Академический Документы
Профессиональный Документы
Культура Документы
Santo Andr,
Sumrio
. . . . . . . . . 26
. . . . . . . . . 29
.
.
.
.
.
36
38
41
45
53
56
.
.
.
.
.
60
62
64
65
67
72
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
3 Equaes diferenciais
3.1 Equao geral de primeira ordem . . . . . . . . . . . . . . . . . . . .
3.2 Problema de valor inicial . . . . . . . . . . . . . . . . . . . . . . . . .
3.3 Equao diferencial fundamental . . . . . . . . . . . . . . . . . . . .
3.4 Equaes diferenciais autnomas . . . . . . . . . . . . . . . . . . . .
3.5 Modelos Matemticos com equaes diferenciais de primeira ordem
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
9
10
12
15
16
17
4 Ajuste de curvas
78
4.1 Ajuste linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
4.2 Ajuste Linear de crescimento exponencial . . . . . . . . . . . . . . . . . 81
4.2.1 Clculo do valor de Euler e: . . . . . . . . . . . . . . . . . . . . . 85
Sumrio
4.3
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
87
91
93
95
.
.
.
.
103
. 104
. 105
. 107
. 120
6 Esporte
141
6.1 A corrida dos 100 metros . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
7 Criminalidade no ABCD
163
8 Fabricao de papel
179
8.1 Bobina de papel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 180
8.1.1 Modelo 1 - Comprimento do papel bobinado . . . . . . . . . . . 181
8.1.2 Peso de uma bobina . . . . . . . . . . . . . . . . . . . . . . . . . 183
8.1.3 Controle de micro organismos na fabricao do papel . . . . . . 185
8.1.4 I. Relao entre bactericida utilizado e produo / gramatura. 187
8.1.5 Poluio [13] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 195
Introduo
Sumrio
A atividade de aplicar matemtica to antiga quanto prpria matemtica. sabido
que muitas idias em matemtica surgiram a partir de problemas prticos. Tambm
verdade que o uso de matemtica em outras reas do conhecimento tem crescido
substancialmente a ponto de se esperar que ela venha a resolver todos os tipos de situaes. Apesar disso, por mais que se treine um matemtico com o estudo de teorias,
evidente que grande parte deles no demonstre habilidades para empregar matemtica em outras reas. O que entendemos por habilidades neste contexto, consiste em
tomar um problema definido em alguma situao prtica relativamente complexa,
transform-lo em um modelo matemtico e procurar uma soluo que possa ser reinterpretada em termos da situao original.
Um esquema simples deste processo dado por McLone:
Sumrio
A atividade de matematizao de situaes reais no diferente em Biologia ou
mesmo em Histria daquela obtida em aplicaes tradicionais como em Fsica, por
exemplo. Um incio de treinamento pode ser realizado quando mudamos a rea de
aplica o e produzimos novos modelos ou usamos modelos conhecidos e os modificamos, introduzindo novas variveis ou hipteses.
importante para aqueles que se dispem a trabalhar com modelagem matemtica estabelecer alguns critrios de qualidade. Os critrios devem ser adequados aos
objetivos que devem ser bem definidos a priori Por exemplo, se vamos utilizar o
processo de modelagem matemtica para motivao de certos contedos matemticos ou valorizao da prpria matemtica, muitas vezes a validao dos modelos no
um critrio fundamental para sua qualificao Neste caso, o alvo o prprio aprendizado de matemtica. Por outro lado, se estamos mais interessados nos resultados
fornecidos pelo modelo para entender a situao modelada ento a sua validao
indispensvel.
Este livro, assim como o primeiro que escrevemos ("ensino-aprendizagem com modelagem matemtica- Edit. Contexto, 2000), tem como objetivo principal introduzir
o leitor no proceso de modelagem matemtica - O conteudo matemtico utilizado
nos exemplo bastante simples e bsico em qualquer curso de cincias exatas ou
mesmo biolgicas. Os modelos apresentados so frutos de cursos de especializao
para professores do ensino mdio e fundamental. Salientamos, entretanto, que a
estratgia de modelagem pode ser adotada em qualquer situao ou ambiente educacional, usando-se, evidentemente, conteudo prprio do estgio da classe. O processo
de modelagem pode seguir os mesmos passos que no ensino superior: medir e/ou
contar, analisar os dados, formular hipteses, propor modelos e valid-los. Este procedimento, em termos de ensino - aprendizagem tem a grande vantagem de propiciar
ao modelador a oportunidade de exercer sua criatividade, no somente em relao s
aplicaes e habilidades matemticas mas, principalmente,na formulao de problemas originais. Muitas vezes, a formulao de um problema mais estimulante que
sua prpria resoluo.1
1A
Sumrio
Sumrio
Organizao de material (dados experimentais, bibliogrficos, etc.)
Num processo de modelagem a coleta de dados fundamental e sua sistematizao fornece pistas para se propor os modelos. Muitas vezes uma anlise
estatstica preliminar tambm facilita a modelagem. Trabalhar em cooperao
com especialistas de outras reas muito enriquecedor, proporciona um melhor entendimento do fenmeno e, quase sempre, calibra ou adequa o material
matemtico empregado no modelo que deve ser validado pelo especialista.
Formulao de problemas em termos matemticos
A grosso modo formular um problema fazer a transferncia de caractersticas
prprias de uma situao para a matemtica e vice-versa - como um dicionrio bilingue linguagem usual - matemtica, matemtica - linguagem usual.
Algumas palavras tm tradues imediatas - o caso de proporcional; variaes;
estabilidade; crescimento etc.
Neste texto vamos introduzir alguns recursos bsicos para a iniciao modelagem, no perdendo de vista nosso objetivo principal que o ensino-aprendizagem de
matemtica.
A parte computacional adequada para introduo modelagem, se restringe, invariavelmente, confeco de grficos e ajuste de curvas. Por este fim, propomos
utilizar programas bastante simples que se encontram disponveis em quase todas as
mquinas tais como Excel da Microsoft ou ento o BROficce Calc que uma planilha
eletrnica de livre acesso e compatvel com a anterior.
10
11
12
13
n
xn
n
xn
0
9,5
8
351,4
1
18,5
9
440,8
2
29,1
10
512,9
3
46,9
11
562,2
4
70,8
12
597,7
5
6
7
121,1 175,3 257,7
13
14
15
629,4 642,3 651,2
14
Variao
Modelo
xn
9,5
14,6
22,2
33,9
51,2
76,8
113,6
164,6
231,8
314,0
404,6
492,2
564,1
614,2
644,1
660,0
n
xn
xn+1 xn
0
9,5
9
1
18,5
10,6
2
29,1
17,8
3
46,9
23,9
4
70,8
50,3
5
121,1
54,2
6
175,3
82,4
7
257,7
93,7
8
351,4
89,4
9
440,8
72,1
10
512,9
49,3
11
562,2
35,5
12
597,7
31,7
13
629,4
12,9
14
642,3
9,9
15
651,2
Tabela 1.2 -Dados experimentais e variaes simples
A Figura 1.2 apresenta a tendncia das variaes xn = xn+1 xn em relao aos
valores xn . Uma curva contnua que se ajusta a estes pontos deve ter a concavidade
voltada para baixo e passar por um ponto de mximo.
15
16
(1.3.1)
1.4 Validao
A equao 1.3.1 uma frmula de recorrncia onde cada termo depende do anterior, isto ,
xn+1 = f (xn )
x0 dado
(1.4.1)
17
18
f :ANR
n f (n) = xn
Se a funo f puder ser extendida ao intervalo [a, b] onde a = min { x A} e b =
max { x A} , ento a varivel de estado xn dita contnua.
Por exemplo, dada a sequncia f (n) = n1 , com N, a imagem da funo f um
n
o
conjunto discreto 1, 12 , 13 , ..., n1 , ... porm, a funo f : [1, ) R, dada por f (x) = 1x ,
ou
19
xn x
1 2 3
n n
= , , , ..., (1)
, ...
2 3 4
n+1
nN
.
Vamos mostrar que {xn }nN no converge.
n
n
Suponhamos (por absurdo) que (1)n n+1
seja convergente, isto , (1)n n+1
x
. Ento, se considerarmos = 12 , deve existir um nmero natural n0 tal que se n >
n
1
n0 devemos ter(1)n n+1
x < 1 e tambm(1)n+1 n+1
n+2 x < 2 .
Por outro lado, temos
2
2 + 4n + 1
n
n
+
1
n
+
1
n
2n
+
4n
+
1
2n
= (1)n
(1)n+1
(1)n
n + 2 n + 1 = (n + 2)(n + 1) > n2 + 3n + 2 > 1
n+2
n + 1
para todo n N pois
2n2 + 4n + 1 2n2 + 4n + 1
> 1 2n2 + 4n + 1 > n2 + 3n + 2 n2 + n > 1
2
=
n + 3n + 2 n2 + 3n + 2
o que verdadeiro para todo n 1 1.
Ento, teremos
n n
n+1 n + 1
n n
n+1 n + 1
= (1)
(1)
x + x (1)
1 < (1)
n
+
2
n
+
1
n
+
2
n
+
1
1 1
n+1 n + 1
n n
< (1)
x + (1)
x < + = 1.
n+2
n+1
2 2
Estas duas desigualdades levam a uma contradio e, portanto, a sequncia no
converge.
n
o
n
Observe que a subsequncia {xn }n = n+1
, onde o conjunto dos nmeros
n
n
o
n
pares, converge para x = 1 e a subsequncia dos mpares n+1
converge para
n
20
n
Fig 1.6-A sequncia (1) n+1
divergente.
Exemplo
Seja A1 um quadrado de lado a, logo sua rea vale a2 . Considere agora o quadrado
A2 , contido em A1 , cuja diagonal a metade da diagonal de A1 (veja Figura 1.7).
A rea de A2 14 da rea de A1 .
21
n
X
Sj
j=0
1 2
Tn = a2 + 41 a2 + 16
a + ... + 212n a2
n
P
= a2 212j ;
j=0
P
, n > 1, temos que a2 =
Bj (verifique).
3 2
a
22n
j=1
Logo
a2 =
Bj = 3a2
j=1
Logo,
lim Tn =
X
j=0
X
X
1
1
1
=
=
22j
22j 3
j=1
j=1
4
1
Sj = a2 1 +
= a2
3
3
22
2
=
e
portanto,
2
<
xk
significando que quando x se aproxima do valor k, o valor da funo |f (x)| cresce sem
limitao. Em outras palavras,
Defininio 3. Dado um valor arbitrrio N > 0, existe um valor > 0 tal que se |x k| <
ento |f (x)| > N .
Exemplo Seja f (x) = 1x e consideremos k = 0. Dizer que x 0, significa que x pode
se aproximar de zero tanto quanto se queira e, quanto mais prximo |x| estiver de
23
1
x
+ se k > 0
b) limxa [f (x).g(x)] =
se k < 0
24
se k > 0
b) limxa [f (x).g(x)] =
+ se k < 0
P (x)
0 se n < m;
a0
b0 se n = m
lim f (x) =
+ se [n > m e a0 b0 > 0]
se [n > m e a b < 0]
0 0
1
= .
4) limxk f (x) = 0 limxk f (x)
#
#
"
f (x)
f (x)
b
b
lim [f (x) ax b] = 0 lim x
a
= 0 lim
a
=0
x
x
x
x
x
x
x
25
f (x)
=a
x x
Conhecendo o valor de a podemos determinar b tomando
lim
Se um dos limites no existir ento a curva no admite uma reta como assntota.
Tambm claro que se a = 0, a reta assntota ser horizontal se limx f (x) = b.
Example 1. Encontrar as assntotas da curva y =
x2 +x
x1 .
x2 + x
lim
=
x1 x 1
a = lim
x+
x+
#
x2 + x
2x
x = lim
=2
x+ x 1
x1
2
+x
Assim, y = x + 2 uma assntota inclinada da curva y = xx1
.
Para investigar a posio da curva em relao assntota toma-se a diferena
!
x2 + x
2
=
(x + 2) =
x1
x1
Temos, > 0 x > 1.
26
27
(curva ajustada)
xn
xn
xn
yn+1 = yn = y
y
n+1 = g(yn )
Consideremos os dados da Tabela 1.1, um ajuste quadrtico dos pontos (yi , yi+1 )
nos d
yn+1 = g(yn ) = 0, 0008xn2 + 1, 523xn + 5, 622
A soluo do sistema
yn+1 = yn
28
Em relao ao modelo, em forma de uma curva de previso y = f (t), que pretendemos construir com os dados experimentais da Tabela 1.1, j sabemos que tal curva
deve ser crescente e limitada por y 675, isto , deve satisfazer
lim f (t) = 675
Em outras palavras, a reta y = 675 deve ser uma assntota horizontal de f (t).
Dentre as curvas planas com inibio temos duas clssicas: exponencial assinttica
(Fig. 12a) e de crescimento inibido com ponto de inflexo (Fig 1. 12b).
29
(1.6.1)
f (x) =
y
bex + 1
"
Gompertz:
von Bertalanffy:
f (x) = y
x0
y
#ebx
f (x) = y 1 e
3x
3
1.7 Variaes
Quando temos uma varivel y dependendo quantitativamente de uma outra varivel independente x podemos, muitos vezes, construir o modelo matemtico ou analisar esta dependncia atravs das caractersticas variacionais destas variveis, ou seja,
o modelo formulado atravs das variaes destas grandezas. Entretanto, o termo va-
30
x A.
(1.7.1)
(1.7.2)
Fig.1.14-Variao mdia y /x
y
, geometricamente, mede o coeficiente angular (ou inclinao) da reta que liga
x
os pontos (x1 , f (x1 )) e (x2 , f (x2 )).
31
(1.7.3)
x0
f (x + x) f (x)
= f 0 (x )
x
(1.7.4)
1
2e0,4t
32
+1
P (2) P (0)
= 0, 096673
20
Censo demog.
1940
41,236
1950
51,944
1960
70,992
1970
93,139
1980
119,003
1991
146,825
1996
156,804
2000
170,143
2010
192,040
Considerando que a populao N varia com tempo t, podemos induzir que N seja
uma funo de t, isto ,
N = f (t)
Sejam t1 e t2 dois instantes com t2 > t1 . Ento, a diferena
N = N2 N1 = f (t2 ) f (t1 )
33
N N1
N
= 2
N1 t
N1 t
2, 19
= 0, 01287
170, 143
Neste caso, dizemos que a taxa de crescimento populacional, entre 2000 e 2010, foi
de 1, 287% ao ano.
Com os dados anteriores temos =
34
(1 + )t 1
Nt+t Nt
=
= (1 + )t 1
Nt
e portanto, r
Nt+t
1.
Nt
Por exemplo, tomando t = t2 t1 = 10, temos N2 = Nt1 +t = 192, 04 e N1 = Nt1 =
170, 143, temos
=
r
=
10
N2
1 = 0, 01218
N1
35
Homens
Mulheres
36
Reflorestamento em Aores
A varivel x dita contnua se pode assumir todos os valores reais intermedirios entre os valores discretos da sequncia {xi }, i = 1, 2, . . . , n. Por exemplo, se x1 =
26, 0; x2 = 59, 5; . . . ; x9 = 488, 2 so os valores dados do peso de algum peixe, sabemos que qualquer valor x entre 26,0 e 488,2 pode ser assumido no intervalo [26,0;
488,2]. Logo a varivel peso do peixe contnua neste intervalo. Se a varivel no
for contnua, ser dita discreta o que significa que somente pode assumir valores em
um conjunto discreto. Lembrando que um conjunto A discreto se existe uma correspondncia biunvoca entre seus elementos e um subconjunto dos nmeros naturais.
Existem situaes em que as equaes variacionais discretas ou equaes de diferenas so mais apropriadas para uma modelagem alm de serem mais simples do
ponto de vista computacional.
Uma equao de diferenas dita de primeira ordem se for do tipo
yn+1 yn = f (yn , n)
y0 dado
37
(2.0.1)
yn+1 = F(yn , n)
y0 dado
(2.0.2)
Desta forma, uma equao de diferenas de primeira ordem uma sequncia {yn }nN
dada por uma frmula de recorrncia, isto , cada termo yn+1 depende do anterior yn .
Uma soluo para 2.0.2 uma funo yn = g(n) que satisfaz 2.0.2 para todo n N.
Exemplos 1)
Pn Pn1 = 6
P1 = 3
P2 =
P3 =
P4 =
........
Pn =
P1 + 6
P2 + 6 = P1 + 2 6
= Pn = 6n3 para
P3 + 6 = P1 + 3 6
.................................
