Академический Документы
Профессиональный Документы
Культура Документы
Orientador
Prof. Dr. Antonio Tavares da Costa Jnior
Lavras
Minas Gerais - Brasil
2005
MRCIO PAIXO DANTAS
reas de Concentrao
presa-predador, formao de padres, evoluo
Orientador
Prof. Dr. Antonio Tavares da Costa Jnior
Lavras
Minas Gerais - Brasil
2005
MRCIO PAIXO DANTAS
Lavras
Minas Gerais - Brasil
Sumrio
1 Introduo 1
2 Modelagem 3
2.1 O que modelar: Introduo a sistemas dinmicos . . . . . . . . . . . . . . 3
2.2 Por que construir modelos de sistemas dinmicos . . . . . . . . . . . . . . 3
2.3 Como julgar a adequao de um modelo . . . . . . . . . . . . . . . . . . . 4
2.4 Classificao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.4.1 Quanto a varivel temporal . . . . . . . . . . . . . . . . . . . . . . 4
2.4.2 Quanto ao tipo de modelo . . . . . . . . . . . . . . . . . . . . . . 5
3 Equaes Diferenciais 7
3.1 Um exemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3.2 Classificando equaes diferenciais . . . . . . . . . . . . . . . . . . . . . 8
3.2.1 Equaes ordinrias e parciais . . . . . . . . . . . . . . . . . . . . 8
3.2.2 Ordem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
3.2.3 Lineares e no-lineares . . . . . . . . . . . . . . . . . . . . . . . . 8
3.2.4 Autnomas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3.2.5 Sistemas de equaes diferenciais . . . . . . . . . . . . . . . . . . 9
3.3 Sistemas de Equaes Ordinrias de Primeira Ordem . . . . . . . . . . . . 10
3.3.1 Classificao de sistemas de equaes ordinrias de primeira ordem 10
3.3.2 Pontos crticos e estabilidade . . . . . . . . . . . . . . . . . . . . . 11
3.4 Sistemas de Equaes Lineares de 1a Ordem . . . . . . . . . . . . . . . . . 12
3.4.1 Teoria Bsica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.4.2 Sistemas Lineares Homogneos com Coeficientes Constantes . . . 15
3.5 Estabilidade em Sistemas Lineares . . . . . . . . . . . . . . . . . . . . . . 19
3.5.1 Classificando a estabilidade de pontos crticos . . . . . . . . . . . . 19
3.5.2 Ilustrao dos tipos de trajetria . . . . . . . . . . . . . . . . . . . 19
3.6 Estabilidade Local em Sistemas No-lineares . . . . . . . . . . . . . . . . 22
3.6.1 Perturbando Sistemas Lineares . . . . . . . . . . . . . . . . . . . . 22
3.6.2 Sistemas Quase Lineares . . . . . . . . . . . . . . . . . . . . . . . 22
3.6.3 Classificao de Pontos Crticos e Estabilidade de Sistemas Quase
Lineares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
4 Sistemas Presa-Predador 27
4.1 As equaes de Lotka-Volterra . . . . . . . . . . . . . . . . . . . . . . . . 27
4.1.1 Apresentao do modelo . . . . . . . . . . . . . . . . . . . . . . . 27
4.1.2 Exemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
v
5 Um Sistema Presa-Predador com Difuso 31
5.1 Consideraes iniciais . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
5.2 Modelo Contnuo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
5.3 Modelo Baseado em Indivduos . . . . . . . . . . . . . . . . . . . . . . . 33
5.4 Notas de Implementao . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
5.5 Escolha de um caso base . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
5.6 Variao da taxa de morte . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
5.7 Variao da taxa de predao . . . . . . . . . . . . . . . . . . . . . . . . . 42
5.8 Variao do tamanho do domnio . . . . . . . . . . . . . . . . . . . . . . . 43
5.9 Variao das condies de contorno . . . . . . . . . . . . . . . . . . . . . 44
6 Evoluo Biolgica 45
6.1 Lamarkismo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
6.2 A Teoria da Evoluo de Darwin . . . . . . . . . . . . . . . . . . . . . . . 46
6.3 O impacto do Mendelismo e a Teoria Sinttica . . . . . . . . . . . . . . . . 47
6.4 Fontes de Variabilidade Gentica . . . . . . . . . . . . . . . . . . . . . . . 47
6.5 Tipos de Seleo Natural . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
8 Concluses 63
vi
Lista de Figuras
3.1 Ilustrao de trajetrias. (a) Ponto espiral assintoticamente estvel. (b) Ponto
espiral instvel. (c) N assintoticamente estvel. (d) N instvel. . . . . . . 20
