcao nulo, pois = 1 1 ln |m | = ln 1 = 0 m m (4.32)
Outro fato notvel a existncia de valores de r para os quais o expoente de Lyapunov diverge para menos innito, por exemplo, entre a primeira e segunda bifurcaes (3 < r < 1 + 6 3, 45). Estes valores correspondem a rbitas peridicas superestveis, que denimos como sendo aquelas para as quais o multiplicador nulo: m = 0. Pela expresso 4.30 podemos ver que 1 ln 0 = ln |m | = (4.33) m m realmente tende a menos innito. Para determinar a localizao da j citada rbita superestvel de perodo 2, usamos o multiplicador dado pela eq. 2.47, e o igualamos a zero, o que fornece uma equao de segundo grau: 2 = r2 + 2r + 4 = 0 cujas razes so r = 1 5. A nica raiz dentro do intervalo [0, 1] o ponto onde ocorre o 2-ciclo superestvel, r = 1 + 5 3, 45.
A regio catica caracterizada por valores positivos de , os valores negativos observados sendo correspondentes s janelas peridicas que existem em abundncia. Note que, no ponto de crise r = rCR = 4, o expoente de Lyapunov atinge seu valor mximo, que determinamos na seo anterior como sendo ln 2 0, 69. Nesse sentido, em r = 4, as rbitas so mais caticas do que para qualquer outro valor de r. Finalmente, gostaramos de mencionar um fato importante: exatamente no ponto de acumulao das bifurcaes, em r = r , o expoente de Lyapunov nulo. Logo, a rigor, o regime catico aparece apenas aps r .
111
Figura 4.16: Diagrama de bifurcao do expoente de Lyapunov para o mapa logstico pelo uso do Mathematica.
4.5.5
Uso do Mathematica
Para construir o diagrama de bifurcao do expoente de Lyapunov usando o software numrico Mathematica ns empregamos a funo lyapunov denida na seo anterior, da seguinte forma: Plot[lyapunov[r,0.7,50000,100],r,2.8.4.0], para o parmetro de bifurcao variando de 2, 8 at 4, o resultado sendo mostrado na Fig. 4.16
4.5.6
Uso do Matlab
Para traar o diagrama de bifurcaes do expoente de Lyapunov do mapa logstico denimos, dentro do ambiente do software Matlab, a funo bifurcacao_lyapunov(ri,rf,valores,pontos,trans), onde ri e rf so os valores inicial de nal do parmetro de bifurcao r, valores o nmero de valores do parmetro de bifurcao, pontos o nmero total de pontos calculados da rbita para cada valor de r, e trans o nmero de iteraes transientes descartadas no cmputo do expoente de Lyapunov. function bifurcacao_lyapunov(ri,rf,valores,pontos,trans) passo = (rf-ri)/(valores-1); x = 0.3; RR = [];
112

LY = []; r = ri-passo; for j = 1:valores r = r + passo; x = rand(1); lambda = 0; for i = 1:trans x1 = r*x*(1-x); x = x1; end for i = 1:pontos x1 = r*x*(1-x); lambda = lambda + log(abs(r*(1-2*x1))); x = x1; end lambda = lambda/pontos; RR = [RR r]; LY = [LY , lambda]; end figure(2) clf; plot([ri,rf],[0 0], -,RR,LY,b.,MarkerSize,2) axis([ri rf -2 1])
O valor da condio inicial x0 foi alterado para cada valor de r de forma aleatria, pelo uso da funo pr-denida rand(1), que retorna uma matriz 1 1, ou seja, um nmero real pseudo-aleatrio escolhido no intervalo entre 0 e 1. Observe ainda que, quanto maior for o valor de valores, melhor ser a resoluo grca do diagrama de bifurcaes, o que importante para distinguir, por exemplo, as janelas peridicas imersas na regio catica. Um exemplo de aplicao [Fig. 4.17]. bifurcacao_lyapunov(2.8,4.0,8000,4000,200)
4.6 Transitividade e caos forte

Ao longo deste captulo ns apresentamos uma denio um tanto imprecisa de caos do ponto de vista matemtico, uma vez que nos baseamos em conceitos denidos de forma no-rigorosa: a aperiodicidade e a sensibilidade s condies iniciais. Na verdade, possvel dar uma denio matematicamente rigorosa a um tipo de caos, chamado caos forte, a partir de uma propriedade topolgica denominada transitividade. Na prtica usualmente difcil caracterizar a
4.6. TRANSITIVIDADE E CAOS FORTE