P1 + 6(n 1)
n 1 1.
2)
An An1 = 6n
A0 = 1
A0 =
A1 =
A2 =
An =
1
1+6 =
A0 +6 1
7 + 12 =
A1 +6 2 = A0 +6 1 + 6 2
An1 +M n = A0 +6 1 + 6 2 + ... + 6n
= A0 +6(1 + 2 + 3 + ... + n)
Logo,
n(n + 1)
= 1 + 3n(n + 1) para n 1 0.
2
Nem sempre podemos explicitar analiticamente a soluo geral de uma equao de
diferenas quando a equao no for linear e, neste caso, devemos procurar solues
aproximadas por meio das equaes lineares associadas. Isto faz com que um estudo
das equaes lineares seja imprescindvel.
As equaes lineares de ordem (n m) so da forma:
An = 1 + 6
yn = n1 yn1 + n2 yn2 + + m ym ,
ou
yn =
m
X
i yi
i=n1
38
(2.0.3)
yn = yn1
y0 dado
(2.1.1)
(2.1.2)
kn = kn1
=0
n1
k
[ ] = 0
ou
se y0 = 0
0
yn =
y0 n se y0 , 0
(2.1.3)
39
yn+1 = ayn + b
y0 dado
(2.1.4)
yn = y0 + bn
se a = 1
1 an
yn = y0 an + b
se a , 1
1a
(2.1.5)
dada por:
y0 dado
Neste caso obter uma soluo explcita pode ser complicado e no faremos aqui um
mtodo geral. Um exemplo deste tipo de equao dado no Exemplo 2.
Uma aplicao imediata das equaes lineares de primeira ordem pode ser encontrada em problemas de capitalizao e financiamento.
Exerccios 1) Considere um capital inicial C0 aplicado a uma taxa mensal (juros) r.
Encontre o valor do resgate depois de passados k mses, supondo que o rtegime de
juros seja:
a) simples: Cn+1 = Cn + rC0 ;
b) composto: Cn+1 = Cn + rCn .
2) Resolva a equao de diferenas
yn+1 = yn+1 + yn
( , 1),
Mostre que:
se = 0 yn = y0 constante;
se 0 < 2 yn divergente;
se < 0 ou > 2 yn convergente.
3) - Oramento familiar
40
com y0 dado.
(2.1.6)
(0 < < 1)
(2.1.7)
(2.1.8)
41
(2.1.9)
com
y0 e y1
dados
(2.1.10)
Soluo:
Considerando que yn = kn (como no caso de 1a ordem) seja uma soluo de
(2.1.10), temos
kn2 [2 a b] = 0
kn akn1 bkn2 = 0
logo, = 0 ou 2 a b = 0
Para = 0 yn = 0 para todo n (soluo trivial) que s tem sentido se y0 =
y1 = 0.
Se , 0, P () = 2 a b
o polinmio caracterstico de (2.1.10) e suas razes
1,2 so denominadas auto-valores,
2 a b = 0 =
a a2 + 4b
(2.1.11)
1,2 =
2
1,2 so univocamente determinadas pelos valores dos coeficientes a e b.
Para as equaes lineares vale o princpio da superposio, isto , se temos vrias
solues, ento a combinao linear entre elas tambm uma soluo. Como 1 e 2
foram determinados, justamente com a promessa de kn1 e kn2 serem solues de
(2.1.10), podemos concluir que
yn = A1 n1 + A2 n2
(2.1.12)
42
A1 + A2 = y0
1 A1 + 2 A2 = y1
admite como soluo os valores
A2 =
1 y0 y1
1 2
A1 = y0
1 y0 y1
1 2
(2.1.13)
Observaes:
a
Quando os autovalores da equao (2.1.11) so iguais, isto , 1 = 2 = , ento a
2
soluo geral de (2.1.10) dada por
n
a
yn = (A1 + nA2 )
2
e as constantes A1 e A2 so obtidas por:
(verifique!)
y0 = A1
2y1
2y
a
A2 = 1 y0
y1 = (A1 + A2 ) y0 + A2 =
2
a
a
(2.1.14)
(2.1.15)
1 = + i = re
2 = i = re
, onde r = 2 + 2 e = arctg .
43
(2.1.16)
(2.1.17)
Se r > 1 yn crescente
Se r < 1 yn decrescente
Exemplo - A equao de diferenas
yn+2 + yn = 0
com
y0 = 0
y1 = 1
(2.1.18)
2 = i
(a = 0 e b = 1)
Ento,
r = a2 + b2 = 1
= arctg
b
= /2
a
n
2
a soluo real particular da equao (2.1.18).
yn = sen
44
(2.1.19)
(2.1.20)
com
y0 = 0
y1 = 1
(2.1.21)
yn = ( 2) sen n
(verifique)
4
com
y0 = 0
y1 = 1
2a + 2ai
= a(1 + i)
2
2 = a(1 i)
Ento,
r =a 2
45
a > 0.
(2.1.22)
yn = (a 2) sen n
4
(2.1.23)
a 2 < 1.
2
3
2n sen
4n
(2.2.1)
Pode ser transformada num sistema linear de duas equaes de 1a ordem, considerando a mudana de variveis zn = yn+1 :
yn+1 = zn
(2.2.2)
(2.2.3)
46
(2.2.4)
a11
J =
a21
a12
a22
(2.2.5)
= 0
a22
a12
(2.2.6)
Vamos usar, na dinmica do crescimento populacional de escargots, 3 estgios distintos: vos, jovens e adultos, considerando que no h mortalidade em nenhum
estgio.
1 Para
47
(2.2.7)
(2.2.8)
Bn = Cn1
(2.2.9)
An = An1 + Bn1
Bn = Cn1
C = cA
n
n1 + cBn1
(2.2.10)
O sistema
An+1 = An + cAn1
(2.2.11)
A0 = A1 = a
Podemos observar que se c = 0 , isto , se no h ovos no sistema ento An+1 An =
0 = An = A0 (constante) para todo n 1 1.
48
1 + 1 + 4c
= |1 | > 1
1 =
2
3
1 1 + 4c
1 + 4c 1
= |2 | =
<10<c<
2 =
2
2
4
Logo, a sequncia soluo geral {An }n11 dada por
An = K1 n1 + K2 n2
e a soluo particular determinada com os coeficientes obtidos do sistema:
K1 + K2 = a
K1 1 + K2 2 = a
Como K1 > 0 e 1 > 1 ento, a sequncia {An }n11 crescente e sem limitao, isto ,
limn An = +.
Exerccio: Considere que a taxa de mortalidade dos adultos seja de 20% em cada
estgio n, n 2; Como se reflete esta informao na equao 2.2.11 ? Resolva o novo
modelo e verifique em que condio sobre o parmetro c este sistema estvel.
Sugesto: Considere que no estgio n+1 h 80% dos adultos que haviam no estgio
n.
Curiosidade: Sequncia de Fibonacci e retngulos ureos
L.Fibonacci (1170-1250)
Se, na equao 2.2.11 considerarmos c = 1 e as condies iniciais forem A0 = A1 = 1
49
An+1 = An + An1
A0 = A1 = 1
(2.2.12)
onde, cada termo da sequncia, (n 2), igual soma dos dois termos anteriores e,
neste caso, um dos autovalores de 2.2.12
1+ 5
1 =
2
(2.2.13)
An+1
1+ 5
Bn =
An
2
Temos que:
=
a sequncia {Bn }n11 limitada pois Bn = AAn+1
n
An1 < An ;
Vamos supor que {Bn }n11 seja convergente e
seja = lim Bn > 0
n
An +An1
An
= 1 + AAn1
< 2 desde que
n
1
An
1
= lim
= lim
n Bn n An+1
= lim
2 Leonardo
de Pisa (1175-1250) matemtico e comerciante da Idade Mdia considerado um dos matemticos mais criativos do mundo cristo medieval conhecido como Fibonacci (filho de Bonacci),
publicou em 1202 o livro Liber Abaci (Livro de bacos) onde encontra-se o problema que deu origem sua famosa sequncia numrica Quantos coelhos haver em um ano, comeando com um s
casal, se em cada ms cada casal adulto gera um novo casal, o qual se tornar produtivo em dois meses?
Este livro contm tambm uma grande quantidade de assuntos relacionados com a Aritmtica e
lgebra da poca e realizou um papel importante no desenvolvimento matemtico na Europa pois
por meio deste livro que os europeus vieram a conhecer os algarismos hindus, tambm denominados arbicos.
50
1
= 1+
ou
1 5
= + 1 = =
2
2
(2.2.14)
1+ 5
=
= 1, 61803...
2
ou seja,
An+1 1 + 5
lim
=
n An
2
(nmero ureo)
= 1+
1
1
= 1
1
denominado seo urea 3
1
= 1 = 1, 61803 1 = 0, 61803 . . .
AC
CB
(2.2.15)
1 + 5
2
1
x=
=
= = 0, 61803 . . .
2
1+ 5
Um retngulo ureo aquele cujos lados a, b obedecem divina proporo
3 Acredita-se
51
a=
1
b b = a.
(2.2.16)
1
Se retirarmos de R1 o quadrado de lado obtemos um novo retngulo R2 de lados
!
1
1
1
b2 = e a2 = 1
.
1
1 1
= = 2 , ento
Como, 1 =
1
a2
1
= 1 =
b2 2
lados bn = n1 e an = n .
52
X 1
1
1
1
1
+ 2 6 + ... + 2 2n + ... = 2
A(R1 ) = 2 + 2
4
2n
2
n=1
X
1
1
=
2n
n=1
X
1
converge para 2 .
1. Mostre que a srie geomtrica
n
n=0
2. Mostre que se R um retngulo ureo de lados a, b ento, o retngulo R com
lados a, b tambm um retngulo ureo.
3. Seja P um paraleleppedo de lados , , . Dizemos que P ureo se o retngulo
p
de lados e e o retngulo de lados e d = 2 + 2 forem ureos.
Seja R o retngulo ureo de lados e - Determine o valor de para que o paraleleppedo de lados , e seja ureo.
4. Seja {xn } uma sequncia de Fibonacci, mostre que:
a)
n
X
xj = xn+2 1
j=1
53
x2j+1 = x2n
j=0
Outros exemplos interessantes e curiosidades sobre a sequncia de Fibonacci o leitor pode encontrar em [4] e [5].
n
n
yn = A1 1 + B1 2
zn = A2 n1 + B2 n2
onde, i (auto valores) so as razes do polinmio caracterstico
P () = 2 (a11 + a22 ) + (a22 a11 a12 a21 ).
Um ponto de equilbrio do sistema linear o par (y , z ) que satisfaz
yn+1 = yn = y
zn+1 = zn = z
Assim, o nico ponto de equilbrio de um sistema linear o ponto trivial (y , z ) =
(0, 0).
O ponto de equilbrio ser estvel se, e somente se, tivermos 1,2 < 1.
Salientamos que se o sistema linear de ordem m qualquer, os resultados so anlogos aos sistemas de ordem 2.
54
yn+1 = zn
com a condio inicial
zn+1 = yn
y0 = 1
z0 = 2
Podemos escrever tal sistema como uma nica equao linear de segunda ordem
yn+2 = yn
y0 = 1 e y1 = z0 = 2
O polinmio caracterstico desta equao
2 = 1 = = 1
A soluo geral dada por
A + B se n par
n
n
yn = A.1 + B(1) =
A B se n impar
A soluo particular obtida fazendo-se uso das condies iniciais:
y0 = 1 = A + B = 1
A= 2
=
z0 = 2 = y1 = A B = 2
B = 1
2
Logo, a soluo do problema original
yn = 1 se n par
zn = 2 se n par
=
yn = 2 se n impar
zn = 1 se n impar
Observamos que, neste caso, temos || = 1 e a soluo oscilante (peridica).
2) Considere o sistema
yn+1 = 2yn + zn
com a condio inicial
zn+1 = yn zn
55
y0 = 0
z0 = 1
y0 = 0 e y1 = 1
O polinmio caracterstico dado por:
12
2 3 = 0 = 1,2 =
1,2 > 1.
2
A soluo geral
#n
#n
"
1 + 12
1 12
yn = A
+B
2
2
"
#n
#n
"
"
1 + 12
1
1 1 12
yn =
2
2
12
12
zn = yn+1 2yn
Tal soluo composta de duas sequncias divergentes.
3. Considere o sistema
yn+1 = yn + 2zn
com a condio inicial
zn+1 = yn + zn
y0 = 1
z0 = 0
56
A + B =1
A 1 + 2i + B 1 2i = 1
Ou seja, A = B = 12 .
Os valores das sequncias {yn }nN e {zn }nN so:
{yn }nN = {1; 1; 1; 7; 11; 31; 65; 37; 121; ...}
{zn }nN = {0; 1; 3; 2; 5; 16; 17; 14; 79; ...}
Neste caso, as sequncias {yn }nN
5 > 1.
2
q
e {zn }nN so divergentes pois 1,2 = 1 + 2 =
Exerccios - Estude a estabilidade dos sistemas e determine suas solues particulares com as condies iniciais y0 = z0 = 1
1)
yn+1 = yn + zn
zn+1 = yn 0, 5 zn
2)
yn+1 = yn + 0, 5zn
zn+1 = yn zn
3)
yn+1 =
zn+1 =
2
1
2 yn + 3 zn
2
3 yn + zn
Xn+1 = F(Xn )
Xn Rm
(2.3.1)
no linear se, pelo menos uma das funes componentes de F = (f1 , f2 , ..., fm ) no for
linear.
57
Xn+1 = F(Xn ) = X
(2.3.2)
O tratamento do processo de estabilidade de modelos discretos no lineares equivalente ao estudo dos sistemas de equaes diferenciais autnomos no lineares:
considera-se um sistema linear associado e verifica-se os mdulos de seus auto valores. Para o interesse imediato deste texto vamos analisar somente um exemplo de
um sistema no linear de primeira ordem: equao logstica discreta (veja 4.4.6):
xn+1 = f (xn ) = rxn (k xn ) com r > 0
(2.3.3)
1
rk 1
=k
r
r
df (xn )
=
dxn
#
xn =x
58
df (xn )
dxn
#
xn =x
xn+1 = f (xn )
xn+2 = xn
ou seja,
xn+2 = f (xn+1 ) = f (f (xn )) = xn
e x2 um ponto fixo da funo composta f f = f 2 :
x2 = f (f (x2 ))
1 =
dxn
Logo, x = 0 instvel.
Para o ponto x2 = 675,
59
= 1, 54 > 1
xn =0
"
2 =
df (xn )
dxn
#
xn =x
i
h
d 0, 0008xn2 + 1, 54xn
dxn
= 0, 0016xn + 1, 54]x
n =675
xn =675
= 0, 46
Logo, 0 < 2 < 1 e portanto, o ponto x = 675 assintoticamente estvel (Fig 2.4).
Os modelos discretos passaram a desempenhar um papel importante em Biomatemtica a partir dos trabalhos desenvolvidos por Robert M. May, em 1975, que os
utilizou para estudar a dinmica de populaes de insetos cujas geraes so peridicas [[14]].
Exerccio Faa um estudo completo do modelo discreto de May
Pn
Pn+1 = Pn exp r(1 )
k
60
3 Equaes diferenciais
61
3 Equaes diferenciais
sua validao depende muito da escolha das variveis e das hipteses formuladas.
muito frequente em se tratando de modelar um fenmeno ou um experimento, obtermos equaes para descrever as "variaes"das quantidades (variveis de estado)
presentes e consideradas essenciais. Desta forma, as leis que regem tal fenmeno so
traduzidas por equaes de variaes. Quando estas variaes so instantneas, a
dinmica do fenmeno se desenvolve continuamente e as equaes matemticas so
denominadas equaes diferenciais.
Dois teoremas bsicos do Clculo esto ligados soluo da Equao diferencial
mais simples
dy
= f (x)
(3.0.1)
dx
A soluo ou funo incgnita y(x) de 3.0.1, uma vez conhecida a sua derivada f (x),
obtida via Teorema Fundamental do Clculo
Zx
y(x) =
f (z)dz.
(3.0.2)
0
O Teorema do Valor Mdio assegura que todas as solues podem ser escritas na
forma
Zx
f (z)dz
(3.0.3)
y(x) = C +
0
De uma maneira geral, podemos dizer que temos uma equao diferencial (ou um
sistema de equaes diferenciais) se na equao (ou em cada equao do sistema)
esto envolvidas funes incgnitas e suas derivadas.
Uma equao diferencial dita ordinria (EDO) se a funo incgnita depender
apenas de uma varivel. Se depender de mais de uma varivel ser denominada
equao diferencial parcial.