3.2 Ilustrao de trajetrias. (e) Ponto de Sela. (f) Centro. (g) N imprprio
instvel. (h) N prprio instvel. . . . . . . . . . . . . . . . . . . . . . . . 21
vii
7.1 Sistema Presa-Predador com Difuso e Variabilidade Hereditaria - CASO
BASE. Padres irregulares predominam no sistema. Legenda: linha preta
para presas e vermelha para predadores. (a) Diagrama de Fase. (b) Dinmica
temporal das presas. (c) Dinmica temporal dos predadores. (d) Distribuio
espacial de presas e predadores em trs turnos diferentes. . . . . . . . . . . 53
7.2 Evoluo da mdia de mobilidade das populaes no caso base. Linha preta
para presas e vermelha para predadores. . . . . . . . . . . . . . . . . . . . 54
7.3 Dinmica do sistema em funo da taxa de Mortalidade de predadores (). . 55
7.4 Evoluo da mdia de mobilidade das populaes em funo da taxa de Mor-
talidade (). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
7.5 Evoluo da mdia de mobilidade das populaes em funo da taxa de Pre-
dao (). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
7.6 Dinmica do novo modelo em funo da taxa de predao dos predadores
(). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
7.7 Evoluo da mdia de mobilidade das populaes em funo do tamanho do
dominio. Vermelho, 50 stios. Preto, 1000 stios. . . . . . . . . . . . . . . . 59
7.8 Evoluo da mdia de mobilidade das populaes com vantagem inicial. Li-
nha azul indica o caso em que as presas tiveram vantagem inicial e, linha
vermelha, os predadores. . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
7.9 Evoluo da mdia de mobilidade das populaes em funo da variao
mxima de mobilidade (M AX ). Linha preta M AX = 0.001; linha verde
M AX = 0.01 e linha vermelha M AX = 0.1. . . . . . . . . . . . . . . . . . 61
viii
Lista de Tabelas
ix
Aos meus pais, Lcia e Mrio, por seu amor e exemplo de vida.
x
Agradecimentos
Senhor, pai, me, irmos, av, amigos e mestres... muito obrigado.
Em especial, gostaria de agradecer aos meus professores e colegas de trabalho
do Departamento de Cincias Exatas da UFLA: professores Toninho e Iraziet, e
os colegas Mnica, Marcus e Renato.
xi
Abstract
A predation ecological model of reaction-diffusion type with two species that
presents chaotic and regular patterns, besides limited cycles, was studied. The
characteristics that take to the transition from regular to the chaotic state were in-
vestigated. Cellular automata were used to simulate the dynamic between preys
and predators, doing a stochastic discrete version of a deterministic continuous
model, with logistic growing of preys and Holling II functional response of pre-
dators. The results showed that the introduction of evolutional characteristics in
the model changes its space-time dynamics. Furthermore, it was clear the strong
influence that space-time dynamics has on the natural selection of populations.
xii
Resumo
Foi estudado um modelo ecolgico de predao do tipo reao-difuso com duas
espcies, que apresenta padres caticos e regulares, alm de ciclos-limite. As
caractersticas que levam transio do estado regular para o catico foram in-
vestigadas. Autmatos celulares foram usados para simular a dinmica entre
presas e predadores, atravs de uma verso discreta estocstica de um modelo
contnuo determinstico, com crescimento logstico de presas e resposta fun-
cional do tipo Holling II para os predadores. Os resultados mostraram que a
introduo de caractersticas evolucionrias no modelo altera a sua dinmica
espao-temporal. Alm disso, ficou claro que a dinmica espao-temporal tem
grande influncia sobre a seleo natural das populaes.
xiii
Resumo Extendido
Em modelos matemticos usados para descrever a interao trfica entre mais
de duas espcies comum o aparecimento de padres irregulares na distribuio
espacial das espcies. Para sistemas de apenas duas espcies, o surgimento de
padres caticos raro. Uma questo importante que elementos so essen-
ciais num sistema ecolgico com poucas espcies para que ocorra a formao
de padres. Outra questo relevante identificar qual a relao entre os pa-
dres observados e a seleo natural das populaes. Neste trabalho, estudamos
um modelo ecolgico de predao do tipo reao-difuso com duas espcies.