1
113
0.5
lambda
0.5
1.5
2 2.8
3.2
3.4 r
3.6
3.8
Figura 4.17: Diagrama de bifurcao do expoente de Lyapunov para o mapa logstico pelo uso do Matlab. transitividade num mapa qualquer, mas importante conhecer as consequncias matemticas da transitividade quando ela ocorre, j que para tal sistema possvel demonstrar o comportamento catico. Isso fornece um fundamento terico para falarmos de caos em sistemas dinmicos em geral, mesmo quando no podemos demonstrar esse fato de forma rigorosa.
4.6.1
O deslocamento de Bernoulli
O mapa do padeiro xt = B(xt1 ) = 2xt1 (mod1) = 2xt1 2xt1 1 se 0 xt1 < 1 , 2 se 1 xt1 1, 2 (4.34)
onde x [0, 1], foi introduzido para ilustrar a sensibilidade s condies iniciais. Para este mapa possvel demonstrar rigorosamente a existncia de caos por outros mtodos. Um deles consiste em escrevermos os valores de xt no sistema binrio, ao invs do sistema de numerao decimal, como mais comum. Vamos comear relembrando alguns fatos fundamentais dos sistemas de numerao. No sistema decimal, ou de base 10, h nove algarismos: an = {0, 1, , 9}, de modo que qualquer nmero x [0, 1] pode ser escrito na forma x=
n=1
an 10n = a1 101 + a2 102 + a3 103 + ,
(4.35)
114
onde pode haver um nmero nito ou innito de termos. Por exemplo, o nmero 1/3 escrito como a soma innita 1 = 0, 3333 . . . = 3 101 + 3 102 + , 3 J no sistema binrio, ou de base 2, s h dois algarismos: an = {0, 1}, e a representao de x [0, 1] ser x=
n=1
an 2n = a1 21 + a2 22 + a3 23 + a4 24 + [0, a1 a2 a3 a4 ]2 ,
(4.36)
Como um exemplo, [0, 1001]2 = 1 21 + 0 22 + 0 23 + 1 24 = 1 1 + = 0, 5625. 2 16
Para reconhecer se um nmero maior ou menor que 1/2 atentamos para o primeiro dgito depois da vrgula: se ele for zero (um) o nmero menor (maior) que 1/2. Se x = 1/2 h uma ambiguidade, pois h duas formas distintas de express-lo em base 2: [0, 1]2 ou [0, 01111]2 . Optaremos pela primeira escolha, pois ela tem um nmero nito de algarismos sendo, portanto, mais simples que a segunda. A ao do mapa do padeiro sobre um nmero, quando escrito na forma binria, bastante simples. Seja o nmero 0 < x < 1 representado, em base 2, como [0, a1 a2 a3 a4 ]2 . Ento B(x) = 2x = [a1 , a2 a3 a4 ]2 = [0, a2 a3 a4 ]2 2x 1 = [a1 , a2 a3 a4 ]2 1 = [0, a2 a3 a4 ]2 se x < 1 , (a1 = 0) 2 se x 1 , (a1 = 1) 2 (4.37)
Logo, o resultado o mesmo nos dois casos: dobrar um nmero e tirar sua parte inteira equivale a deslocar a vrgula um algarismo direita e substituir o algarismo esquerda da vrgula por um zero. Devido ao deslocamento da vrgula, o mapa do padeiro tambm conhecido na literatura como deslocamento de Bernoulli. Pela denio do deslocamento de Bernoulli, podemos obter diretamente o ponto xo do mapa do padeiro, que 0 = [0, 0000 ]2 . fcil mostrar que esse ponto xo instvel pois qualquer outra sequncia de zeros e uns prxima a 0 provoca uma rbita que afasta-se do ponto xo [26]. Sequncias repetidas de zeros e uns so naturalmente rbitas peridicas, cujo perodo igual ao nmero de algarismos em cada sequncia. Por exemplo, [0, 01010101 ]2 uma rbita de perodo 2 porque: B [2] ([0, 01010101 ]2 ) = B([0, 1010101 ]2 ) = [0, 010101 ]2 e assim por diante. Da mesma maneira que o ponto xo na origem, possvel mostrar que todas as sequncias peridicas so instveis [26]. Tanto no mapa do padeiro como da tenda, todos os nmeros racionais entre zero e um so pontos peridicos instveis, correspondendo a sequncias peridicas de zeros e uns no
115
deslocamento de Bernoulli. No entanto, do ponto de vista estatstico, essas rbitas peridicas instveis so atpicas, j que a probabilidade de se escolher um nmero racional zero (matematicamente falando, dizemos que o conjunto dos racionais tem medida de Lebesgue nula). Quando a condio inicial um nmero racional, temos uma rbita que, embora no-catica atpica, ou seja, improvvel. Usando a mesma linha de raciocnio, sabendo-se que h uma rbita catica do mapa do padeiro (lembre que o expoente de Lyapunov = ln 2 > 0), ela s pode ser obtida quando a condio inicial for um nmero irracional. Esse fato pode ser mostrado facilmente usando o deslocamento de Bernoulli. Suponha que x seja um nmero irracional, de sorte que a sua representao exija um nmero innito de algarismos, ou seja, uma sequncia semi-innita de dgitos 0 e 1. Essa uma situao tpica, uma vez que a probabilidade de encontrar ao acaso um nmero irracional pertencente ao intervalo [0, 1] de 100%. As iteradas sucessivas do mapa do padeiro sobre um nmero irracional vo gerando nmeros diferentes, como por exemplo B(x) = B([0, 10010111...]2 ) = [0, 010111...]2 , B [2] (x) = [0, 010111...]2 , B [3] (x) = [0, 10111...]2 , A sequncia que vai sendo gerada perfeitamente aleatria, no sentido que a probabilidade de um nmero da sequncia ser igual a 0 ou 1 igual a 50%. Se associarmos os dgitos 0 e 1 s faces de uma moeda, ento a gerao dos nmeros na sequncia de iteraes do mapa to imprevisvel como o cara-e-coroa no lanamento de uma moeda. Sob esse ponto de vista, possvel dizer que o mapa do padeiro o mais catico possvel, j que o grau de imprevisibilidade das iteraes o mesmo de um processo puramente estocstico. Outro fato notvel presente no mapa do padeiro que podemos ter, na sequncia innita de iteradas sucessivas, todos os nmeros do intervalo [0, 1] [[26], pgs. 40-42]. Dito de outra forma, dada uma condio inicial x0 [0, 1] podemos obter qualquer nmero xt [0, 1] se ns iterarmos um nmero sucientemente grande de vezes a condio inicial por meio do mapa do padeiro: xt = B [t] (x0 ). Em termos estatsticos, a probabilidade de obter qualquer nmero xt [0, 1] a mesma por meio de iteraes do mapa do padeiro.
Finalizaremos essa seo descrevendo o mecanismo de produo de uma rbita catica no deslocamento de Bernoulli. Nesse caso, ao invs de focalizar condies iniciais individualmente, analisarmos a ao do mapa do padeiro B(x) = 2x (mod1), sobre conjuntos (intervalos) de pontos. Multiplicando por dois cada ponto do intervalo, a respectiva imagem o intervalo esticado [0, 2]. Se x < 1/2 a sua imagem o intervalo [0, 1], ao passo que, se x > 1/2, sua imagem o intervalo [1, 2]. Logo, ao tomar mdulo 1, no produzido efeito algum sobre os pontos do sub-intervalo esticado [0, 1]; no entanto os pontos do sub-intervalo esticado [1, 2] so aplicados novamente sobre o intervalo [0, 1]. O intervalo esticado , portanto, dobrado sobre si prprio [Fig. 4.18]. Este mecanismo de estica-e-dobra genrico s rbitas caticas. Ns voltare-
116
0 0 0
2x 2
mod 1
Figura 4.18: Mecanismo estica-e-dobra no mapa do padeiro.
mos mais frente a abordar o deslocamento de Bernoulli, a m de descrever matematicamente conjuntos caticos no-atrativos, e que formam a infra-estrutura das rbitas caticas.
4.6.2
Transitividade
Vimos que, para o mapa do padeiro, as rbitas caticas tem um nvel de imprevisibidade semelhante ao de processos estocsticos, onde cada passo da evoluo no tem correlao alguma com o passo anterior. notvel que um processo determinstico, como o mapa do padeiro, exiba esse grau de imprevisibilidade. Na verdade, essa propriedade de natureza topolgica e denominada transitividade. Podemos transcrev-la da seguinte forma: dada uma condio inicial x0 e um ponto qualquer x [0, 1] h um nmero sucientemente grande de iteraes n tal que a n-sima iterada de x0 , denotada B [n] (x0 ) est arbitrariamente prxima de x. Dessa forma as iteradas sucessivas do mapa do padeiro varrem de maneira uniforme o intervalo [0, 1] tais que as iteradas so to prximas quanto se queira de quaisquer pontos do intervalo. A formalizao desse conceito utiliza a linguagem da teoria dos conjuntos [12]: Seja J um intervalo e f : J J. A funo f ser transitiva se, para qualquer par de intervalos abertos no-vazios U J e V J existe um inteiro positivo n tal que f [n] (U ) e V tem um elemento em comum: f [n] (U ) V = 0. Em outras palavras, se tomarmos um intervalo e evoluirmos pelo mapa f todos os seus pontos, aps um nmero n de iteraes a imagem desse intervalo intercepta qualquer outro intervalo. Logo, as iteraes num mapa transitivo passeiam de forma uniforme por todos os pontos do intervalo. Infelizmente, essa denio de transitividade no resulta diretamente num critrio para saber se uma certa funo ou no transitiva. Um critrio para transitividade necessita do conceito de conjunto denso: Um subconjunto A de um intervalo J denso se A intercepta todo sub-intervalo aberto no-vazio de J. Por exemplo, o conjunto dos racionais Q denso no intervalo J = [0, 1] pois todo intervalo aberto no-vazio de J contm ao menos um nmero racional. Pode-se mostrar que, se as iteradas numa rbita formam um conjunto denso em [0, 1], ento o mapa transitivo [12]. Um critrio prtico para transitividade o seguinte: suponha que J