A ordem de uma equao diferencial indicada pela maior ordem de derivao que
aparece na equao. Uma EDO de ordem n tem como expresso geral ( forma normal):
dy
d n1 y
d ny
=
f
(x,
y,
,
...,
)
dxn
dx
dxn1
(3.0.4)
A soluo de uma EDO, no intervalo I = (a, b) , uma funo y = (x) que, juntamente com suas derivadas, satisfaz a equao 3.0.4. Assim, resolver uma EDO 3.0.4,
encontrar uma funo y = (x), definida e derivvel at a ordem n no intervalo I,
que satisfaz a equao 3.0.4.
62
3 Equaes diferenciais
Soluo geral de uma EDO o conjunto de todas as suas solues. Nas aplicaes,
geralmente estamos interessados em solues particulares que satisfaam uma dada
condio inicial, ou condies complementares. 1 .
(3.1.1)
d
dx
= f (x, (x))
A equao 3.1.1 estabelece uma relao entre as coordenadas de um ponto e o coeficiente angular da reta tangente ao grfico da soluo, em cada ponto. Portanto,
uma equao deste tipo define um campo de direes, ou de inclinaes. As solues
de 3.1.1 so chamadas curvas integrais e tm a propriedade que a direo das retas
tangentes, em cada ponto, coincide com a direo pr-estabelecida do campo naquele
ponto. o lugar geomtrico dos pontos onde cada tangente curva integral preserva
uma direo constante so linhas chamadas isclinas.
Obtemos a equao de uma isclina considerando
dy
= f (x, y) = k
dx
onde, k uma constante (inclinao da tangente).
Exemplo 3.3 Dada a equao
dy
= y x2
dx
1 O material utilizado nesta seo faz parte de um texto que escrevemos para o curso BC&T da UFABC
(2011) e que disponibilizado gratuitamente aos alunos daquela universidade [[13]]. Aos leitores
interessados em se aprofundar mais no assunto sugerimos buscar aquele texto.
63
3 Equaes diferenciais
o campo de direes obtido, considerando-se as isclinas
y x2 = k
dy
que, neste caso, so parbolas. Agora, para cada valor de k temos dx = k em cada
ponto da isclina, e desta forma, obtemos o campo de direes (Fig 3.1)
64
3 Equaes diferenciais
dy
dx = f (x, y)
y(x0 ) = y0
(3.2.1)
65
3 Equaes diferenciais
isto , num intervalo (x0 , x0 + ) R.
Teorema 1. Teorema de Existencia e Unicidade de Soluo para o Problema de Cauchy .
Suponha que em 3.2.1 temos:
1) f (x, y) seja uma funo contnua em um disco aberto D, de raio r, centrado no ponto
(x0 , y0 ) ,
n
o
D = (x, y) : (x x0 )2 + (y y0 )2 < r
f (x,y)
= f (x ) A(x) =
f (x)dx
dx x=x
a
66
3 Equaes diferenciais
f (x)dx + C
(3.3.2)
x0
dy
dx = cos x
y(0) = 2
Temos que a soluo geral determinada por uma simples integrao:
dy
= cos x dy = cos xdx y(x) =
dx
67
Z
cos xdx = senx + C
3 Equaes diferenciais
Agora, usando a condio inicial, vem:
y(0) = 2 2 = cos(0) + C = C = 1
Assim, a soluo particular, que passa pelo ponto (0, 2) y = (x) = sin x + 1
(3.4.1)
(3.4.2)
1
dy
f (y)
(3.4.3)
y0
1
f (y)
de interesse A, onde f (y) , 0 e que seja contnua neste intervalo A. Pois, como
68
dx
dy
3 Equaes diferenciais
1
f (y)
dy
dx = f (y)
y(x0 ) = y0
(3.4.4)
dx
1
dy = f (y)
x(y0 ) = x0
(3.4.5)
dy
dx = ky
y(x0 ) = y0 , 0
(3.4.7)
1
dx
dy = ky
x(y0 ) = x0
(3.4.8)
69
3 Equaes diferenciais
cuja soluo dada por
Zy
Z
i
1
1 h
1 y
1
= x0 +
x(y) =
dy + C
dy = x0 + ln y ln y0 = x0 + ln
ky
k
k
y0
y0 ky
x(y0 )=x0
ou seja,
y
ln = k (x x0 ) y = y0 ek(xx0 ) para x R
y0
1
dy = dx
ky + a
1
dy =
ky + a
Z
dx = x =
1
ln ky + a + C
k
Portanto,
i
1h
a
a + ek(xC) , y ,
k
k
a
Neste caso, y , k a soluo de equilbrio.
ky + a = ek(xC) = y =
(3.4.9)
df
70
3 Equaes diferenciais
nica y = (x) de 3.4.9, satisfazendo y0 = (x0 ).
y 2 1
Como f (y) = 2 = 0 y = 1 ou y = 1, ento as funes constantes (x) = 1 e
(x) = 1 so solues de equilbrio de 3.4.9.
Agora, para y , 1, podemos escrever 3.4.9 na forma diferencial
dy
dx
=
2
y2 1
(3.4.10)
y 1 = Kex onde, K = eC
y + 1
(3.4.11)
R1 =
o
(x, y) R2 : 1 < y < 1
n
o
= (x, y) R2 : y < 11
R2 =
R3
y1
a) Em R1 , temos que y+1 =
o
(x, y) R2 : y > 1
y1
y+1 .
Logo,
y 1
= Kex
y +1
Kex + 1
1 Kex
Observamos que (x) converge para 1 quando x , isto ,
y = (x) =
Kex + 1
=1
x 1 Kex
lim
Ainda,
Kex + 1
= +
x
xln K1 1 Ke
lim
71
(3.4.12)
3 Equaes diferenciais
y1
y1
b) Em R2 , temos y+1 = y+1 = Kex =
1y
y+1 .
1 Kex
Kex + 1
y = (x) =
Neste caso, temos
Logo,
1 Kex
lim
= 1
x+ Kex + 1
1 Kex
=1 e
lim
x Kex + 1
c) Em R3 , como no caso a) :
y = (x) =
Kex + 1
1 Kex
Kex + 1
=
x
+
xln K1 1 Ke
lim
72
3 Equaes diferenciais
Exerccios 3.2: 1. Estude a equao diferencial
dy
2
= 2
dx x 4
2. (Desintegrao radioativa): Seja m = m(t) a massa do material radioativo, no instante t. Este material se desintegra proporcionalmente a sua massa em cada instante.
a) Sabendo-se que a vida mdia de um determinado material radioativo de 6000
anos, determine depois de quanto tempo sua massa ser 15 da massa inicial.
b) Se 100 miligramas de trio234 so reduzidos a 97,21 miligramas em cada dia,
calcule a taxa de desintegrao deste material e sua vida mdia.
3. Estude a equao autnoma
dy y 2
= 2
dx
y
4. Resolva os problemas de Cauchy
n
dy
dx
= y(1 y)
para
a) y(0) = 0, 2;
b) y(0) = 1, 2.
73
3 Equaes diferenciais
droga no sangue, ento seu decaimento dado por:
dC
= kC
dt
(3.5.1)
74
(3.5.2)
3 Equaes diferenciais
1 e(n+1)kT
1 ekT
Desta forma, se o tratamento for por tempo ilimitado, ou seja, com n muito grande,
podemos estabelecer o nvel de saturao da droga
1 e(n+1)kT
C0
Cs = lim C0
=
kT
n
1e
1 ekT
(3.5.3)
75
3 Equaes diferenciais
nvel inicial, mostre que para este tratamento peridico necessrio que
C = Cs (1 ekT ) = C0
(d) Se a primeira dose C0 , a segunda C20 , a ensima Cn0 , ento como devem ser
os intervalos de tempo de administrao da droga para que se atinja o mesmo nvel
de saturao com dosagens iguais?
Modelo 4Dinmica Populacional: Modelo Malthusiano Modelo Malthusiano
Seja P o nmero de indivduos em uma populao animal ou vegetal. Este nmero
dependente do tempo e assim podemos escrever
dP
= F(t)
dt
(3.5.4)
Na realidade, P (t) assume somente valores inteiros sendo pois uma funo discreta
de t. Entretanto, quando o nmero de indivduos suficientemente grande, P (t) pode
ser aproximado por uma funo contnua, variando continuamente no tempo.
Admitimos que a proporo de indivduos reprodutores permanece constante durante o crescimento da populao. Admitimos tambm que as taxas de fertilidade n
e de mortalidade m sejam constantes. Estas hipteses so realsticas em uma populao grande que varia em condies ideais, isto , quando todos os fatores inibidores
do crescimento esto ausentes (a espcie tem recursos ilimitados e no interage com
competidores ou predadores).
Temos que = n m (coeficiente de natalidade menos o de mortalidade) a taxa de
crescimento especfico da populao P (t), aqui considerada constante. Assim,
P (t + 1) P (t)
= n m = .
P (t)
(3.5.5)
(3.5.1)
Considerando dada a populao inicial P (0) = P0 , a soluo de (3.5.1) obtida por recorrncia da expresso:
76
3 Equaes diferenciais
Pt+1 = (1 + )Pt
P (0) = P0
(3.5.2)
ou seja,
Pt = ( + 1)t P0
(3.5.3)
r
t
( + 1) = P t /P 0
=t
Pt
1
P0
(3.5.4)
Por exemplo, se a populao do Brasil de 1940 era P0 = 41.236.351 e, dez anos depois,
P10 = 51.944.397, ento a taxa de crescimento populacional mdia (relativa), entre 1940 e
1950 foi de:
r
=
10
51944397
1 = 1, 0233539 1 = 0, 0233539
41236351
51
146825475
1 = 0, 0252131, o que nos permite afirmar que a populao brasi41236351
leira cresceu a uma taxa mdia de, aproximadamente, 2,5% ao ano nestes 51 anos.
Lembrando que Pt = (1 + )t P0 pode ser escrito na forma exponencial
Pt = P0 eln(1+)t
(3.5.5)
dP
= P (t)
dt
P (0) = P0
77
(3.5.6)
3 Equaes diferenciais
cuja soluo dada por
P (t) = P0 et
Portanto, os modelos discreto (com taxa ) e contnuo (com taxa ) fornecem a mesma
soluo quando
= ln(1 + ).
Se considerarmos o modelo Malthusiano para projetar a populao brasileira, teremos
= 0, 0252131 para o modelo discreto e = 0, 0249 para o contnuo.
A equao
P (t) = 41, 236e0,0249t
fornece a populao (em milhes de habitantes) em cada ano t.
78
(3.5.7)
4 Ajuste de curvas
Fernando de Noronha
Uma regresso ou ajuste de curvas sempre um recurso formal para expressar
alguma tendncia ou relao entre a varivel dependente xn e a independente n, ou
seja, um mecanismo que fornece uma relao funcional xn = f (n) quando se tem
alguma relao estatstica.
Fazer um ajuste de curvas significa simplesmente determinar os coeficientes de
uma funo, dada genericamente a priori, de modo que, no intervalo de valores considerado, esta funo e os dados estatsticos sejam prximos. Dependendo do que
entendemos por proximidade entre funo ajustada e os dados experimentais teremos diferentes solues para f (n). De qualquer forma, s podemos garantir a proximidade entre a curva de regresso e os pontos dados no intervalo limitado onde tais
pontos foram tomados. Fazer previses de valores futuros o objetivo principal de
uma modelagem e um ajuste dos valores conhecidos nem sempre pode servir para
tal. Entretanto, como modelos parciais os ajustes so fundamentais no processo de
modelagem global.
Um dos mtodos mais usados para estimao dos parmetros de uma funo
conhecido como mtodo dos quadrados mnimos:
79
4 Ajuste de curvas
Considere um conjunto den dados observados {xn }nN e uma funo
xn = f (n, a1 , a2 , ..., aj ), onde aj (j = 1, 2, 3...) so parmetros - O Mtodo
dos mnimos quadrados consiste em determinar estes parmetros de
modo que minimize o valor de
n
n
X
X
2
(xi xi ) =
[f (n, a1 , a2 , ..., aj ) xi ]2
S=
i=1
i=1
Neste caso, devemos encontrar os valores dos parmetros a e b que tornam mnimo
o valor da soma dos quadrados dos desvios:
S = S(b, a) =
n
X
(b + axi y i )2
(4.1.1)
i=1
Pn
S
=0
Pn
S
=0
(4.1.2)
P P
P
P
n xi y i xi y i
xi y nxy
P 2i 2
P
P
a
=
=
2
2
n xi ( xi )
xi nx
P 2P
P P
P
xi y i xi xi y i
y
P 2 P 2
b = n i a nxi = y ax
b=
(4.1.3)
ou seja,
xi ( xi )
80
4 Ajuste de curvas
priori se a reta encontrada de fato o melhor modelo de ajuste. A verificao da
existncia e do grau de relao entre variveis objeto do estudo da correlao.
A correlao linear mede a relao existente entre as variveis x e y atravs da
disposio dos pontos (xi , yi ) dados, em torno de uma reta ajustada y = ax + b.
O coeficiente de correlao de Pearson R um instrumento de medida da correlao
linear obtido atravs do teste de hipteses H0 sobre a aceitao ou no do coeficiente
angular de reta., dado por:
P
P
( xi )( yi )
n
P
P
( xi )2 P 2 ( yi )2 1/2
][
y
i
n
n ]}
P
R= P
{[ xi2
xi yi
ou
R= P
(xi x)(yi y)
P
(xi x)2 (yi y)1/2
(4.1.4)
1 Nos programas de ajuste de curvas mais comuns (Excel ou BrOffice Calc), o coeficiente de correlao
81
4 Ajuste de curvas
Tempo
varivel
n
xn
xn+1
Tempo
n
varivel xn
xn+1
0
9,5
18,5
8
351,4
440,8
1
18,5
29,1
9
440,8
512,9
2
29,1
46,9
10
512,9
562,2
3
4
46,9
70,8
70,8 121,1
11
12
562,2 597,7
597,7 629,4
5
121,1
175,3
13
629,4
642,3
6
175,3
257,7
14
642,3
651,2
7
257,7
351,4
15
651,2
82
b>0
(4.2.1)
4 Ajuste de curvas
( = a e
= ln b)
(4.2.2)
83
4 Ajuste de curvas
ms - xi
zi = ln yi
capital - yi
xi2
zi2
xi zi
1000.0
6.90775528
47.717083
1009.7
6.91740854
6.91740854
47.8505409
1021.8
6.92932106
13.8586421
48.0154903
1032.2
6.93944773
20.8183432
48.1559347
1045.3
6.9520592
16
27.8082368
48.3311272
1056.9
6.96309537
25
34.8154769
48.4846972
1065.8
6.97148097
36
41.8288858
48.6015469
1077.1
6.98202752
49
48.8741927
48.7487083
1089.7
6.99365771
64
55.9492617
48.9112481
1110.1
7.01220538
81
63.1098484
49.1710243
10
1121
7.02197642
100
70.2197642
49.3081529
11
1132.2
7.03280077
121
77.3608084
49.4602866
e portanto,
P
66
zi
xi 83, 62
=
0, 0114
= 6, 9058
=
n
n
12
12
A equao da reta ajustada dada por:
P
z = 0, 0114x + 6, 9058
Como = ln b e = a, ento a curva exponencial ajustada ser
y = beax = 998, 04e0,0114x
para x 0
84
4 Ajuste de curvas
Portanto, o ajuste exponencial pode ser escrito na forma
y = 998, 04 1, 011465x = 998, 04 (1 + 0, 011465)x
A expresso (1 + 0, 011465) indica que para cada unidade de tempo (ms) h um
acrscimo de 0, 011465, ou seja, a sua taxa mdia mensal de crescimento ou juro, no
perodo, de 1,1465% ao ms.
y(x + 1) = ( + 1)y(x)
(4.2.3)
85
(4.2.4)
4 Ajuste de curvas
L. Euler (1707-1783)
O modelo discreto (mensal) de juros compostos pode ser aproximado por um modelo
contnuo (o tempo variando continuamente):
com n grande
1
= , ento
n h
1 hx
y(x) = y(0) 1 +
h
Temos que se n cresce ento
1
tende a zero, e o mesmo se d com quando h
n
h
86
4 Ajuste de curvas
1
cresce. Vamos calcular aproximadamente o valor de 1 +
h
limitao.