As caractersticas que levam transio do estado regular para o catico foram
investigadas. Autmatos Celulares foram usados para simular a dinmica entre
presas e predadores, fazendo uma verso discreta estocstica de um modelo con-
tnuo determinstico, com crescimento logstico de presas e resposta funcional
do tipo Holling II para os predadores. A modelagem computacional foi feita
e implementada usando, respectivamente, o paradigma orientado objetos e a
linguagem de programao C++. Puderam ser observados padres caticos e
regulares, alm de ciclos-limite. Os resultados mostraram que a introduo de
caractersticas evolucionrias no modelo altera a sua dinmica espao-temporal.
Alm disso, ficou claro que a dinmica espao-temporal tem grande influncia
sobre a seleo natural das populaes. Embora as regras dinmicas do modelo
no favorecessem indivduos mais rpidos, presso seletiva direcional no sentido
de aumentar a mobilidade mdia de ambas as espcies pde ser observada.
xiv
Captulo 1
Introduo
Captulo 2: Modelagem
Introduz os principais conceitos ligados definio e construo de um modelo mate-
mtico.
Captulo 8: Concluses
Fecha o trabalho, ressaltando os resultados mais importantes e apresentando sugestes
de novos trabalhos.
2
Captulo 2
Modelagem
1. o que modelar?
2. por qu?
A palavra adequado aparece entre aspas para enfatizar que a adequao de um modelo
depende do seu propsito e da preciso que se espera de suas previses. Considere a foto
de um homem, um manequim de plstico e um macaco. Qual desses modelos seria o mais
adequado para representar um homem? A resposta : depende. A foto deve ser um bom
modelo para um pintor, pois retrata a fisionomia da pessoa. O manequim uma representao
tridimenional do corpo humano, sendo um bom modelo para um alfaiate. J o macaco
fisiologicamente semelhante ao ser humano e deve ser o modelo preferido por um bilogo.
Em geral, no h um nico modelo "correto". A escolha de um modelo depende da sua
finalidade e da preciso com que se pretende trabalhar.
2.4 Classificao
Existem diferentes abordagens na modelagem de um sistema. Dependendo da abordagem
escolhida, dispe-se de tcnicas diferentes para o estudo do problema.
Nesta seo, sero apresentadas as formas mais comuns e importantes de classificao
de sistemas dinmicos.
1. x(t + 1) 2x(t) = 0
4
2. x(t + 2) t2 x(t) t = 0
A ordem de uma equao de diferena finita dada pela diferena entre o maior e o
menor ndice. Assim, a equao (1) de primeira ordem, pois (t + 1) (t) = 1; e a equao
(3) de quinta ordem, pois (t + 3) (t 2) = 5.
Um sistema de tempo contnuo se o tempo t um nmero real positivo. A evoluo
de um sistema de tempo contnuo governada por uma ou mais equaes diferenciais, que
um tipo de equao escrita em termos de derivadas das variavis desconhecidas.
Exemplos:
dx(t)
1. dt
4x(t) = 0
d3 x(t)
2. dt3
+ tanh(t)x(t) 5t2 = 0
d5 x(t)
3. dt5
+ ( dx(t)
dt
)2 + (x(t))3 = 0
sendo t Z+ .
Uma equao de diferena linear se x(t), x(t + 1), ..., x(t + n) aparecem como termos
de primeiro grau, isto , esto elevados primeira potncia.
A forma mais geral de se escrever uma equao diferencial linear para a varivel depen-
dente x(t) :
n
an (t) d dtx(t)
n + ... + a1 (t) dx(t)
dt
+ a0 (t)x(t) = F (t),
sendo t R+ .
d2 x(t) dn x(t)
Uma equao diferencial linear se x(t), dx(t)
dt
, dt 2 , ..., dtn
aparecem como termos de
primeiro grau, isto , se esto elevados primeira potncia.
Em ambas as equaes, os coeficientes aj (t) e a entrada ou foramento externo F (t)
devem ser funes apenas da varivel independente t.
So classificados como no-lineares sistemas que no podem ser escritos nas formas
acima citadas. Portanto, dos exemplos abaixo, as equaes 1,2,4 e 5 so lineares, enquanto,
3 e 6 so no-lineares.