(a) x=0=x4
0
117
(b) x0= 0
x = 0,75 = x
3
x3= 0,121... x = 0,707...

1
x = 0,25 = x
1
x = 0,414...
2
x2= 0,50 = x
Figura 4.19: mapa sobre um crculo. (a) a = 1/4; (b) a =
2/2.
seja um intervalo fechado e f : J J. Ento f transitiva se e somente se existe um x J tal que a rbita gerada por x densa em J. importante salientar que o fato de uma funo f ser transitiva no implica necessariamente em que haja dependncia sensvel s condies iniciais. Um contra-exemplo o mapa unidimensional xt = xt1 + a, (mod1) (4.38) onde x [0, 1) e a [0, 1). Como tomamos o mdulo 1 para os nmeros dentro do intervalo [0, 1], podemos visualizar estes nmeros como pontos sobre um crculo de circunferncia igual a um, e onde os pontos 0 e 1 so coincidentes (dito de outra forma, x pode ser visto como um ngulo descrevendo um ponto desse crculo). Se a for um nmero racional, por exemplo a = 1/4 = 0, 25, aps quatro iteraes voltamos ao ponto de partida, como x0 = 0, numa rbita de perodo 4 [Fig. 4.19(a)]. J se a for um nmero irracional, como 2/2, em cada iterao do mapa, o valor de x simplesmente acrescido de um nmero irracional, tal que x nunca volta ao ponto de partida num nmero nito de iteraes do mapa [Fig. 4.19(b)]. Dessa forma, a sequncia de pontos x preenche densamente o crculo, congurando uma rbita dita quase-peridica. Essa rbita densa garante a transitividade da funo, mas no h sensibilidade s condies iniciais. Se compararmos as rbitas geradas por duas condies iniciais prximas x0 e x = x0 + , a distncia entre os pontos sempre igual a , pois, de 4.38, temos 0 2 2 x0 t = x0 x = xt xt = x0 + t 0 2 2 Por outro lado, pode-se demonstrar que o mapa do padeiro (assim como seu parente prximo, o mapa da tenda) apresenta uma rbita densa em [0, 1], tal que ele topologicamente
118
transitivo. Alm disso, o mapa do padeiro apresenta sensibilidade s condies iniciais. Estes dois ingredientes, mais um terceiro a ser apresentado a seguir, fazem com que o mapa do padeiro exiba o chamado caos forte.
4.6.3
Caos forte
Num certo sentido heurstico, quanto maior o expoente de Lyapunov de uma rbita de um mapa, mais catica ela ser. No entanto, de um ponto de vista mais fundamental, importante conhecer quando uma rbita poder ser a mais catica possvel. Matematicamente isto formalizado pela noo de caos forte. Dizemos que uma rbita de um mapa f fortemente catica dentro de um dado intervalo se as seguintes condies forem vericadas [12] 1. f apresenta dependncia sensvel s condies iniciais, 2. f topologicamente transitiva, 3. f tem pontos peridicos densos. A primeira propriedade j foi estudada numa seo anterior: existe > 0 tal que, para qualquer x e qualquer vizinhana centrada em x, existe um y e um inteiro n tal que |f [n] (x)f [n] (y)| > . importante salientar que, para que um mapa exiba dependncia sensvel s condies iniciais, nem todos os pontos prximos a x precisam afastar-se exponencialmente de x, mas deve existir pelo menos um ponto com essa propriedade em cada vizinhana de x [26]. Como vimos anteriormente, essa propriedade implica na indeterminao do comportamento futuro do sistema, j que pequenos erros de arredondamento na determinao numrica da rbita so ampliados exponencialmente de forma a estragar a validade da rbita obtida computacionalmente. A segunda propriedade tem uma interessante consequncia: um mapa transitivo tem pontos que afastam-se (aps um nmero sucientemente grande de iteraes) de uma vizinhana para outra vizinhana qualquer, no importa quo pequenas elas sejam. Logo, o conjunto de pontos de uma rbita densa no pode ser decomposto em dois conjuntos abertos disjuntos que sejam invariantes sob o mapa. Se pudssemos quebrar a rbita em dois conjuntos invariantes, estes acabariam se misturando com o passar das iteraes justamente devido transitividade. A terceira propriedade introduz um elemento de regularidade na rbita catica, pois h um conjunto denso de pontos peridicos (evidentemente instveis). Um dos poucos sistemas dinmicos onde caos forte pode ser demonstrado o mapa do padeiro xt = 2xt1 , (mod 1), pois a distncia entre dois pontos da rbita dobra em cada iterao. Para mostrar esse fato,