1
1+
h1
h1 = 1
h
quando h cresce sem
!h1
=2
1 10
1+
= 2, 59374246
10
1 100
= 2, 704813829
1+
100
1 1000
= 2, 716923932
1+
1000
10000
1
1+
= 2, 718145927
10000
(1, 00001)100000 = 2, 718268237
h2 = 10
h3 = 100
h4 = 1000
h5 = 10000
h6 = 100000
i
1 10
Temos que a sequncia i = 1 + i
montona, crescente e limitada e por10
tanto convergente, ou seja,
1 h
um valor real, aproximadamente, igual a 2,7182 (rro de 104 ).
lim 1 +
h
h
Tal valor irracional o nmero de Euler e.
Assim, o modelo contnuo que aproxima o modelo discreto dado por
' y0 1 +
n
nx
,
Ajuste Quadrtico
Os modelos quadrticos so parbolas
y(x) = a + bx + cx2
87
(4.2.5)
4 Ajuste de curvas
Fig 4.3-Parbolas
n
X
i=1
n
X
(yi y) =
[yi (a + bxi + cxi2 )]2
2
i=1
yi = na + b xi + c xi2
P
P
P
P
xi yi = a xi + b xi2 + c xi3
P x2 y = a P x2 + b P x3 + c P x4
i i
i
i
i
(4.2.6)
Quando existe uma tendncia de estabilidade dos dados dizemos que a curva soluo tem um comportamento assinttico e uma curva tpica para ajuste (Fig. 4.2c)
88
4 Ajuste de curvas
dada pelo modelo exponencial assinttico:
y = y aebx
(y > 0
b < 0)
(4.3.1)
se a < 0
ou z = ln(y y)
se a > 0,
e obtemos a reta:
z = ln |a| + bx
Observao: Nos modelos assintticos um dos ingredientes mais importantes o
valor assinttico da varivel independente, tambm denominado valor de equilbrio
ou de estabilidade. Para se efetuar um ajuste assinttico (tipo exponencial assinttico)
necessrio conhecer a priori o valor de equilbrio que, na verdade, o valor limite da
tendncia de y quando x cresce, ou seja,
lim y = lim (y aebx ) = y
x+
x+
Em muitos casos prticos a estimao do valor de equilbrio pode ser realizada pelo
mtodo de Ford-Walford (veja seo 1.6). Lembrando que o mtodo de Ford-Walford
consiste em determinar inicialmente uma funo g que ajusta os pares (yn , yn+1 ), isto
,:
yn+1 = g(yn )
(curva ajustada)
xn
xn
xn
Dentre as curvas planas com inibio temos duas clssicas: exponencial assinttica
(Fig. 4.2c) e crescimento inibido com ponto de inflexo (Fig. 4.2d). Faremos os dois
casos para o nosso problema.
Modelo Exponencial Assinttico Da curva de tendncia (Fig. 1a) podemos observar que se considerarmos apenas os pontos, a partir de (8; 351), eles se aproximam de
uma curva exponencial assinttica (Veja Fig. 30). Usando o mtodo de Ford-Walford,
89
4 Ajuste de curvas
obtemos o ponto limite
yn+1 = yn = y 675.
Em relao ao modelo, em forma de uma curva de previso y = f (t), que pretendemos construir com os dados experimentais da Tabela 1, j sabemos que tal curva deve
ser crescente e limitada por y 675, isto , deve satisfazer
lim f (t) = 675
Em outras palavras, a reta y = 675 deve ser uma assntota horizontal de f (t).
tempo
yn
tempo
yn
y y
modelo
351,4
351,4
323,6
334,7
440,8
440,8
234,2
443,3
10
512,9
10
512,9
162,1
517,3
11
562,2 =
11
562,2
112,8
567,7
12
597,7
12
597,7
77,3
601,9
13
629,4
13
629,4
45,6
625,2
14
642,3
14
642,3
32,7
641,1
15
651,2
15
651,2
23,8
651,9
90
4 Ajuste de curvas
ples pode ser mais eficiente. Assim, se usarmos o Excell por exemplo, ele no fornece em seu menu uma funo do tipo exponencial assinttico e devemos pois fazer
alguma artimanha para utilizar seu ajuste exponencial: Fazemos a mudana de variveis: zi = y yi e ajustamos os pontos zi por uma exponencial auxiliar z = aebx e
portanto y yi = aebx = y = y aebx
y = 675 7373, 8e0,3845x para x 1 8
(4.3.2)
Observamos que o modelo 4.3.2 somente ajusta os pontos para x 1 8 sendo pois um
modelo parcial. Entretanto, como os pontos considerados so os ltimos da Tabela 6,
tal modelo poderia ser til para previses futuras, isto , para valores superiores a x =
15. Para os pontos x < 8, poderamos simplesmente considerar um ajuste exponencial
y = 10, 955e0,4647x para 0 6 x < 8.
O modelo completo, neste caso, ento dado por duas curvas:
91
4 Ajuste de curvas
quando x cresce.
yi+1 yi
yi
92
4 Ajuste de curvas
y
y
(iv) Se y0 < 2 , a curva y(x) muda de concavidade quando y = , o que implica na
2
existncia de um ponto de inflexo na curva.
A expresso terica da curva logstica
y=
onde,
a = y ,
b=
y
1
y0
(4.4.1)
bex + 1
= y a taxa de reprodutividade m-
xima.
Uma estimativa dos parmetros da curva logstica pode ser feita, por meio de um
ajuste linear, usando a mudana de variveis:
y/a
z = ln
1 y/a
!
(4.4.2)
ou seja,
z = ln
1
1+bex
1 1+be1 x
= ln 1+bex = ln 1 ex
bex
b
1+bex
93
4 Ajuste de curvas
(4.4.3)
Como uma das razes da parbola bem prxima de zero, podemos consider-la
na forma de uma equao logstica discreta
xn+1 xn = axn2 + bxn = xn (k xn )
(4.4.4)
(4.4.5)
94
4 Ajuste de curvas
serve para determinar o valor de x2 = 28, 2 e sucessivamente obtemos todos os valores que esto na quinta coluna da Tabela 4.1. Um grfico destes valores pode mostrar
claramente como o modelo de predio e os valores observados esto prximos (Veja
Fig 4.9).
(4.4.6)
a estabilidade ou pontos de equilbrio do modelo so obtidos quando no ocorre variao do estgio n para o estgio sucessivo (n + 1), isto ,
xn+1 = xn = x
(4.4.7)
Da equao 4.4.6, tem-se um ponto de equilbrio x se, e somente se, a funo f (x)
tem um ponto fixo, isto , quando
f (x ) = x = 0, 0008(x )2 + 1, 54x
95
(4.4.8)
4 Ajuste de curvas
ou
0, 0008(x )2 + 0, 54x = 0
(4.4.9)
xn+1 = f (xn)
,
xn+1 = xn
(4.4.10)
dy
dx = ay(k y)
(4.4.11)
y0 dado
O modelo obtido uma equao diferencial autnoma no linear de primeira ordem, denominada equao logstica e que tem servido de paradigma na modelagem
de dinmica populacional.
Integrando ambos os membros em ?? e explicitando a varivel y(x), temos
y(x) =
ky0
k
=
akx
k
y0 + (k y0 )e
1 + ( y0 1)eakx
(4.4.12)
x+
x0
ou seja, quando x cresce muito ento a varivel y(x) tende a ao ponto de equilbrio
y = k (assntota horizontal) e, para x = 0 temos a condio inicial y(0) = y0 . No nosso
96
4 Ajuste de curvas
exemplo, k = 675 e y0 = 9, 5.
O primeiro modelo que relaciona a taxa de crescimento populacional foi formulado por Pierre F. Verhurst em 1837. Tal modelo contempla o fato de que uma populao, vivendo num
determinado meio, deve crescer at um certo limiar (capacidade suporte do meio) e tende a se
estabilizar quando o tempo aumenta. A equao considera a diminuio da taxa de crescimento
da populao que deve estar sujeita a algum fator inibidor como alimentao, espao, condio
ambiental, doena etc. A taxa de crescimento proporcional populao em cada instante.
R. Pear e L. Reed, no incio do sculo XX, utilizaram o modelo de Verhurst para estudar a
dinmica populacional americana e o resultado foi bastante satisfatrio. O modelo logstico
continua sendo ainda usado nas mais diversas situaes e tem servido como paradgma para
modelos alternativos unidimensionais com populaes inibidas. Sejam P a capacidade suporte, P0 = P (0) o valor inicial de uma populao e r a taxa de crescimento relativo de uma
populao P , o modelo de Verhurst ento dado por
P
dP
= rP 1
dt
P
P (0) = P0 , r > 0
(4.4.13)
dP
=
P (1 PP )
Z
rdt;
Usando a tcnica das fraes parciais para resolver a integral do 1o membro, obtemos
1
1
A
B
1
P
+
+
=
=
P (1 PP ) P 1 PP P 1 PP
Logo,
dP
=
P (1 PP )
Z
1
1
P
+
dp = ln |P | ln 1
P
P
P
1 P
E portanto
ln
P (t)
= rt + c
1 P (t)/P
97
4 Ajuste de curvas
Usando a condio inicial P (0) = P0 , podemos determinar o valor da constante de integrao
c:
Ou seja,
P0
P0 P
P0 P
= ln
= rt + ln
c = ln
P P0
P P0
1 PP0
P (P P0 )
= rt
ln
P0 (P P )
P
P0
=
ert
P P P P0
P (t) =
( PP0
P
P P0
=
1)ert + 1 (P P0 )ert + P0
(4.4.14)
dP
< 0); c) Da equao (4.4.13) temos
dt
P2
dP
= rP r
dt
P
dP
, como funo de P , uma parbola com concavidade voltada para baixo (veja
dt
fig. 36) e cujas razes P = 0 e P = P so os pontos de equilbrio ou solues de equilbrio da
dP
equao diferencial (4.4.13), pois
= 0 nestes pontos.
dt
ou seja,
98
4 Ajuste de curvas
dP
P
P
crescente se 0 < P (t) <
e decrescente se
< P (t) < P . O
dt
2
2
dP
P
valor mximo de
, relativamente a P , atingido quando P =
, isto , quando a populao
dt
2
P
, podemos
for igual metade da populao limite; e) Se considerarmos em (4.4.14), P (t) =
2
determinar o instante tm em que a populao atinge a mxima variao:
d) Como r > 0, temos que
P
P0 P
=
2
(P P0 )ert + P0
e portanto
tm =
considerando que P0 <
i)
ert =
P P0
P0
1 P P0
ln
,
r
P0
(4.4.15)
P
. Assim, para t = tm temos:
2
P (tm ) =
P
2
(4.4.16)
P
r
dP
P
ii)
|t=tm = r 1 2 = P > 0
dt
2
P
4
d 2P
dP
P
dP 2r dP
iii)
P
=r
|t=tm = r
1 2
=0
dt P dt
dt
P P =P
dt 2
(4.4.17)
P
tm = 0. .Se
2
a curva no tem ponto
P
< P0 < P
2
dx
dt = a(k x)
(4.4.18)
x0 dado
99
4 Ajuste de curvas
De fato, separando as variveis e integrando membro-a-membro, obtemos
Z
dx
=
kx
Z
adt , ou seja, - ln |k x| = at + C
dx
dt
= 0.
(4.4.19)
100
4 Ajuste de curvas
belas
(1)
Tempo
n
varivel
xn
44,8
51,3
56,2
59,7
62,9
64,2
65,1
66,0
(2)
Idade
comprimento
peso
23,4
52
31,2
120,1
37,5
210,8
42,1
382,4
46,6
522,7
49,9
722,2
52,1
839,3
53,7
926,3
54,2
975,7
54,8
1010,1
Em nosso exemplo terico de modelagem partimos de uma coleta de dados e procuramos "modelar"ou formular equaes matemticas que, de alguma maneira, sintetizam ou explicam o fenmeno analisado. Geralmente, em uma modelagem, buscase tambm entender a evoluo do sistema e as equaes so usadas para "previses"futuras ou mesmo passadas e, neste caso, o tempo sempre figura como a principal varivel independente de equaes variacionais. Em tais modelos dinmicos o
conceito de variao fundamental e pode ser utilizado com formalismos distintos,
dependendo tanto do ambiente educacional como do tipo de varveis integrantes.
101
Casos Estudados
102
4 Ajuste de curvas
Acreditamos que a melhor maneira de aprender algum processo fazendo. Assim
como s se aprende a pescar, pescando - o mesmo acontece com modelagem matemtica. De qualquer forma, sempre um elenco de exemplos pode facilitar a caminhada
pois cada situao analisada tem suas caractersticas prprias e uma analogia com
situaes novas sempre pode ser interessante. Assim, mostraremos alguns casos estudados com a inteno de orientar o eleitor na busca de seus prprios modelos.
103
104
5.0.3 O problema
A armazenagem das mas feita em cmaras frigorficas onde so depositadas
em caixas de madeira (bins) sobrepostas que comportam, aproximadamente, 3000
frutas. Quando alguma ma est contaminada com podrido, a doena se propaga
rapidamente contaminando as outras frutas ao seu redor - estima-se que em 12 dias,
80% das mas da caixa so contaminadas, comprometendo posteriormente todo o
estoque. A modelagem matemtica, neste caso, visa analisar a dinmica da doena.
Dados e variveis
M = M(t) a quantidade de mas contaminadas no instante t;
t = tempo de propagao (dias);
T = quantidade total de mas em um bin 3000 frutas;
Se o processo de disperso da doena se inicia com 1 ma ento, M0 = M(0) = 1
(condio inicial);
Quando a doena se inicia com uma fruta infectada ento em 12 dias 80% das
ma do bin estaro podres, isto , M(12) = 0, 8T .
Hiptese:
"A velocidade de propagao da doena proporcional proximidade
(encontro) entre mas sadias e contaminadas ".
A velocidade de propagao pode ser entendida como a variao (aumento), em
relao ao tempo, da quantidade de mas podres.
105
dt = SM
dM
dt = SM
M = 1 e S +M = T
0
(5.0.1)
dM
dt = M(T M)
M0 = 1
(5.0.2)
Observamos que o modelo 5.0.2 uma equao logstica contnua cuja soluo analtica obtida pelo mtodo da separao de variveis (veja 4.4.14).
M(t) =
KT eT t
1 + KeT t
1
1
' ' 0, 00033
T 1 T
eT t
T eT t
T
=
=
1 + T1 eT t T + eT t T eT t + 1
106
e12T
= ln
12T
+1
= 0, 8T e12T = 0, 2
1
1
1
= =
ln
0, 000261
4T
12T
4T
Portanto a equao determinstica que permite fazer previses de mas contaminadas em cada instante
3000
M(t) =
(5.0.3)
3000 e0,783t + 1
Por outro lado, se quisermos fazer previses do tempo necessrio para cada porcentagem de frutas contaminadas, devemos ter t em funo de M = pT . Assim, substituindo este valor na equao de M(t), obtemos
pT
T
T
eT t
+1
= pT eT t + p = 1 = eT t =
1p
pT
!
!
1p
1p
1
= T t = ln
= t =
ln
pT
T
pT
1
1
Considerando o valor = 12T
ln 4T
obtemos
1p
12
ln
t=
1
pT
ln 4T
!
com
0<p<1
(5.0.4)
Por exemplo, se quisermos o tempo transcorrido para que metade das mas estejam contaminadas, basta tomar p = 0, 5. Assim, em um bin de 3000 mas teremos
metade contaminada quando t = 121 ln T1 = (1, 277) (8, 006) = 10, 224 dias.
ln 4T
Para saber quando toda caixa de ma estar estragada dever-se-ia tomar a equao do tempo com o valor p = 1 o que no possvel uma vez que tal equao no
est definida para este ponto. O que podemos fazer tomar um valor de p bastante
aproximado de 1, por exemplo p = 0, 99 e obter
t = (1, 277) ln
0, 01
16, 092 dias
0, 99T
107
aproximadamente, 3000 mas ento seus lados valem 3 3000 ' 14, 5.Assim, podemos pensar que as mas estejam distribuidas em 14 ou 15 camadas planas dentro
da caixa. Inicialmente podemos pensar num modelo de propagao em uma camada
central, ou seja, no plano.
108
109
Assim, a propagao da doena, no plano, obedece formao de hexgonos encaixantes (Fig. 5.3), isto , em cada estgio (interao) o nmero de mas que apodrecem sempre mltiplo de 6 (no caso de tangenciamento mximo). No caso de
tangenciamento mnimo o nmero ser mltiplo de 4.