Exemplos:
1. x(t + 1) 2x(t) = 0
5
2. x(t + 2) t2 x(t) t = 0
6
Captulo 3
Equaes Diferenciais
As equaes diferenciais tem sido amplamente usadas para modelar com sucesso inmeros
fenmenos de diferentes reas (biologia, qumica, fsica, economia e etc.) e constituem uma
das principais formas de modelagem, se no a principal. Equaes diferenciais so prprias
para a modelagem de fenmenos os quais no se sabe como de fato so as grandezas mode-
ladas, porm se sabe ou se especula como estas variam. A variao pode ser em relao ao
tempo, espao, temperatura, umidade ou qualquer outra varivel, dependendo do problema.
Isto faz com que equaes diferenciais possam ser aplicadas em diversos campos do conhe-
cimento e, ao mesmo tempo, que diversos problemas, a princpio de naturezas diferentes,
tenham modelos e comportamentos matemticos idnticos.
Devido a grande importncia destas equaes na teoria de modelagem, ser feito um
estudo mais aprofundado das suas propriedades neste trabalho.
3.1 Um exemplo
Como j foi dito anteriormente, muitos fenmenos podem ser modelados atravs de relaes
envolvendo taxas de variao de uma ou mais variveis. Expressas em linguagem matem-
tica, as relaes so equaes e as taxas so derivadas. Equaes contendo derivadas so
denominadas equaes diferenciais.
Por exemplo, com o objetivo de modelar o comportamento do tamanho da populao
mundial, poderia-se supor que a variao da populao mundial, P , depende do nmero de
pessoas no instante de tempo t considerado. Expressando matematicamente esta hiptese,
tem-se a seguinte equao diferencial
dP (t)
dt
= rP (t), onde r uma constante (taxa de crescimento populacional)
Resolver esta equao significa encontrar funes P (t) que a satisfazem.
Neste caso, dada uma condio inicial P (t0 ) = k, sendo k constante e t0 um instante
de tempo qualquer, ento existe a garantia de existncia e unicidade de uma soluo P (t).
Dessa forma, ao se resolver a equao diferencial junto com a condio inicial dada obtm-se
uma nica funo P (t), que mostra como a populao mundial varia em relao ao tempo.
Assim, se o modelo proposto estivesse correto e fosse conhecido o valor total da po-
pulao mundial nos dias de hoje (condio inicial), ento seria possvel estimar com boa
preciso a populao mundial tanto daqui h cem anos, como em qualquer outro tempo,
inclusive do passado.
Como se pode perceber, o modelo proposto acima est longe de ser realista.
3.2 Classificando equaes diferenciais
A dificuldade de estudar um modelo composto por equaes diferenciais pode variar de
fcil a bastante difcil. Isto depende de como o modelo classificado na teoria de equaes
diferenciais. Por isso, saber classificar o modelo em estudo fundamental tanto para medir a
dificuldade do problema, como para adotar as tcnicas conhecidas mais indicadas para a sua
soluo.
3.2.2 Ordem
A ordem de uma equao diferencial dada pela derivada de maior ordem que aparece na
equao.
Exemplos:
dx
dt
= x(t2 + 5) + 2t (1a ordem)
dx2
dt2
= dx
dt
+ sin(x) (2a ordem)
u
t
= 0.5u (1a ordem)
2
1.25 xu2 = u
t
(2a ordem)
Uma equao que no satisfaz s condies acima denominada no-linear. Uma defi-
nio anloga se aplica s equaes diferenciais parciais.
Exemplos:
dx
dt
= x(t2 + 5) + 2t (Linear)
8
dx2
dt2
= dx
dt
+ sin(x) (No-linear)
u
t
= 0.5u (Linear)
2
1.25 xu2 = u
t
(Linear)
u u
t
= 0.5u(1 1000
) (No-linear)
3.2.4 Autnomas
As equaes ordinrias de primeira ordem, nas quais a varivel independente no aparece
explicitamente, so ditas autnomas. Sua forma geral
dy
dt
= f (y).
Exemplos:
dp
dt
= 0.1p
dp p
dt
= 0.1p(1 500
)
du
dt
= 0.1u 0.5uv
dv
dt
= 0.25uv 0.03v
9
3.3 Sistemas de Equaes Ordinrias de Primeira Ordem
Existem muitos problemas que envolvem diferentes elementos associados. Na fsica, circui-
tos eltricos e sistemas massa-mola so exemplos de problemas com esta caracterstica. Em
decorrncia da natureza destes problemas, sistemas de equaes diferenciais surgem espon-
taneamente na sua modelagem.
Sistemas de equaes de primeira ordem tem uma importncia especial neste contexto.