inicialmente usamos induo nita para mostrar que x1 = 2x0 , x2 = 2x1 = 22 x0 , . . = . . . . xt = 2xt1 = 2t x0 ,
119
Logo, se x0 e x = x0 + so duas condies iniciais prximas, a distncia entre os pontos igual 0 a xt x = 2t x0 2t x = 2t t 0 A transitividade do mapa do padeiro decorre, como vimos na seo anterior, da sua interpretao como deslocamento esquerda de um nmero escrito em representao binria, e consequente gerao de uma rbita densa no intervalo [0, 1]. Finalmente, a existncia de um conjunto denso de pontos peridicos foi comentada en passant no Captulo 2. Os pontos peridicos do mapa do padeiro so racionais didicos da forma m/2n , onde m e n so inteiros. O conjunto desses racionais denso no intervalo [0, 1].
4.6.4
Conjugao Topolgica
Felizmente a propriedade de caos forte do mapa do padeiro tambm emprestada a outros mapas, graas a uma propriedade denominada conjugao topolgica. Duas funes f e g so ditas topologicamente conjugadas se existe um homeomorsmo h tal que h f = g h.
Um homeomorsmo h entre os intervalos J e K uma funo injetiva (um para um) e sobrejetiva, tal que tanto h como sua inversa h1 so contnuas. Como decorrncia, a sua inversa tambm um homeomorsmo. Por exemplo, a funo h(x) = sin2 (x/2) um homeomorsmo do intervalo J = [0, 1] sobre ele mesmo [Fig. 4.20]. Note que h(x) no um homeomorsmo de J = [1, 1] sobre K = [0, 1], j que neste caso h(x) no seria injetiva, uma vez que h dois valores de x com a mesma imagem no codomnio da funo (como, por exemplo, os pontos x = 0, 5 que tem a mesma imagem h(0, 5) = 0, 5). A inversa desse homeomorsmo h1 (x) = 2 arcsin x
Para a caracterizao da dinmica catica, importante observar a conjugao entre o mapa logstico para r = 4, f4 (x) = 4x(1 x), e o mapa da tenda xt+1 = T (xt ) = 2xt 2(1 xt ) se se x 2 0 xt 1 , 2 1 2 < xt 1, (4.39)
no intervalo J = [0, 1], pois existe um homeomorsmo h(x) = sin2 (4.40)
120
1
0,8
0,6
h(x)
0,5
0,4
0,2
0 -1
-0,5
0,5
Figura 4.20: A funo h(x) = sin2 (x/2) pode ou no ser um homeomorsmo, dependendo do intervalo considerado.
Para vericar a denio de conjugao, calculamos inicialmente (f4 h)(x) = f4 (h(x)) = f4 sin2 = 4 sin2 x 2 x 2 2 x cos 2 = 4 sin2 x x 1 sin2 (4.41) 2 2 x x = 2 sin cos = sin2 (x) 2 2
onde usamos as seguintes identidades trigonomtricas: sin2 x + cos2 x = 1, Caso 0 x 1/2 temos que (h T )(x) = h(T (x)) = h(2x) = sin2 (x), ao passo que, se 1/2 < x 1 (h T )(x) = h(2 2x) = sin2 (2 2x) 2
2
sin(2x) = 2 sin x cos x
(4.42)
= sin( x)2 = sin2 (x).
(4.43)
Logo, para todo o intervalo 0 x 1 temos que (hT )(x) = (f4 h)(x), donde, para x arbitrrio, segue que h T = f4 h, o que mostra serem f4 e T conjugados por meio do homeomorsmo h.
A vantagem de demonstrarmos serem conjugados dois mapas discretos unidimensionais f e h consiste em que uma funo herda, por meio da conjugao, diversas propriedades matemticas da outra. Supondo que f seja conjugada a g por meio do homeomorsmo h, podese mostrar que
4.7. DENSIDADE DE PROBABILIDADE

1. f [n] conjugada a g [n] , para n = 1, 2, , por meio do mesmo homeomorsmo;
121
2. se x um ponto de perodo n da funo f , ento h(x ) um ponto de perodo n para g; 3. se f tem um conjunto denso de pontos peridicos, assim tambm g o ter; 4. se f transitiva, ento g tambm o ser. Pela discusso anterior desta seo, vimos que tanto o mapa da tenda como o do padeiro so fortemente caticos. Como f4 (x) conjugado a eles, e como, pelo teorema anterior, as propriedades necessrias ao caos forte so herdadas pela conjugao, decorre que f4 (x) tambm fortemente catico. importante salientar que, para r < r < 4, o diagrama de bifurcaes indica haver uma regio predominantemente catica. No entanto, o ponto r = 4 o nico para o qual podemos demonstrar rigorosamente a existncia de uma rbita catica (de fato, fortemente catica pois transitiva).
4.7 Densidade de probabilidade