Vamos supor que a quantidade inicial de mas podres seja M0 =1 e est situada no
centro da regio plana, ento a propagao da doena neste plano ser: M1 = 6; M2 =
12; M3 = 18; ...; Mn = 6n. No caso especfico do nosso problema temos 1 n 7 pois
com 7 interaes temos as primeiras mas podres atingindo a parede da caixa que
tem lado aproximadamente igual a 14. Depois da 7a interao a taxa de propagao
da doena modificada pois as podres so barradas pelas paredes da caixa.
Podemos agora calcular a soma de mas contaminadas para n 7 :
Seja An o total de frutas contaminadas at o estgio n, ento temos:
An = An1 + 6n
A0 = 1
(5.0.5)
110
An = 1 + 3n(n + 1) para 1 n 7
(5.0.6)
6(n + 1)
2
Mn+1
=
'
com n 0
An
1 + 3n(n + 1) n
(5.0.7)
Podemos observar que, mesmo com este modelo simples com propagao no plano,
a taxa de reprodutividade varia com o tempo (estgio).
Modelo da segunda camada
Se tivermos uma camada de mas distribuidas conforme a Fig 5.3 ento uma camada "plana"sobreposta e uma camada inferior devero ter as frutas encaixadas nos
espaos compreendidos entre cada 3 mas da camada inicial (Fig. 5.4):
111
Pn = Pn1 + 6
para 2 n 7
P1 = 3
(5.0.8)
Pn = 3(2n 1) para 1 n 7
(5.0.9)
n
X
j=1
Pj =
n
X
3(2n 1) = 3n2
(5.0.10)
j=1
Modelo Parcial Espacial Discreto Como condio inicial supomos que h uma
fruta podre situada no centro de uma caixa.Vamos considerar as frutas dispostas
neste bin como se estivessem em camadas sobrepostas e cujas configuraes so dadas
pelas formaes das camadas estudadas anteriormente (Fig 5.4 e Fig 5.4).
Devemos procurar uma frmula que d a soma das frutas podres para um estgio
n quando 0 n 7.
Seja Sn a soma de todas as frutas podres para um estgio n.Devemos pensar que em
cada estgio n apodrecem frutas que esto situadas em camadas adjacentes quelas
onde j existem frutas podres
112
Sn
M0
S0 + 2P1 + M1
S1 + 2A1 + 2P2 + M2
S2 + 2Q2 + 2M2 + 2P3 + M3
S3 + 2A2 + 2P3 + 2M3 + 2P4 + M4
S4 + 2Q3 + 2M3 + 2P4 + 2M4 + 2P5 + M5
exerccio
S0
S1
S2
S3
S4
S5
S6
S0
S1
S2
S3
S4
S5
S6
=
A0
=
A1 + 2Q1
=
A2 + 2Q2 + 2A1
=
A3 + 2Q3 + 2A2 + 2Q2
=
A4 + 2Q4 + 2A3 + 2Q3 + 2A2
= A5 + 2Q5 + 2A4 + 2Q4 + 2A3 + 2Q3
=
exerccio
S2n+1 = A2n+1 + 2
2n
X
Aj + 2
j=n+1
S2n = A2n + 2
2n1
X
j=n
Aj + 2
2n+1
X
Qj
(5.0.11)
j=n+1
2n
X
Qj
j=n+1
Usando este modelo podemos calcular quantas mas apodreceram em cada estgio:
113
114
3,873
64 x2 dx R8
2
0
115
x = 8sen
Considerando a mudana de varivel
, na integral, podemos resolver
y = 8 cos
Z
Z
64 x2 dx =
Z
(8 cos ) (8 cos d) = 64
cos2 d
2
2
1
sen + cos = 1
= cos2 = (1 + cos 2)
2
2
cos sen = cos 2
2
Logo,
Z
1
cos d =
2
2
1
1
1
(1 + cos 2) d = ( + sen2) = ( + sen cos )
2
2
2
Portanto,
Z
3,873
r
2
1
x
x
64 x2 dx = 64 (arcsen + x 1 )
8 8
64
3,873
2
0
5,657
T9 = 4(2
Como M9 = 54 < 64 no podemos usar este artifcio de clculo de reas para estabelecer a dinmica pretendida. Uma tentativa de "resolver"este problema simplesmente
116
C7
C6
C5
C4
C3
C2
C1
C0
C1
C2
C3
C4
C5
C6
C7
Total
E0
E1
E2
E3
E4
E5
E6
E7
E8
E9
E10
E11
E12
E13
Total
48
27
33
39
45
196
37
24
30
36
42
20
12
204
27
21
27
33
39
45
196
19
18
24
30
36
42
20
12
204
12
15
21
27
33
39
45
196
12
18
24
30
36
42
20
12
204
15
21
27
33
39
45
196
12
18
24
30
36
42
20
12
204
15
21
27
33
39
45
196
12
18
24
30
36
42
20
12
204
12
15
21
27
33
39
45
196
19
18
24
30
36
42
20
12
204
27
21
27
33
39
45
196
37
24
30
36
42
20
12
204
48
27
33
39
45
196
12
44
96
170
264
380
516
524
450
327
168
38
2996
Tabela 5.1 : Total de mas podres em cada estgio e camada (modelo geomtrico)
Nas linhas da Tabela 8 esto as Camadas Cj e nas colunas as incidncias nos estgios
En , isto , o nmero de novas frutas contaminadas em cada estgio..
OBS.: Consideramos na matriz 15 linhas ou camadas simplesmente para se ter uma
matriz simtrica, da a soma ter dado 2996 3000 mas no total.
A quantidade total de mas podres em cada estgio, obtida com clculos parciais anteriores, ser denominado modelo discreto-geomtrico D1 e aqui dado pelos
valores:
Sn =
Pn
j=0 Ej
= {1, 13, 57, 153, 323, 587, 967, 1483, 2007, 2457, 2784, 2952, 2990, 2996}
117
(5.0.12)
Sn+1 Sn
Sn (T Sn)
S3 = 170
118
(5.0.13)
970e8T
KT
K
=
T 970
K + e8T
12T
KT
K = 4ee
12T
K +e
12T
119
20, 456
0, 006819 + e0,5312t
(5.0.14)
KT
e12T
K
=
4e
K + e12T
FALTA UMA FIGURA AQUI ?????
Tabela 5.2 - Comparao entre os modelos
A comparao visual entre os quatro modelos dada na seguinte figura (Fig. 5.10)
0, 8T =
120
Sn+1 Sn = Sn
S0 = 20
En+1 En = En
E0 = 20
Et = 20(1 + )t = 20eln(1+)t
121
600 x
se 0 x < 600 e Pbi = 0 caso contrrio
600
122
123
1.
2.
3.
4.
5.
6.
SE
Pbi
Pb
Pm
Pma
Pa
Pat
ENTO
Vbi
Vm
Va
Vat
Va
Vbi
Tabela 5.3
124
1jn
Sn+1 = Sn + n
S0 = 1
O processo iterativo pode ser feito mo ou usando o Toolbox do Matlab e o resultado
final de previso ou soluo pode ser visualizado na Fig 5.14
125
dP
b (T P )
dt = P S = P
P0 dado
(5.0.15)
A soluo de 5.0.15 um conjunto fuzzy do plano, formado pelas solues do sistema determinstico, onde cada elemento (soluo determinstica) tem o mesmo grau
de pertinncia do parmetro determinstico de partida. Em outras palavras, em cada
instante t a soluo dada por um intervalo onde, cada ponto tem um grau de credibilidade de ser soluo (veja Fig 5.15).
126
127
Ah = Ap Ac = 2rh r 2 = 2r 2 3 r 2 = r 2 2 3
128
Ac
Ah ,
ou seja,
r2 2 3
1
2 3
=
1
=
Dh
r 2
(5.0.16)
r 2
(5.0.17)
fcil observar que qualquer outro posicionamento de crculos no plano tem densidade compreendida entre Dq e Dh . Tambm simples verificar que Dq < Dh , qualquer
que seja o raio r do crculo:
1
2 3
4
1
=
1 < 1 =
= Dq < Dh
Dh
Dq
(5.0.18)
Nos panfletos publicados por Kepler em 1611 tambm pode-se ver que o empilhamento de bolas era um tema de discusso da poca (Fig. 5.19)
129
130
Bn = n + (n 1) + .... + 2 + 1 =
j=n
X
j=1
j=
n(n + 1)
2
Pj=n1
A camada de bolas imediatamente superior base ter Bn1 = j=1 j =
E assim, sucessivamente at o "vrtice"que ter uma bola (Fig 2.22)
131
(5.0.19)
(n1)n
2
bolas.
n
X
Bj =
j=1
n
X
j(j + 1)
j=1
1X
=
(j + j 2 )
2
(5.0.20)
j=1
Para se ter uma frmula geral devemos antes determinar uma expresso para a soma
de quadrados. Vamos mostrar que
n
X
j=1
j2 =
n(n + 1)(2n + 1)
6
verdadeira.
De fato, se n = 1 ento 5.0.21 vale;
P
Suponhamos vlida para n = k, isto , kj=1 j 2 =
para n = k + 1
k+1
X
j2 =
j=1
k
X
j=1
k(k+1)(2k+1)
,
6
(5.0.21)
h
i
(k + 1) 2k 2 + k + 6k + 6
k(k
+
1)(2k
+
1)
j 2 + (k + 1)2 =
+ (k + 1)2 =
6
6
(5.0.22)
j=1
"Empilhando bolas iguais de raio r elas estaro contidas numa pirmide regular de base triangular.
Determine o volume do espao existente entre as bolas e as faces da pirmide".
132
(5.0.23)
133
r
1
tg = = = a = 3r
3 a
Sejam H a altura da pirmide e h a altura do tringulo da base, ento
h2 + a2 = L21 = h = a 3 = 3r
3
3
2
b =
h eh=
L1 = b =
L1
3
2
3
r
2
6
2
2
2
L1 = H + b = H1 =
L1 =
L
3
3 1
com
L1 = 2a = 2 3r
"
#r
1
1 1
1 1 3 2
2
2
VP1 = A1 H1 =
L1 h H1 =
L1
L1 =
L
3
3 2
3 2 2
3
12 1
Ento, o volume em funo do raio da bola
VP1 =
2 h i3
2 3r
12
134
b =
A =
H2 =
L2 =
2
3
3
heh=
L2 = b =
L
3
3 2
2
1
3 2
L2 h =
L
2
4 2 r
2
L22 b2 = H =
L
3 2
2a + 2r = 2 3r + 2r
Portanto,
VP2
VP2
!r
1 3 2
2
2 3
1
AH2 =
L2
L2 =
L
=
3
3 4
3
12 2
ou
i3
2h
=
2 3r + 2r
12
L3 = 2a + 4r = 2 3r + 4r
V P3 =
i3
2h
2 3r + 4r
12
135
Vpn =
i3
2h
2 3r + 2(n 1)r
12
(5.0.24)
Fig 5.27Tendncia do crescimento dos volumes das bolas empilhadas e respectivas pirmides circunscritas
A diferena entre os volumes Dn = VPn VBn est bem prxima de uma funo
exponencial, ou seja,
Dn = 0, 4468n2,7262
136
VPn
VBn
,
VPn
n VB
n
lim
lim
h
2
12 2 3r
+ 2(n 1)r
i3
n 4 r 3 1 n(n + 1)(n + 2)
3
6
h
i3
2 3
r
2
3
+
2(n
1)
12
lim
n 4 r 3 1 n(n + 1)(n + 2)
3
6
h
i
2
3
2
8n
12
12 8
lim
n 4 1 n3
3
6
i = lim
h i ' 1, 35
n 4 1
3
6
Rn = f (Rn1 )
Rn = Rn1
137
total
V Pn
VBn
Dn
bolas
bolas
pirmide
bolas
VPn VBn
Rn
VPn
VBn
4,90
4,19
0,71
1,170
19,23
16,76
2,47
1,147
10
49,01
41,89
7,12
1,170
20
99,90
83,78
16,13
1,192
35
177,56
146,61
30,96
1,211
56
287,65
234,57
53,08
1,226
84
435,82
351,86
83,96
1,239
120
627,73
502,66
125,07
1,249
165
869,03
691,15
177,88
1,257
10
220
1165,39
921,54
243,86
1,265
Tabela 5.4
Ajustando os valores entre Rn e Rn1 , n > 2, obtemos um bom ajuste com a equao
da reta
Rn = 0, 847Rn1 + 0, 2
A soluo do sistema nos d o ponto limite ou valor de estabilidade:
Rn = 0, 847Rn1 + 0, 2
= R = 1, 307
Rn = Rn1 = R
Podemos ento propor um modelo mais simples que aproxima a relao Rn =
138
VPn
V Bn
Rn
R Rn
1,170
0,137
1,147
0,160
1,14732
1,170
0,137
1,17188
1,192
0,115
1,19266
1,211
0,096
1,21025
1,226
0,081
1,22513
1,239
0,068
1,23772
1,249
0,058
1,24837
1,257
0,050
1,25739
10
1,265
0,042
1,26502
Modelo
Tabela 5.5
Se considerarmos os valores (R Rn ), podemos notar que se comportam satisfatoriamente como uma curva exponencial - Um ajuste neste sentido fornece
R Rn = 0, 223e0,167n
Logo,
Rn = 1, 307 0, 223e0,167n
139
VPn
VBn
L
Se n = k, rk =
2 3 + 2(k 1)
Mostre que o volume
das pirmides formadas com o empilhamento destas bolas con
2
verge para VP = 12 L,quando n .
2. Resolva o problema de difuso da doena ("podrido da ma") quando a ma
podre inicial se encontra num dos cantos da caixa (Fig. 5.30)
140
141
6 Esporte
O tema Esporte foi desenvolvido por 3 cursistas (Cristiano Bezerra, Flvia Diniz
e William Kfouri) num programa de Especializao para professores realizado na
UFABC em 2008. Em sua monografia final apresentaram o seguinte resumo: "Este
trabalho teve como objetivo investigar se a Modelagem Matemtica seria uma alternativa
vivel para o ensino e aprendizagem de Matemtica na Educao Bsica, abordando o tema
Esportes, dentre eles a corrida do 100 metros rasos e a maratona.
Abordamos a evoluo dos recordes mundiais, masculino e feminino, criando modelos
que servem para prever as novas quebras. Tambm foi considerado o estudo cinemtico da
velocidade e acelerao dos atletas na corrida dos 100 metros. Durante o desenvolvimento
deste curso, surgiram outras idias e questionamentos em relao s idades dos atletas.
Como modelo geomtrico, foi muito interessante estudar o posicionamento inicial de cada
atleta numa pista de corrida. Aproveitamos a Olimpada de 2008, realizada na China para
142
6 Esporte
testar nossos modelos.
Apresentamos tambm alguns caminhos que a Modelagem pode proporcionar para trabalhar com Matemtica na sala de aula, baseados nos esportes de corrida, de modo diferente e
atraente para os alunos. Procuramos eliminar o estgma de que a Matemtica considerada
difcil por muitos, desinteressate por outros e at inacessvel para a maioria"[15].
143
6 Esporte
Atleta
Pas de origem
Local
Reginald Walker
frica do Sul
Londres
Donald Lippincott
Estados Unidos
Estocolmo
Charles Paddock
Estados Unidos
Percy Williams
Data
Ano
Recorde
1908
10,8
06/junho
1912
10,6
Redlands
23/abril
1921
10,4
Canad
Toronto
09/agosto
1930
10,3
Jesse Owens
Estados Unidos
Chicago
20/junho
1936
10,2
Willie Williams
Estados Unidos
Berlim
03/agosto
1956
10,1
Armin Hary
Alemanha
Zurique
21/junho
1960
10,0
Jim Hines
Estados Unidos
Cidade do Mxico
14/outubro
1968
9,95
Calvin Smith
Estados Unidos
Colorado Springs
03/agosto
1983
9,93
Carl Lewis
Estados Unidos
Seul
24/setembro
1988
9,92
Leroy Burrell
Estados Unidos
New york
14/junho
1991
9,90
Carl Lewis
Estados Unidos
Tquio
25/agosto
1991
9,86
Leroy Burrell
Estados Unidos
Lausane
06/julho
1994
9,85
Donavan Bailey
Canad
Atlanta
27/julho
1996
9,84
Maurice Greene
Estados Unidos
Atenas
16/junho
1999
9,79
Tim Montgomery
Estados Unidos
Paris
14/setembro
2002
9,78
Asafa Powel
Jamaica
Atenas
14/junho
2005
9,77
Asafa Powel
Jamaica
Rieti
09/setembro
2007
9,74
Usain Bolt
Jamaica
New York
31/maio
2008
9,72
144
6 Esporte
145
6 Esporte
Ano
ano*:n
Recorde:R(n)
1908
10,8
1912
12
10,6
1921
21
10,4
1930
30
10,3
1936
36
10,2
1956
56
10,1
1960
60
10,0
1968
68
9,95
1983
83
9,93
1988
88
9,92
1991
91
9,86
1994
94
9,85
1996
96
9,84
1999
99
9,79
2002
102
9,78
2005
105
9,77
2007
2008
16/08/08
107
9,74
108
9,72
108, 85
9, 69
Tabela 6.2 Valores dos recordes mundiais da corrida de 100 metros rasos e o record de Usain Bolt em 16/08/2
A proposta inicial procurar um modelo matemtico que possa fornecer informaes sbre a evoluo dos tempos registrados nos recordes de uma corrida de 100
metros. Os dados da T abela 4 podem ser visualizados numa curva de tendncia (Fig.
12)
146
6 Esporte
Temos que a sequncia de valores dos tempos de recordes decrescente e, por outro lado, sabemos tambm que as limitaes do ser humano no permitem que tal
sequncia tenda a zero. Logo, deve existir um limiar inferior para o tempo gasto em
tal modalidade de corrida. Em outras palavras, se {R(n)}nN a sequncia de tempos
de recordes ento {R(n)}nN R > 0. Usando o mtodo de Ford-Walford (Fig 6.3),
obtemos
Rn+1 = Rn
(6.1.1)
Observamos que este estudo foi realizado em julho de 2008 e em agosto tivemos a
Olimpada de Pequim. Esta proximidade dos jogos olmpicos deu uma motivao
147
6 Esporte
maior ainda para o processo de modelagem que estava acontecendo no curso de Especializao e serviu para testar nossos modelos.
Consideramos a sequncia formada pelos elementos xn = Rn R = Rn 9, 7099 =
limn xn = 0.
As caractersticas da sequncia {R(n)}nN nos leva a buscar um ajuste para a sequncia {R(n) 9, 7099}nN na forma exponencial, pelo menos como uma primeira aproximao e tambm por ser tal funo um elemento de estudo importante no Ensino
Mdio.
148
(6.1.2)
6 Esporte
Em 16 de agosto de 2008 Usain Bolt bateu o recorde com um tempo de 9, 69 segundos, o que contrariou nosso valor limite de 9s7099. Isto nos motiva a procurar melhorar o modelo de previso considerado inicialmente. O leitor interessado pode ajustar
melhor nosso modelo 6.1.2, usando tambm o recorde de Bolt. Em 16/08/2009 no
Campeonato Mundial de Atletismo realizado no Estdio Olmpico de Berlim, Bolt bateu seu prprio record fazendo a corrida em 9s58 e prognosticou que o record nunca
seria inferior a 9s4. Os demais tempos e atletas desta competio esto listados a
seguir:
1. Usain Bolt- Jamaica: 9s58
2. Tyson Gay- Estados Unidos: 9s71
3. Asafa Powell- Jamaica: 9s84
4. Daniel Bailey- Antigua e Barbuda: 9s93
5. Richard Thompson- Trinidad e Tobago: 9s93
6. Dwain Chambers- Gr-Bretanha: 10s00
7. Marc Burns- Trinidad e Tobago: 10s00
8. Darvis Patton- Estados Unidos: 10s34
Projeto 2.1: Corrida dos 100 metros rasos - feminino A primeira corrida de 100
metros rasos em jogos olmpicos para mulheres aconteceu em Amsterd em 1928 e
a partir de ento os recordes foram se sucedendo - Os valores observados esto na
Tabela 14:
149
6 Esporte
Atleta
Pas de origem
Local
Ano
Recorde
Elisabeth Robinson
Estados Unidos
Amsterd
1928
12,20
Stanislava Alasiewicz
Polnia
Los ngeles
1932
11,90
Stanislava Alasiewicz
Polnia
Varsvia
1934
11,70
Stanislava Alasiewicz
Polnia
Berlim
1937
11,60
Fanny Blankers-Koen
Holanda
Amsterd
1948
11,50
Marjorie Jackson
Austrlia
Helsinki
1952
11,40
Shirley Strickland
Austrlia
Varsvia
1955
11,30
Wilmar G. Rudolph
Estados Unidos
Stuttgart
1961
11,25
Wimia Tyus
Estados Unidos
Tkio
1964
11,20
Irena K. Szewinska
Polnia
Praga
1965
11,10
Wimia Tyus
Estados Unidos
Colorado Springs
1968
11,08
Chi Cheng
China
Wenen
1970
11,00
Renate Stecher
Alemanha
Munique
1972
10,95
Renate Stecher
Alemanha
Ostrava
1973
10,90
Renate Stecher
Alemanha
Dresden
1973
11,80
Evelyn Ashford
Estados Unidos
Colorado Springs
1983
10,79
Evelyn Ashford
Estados Unidos
Zurique
1984
10,76
Florence Griffith
Estados Unidos
Indianpolis
1988
10,49
150
6 Esporte
de partida. Um atleta leva, em mdia, 0, 18 segundos para iniciar a corrida aps o
disparo enquanto que uma pessoa normal levaria cerca de 0, 27 segundos; O atleta
tem tambm um treino especial para a respirao - Inspiram na largada, expiram e
inspiram novamente na metade da corrida e s voltam a expirar outra vez no fim da
corrida;
(2) Fase de acelerao positiva - Aps a sada o corredor aumenta sua velocidade
com o aumento da frequncia e da amplitude das passadas, atingindo a velocidade
mxima entre 43 e 60 metros, cerca de 6 segundos aps a largada [[17]];
(3) Fase da velocidade constante - O corredor tenta manter a velocidade bem prxima da mxima e chega a correr de 20m a 30m nesta fase;
(4) Fase de acelerao negativa - Devido s prprias restries do organismo, o
atleta no consegue manter a velocidade mxima e comea a desacelerao. Isto
ocorre nos 20m a 10m do final.
A grosso modo, uma corrida de 100m segue o seguinte esquema (Fig. 3.5)
151
6 Esporte
o a) como funes do tempo:
Z
ds
v =
: velocidade a variao do espao por unidade de tempo = s(t) = v(t)dt
dt
Z
dv
: acelerao a variao da velocidade por unidade de tempo = v(t) = a(t)dt
a =
dt
Com os dados de cada fase (V. Fig. 16) podemos pensar numa funo para modelar a
velocidade, do tipo
v(t) = tet
(6.1.3)
Podemos observar que tal funo 6.1.3 satisfaz: v(0) = 0 e v(t) > 0 se t > 0. Ainda,
a(t) =
dv
= tet + et = et (t + 1)
dt
(6.1.4)
Logo, v(t) tem um ponto de mximo para t = 1 pois a(t) > 0 0 0 t < 1 .
O espao percorrido num instante t dado por:
t Zt
1
e d = et e d
s(t) =
v(t)dt
(6.1.5)
0
0
0
!t
!
i
1 t
1
1
t
= te 2 e d = e
t+
+ 2 = 2 (t + 1) et + 1
0
Z
1
2
1
s( ) = 50 = e1 + 2 = 2 + 1
Logo,
=
50 2
50 2
=
= 189, 237 2
2
2
1 e
1 e
152
(6.1.6)
6 Esporte
De 6.1.5, obtemos
50
50 10
e
(10 + 1) +
=
2
1 e
1 2e
100
e10 (10 + 1) + 1 =
189, 237
e10 (10 + 1) = 0, 4716 = = 0, 1771 (verif ique)
100 =
Salientamos que a rea da figura limitada pela curva v = v(t) e pela reta t = t
o espao percorrido s(t) (Veja Fig. 3.6). Neste modelo a velocidade mxima vM
atingida quando t = 1 = 5, 646, ou seja, vM = 12, 315m/s ou 44, 334Km/h.
O grfico da curva s = s(t) dado pela Fig. 6.8,
153
6 Esporte
Fig.6.8-Espao percorrido pelo atleta em cada instante
154
6 Esporte
Categoria Mirim: atletas com 13 e 14 anos, no ano da competio;
Categoria Menor ou Youth: atletas com 15,16 ou17 anos, no ano da competio;
Categoria Juvenil ou Junior: atletas com idades compreendidas entre 16 e 22 anos,
no ano da competio;
Categoria Adulto ou Senior: atletas com 16 anos ou mais, no ano da competio;
Categoria Veterano ou Master: atletas com mais de 36 anos, no ano da competio.
Esta categoria ainda subdividida: M40 (36 a 40 anos), M45 (41 a 45 anos), M50 (46
a 50 anos) etc. No h competies oficiais com menores de 10 anos.
155
6 Esporte
Idade
Tempo T1
Tempo T2
Tempo T3
Tempo T4
Mdia
Mdia mvel
13 a 14
12,01
12,42
12,50
11,20
12,03
12,03
15
11,02
11,18
11,28
12,75
11,56
11,80
16
10,23
10,06
11,05
11,71
10,90
11,50
17
10,52
10,96
11,06
11,27
10,95
11,40
18
9,97
10,01
10,71
11,51
10,55
10,80
19
10,07
10,39
10,59
11,00
10,51
10,67
20
9,92
10,03
10,10
10,82
10,22
10,43
21
9,85
10,03
10,42
10,53
10,21
10,31
22
9,69
9,85
9,92
10,22
9,92
10,12
23
9,69
9,85
9,92
10,22
9,92
10,02
24
9,79
9,99
10,04
10,60
10,11
9,98
25
9,72
9,77
10,01
10,55
10,01
10,01
26
9,88
9,96
10,02
10,50
10,09
10,07
27
9,95
10,01
10,57
11,15
10,42
10,17
28
9,84
9,92
10,00
10,48
10,06
10,19
29
10,02
10,45
10,60
10,76
10,46
10,31
30
9,86
10,02
10,14
10,41
10,11
10,21
31
10,06
10,08
10,19
10,54
10,22
10,26
32
10,02
10,07
10,57
11,01
10,42
10,25
33
10,32
10,40
10,55
11,05
10,58
10,41
34
10,40
11,02
10,33
10,36
10,53
10,51
35
11,20
10,80
11,80
10,33
11,03
10,71
36 a 40
11,20
11,50
10,09
10,60
10,85
10,80
41 a 45
12,04
11,50
10,90
12,00
11,61
11,16
46 a 50
12,40
13,00
14,00
15,00
13,60
12,02
51 a 55
12,40
12,90
14,00
13,20
13,13
12,78
56 a 60
16,00
16,00
17,00
16,00
16,25
14,33
61 a 65
15,40
14,30
17,00
18,00
16,18
15,19
66 a 70
17,50
18,20
18,90
20,00
18,65
17,03
Tabela 6.4 - Tempos de atletas vencedores dos 100 metros em vrias idades Fonte: Caderno
Didtico da IAAF (Intern. Association Ath. Federations)
156
6 Esporte
Na corrida de 100 metros o desempenho atltico depende de vrios fatores: fora
de exproso, potncia, resistncia fsica, habilidade, controle emocional, massa muscular, capacidade respiratria e resistncia. Os corredores Mirim e Youth ainda no
possuem massa muscular suficiente para uma grande arrancada enquanto que os velocistas veteranos perderam boa parte da resistncia fsica e potncia. Estabeleceu-se
que que o perodo que o atleta velocista consegue um melhor desempenho entre 23
e 30 anos - Uma curva de tendncia com valores da Tabela 6.4 mostra que, se considerarmos a idade entre 12 a 70 anos ento o tempo mdio da prova diminue com a
idade at uma regio de mnimo e depois aumenta ( Fig. 6.10)
Fig.6.10- Curva de tendncia do tempo de uma corrida de 100 metros e a idade do atleta
(6.1.7)
R2 = 0, 9589
A funo 6.1.7 uma parbola que passa por um mnimo quando
dT
= 0, 0104a 0, 2796 = 0 = a = 26, 88
da
Ento, podemos dizer que, pelo nosso modelo (neste caso, apenas um ajuste de pontos), a idade ideal para esta corrida est em torno de 26 anos e 11 meses. Salientamos
que, neste caso, a preciso matemtica do resultado no coerente com o fenmeno
estudado. De fato, podemos melhorar o resultado se considerarmos uma mdia mvel
de tempos de corrida para velocistas com menos de 30 anos. A Fig. 6.11 mostra que
a curva de tendncia se aproxima bem melhor dos valores observados (R2 = 0, 9864).
157
6 Esporte
Fig 6.11- Ajuste da mdia mvel dos tempos pela idade dos velocistas
Consideramos a mdia mvel das mdias dos tempos (7a coluna da Tabela 6.4),
calculada com 3 elementos, isto ,
i
1 X
MTi =
Ti , i 3
3
i2
158
6 Esporte
Fig 6.12- Curva de tendncia do tempo de uma corrida de 100 metros e a idade do atleta
A pista de atletismo gerou uma expectativa e um interesse logo no incio das investigaes realizadas para se conseguir dados que fossem significativos para se trabalhar com
a modelagem matemtica. A sua estrutura geomtrica, suas dimenses, suas marcaes
tcnicas indicavam inicialmente que muito se aproveitaria do estudo [15].
A modelagem esttica que poderia ter sido feita no curso com o estudo da geometria da pista, se restringiu s marcas para uma corrida de 400 metros. Isto porque os
modelos dinmicos estavam parecendo mais interessantes no momento e o tema corrida estava sobrepondo-se ao esporte que fora escolhido inicialmente. A substituio
de um tema mais abrangente por um subtema muito comum no processo de modelagem, quando se trabalha em programas de Especializao. Neste mesmo curso
do ABC o tema doenas foi substituido por AIDS, qualidade de vida por licenas de tratamento de sade e meio ambiente por reciclagem. Estas mudanas so, quase sempre,
motivadas pela ausncia ou restries na obteno de dados.
Marcas de partida de uma corrida de 400 metros
159
6 Esporte
Para que todos percorram exatamente 400 metros na pista onde, cada raia tem um
permetro diferente, necessrio que cada atleta largue em posio que compense as
tais diferenas dos permetros. A pista oficial de atletismo est dividida em 8 raias
cujas larguras podem variar de 1,22m a 1,27m, delimitadas por faixas brancas de
5cm. A linha de chegada perpendicular margem interna da pista. A raia interna,
composta de duas retas e dois anis de semicrculos, tem exatamente 400 metros.
Para descobrir os pontos de partida de cada corredor consideramos ainda os seguintes
dados:
So 8 raias, compostas por duas retas de 84,39m de comprimento e dois anis de
semicirculos concntricos e com raios que aumentam1,22m a partir da raia interna
que a mais prxima do centro - (Veja Fig. 6.13).
Fig 6.13- Curva de tendncia do tempo de uma corrida de 100 metros e a idade do atleta
160
6 Esporte
O raio rn da n-sima raia Rn ,1 n 8, dado por
rn = 36, 8 + (n 1)1, 22
O comprimento da raia Rn
cn = 2x84, 39 + 2rn
Portanto, o arco de crculo que deve ser retirado de cada raia Rn para se ter exatamente
400 metros para cada corredor
an = cn 400 = 2rn 231, 22
O modelo que procuramos dado pela posio dos pontos n (de partida), considerando a retirada dos arcos an .
Rn
rn
cn
an
36,80
400,00
0,00
38,02
407,67
7,67
39,24
415,33
15,33
40,46
423,00
23,00
41,68
430,66
30,66
42,90
438,33
38,33
44,12
445,99
45,99
45,34
453,66
53,66
161
6 Esporte
Fig 6.14- Coordenadas polares dos pontos de partida
xn = rn cos n
yn = rn sin n
O ngulo n depende da raia Rn considerada.
O arco de raio n vale
a
an = n rn n = n
rn
No caso da pista de atletismo os valores dos ngulos e posies cartesianas dos pontos
so dados na Tabela 17
n =
an
rn
xn
yn
0,00
36,80
0,00
0,20
37,25
7,61
0,39
36,28
14,95
0,57
34,10
21,78
0,74
30,90
27,97
0,89
26,89
33,43
1,04
22,24
38,10
1,18
17,12
41,98
162
6 Esporte
Fig 6.16- Posio dos pontos de partida na corrida de 400 metros rasos
Projeto 2.3 - Faa um estudo completo da corrida de 200 metros rasos (recordes,
dinmica e pontos de partida).
Projeto 2.4 - Faa um estudo completo da Maratona [15].