A existncia de caos para mapas unidimensionais em determinados valores de seus parmetros pode ser caracterizada pela positividade do expoente de Lyapunov, por exemplo. No entanto, o carter aperidico e irregular das iteraes de um mapa catico tambm nos habilita a fazer uma descrio de natureza estatstica. Por exemplo, no caso do mapa da tenda, que na seo anterior vimos tratar-se de um exemplo de caos forte (transitivo), observamos numericamente que as iteraes do mapa distribuem-se de forma uniforme ao longo do intervalo [0, 1]. Se iterarmos um nmero muito grande de vezes o mapa da tenda e zermos um histograma das iteraes obtidas, o grco aproxima-se de uma funo uniforme P (x), chamada densidade de probabilidade do mapa no intervalo [0, 1], na medida em que o nmero de iteraes tende ao innito [33]. Na gura 4.21 mostramos trs aproximaes deste histograma para 103 , 104 e 105 iteraes do mapa da tenda. Podemos normalizar unidade a densidade de probabilidade, de modo que
1
P (x)dx = 1
0
(4.44)
ou seja, P (x)dx a probabilidade de se encontrar uma iterao do mapa com valor entre x e x + dx. Dessa forma P (x) = 1 para quase todo ponto x pertencente ao intervalo [0, 1]. Aqui, quase todo signica todos os pontos de [0, 1] com exceo de um conjunto de medida de Lebesgue nula, ou seja, um conjunto tal que a probabilidade de pegarmos um ponto ao acaso dentro dele igual a zero. Logo, quase todo signica que, na prtica, esse conjunto de medida nula pode ser desconsiderado. No caso do mapa da tenda, por exemplo, esse conjunto de medida nula o conjunto de todos os pontos xos, peridicos, nalmente xos
122
2
1000 iteracoes 10000 iteracoes 100000 iteracoes

1,5
P(x)
0,5
0,2
0,4
0,6
0,8
Figura 4.21: Histograma das iteraes de uma rbita do mapa da tenda.
e nalmente peridicos. No captulo I armamos (sem demonstrao) que estes pontos so os nmeros racionais dentro do intervalo [0, 1]. Logo, os pontos x [0, 1] para os quais P (x) = 1 so os nmeros irracionais. O conjunto dos racionais em [0, 1] tem medida de Lebesgue nula, ento se pegarmos um ponto ao acaso a probabilidade dele ser racional igual a zero.
4.7.1
Densidade de probabilidade do mapa logstico
Ns dizemos que a densidade de probabilidade P (x) invariante no sentido dela ter um valor constante em relao s iteraes do mapa f (x). Uma das consequncias importantes desse resultado podermos deduzir a forma da densidade de probabilidade de um mapa topologicamente conjugado a outro, conhecido o homeomorsmo que os conjuga. Por exemplo, vimos na seo anterior que os mapas da tenda T (x) e logstico para r = 4: f (x) = 4x(1 x) so topologicamente conjugados por meio do homeomorsmo h(x) = sin2 x 1 cos(x) = 2 2 (4.45)
tal que h(T (x)) = f (h(x)) para todo x [0, 1]. Sabemos que, para o mapa da tenda, a densidade de probabilidade P (x) = 1 nesse intervalo. Logo, para o mapa logstico em r = 4, dever existir uma (outra) densidade de probabilidade P (y) tambm normalizada nesse intervalo [34]:
1 1
P (x)dx =
0 0
P (y)dy = 1
(4.46)

6
1
123
5
0,8
P(x)
0,6
xt
0,4
0,2
0,2
0,4
0,6
0,8
2000
4000
6000
8000
10000
Figura 4.22: (a) Densidade de probabilidade das iteraes de uma rbita do mapa logstico em r = 4. (b) Srie temporal para o mapa logstico em r = 4.
Fazendo a substituio de varivel y = h(x) temos que x= cuja diferencial dx = dy temos que
1 0
1 arccos(1 2y) 1 dy y(1 y) =1
(4.47)
1 (1 2y)2
1
(4.48)
dx =
0
dy y(1 y)
(4.49)
Comparando (4.49) com (4.46) temos que P (y) = dy y(1 y) (4.50)
a densidade de probabilidade para o mapa logstico com r = 4 [Fig. 4.22(a)]. Observe que a densidade de probabilidade vai a innito em x = 0 e x = 1, ou seja, mais provvel encontrar um ponto de uma rbita catica perto de x = 0 e 1 do que, por exemplo, perto de x = 1/2 [Fig. 4.22(b)]. Para r = 4 a densidade de probabilidade P (x) = 1/ x(1 x) uma funo suave de x, ou seja, contnua e diferencivel para todos os pontos x (0, 1). No entanto, esse um fato excepcional pois, para outros valores de r onde h rbitas caticas do mapa logstico (e h
124
um nmero innito desses valores no intervalo do parmetro 3, 57 < r < 4) a densidade de probabilidade j no mais uma funo suave, tendo um nmero innito de descontinuidades e pontos onde P (x) tende a innito. Este tipo de comportamento devido aos pontos peridicos instveis imersos na rbita catica, mas o estudo mais detalhado desse problema transcende o nvel da presente discusso.
4.7.2
Expoente de Lyapunov e densidade de probabilidade
O conceito de ergodicidade central na Mecnica Estatstica. Num sistema ergdico podemos substituir mdias temporais de grandezas fsicas num nico sistema por mdias dessa grandeza tomadas a um nico tempo, mas considerando um grande nmero de sistemas identicamente preparados. Este enfoque aplicado, por exemplo, na teoria dos gases ideais, e nos permite substituir mdias temporais por mdias sobre o ensemble, com uma dada funo de distribuio. Para um gs ideal de partculas interagentes, a ergodicidade uma manifestao do chamado caos molecular, e est diretamente relacionada ao prprio comportamento catico das molculas que esto continuamente colidindo e interagindo de formas imprevisveis. A idia de ergodicidade, portanto, est na raiz do comportamento catico, e j aparece na dinmica de mapas unidimensionais. Vamos considerar um mapa f (x) que gera uma rbita catica a partir da condio inicial x0 : x1 = f (x0 ), x2 = f (x1 ) = f [2] (x0 ), xt = f [t] (x0 ) (4.51)
e uma determinada grandeza F (xt ) cujo valor dependa do valor da varivel x no tempo discreto t. Se a rbita do mapa f (x) fortemente catica (transitiva) pode-se mostrar que a densidade de probabilidade correspondente ergdica, e podemos substituir uma mdia temporal da grandeza F ao longo da rbita do mapa
T
F (x) = lim
F (f [n] (x0 )),