163
7 Criminalidade no ABCD
O trabalho que apresentamos nesta seo foi o resultado das pesquisas realizadas
por um grupo de professores de matemtica da rede de ensino, num curso de especializao que organizamos na UFABC em 2009-10 ??. Como parte deste trabalho
desenvolvido um tratamento matemtico dos ndices de homicdios dos quatro municpios da Grande So Paulo: Santo Andr, So Caetano, So Bernardo e Diadema,
com a elaborao de modelos que mostram os possveis nveis de estabilidade nestes
municpios, e um comparativo entre tais ndices.
A motivao para este estudo partiu de sugestes dos professores preocupados com
a formao de cidados, acreditando ser possvel vincular o desejo de aprender modelagem matemtica vontade de interferir na sociedade tendo em vista que o problema, comum a todos do grupo, lecionar em escolas pblicas situadas na periferia
da cidade de So Paulo e nas cidades do ABCD, regio conhecida por seus altos ndices de violncia e criminalidade.
164
7 Criminalidade no ABCD
Os objetivos principais do curso de Especializao em Ensino-Aprendizagem com
Modelagem eram:
a) Aprender a construir modelos matemticos;
b) Formular modelos matemticos dos homicdios dolosos ocorridos nas cidades de
Santo Andr, So Bernardo, So Caetano e Diadema de 1999 at 2007;
c) Compreender para quais nveis de criminalidade est se caminhando, atravs de
uma anlise das tendncias apresentadas;
d) Incentivar e apoiar novos estudos que busquem avanar no conhecimento das
causas da criminalidade.
Para cada um dos municpios foram construdos modelos, considerando-se como
parmetro o "crime de homicdio doloso" por 100.000 habitantes, no perodo de 1999
2007. Este parmetro apresentado como fator de maior peso no clculo do ndice
de criminalidade.
O objetivo dos modelos matemticos do presente trabalho, construdos a partir de
dados oficiais da Secretaria de Segurana Pblica do Estado de So Paulo, teve como
foco principal as previses de nveis de estabilidade do ndice de criminalidade em
cada municpio.
Fatores condicionantes do crime e da criminalidade
1. Densidade populacional e grau de urbanizao local, bem como o tamanho da
comunidade e de suas reas adjacentes;
2. Variao na composio do contingente populacional local, particularmente
quanto prevalncia de estratos populacionais jovens e de indivduos do sexo masculino;
3. Estabilidade da populao no que concerne mobilidade de residentes locais da
comunidade, seus padres dirios de deslocamento e presena de populao transitria ou de no-residentes;
4. Meios de transporte localmente disponveis e sistema virio local;
5. Condies econmicas, incluindo renda mdia, nvel de pobreza e disponibilidade de postos de trabalho;
6. Aspectos culturais, educacionais, religiosos e oportunidades de lazer e entretenimento;
7. Condies da matriz social nuclear, no que concerne o divrcio e coeso do grupo
familiar;
8. Clima local;
9. Efetividade das instituies policiais locais;
165
7 Criminalidade no ABCD
10. nfase diferenciada das polcias locais nas funes operacionais e administrativas da instituio;
11. Polticas, mtodos e processos de funcionamento das outras instituies que
do corpo ao sistema de local de justia criminal, incluindo o Ministrio Pblico,
Poder Judicirio e Autoridade Prisional;
12. Atitudes da cidadania em relao ao crime;
13. Prticas prevalentes de notificao de delitos ocorridos s autoridades policiais.
Observamos que para o processo de ensino-aprendizagem com modelagem, cada
um dos condicionantes citados poderia ser um sub tema para se construir modelos
ou apenas para um estudo estatstico.
Histrico recente da criminalidade do ABCD
Na dcada de 1950, alm das condicionantes da criminalidade citadas, outras puderam ser sentidas no que se refere tipologia das indstrias da regio. Com os
investimentos estatais e a entrada de capital estrangeiro, ocorreu um crescimento no
setor automobilstico, mecnico, metalrgico e de material eltrico. Santo Andr passou a abrigar vrias indstrias de auto-peas. Tal indstria necessitou mo de obra
mais especializada e as mquinas mais produtivas. Neste momento a mo de obra
deixou de ser determinante para o aumento da produo. Na dcada de 1970 houve
um momento de expanso e concentrao da indstria na Grande So Paulo. Foi o
perodo denominado de "milagre econmico". Na dcada seguinte o ritmo de crescimento sofreu um decrscimo, culminando com a recesso dos anos 80. Nos anos
90 a produo industrial continuou desacelerada, com os incentivos fiscais voltados
para outras reas do estado de So Paulo, alm das dificuldades de transporte e o
custo de mo de obra. O ABC e, em especial Santo Andr, perdeu vrias indstrias,
aumentando o nmero de desempregados. Hoje em dia, h um grande esforo do setor pblico e da sociedade para a manuteno das indstrias existentes. Alm disso,
tem-se observado um aumento de atividades nos setores de servios e no comrcio.
O desafio do incio deste sculo 21 est relacionado criao de novas alternativas
para a cidade que vai se transformando, garantindo melhores condies de vida a
seus moradores.
166
7 Criminalidade no ABCD
Dados geogrficos e condies sociais da popula do ABCD
Habitantes
Favelados
D.H.
Casas Populares (4 anos)
Verbas do PAC
Aluguel
Abrigo
Santo Andr
676.723
70.000
24.000
924
172 milhes
3600 famlias
58 famlias
So Berbardo do Campo
729.671
60.000
11.000
3246
60 milhes
945 pessoas
So Caetano do Sul
676.723
0
80.000
0
0
15% dos imveis
0
Diadema
389.271
9.600
12.000
940
73 miles
26 famlias
167
7 Criminalidade no ABCD
trs variveis: homicdios com peso de 60%, furtos e roubos de veculos com peso de
30% e furtos e roubos gerais com peso de 10%. O IC resultado da mdia ponderada
dos trs tipos de crimes. Como o peso maior do ndice de criminalidade relativo
ao nmero de homicdios muitas vezes, as taxas de criminalidade se atm somente a
este fator de violncia.
Cidade
Estado
Taxa
Mortes
Ranking
Recife
PE
90,5
1375
9o
Belo Horizonte
MG
56,6
99o
Rio de Janeiro
RJ
44,8
205o
Curitiba
PR
44,7
206o
Guarulhos
SP
40,7
265o
porto Alegre
RS
39,5
281o
Belem
PA
37,3
323o
Salvador
BA
36,2
342o
Goinia
GO
36,1
347o
Braslia
DF
33,3
409o
Fortaleza
CE
32,7
430o
Manaus
AM
31,5
479o
So Paulo
SP
31,1
492o
Campinas
SP
27
Estado
taxa
homicdios
Ce Sapucaia
MS
107,2
13
Colniza
MT
106,4
13
Itanhang
MT
105,7
Serra
ES
102,4
365
Foz do Iguau
PR
98,7
326
Tailndia
PA
96,2
66
Guara
PR
94,7
22
Jurema
MT
91,3
Recife
PE
90,5
1375
Tunas do Paran
PR
90,1
168
7 Criminalidade no ABCD
Tabela 7.3 - Ranking das cidades brasileiras mais violentas em 2006. Fonte: Folha de
So Paulo, Cotidiano 30/01/2008
Entre as 10 cidades com maior taxa de homicdio Recife a nica capital. O municpio de So Paulo que ocupava a 182a posio no ranking de homicdios passou para
a 492a entre os anos de 2004 e 2006.
Exerccio: Complete a Tabela 18.
Etapas de Construo dos Modelos de Homicdios
Para a construo de modelos matemticos relacionados com o tema em questo
necessrio seguir as seguintes etapas:
1) Obteno dos dados de homicdios, em fonte oficial (Secretaria de Segurana
pblica);
2) Plotar os dados e analisar o comportamento de tendncia dos mesmos;
3) Clculo do valor de estabilidade h a partir do comportamento de tendncia;
4) Ajuste exponencial da curva h h ;
6) Elaborao do modelo exponencial assinttico a partir do ajuste dos dados; e
7) Anlise crtica dos resultados.
Modelagem
No estudo da criminalidade no ABCD destacamos o estudo do ndice de homicdios
dolosos, nos quatro municpios: Santo Andr, So Bernardo do Campo, So Caetano
do Sul e Diadema. No levantamento de dados e durante o processo de modelagem,
verificamos que os quatro municpios apresentaram comportamentos semelhantes
(decrescimento exponencial assinttico), assim o desenvolvimento da lei de formao
dos modelos apresentado de forma generalizada, aps esse desenvolvimento, ser
discutido em suas especificidades em cada um dos modelos.
Lei de formao do modelo exponencial assinttico para o ndice de criminalidade no grande ABCD.
Consideraremos a partir deste ponto, por simplicidade na obteno de dados, apenas a taxa de homicdios dolosos como ndice de criminalidade, embora saibamos que
tal fator corresponde a 60% do IC.
Sejam:
t : tempo em anos;
h: taxa de homicdios (mortes por100.000 habitantes);
h*: valor de estabilidade do ndice de homicdios.
169
7 Criminalidade no ABCD
O modelo exponencial assinttico dado por:
h(t) = h + aebt = h h = aebt
A equao diferencial da lei de formao do modelo exponencial assinttico dado
por:
dh
= b [h h ]
dt
Diadema Dados da criminalidade em Diadema
Ano
tempo
hi :hom/100mil
1999
2000
2001
2002
2003
2004
2005
2006
2007
0
1
2
3
4
5
6
7
8
102,82
76,15
65,79
54,12
44,48
35,39
27,57
20,26
20,55
170
7 Criminalidade no ABCD
O clculo da estabilidade do ndice de criminalidade obtido, via processo de FordWalford, ajustando os pontos hi+1 = f (hi ), e resolvendo o sistema
hi+1 = f (hi )
hi+1 = hi
Considerando um ajuste linear para a funo f , obtemos
hi+1 = f (hi ) = 0, 752hi + 2, 943
Logo, o valor de estabilidade h dado pelo ponto fixo de f , isto ,
f (hi ) = 0, 752hi + 2, 943 = hi = h = 11, 866
Isto significa que se a mesma tendncia de criminalidade por for mantida, o municpio de Diadema deve estabilizar o ndice de homicdios dolosos em h = 11, 86.
O modelo exponencial assinttico para o ndice de homicdios IH de Diadema
obtido com o ajuste exponencial dos dados (hi h ), ou seja, hi h = 97, 559e0,3093t .
Desta forma, considerando o tempo t = 0 para o ano 1999, obtemos os ndices para
cada ano posterior por meio da frmula
h(t) = 11, 866 + 97, 559e0,3093t
171
(7.0.1)
7 Criminalidade no ABCD
Pelo modelo podemos calcular em que ano o IH de Diadema ser igual 15 (hom /100mil)
por exemplo, isto , determinar t de modo que h(t) = 15 :
15 = 11, 866 + 97, 559e0,3093t = e0,3093t =
15 11, 866
= 0, 032
97, 559
Logo,
0, 3093t = ln 0, 032 = 3, 438 = t ' 11, 12 anos
Isto deveria acontecer em A = 1999 + 11, 12,ou seja, no ms de fevereiro do ano 2010.
O municpio de Diadema bastante violento quando comparado aos demais municpios analisados, j que em 1999 o ndice de homicdios dolosos por 100.000 habitantes era de 102,82. Verificamos que o ndice apresentou uma considervel reduo,
aps a instituio da lei municipal que determina o fechamento de bares e casas noturnas s 23hs.
O modelo exponencial assinttico do IH de Diadema 7.0.1 pode ser entendido como
a soluo da equao diferencial
dh
dt = a [h h ]
h0 = 102, 82
onde, a a variao relativa constante do IH. Assim podemos afirmar que o ndice de
homicdios dolosos h proporcional diferena entre o ndice de homicdios h e o valor de
estabilidade h*, com constante de proporcionalidade igual a 0, 3093.
Exemplo Determinar quantos assassinatos acontecero nos prximos 10 anos, no
municpio de Diadema.
Soluo: Temos que o nmero de homicdios est para a populao do municpio
assim como o HI est para 100 mil, isto ,
m
IH
1
=
= m(t) =
P (t)h(t)
P
100mil
100000
(7.0.2)
172
7 Criminalidade no ABCD
Ano
tempo:t
Populao/1000
2000
357
2004
384
2005
390
2006
395
2007
387
2008
394
2009
10
398
Crescimento exponencial :
173
7 Criminalidade no ABCD
Ambas equaes so para t 1 1, considerando-se o tempo t = 1 para o ano 2000.
Ento, podemos considerar da eq.7.0.2 o nmero de mortes m(t) em cada ano como
sendo:
1
1000
P (t)h(t) =
P (t)h(t)
m(t) =
100000
100
Por exemplo, em 2005 (t = 6), o nmero de mortes estimado, usando crescimento
linear da populao, dado por:
m(6) = 0, 01 383, 5 27, 05 = 103, 74
Se usarmos o crescimento exponencial, teremos
m(6) = 0, 01 383, 65 27, 05 = 103, 77
So Bernardo do Campo Dados da Criminalidade em So Bernardo do Campo
Ano
tempo
1999
2000
2001
2002
2003
2004
2005
2006
2007
0
1
2
3
4
5
6
7
8
ndice IH: hi
51,19
52,79
36,94
34,63
34,42
27,56
19,13
13,58
10,85
Tabela 7.6-Criminalidade em So Bernardo Fonte:Secretaria de Seguranca Pblica SP
Podemos observar que o municpio de So Bernardo do Campo encontra-se em considervel reduo do seu ndice de homicdios, mantendo-se nesta tendncia dever
estabilizar-se em 6,23 homicdios por 100.000 habitantes (Verifique).
174
7 Criminalidade no ABCD
Ano
tempo
ndice IC: hi
1999
2000
2001
2002
2003
2004
2005
2006
2007
0
1
2
3
4
5
6
7
8
39,43
43,20
32,66
29,71
28,59
17,14
15,39
12,93
10,20
tempo
ndice: hi
1999
2000
2001
2002
2003
2004
2005
2006
2007
0
1
2
3
4
5
6
7
8
12,01
12,84
14,39
7,98
9,37
5,07
2,18
5,10
1,46
175
7 Criminalidade no ABCD
i1 hi
h11 + hi + hi+1
3
zi+1 = zi
= z = 0, 405
176
7 Criminalidade no ABCD
Fig 7.7 - Curvas auxiliares para valores max e min dos dados
177
7 Criminalidade no ABCD
Assim, devemos ter os valores oscilantes entre as curvas
hmax (t) = 0, 405 + 21, 564e0,218t
hmin (t) = 0, 405 + 19, 368e0,372t
que diminuem com o tempo pois
lim hmax (t) = lim hmin (t) = 0, 405 = lim [hmax (t) hmin (t)] = 0
178
7 Criminalidade no ABCD
179
8 Fabricao de papel
180
8 Fabricao de papel
A produo e fabricao de papel tm um forte impacto ambiental e social sobre o
planeta. A indstria papelera e de celulose ocupa o quinto lugar no setor industrial
em consumo mundial de energa, e utiliza mais gua por cada tonelada produzida
que qualquer outra indstria. Ainda, a indstria papelera se encontra entre os maiores geradores de contaminantes do ar e da gua, e causam grandes emisses de CO2.
Em muitos lugares, os bosques e outros ecossistemas naturais esto sendo substituidos por plantaes de rvores de crescimento rpido e cujo manejo exige a utilizao
massiva de herbicidas e fertilizantes qumicos txicos. Os monocultivos de rvores
para a indstria de papel so frequentemente combatidos pelas comunidades locais
devido, principalmente, ao impacto negativo sobre o desequilbrio ecolgico e degradao ambiental.
Em alguns pases so necessrios mais de 10.000 hectares de bosques com mais de
20 anos, somente para a produo de papel, o que significa que durante estes 20 anos
necessrios para outra gerao de bosques, necessitaramos mais de 256.000 hectares,
uma vez que devemos considerar tambm o aumento da populao e da indstria.
Este tema de pesquisa foi motivao para alguns alunos do nosso primeiro curso de
Especializao para professores em Guarapuava no ano de 1986 e neste texto veremos
alguns modelos produzidos naquela ocasio.
181
8 Fabricao de papel
...............
2(r + ns)
........ ..........
Rn = r + ns
182
8 Fabricao de papel
O comprimento do papel enrolado dado por
Cn =
n
X
cj =
j=1
Considerando que n =
Cn = [r
n
X
j=1
Rn r
s ,
n(n + 1) 1
2
obtemos:
2(Rn r)
R r Rn r
R r
+s n
(
+ 1)] = n
(Rn + r + s)
s
s
s
s
1 2
2
Cn = [(D/2 d/2)(D/2 + d/2 + s)] =
(D d ) + s(D d)
s
2s 2
Exemplo: Se D = 1, 5m; d = 10cm e s = 6mm, colocamos na mesma unidade (metros),
isto , D = 1, 5; d = 0, 1 e s = 0, 006 e, obtemos:
C=
Agora, se a questo fosse a seguinte: Qual deve ser o dimetro da bobina de modo
que a mesma contenha 1000m de papel bobinado? Neste caso, dado que C = 1000,
devemos determinar o valor de D. Tiramos o valor de D da mesma frmula que
fornece o comprimento do papel:
4sC
= D 2 d 2 + 2sD 2sd
1 Soma
de nmeros naturais
Somando, membro-a-membro as duas expresses idnticas, obtemos
2
n
X
k = (n + 1) + (n + 1) + .... + (n + 1) = n(n + 1)
k=1
n
X
k=1
k=
n(n + 1)
2
Esta expresso que d a soma dos n primeiros nmeros naturais foi obtida, desta maneira, por
Gauss quando tinha apenas 9 anos!
183
8 Fabricao de papel
Se C = 1000m; d = 0, 1m e s = 0, 006m, ento
D d 2, 7586 0, 1
=
= 221, 55 voltas
2s
0, 012
3, 1416
[0, 5(1, 3689 0, 01) + 0, 0009(1, 17 0, 1)] = 1187, 7m
0, 0018
184
8 Fabricao de papel
A rea do papel enrolado
A = LC = 1, 6 1187, 7 = 1900, 32m2
Agora, se a gramatura g = 75g/m2 , ento o peso do papel da bobina
p=
gA
= 142, 52kg
1000
Curiosidade
Considere uma folha de papel de 1m2 , isto , sua rea dada por A1 = 1x1 = 1.
Vamos supor que este papel tenha espessura s1 = 0, 9mm. Ento, o volume desta folha
ser V = s1 A1 = 0, 0009m3 .
Se esta folha for dobrada em duas partes teremos 2 tringulos retngulos de rea
A2 = 21 A1 = 12 (base x altura/2). O papel dobrado agora ter uma espessura s2 = 2s1 .
Evidentemente o volume da folha dobrada ser o mesmo do anterior, V2 = s2 A2 =
s1 A1 = V1 .
Se dobrarmos os tringulos em partes iguais teremos uma superposio de 4 tringulos sendo que a rea de cada um vale A3 = 12 A2 = 14 A1 . Ento a espessura dos 4
tringulos s3 = 2s2 = 4s1 e portanto, o volume continuar sendo V3 = s3 A3 = s1 A1 .
Continuando o processo, obtemos duas sequncias
{sn }nN = {2n s1 }n0 e {An }nN =
1
A
2n 1
n0
185
8 Fabricao de papel
espessuras, depois de n divises dado por
Vn = sn An
e, limn Vn = limn sn An = limn V1 = V1 .
Por outro lado, V1 , (limn sn )(limn An ). Isto significa que 0 no um valor
real bem definido, podendo ser qualquer nmero!
186
8 Fabricao de papel
eliminados. A flora microbiana composta de bactrias, algas e fungos e formam,
juntamente com o acmulo de sedimentos e escamas de sais, o chamado limo que
uma camada gelatinosa e responsvel pelo entopimento de telas, feltro e tubulaes
alm de prejudicar a qualidade do papel produzido. O controle do limo merece toda
a ateno na fbrica de papel, principalmente no caso de processamento contnuo.
Controle do limo
O controle do limo realizado com aplicaes de produtos qumicos como bactericidas (ocasionam a eliminao de microorganismos), microbiostatos (alteram o equilbrio biosttico do meio e impedem a proliferao dos microorganismos) e dispersantes (mantem livre a superfcie metlica dos depsitos das mquinas). A eliminao
completa do limo numa fbrica de papel economicamente invivel, sendo suficiente
um controle para retardar um crescimento excessivo da atividade biolgica.
A eficincia de um controle est relacionada com a anlise antecipada de alguns
fatores: natureza dos organismos, natureza do poder letal dos biocidas e seu grau de
decaimento e, uma estimativa da populao inicial de microorganismos.
Dados
Os dados foram colhidos na Fbrica de Papel Santa Maria S.A. por um grupo de
professores-cursistas em um programa de especializao realizado na FAFIG (Guarapuava, PR) em 1986.
gramatura
grama/m2
produo
Ton
bactericida
gramas
50
55
56
57
59
60
63
70
75
80
90
6,70
7,40
7,50
7,67
7,93
8,10
8,20
9,00
9,60
9,90
10,60
2690
2960
3014
3068
3176
3230
3283
3600
3845
3960
4240
187
8 Fabricao de papel
1. A quantidade de bactericida utilizada est relacionada com a produo da fbrica (conforme tabela 8.1).
2. A coleta de material feita em diversas partes do processo e para que se mantenha a qualidade do papel, em qualquer das gramaturas, tolerado um limite mximo
de 107 unidades de microorganismos por amostra examinada.
3. As aplicaes de bactericidas so feitas a cada 8 horas, sendo usados 50 gramas
de bactericida por tonelada de produo.
4. Num perodo de aproximadamente 20 dias procede-se a uma parada das mquinas, quando a quantidade de microorganismos atinge uma quantidade no mais
tolervel.
188
8 Fabricao de papel
claro que se p = p(g) uma funo linear ento sua inversa g = g(p) tambm ser
linear, ou seja,
p = 0, 0967g + 2, 0939 g =
2, 0939
1
p
= 10, 341p 21, 653
0, 0967
0, 0967
Decaimento do bactericida
Quando o bactericida aplicado existe um decaimento da eficcia do produto no
decorrer do tempo. O decaimento proporcional quantidade aplicada.
Vamos supor que a aplicao seja feita a cada T = 8 horas e que a fbrica tenha um
funcionamento que admita 3 aplicaes por dia. Seja b0 a quantidade de bactericida
utilizada em cada aplicao. Considerando que, para um determinado bactericida, a
taxa de decaimento k, teremos, num perodo inicial, 0 t T , um decaimento de
bactericida proporcional dado por:
db
dt = kb
para
b0 dado
0 t T = b(t) = b0 ekt
189
8 Fabricao de papel
e a equao de decaimento dada por
db
dt = kb
para
Observamos que
b(t) = (b0 + b0 ekT )ekt , 0 t T b(t) = (b0 + b0 ekT )ek(tT ) , T t 2T
Assim, o que resta depois de um perodo 2T dado por
b (2T ) = (b0 + b0 ekT )ekT = b0 (ekT + e2kT )
que, com mais b0 ser a condio inicial da terceira aplicao, isto ,
b+ (2T ) = b0 (1 + ekT + e2kT )
Continuando o processo de aplicaes, teremos
b(t) = b0 (1 + ekT + e2kT + ... + enkT )ek(tnT ) , se
nT t (n + 1)T
1 e(n+1)kT k(tnT )
)e
, se
1 ekT
nT t (n + 1)T
Quando n cresce o termo e(n+1)kT tende a zero e temos uma quantidade de saturao do bactericida dado por
b0
bs =
1 ekT
190
8 Fabricao de papel
b0
1 e(n+1)kT
)=
kT
1e
1 ekT
Poderamos ento pensar num modelo de aplicao contnua, ajustando a curva dos
valores de b(nT + ) :
Se, em cada instante posterior aplicao de biocida (t = nT + ), considerarmos os
valores
b0
Y (nT + ) =
b(nT + )
1 ekT
a sua curva de tendncia pode ser ajustada por uma funo exponencial Y (t) = et ,
ou seja,
b0
B(t) = et
Y (t) = bs B(t) =
1 ekT
e portanto,
b0
et
B(t) =
kT
1e
191
8 Fabricao de papel
onde B(t) o valor mximo do bactericida em cada instante t, com aplicaes contnuas (veja Fig. 8.5).
Exerccio Encontre a equao da curva contnua que satisfaz os valores mnimos
b(nT ) (imediatamente anterior a cada aplicao de bactericida).
Verifique se o modelo se estabiliza com o tempo.
Mostre que, se F(t) a funo contnua que ajusta os pontos b(nT ), ento
lim F(t) = bs b0
ln P ln P0 = t
0
b
b0
t k0 (1ekt)
kt
b()d = t
(1 e ) P (t) = P0 e
k
192
8 Fabricao de papel
b0
(1 + ekT ) 1 ek(tT )
k
logo,
"
P (t) = P01 exp
#
b0
kT
k(tT )
(1 + e ) 1 e
(t T )
k
P (2T ) = P02
("
#)
b0
kT )
kT
= P0 exp 2T
(1 e
2+e
k
ln P
ln P0n
1 e(n+1)kT
b()d = (t nT ) b0 (
= (t nT )
)
1 ekT
nT
Z
ek(nT ) d
nT
e portanto
P (t) = P0n
"
#
#)
(
"
b0 1 e(n+1)kT
k(tnT )
(
) (1 e
)
exp (t nT )
k
1 ekT
h
i
b
P [(n + 1)T ] = P0 exp (n + 1)T 0 (1 ekT ) ) (n + 1) + nekT + ... + enkT
k
ou seja,
b0
kT )
kiT
P [(n + 1)T ] = P0 exp
(n
+
1)T
(1
e
)
(n
+
1
i)e
k
i=0
n
X
(n + 1 i)ekiT
i=0
193
8 Fabricao de papel
temos
An+1 = (n + 1) + ekT An
(n+1)
dP
dt = P
P0 dado
Sabendo-se que a populao dobra a cada 6 horas, isto , a cada 0,2539 dias, temos
2P0 = P0 e0,2539
0,693
= 2, 73.
portanto, 0, 2539 = ln 2 = 0,2539
. A cada perodo de 8 horas feita uma aplicao de bactericia, isto , T = 8hs =
0, 33 dias;
. A quantidade de bactericida usada em cada aplicao b0 = 1 (uma unidade de
bactericida que equivalente a 50g/ton de produo) com poder de matana = 0, 5;
. Vamos supor que a vida mdia do bactericida seja de um dia, isto , quando
se aplica b0 depois de um dia esta quantidade fica reduzida metade. Assim se
b(t) = b0 ekt ento b20 = b0 ek k = ln 0, 5 = 0, 693 k = 0, 693.
Usando estes parmetros, obtemos o grfico de P (nT ), que mostra a populao de
bactrias depois de n aplicaes.
194
8 Fabricao de papel
Aplicao n
An
P((n + 1)T)
0
5
10
15
20
25
30
35
40
45
50
55
60
0
11,7
32,8
57,1
82,6
98,0
134,4
160,4
186,4
212,5
238,5
264,6
290,6
246
15462
15462
37572
77327
150300
286435
542185
1028181
1922967
3650292
6826998
12959421
195
8 Fabricao de papel
Projeto O papel dura de 3 semanas a 2 meses para se decompor, dependendo da
humidade a que est exposto. Quanto maior a humidade mais rpida sua decomposio.
Procure dados reais sobre decomposio de outros materiais e faa um estudo comparativo com o papel.
196
8 Fabricao de papel
5. A poluio proveniente de uma indstria papeleira que despeja seus contaminantes na lagoa ou riacho que a alimenta.
Lei Federal 6838 da Poltica Nacional do Meio Ambiente, de 31/8/81, gerada na UNICAMP, estabelece o uso de filtros para indstrias poluidoras.
197
8 Fabricao de papel
quantidade existente na lagoa em cada instante":
dP
rP
dt = V
P0 = P (0)
(8.1.1)
P (t) = P0 e V
(8.1.2)
Neste caso, a poluio diminui rapidamente no incio e depois se torna mais lenta
medida que o tempo passa mas, de qualquer forma, teremos
lim P (t) = 0
(8.1.3)
ou seja, a lagoa estar despoluida depois e algum tempo. Podemos observar da equao 8.1.2 que um aumento na vazo diminui a poluio em menor tempo.
Observao: A equao 8.1.3 indica que o tempo para que a lagoa possa ser considerada totalmente despoluida deve ser muito grande (t ). Na prtica pode-se
considerar P (t) ' 0 se P (t) = 0, 0001V e, neste caso, o tempo gasto para tal despoluio obtido de 8.1.2:
0, 0001V
rt
= ln P0 ln 0, 0001V
V
V
P0
t = ln
r
0, 0001V
=
rt
P0 e V =
dQ
dt
sua variao por unidade de tempo. A equao 8.1.1 deve ser modificada para
atender tambm poluio acumulada:
dP
rP
dt = P (t) V
P0 = P (0) e r > 0
(8.1.4)
198
8 Fabricao de papel
dem cuja soluo dada por
P (t) = P0 e
rt
V
+e
rt
V
rs
P (s)e V ds
(8.1.5)
0
3
rt
V
+e
rt
V
t
0
P0
V rt V
e ds = P0 + P0 e V + P0
r
r
rs
V
Pp (t) = K(t)e V
rt
dK
= e V P (t) K(t) =
dt
199
rt
e V P (t) + C
8 Fabricao de papel
(b) Suponha que uma fbrica poluidora de um lago pare de funcionar quando a
concentrao de poluentes for K0 . Em quanto tempo a concentrao ser a metade de
K0 ?
2 Suponhamos que a indstria continua poluindo a lagoa continuamente mas,
numa forma decrescente, sto , lanando cada vez menos poluentes por unidade
de tempo. Por exemplo, considerando P (t) = P0 ebt com b > 0. Neste caso,
dP
bt rP
dt = P0 e V
P0 = P (0) e r, b > 0
A soluo desta equao dada por:
#
P0
P
r
r
P (t) = P0 r
e V t + r 0 ebt se
,b
V
V b
V b
ou
r
r
=b
P (t) = P0 + P0 e V t se
V
"
rP
dP
dt = P0 (1 + sin t) V
P0 = P (0) e r, > 0
(8.1.6)
Exerccios 1) Resolva a equao 8.1.6 e encontre o valor limiar de P0 para que ocorra
uma despoluio da lagoa.
2) Um lago de volume V = 5.107 m3 abastecido por um riacho cuja vazo de 100
m3 /h. Uma indstria de papel instalada na beira deste riacho, poluindo-o na ordem
de 50kg/m3 . Se a quantidade mxima de poluentes suportvel no lago do nvel de
0,5 kg/m3 ,pergunta-se:
a. At quando a fbrica pode funcionar sem causar danos para a vida aqutica?
b. Qual a concentrao de poluentes no lago depois de um ano?
Sugesto: Use P0 = rC0 = 100m3 /h 50kg/m3 = 5000kg/h e
dP
r
= P0 P com r = 100
dt
V
200
8 Fabricao de papel
c. Se existe uma sada de gua do lago tambm de vazo igual 100 m3 /h, encontre
uma maneira de tornar a gua do lago vivel, mesmo com a indstria funcionando.
201
Referncias Bibliogrficas
202
Referncias Bibliogrficas
[12] Hale,T. C. Cannonballs and Honeycombs; Notices of the AMS, Vol 47, n. 4, 440449, 2000.
[13] Bassanezi, R. C. - Equaes diferenciais ordinrias - Um curso introdutrio, UFABCCMCC, 2011.
[14] May, R. M - Simple Mathematical Model with very Complicated Dynamics; in
Nature, 1976.
[15] Bezerra, C., Diniz, F.e Kfouri, W. Esporte; Monografia de concluso e curso de
Especializao; UFABC, 2008.
[16] Mata S. T. Modelagens alternativas para o problema da podrido em mas
Dissertao de Mestrado, CMCC -UFABC, 2010.
[17] Brochado, M. V. B. e Kokobun, E. - Treinamento intervalado de corrida de velocidade -Efeitos da durao da pausa sobre o lactato sanguineo e a cinemtica da corrida.
MOTRIZ - Volume 3, Nmero 1, Junho/1997.
[18] Larizzatti, C., Caetano, J.C., Santana, L.G., Severo, M.R. e Andr, R.A. "Criminalidade - Alguns Olhares...Algumas reflexes", Monografia de concluso de curso
de Especializao; UFABC, 2009.
[19] "Fabricao de papel"; Monografia de curso de Especializao, FAFIG, Guarapuava, 1982.
[20] DAmbrsio, U.- Etnomatemtica: Um Programa de Educao Matemtica. Revista
da Sociedade Brasileira de Educao Matemtica-SBEM, pp.5-18,1993.
[21] Batschelet, E.- Introduo Matemtica para Biocientistas. Edit. Intercincia e
EDUSP, Rio de Janeiro, 1978.
[22] Gazzetta, M. - Modelagem como estratgia de aprendizagem de matemtica em
curso de aperfeioamento de professores. Dissertao de Mestrado, UNESP-Rio
Claro, 1988.
203