t=0
(4.52)
pela mdia da mesma grandeza a um tempo xo, mas considerando a respectiva densidade de probabilidade, que a prpria denio estatstica de mdia < F (x) >= F (x)P (x)dx . P (x)dx (4.53)
Logo, para uma rbita ergdica de um mapa denido no intervalo [a, b] temos
T T
lim
F (f [n] (x0 )) =
t=0 a
F (x)P (x)dx,
(4.54)

desde que P (x) seja normalizada:
b a P (x)dx
125 [33].
Por exemplo, o valor mdio das iteraes do mapa da tenda T (x)

1 1
P (x)xdx =
0 0
xdx =
1 2
(4.55)
J a disperso (varincia) em relao mdia x2 = < (x < x >)2 >=< x2 > < x >2
1
=
0
x2 dx
1 2
1 1 1 = . 3 4 12
(4.56)
Uma aplicao bastante til da ergodicidade o clculo do expoente de Lyapunov. Lembrando que, por denio [Eq. (4.26)] o expoente de Lyapunov uma mdia temporal, usando (4.54) temos que 1 = lim t t
t1 i=0 b
ln |f (xi )| =
ln |f (x)|P (x)dx
(4.57)
onde P (x) a densidade de probabilidade no mapa denido em [a, b]. No caso do mapa da tenda
1
=
0
ln | 2|dx = ln 2
(4.58)
J para o mapa logstico em r = 4

1
=
0
ln |4(1 2x)|
dx x(1 x)
= ln 2
(4.59)
Esse resultado no uma coincidncia. Lembremos que o mapa da tenda topologicamente conjugado ao mapa logstico em r = 4. possvel mostrar que, se o homeomorsmo h uma funo suave de x, ento dois mapas topologicamente conjugados tm o mesmo expoente de Lyapunov. A equao (4.54), embora seja muito til, s pode ser aplicada se a densidade de probabilidade for uma funo suave, o que no ocorre em muitos casos, como a maioria dos valores de r para os quais o mapa logstico tm rbitas caticas. Nesses casos a integrao no pode ser feita no sentido usual, de Riemann, j que h um nmero innitamente grande de valores para os quais P (x) diverge. No entanto, a integrao ainda pode ser formalmente denida, por meio do conceito de integral de Lebesgue.
126
4.8 Exerccios
1. Seja o mapa logstico f (x) = rx(1 x) para 0 x 1 e 1 < r < 3, com r = 2. Mostre que o expoente de Lyapunov = ln |2 r|. O que ocorre quando r = 2? 2. (a) Mostre que, se o mapa f (x) tem um ponto xo x , e se x um ponto nalmente xo, ento o expoente de Lyapunov (x) = ln |f (x )|. (b) Se se o mapa f (x) tem um 2-ciclo {x , x }, e se x 1 2 um ponto nalmente peridico, ento o expoente de Lyapunov (x) = 1 ln |f (x )f (x )|. 1 2 2 3. Mostre que o expoente de Lyapunov do mapa linear por partes xt = xt1 (mod1), = ln , de modo que ele positivo para > 1, indicando uma rbita catica. O caso = 2 o mapa do padeiro unidimensional, com expoente de Lyapunov = ln 2. 4. Mostre que o conjunto de pontos peridicos do mapa da tenda denso no intervalo [0, 1]. 5. Use o programa em C ou algum dos softwares matemticos indicados no texto para fazer um diagrama de bifurcaes de Lyapunov para: (a) f (x) = A sin(x), com x [0, 1] e A [0, 1]
(b) f (x) = A (1 |2x 1| ), com igual a 0, 25, 0, 5, 1, 0, 2, 0, 3, 0 e 4, 0.
6. (a) Seja Sg a derivada Schwarziana de g(x). Supondo que Sg < 0 mostre que, se g (x) tem um mnimo relativo num ponto x pertencente ao domnio de g, ento g (x ) < 0. (b) Sejam a, b e c pontos xos de g(x), tais que a < b < c. Supondo que Sg < 0 no intervalo (a, c) mostre que, se g (b) 1, ento g tem um ponto crtico em (a, c). (c) Supondo que Sf < 0 e Sg < 0, mostre que S(f g) < 0. 7. Considere f (x) = 1 x2 /2 x14 /2 para 0 x 1. Verique que f tem no somente um ponto xo assintoticamente estvel mas tambm um 2-ciclo assintoticamente estvel no intervalo [0, 1]. Mostre tambm que Sf > 0 para algum x (0, 1). 8. Mostre que as funes 3 g(x) = 3x(1 x), f (x) = x2 , 4 so topologicamente conjugadas no intervalo J = [0, 1], pois existe um homeomorsmo h(x) = x/3 + 1/2. 9. (a) Mostre que {2/7, 4/7, 6/7} uma rbita de perodo 3 para o mapa da tenda T (x) [[12], pg. 107]. (b) Mostre, usando o fato que o mapa da tenda conjugado a f4 (x), que uma rbita de perodo 3 para essa ltima 2 3 , sin2 , sin2 sin2 7 7 7 10. Quando dois mapas so topologicamente conjugados por meio de um homeomorsmo linear h, eles so ditos linearmente conjugados. (a) Sejam f (x) = ax2 + bx + c e g(x) = rx2 + sx + t, onde a = 0, r = 0, e c= b2 s2 + 2s 2b + 4rt 4a
4.8. EXERCCIOS
Mostre que f e g so linearmente conjugados pelo homeomorsmo h(x) = a bs x+ r 2r
127
(b) Se g(x) = x2 + c e f (x) o mapa logstico, para 0 r 4, ache o valor de c tal que f e g sejam linearmente conjugados. Ache o homeomorsmo linear h. 11. Mostre, por integrao direta, que
1 0
ln |4(1 2x)|
dx x(1 x)
= ln 2
12. Mostre que dois mapas unidimensionais topologicamente conjugados tm os mesmos expoentes de Lyapunov. 13. Considere o mapa do bangal:
1a a x 13a 2a 12a x + 12a 2a 13a 12a (1 x) + 12a 1a a (1 x)
fa (x) =
se x [0, a) se x a, 1 2 1 se x 2 , 1 a se x [1 a, 1]
onde x [0, 1] e a (0, 1/2).
(a) Mostre que, no caso a = 1/3, temos o mapa da tenda; (b) Ache os pontos xos e discuta sua estabilidade; (c) Mostre que a densidade de probabilidade dada por P (x) = 1 1 2a [0,1a) (x) + [1a,1] (x) 2 3a a (2 3a)
onde a funo indicadora, denida como: A (x) = 1 se x A, e A (x) = 0 se x A. / (d) Mostre que o expoente de Lyapunov dado, como funo do parmetro a, por
1
(a)
=
0
a (x) ln 1a ln 2 3a
dfa (x) dx. dx 1 2a 1a + ln a 2 3a
2a 1 2a
128
Referncias Bibliogrcas
[1] H. Goldstein, C. P. Poole, J. P. Safko, Classical Mechanics, 3rd. Ed. (Addison Wesley, 2001). [2] K. R. Symon, Mechanics 3rd. Ed. (Addison Wesley, 1971). [3] I. Peterson, Newtons clock: chaos in the solar system (Freeman, New York, 1993). [4] P. S. Laplace, Essai philosophique sur les probabilits (Courcier, Paris, 1814). Reproduzido de D. Ruelle Acaso e Caos, Trad. Roberto Leal Ferreira (Ed. UNESP, So Paulo, 1993). [5] G. Sussman e J. Wisdom, Chaotic evolution of the solar system, Science 257, 56-62 (1992). [6] H. J. Poincar, Sur le problme des trois corps et les quations de la dynamique, Acta Mathematica 13 (1890). [7] J. Wisdom, S.J. Peale, and F. Mignard, The chaotic rotation of Hyperion, Icarus 58, 137-152 (1984). [8] E. N. Lorenz, Deterministic Nonperiodic Flow, Journal of the Atmospheric Sciences 20, 130141 (1963). [9] T. Y. Li, J. A. Yorke, Period Three Implies Chaos, Amer. Math. Monthly 82, 985-992 (1975). [10] R. M. May, Simple Mathematical Models with Very Complicated Dynamics, Nature 261, 459-467 (1976). [11] S. Strogatz, Nonlinear dynamics and chaos (Perseus Books, Reading, 1994). [12] D. Gulick, Encounters with Chaos (McGraw Hill, New York, 1992). [13] B. Meserve, Fundamental Concepts of Algebra, (Dover, New York). [14] F. Garvan, The Maple Book (Chapman & Hall/CRC, 2002). [15] A. Heck, Introduction to Maple (Springer, Berlin-Heidelberg-New York, 2003). [16] B. G. Adams, Applications of Maple in the Physical Sciences: Encounters with Chaos (2000). 129
130
REFERNCIAS BIBLIOGRFICAS
[17] S. Wolfram, Mathematica: A System for Doing Mathematics by Computer (Addison-Wesley, Reading-Mass., 1999). [18] T. B. Bahder, Mathematica for Scientists and Engineers (Addison-Wesley, Reading-Mass., 1995). [19] A. Gilat, Matlab: An Introduction with Applications, 2nd. Ed. (Wiley, New York, 2004). [20] T. A. Davis, K. Sigmon, Matlab Primer, 7th. Ed. (Chapman & Hall/CRC, 2002). [21] S. Wiggins, Introduction to applied nonlinear dynamical systems and chaos (Springer Verlag, Berlin-Heidelberg-New York, 1990). [22] M. Feigenbaum, Quantitative universality for a class of non-linear transformations, Journal of Statistical Physics 19, 2552 (1978). [23] P. J. Myrberg, Sur litration des polynmes rels quadratiques, Journal de Mathmatiques pures et appliques 9, 339-351 (1962). [24] N. B. Tullaro, T. Abbott, J. Reilly, An experimental approach to nonlinear dynamics and chaos (Addison-Wesley, Redwood City, 1992) [25] P. Cvitanovic, Universality in chaos (or, Feigenbaum for cyclists): lectures given at 1982 Zakopane School of Theoretical Physics, Acta Phys. Polonica A65, 203 (1984). Disponvel em http://chaosbook.org/~predrag/papers/preprints.html [26] R. Devaney, An Introduction to Chaotic Dynamical Systems, 2nd ed. (Addison-Wesley, Redwood City, 1989). [27] O. M. Sharkovski, Co-Existence of Cycles of a Continuous Mapping of a Line onto Itself, Ukranian Math. Z. 16, 61-71, 1964. [28] N. Metropolis, M. L. Stein, and P. R. Stein, On nite limit sets for transformations on the unit interval, Journal of Combinatorial Theory A 15, 2544 (1973). [29] P. Manneville and Y. Pomeau, Intermittent transition to turbulence in dissipative dynamical systems, Comm. Math. Phys. 74, 189-197 (1980). [30] H. G. Schuster, Deterministic Chaos: an Introduction, 3rd. Ed. (Wiley-VCH, 1995). [31] P. Berge, Y. Pomeau and C. Vidal, Order within Chaos: Towards a Deterministic Approach to Turbulence (Wiley, New York, 2004). [32] C. Grebogi, E. Ott, J. A. Yorke, Crises: Sudden Changes in Chaotic Attractors and Chaotic Transients, Physica D 7, 181 (1983). [33] E. Ott, Chaos in Dynamical Systems, 2nd. Ed. (Cambridge University Press, 2002).
REFERNCIAS BIBLIOGRFICAS
131
[34] K. Alligood, T. Sauer, J. A. Yorke, Chaos: an introduction to dynamical systems, (Springer Verlag, New York, 1997). [35] K. Hoffman, R. Kunze, lgebra Linear, 2a. Ed. (Livros Tcnicos e Cientcos, Rio de Janeiro, 1979). [36] L. Barsotti, lgebra linear, 2a. Ed. (Ed. do autor, Curitiba, 1976). [37] V. I. Arnold, Equaes diferenciais ordinrias (Editora Mir, Moscou, 1985). [38] D. G. Hill, Equaes diferenciais com aplicaes em modelagem (Pioneira Thomson Learning, So Paulo, 2003). [39] E. J. Kostelich, D. Armbruster, Introductory differential equations: from linearity to chaos (Addison Wesley, Reading, 1997). [40] http://en.wikibooks.org/wiki/Control_Systems/Jurys_Test [41] M. Hnon, A two-dimensional mapping with a strange attractor, Comm. Math. Physics 50, 69-77 (1976). [42] J. Guckenheimer, P. Holmes, Nonlinear oscillations, dynamical systems, and bifurcations of vector elds (Springer Verlag, Berlin-Heidelberg-New York, 1983). [43] K. Alligood, T. Sauer, J. A. Yorke, Chaos; an Introduction to Dynamical Systems (Springer Verlag, New York-Berlin-Heidelberg, 1996). [44] H. E. Nusse, J. A. Yorke, Dynamics: Numerical Explorations, 2nd. Ed. (Springer Verlag, BerlinHeidelberg-New York, 1997). [45] G. Schmidt, Stochasticity and xed-point transitions, Phys. Rev. A. 22, 28492854 (1980) [46] B. B. Mandelbrot, The Fractal Geometry of Nature, Rev. Ed. (Freeman, New York, 1983) [47] R. H. Enns, G. McGuire, Nonlinear physics with Maple for scientists and engineers, 2nd. Ed. (Birkhuser, Boston, 2000). [48] R. L. Viana, C. Grebogi: Unstable dimension variability and synchronization of chaotic systems, Phys. Rev. E 62, 462-468 (2000).

Introdução Dinamica Não Linear e Teoria Do Caos

Încărcat de

Informații document

Descriere originală:

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Introdução Dinamica Não Linear e Teoria Do Caos

Încărcat de

Drepturi de autor:

Formate disponibile

Introduo Dinmica No-Linear e Caos

4 2.5.2 2.6 2.6.1 2.6.2 2.6.3 2.7

3 Bifurcaes em mapas unidimensionais 3.1 3.2

3.3 3.4 3.5 3.6 3.7 3.8

4 Caos em mapas unidimensionais 4.1 4.1.1 4.1.2 4.2 4.2.1 4.2.2

Outras rotas para o caos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90

Expoente de Lyapunov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101

Determinao numrica do expoente de Lyapunov . . . . . . . . . . . . . . . . . . . 105

Transitividade e caos forte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112

Densidade de probabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121

1.2 A dinmica e o problema de N corpos

1.2. A DINMICA E O PROBLEMA DE N CORPOS

1.3 Poincar e o nascimento da dinmica no-linear

1.4. CAOS DETERMINSTICO

1.4 Caos determinstico

1.5 Lorenz e o efeito borboleta

1.6. MAY E O MAPA LOGSTICO

Figura 1.1: Atrator borboleta para o sistema de Lorenz.

1.6 May e o mapa logstico

Usualmente as taxas so expressas em percentagens, aps serem multiplicadas por 100%

1.7. SISTEMAS DINMICOS

1.7 Sistemas dinmicos

(1.14) (1.15) (1.16)

CAPTULO 2. MAPAS UNIDIMENSIONAIS

2.1. MAPAS UNIDIMENSIONAIS LINEARES

Pontos xos e sua estabilidade

CAPTULO 2. MAPAS UNIDIMENSIONAIS

2.1. MAPAS UNIDIMENSIONAIS LINEARES

Figura 2.3: Diagrama de escada de um mapa linear para (a) = 1 e = 0, (b) = 1 e = 0.

CAPTULO 2. MAPAS UNIDIMENSIONAIS

2.2. MAPAS UNIDIMENSIONAIS NO-LINEARES

2.2 Mapas unidimensionais no-lineares

O mapa logstico tem a forma xt = f (xt1 ) = rxt1 (1 xt1 ), (2.12)

CAPTULO 2. MAPAS UNIDIMENSIONAIS

Figura 2.5: Primeira iterada do mapa logstico com (a) r = 0, 7; (b) r = 1, 5.

2.3 Iteraes sucessivas

= r[rx(1 x)][1 rx(1 x)]

Esse procedimento leva rapidamente a funes polinomiais de grau bastante alto.

2.3. ITERAES SUCESSIVAS

Figura 2.6: (a) Primeira e (b) segunda iteradas do modelo da tenda

CAPTULO 2. MAPAS UNIDIMENSIONAIS

Pontos nalmente xos

2.4. ESTABILIDADE DOS PONTOS FIXOS

2.4 Estabilidade dos Pontos Fixos

CAPTULO 2. MAPAS UNIDIMENSIONAIS

2.5. RBITAS PERIDICAS

2.5 rbitas peridicas

CAPTULO 2. MAPAS UNIDIMENSIONAIS

Figura 2.7: (a) Segunda e (b) terceira iteradas do modelo da tenda

2.5. RBITAS PERIDICAS

Estabilidade das rbitas peridicas

CAPTULO 2. MAPAS UNIDIMENSIONAIS

df [m1] (x) dx x=f [m1] (x )

Procedendo de forma anloga para a derivada de f [m1] , teremos df [m] (x) dx =

2.5. RBITAS PERIDICAS

= r[rx(1 x)][1 rx(1 x)]

= r2 [rx4 + 2rx3 (1 + r)x2 + x],

CAPTULO 2. MAPAS UNIDIMENSIONAIS

Figura 2.8: Segunda iterada do mapa logstico para (a) r = 1, 5; (b) r = 3, 2.

2.5. RBITAS PERIDICAS

CAPTULO 2. MAPAS UNIDIMENSIONAIS

2.6 Solues numricas

x=a.x.(1-x); plot(r,x,.k,MarkerSize,0.5) end