Isto ocorre porque possvel transformar qualquer equao de grau n > 1 em um sistema
de equaes de primeira ordem, o que por sua vez implica que qualquer sistema de equaes
pode ser transformado em um sistema de primeira ordem correspondente.
Considere o sistema massa-mola abaixo como exemplo:
2
m ddt2x + x = 0
x1 = x
x2 = dx
dt
1
m dx
dt
2
+ x1 = 0
dx1
dt
= x2
Se cada uma das funes F1 , ..., Fn uma funo linear das variveis dependentes x1 , ..., xn ,
ento o sistema de equaes dito linear. Caso contrrio, no-linear.
Assim, um sistema linear de n equaes da forma
x1 = p11 x1 + ... + p1n xn + g1 (t)
x2 = p21 x1 + ... + p2n xn + g2 (t)
.
.
xn = pn1 xn + ... + pnn xn + gn (t)
10
Os termos pij com 1 i n e 1 j n so funes da varivel t.
Se no intervalo de estudo, todas as funes g1 (t), ..., gn (t) forem nulas, ento o sistema
dito homogneo; seno, ele no-homogneo.
Usando notao matricial, pode-se reescrever o sistema linear geral na forma
x = Ax + b, onde
x1 x1 g1 (t)
x2 p11 . p1n x2 g2 (t)
. . .
. . .
x = , A = . . . , x = . e b = .
. . . .
. . .
pn1 . pnn
xn xn gn (t)
11
3.4 Sistemas de Equaes Lineares de 1a Ordem
Nesta seo, ser dada nfase no estudo de sistemas lineares de equaes ordinrias de pri-
meira ordem. Como mencionado anteriormente, sistemas de primeira ordem tem importn-
cia especial porque possvel transformar qualquer sistema de equaes de ordem n em um
sistema de equaes de primeira ordem. Alm disso, o estudo da estabilidade destes sistemas
ser a base para o estudo da estabilidade de sistemas no-lineares em sees posteriores.
x1 = p11 x1 + ... + p1n xn + g1 (t) (3.2)
x2 = p21 x1 + ... + p2n xn + g2 (t)
.
.
xn = pn1 xn + ... + pnn xn + gn (t)
bastante parecida teoria para uma nica equao linear de segunda ordem. No entanto,
como agora se trabalha com vrias equaes, usada a notao matricial para facilitar a
escrita:
x = P (t)x (3.4)
12
(t) = c1 x(1) (t) + ... + cn x(n) (t)
O primeiro teorema afirma que pode haver vrias solues para o sistema (3.4). J o
segundo, diz que se um conjunto de solues linearmente independentes de tamanho n for
encontrado, ento todas as solues do sistema (3.4) podem ser escritas como combinao
linear deste conjunto.
Considere a seguinte matriz contendo n solues (uma por coluna) para o sistema (3.4)
x11 . x1n
. . .
X(t) = . . .
. . .
xn1 . xnn
X(t)C = 0. (3.5)
Podemos visualizar a equao (3.5) como um sistema linear algbrico, onde as variveis
incgnitas pertencem ao vetor C e os coeficientes das variveis incgnitas esto represen-
tados pela matriz X(t). Da teoria de sistemas algbricos, sabe-se que se o determinante
de X(t) diferente de zero, ento (3.5) s tem uma nica soluo, que a soluo trivial
C = 0. Note que para X(t) ser linearmente independente preciso que a nica maneira da
equao (3.5) ser verdadeira seja atravs de C = 0. Isto implica que se X(t) linearmente
independente, ento o seu determinante deve ser diferente de zero para todos os pontos do
intervalo considerado. O clculo do determinante de X(t) denominado wronskiano das n
solues x(1) , ..., x(n) e denotado por W [x(1) , ..., x(n) ].
O que o leitor deve estar pensando agora : "ser que para provar que X(t) linear-
mente independente deve-se calcular o seu wronskiano para todos os pontos do intervalo
considerado? Isso parece ser bastante trabalhoso". Realmente, seria bastante trabalhoso. Fe-
lizmente, isto no necessrio graas ao seguinte teorema:
- Se x(1) , ..., x(n) so solues da equao (3.4) no intervalo < t < ento W [x(1) , ..., x(n) ]
ou identicamente nulo ou nunca se anula neste intervalo.
13
dW
dt
= (p11 + p22 + ... + pnn )W .
Isto implica que W s pode assumir o valor 0 se A0 = 0. Neste caso, W ser sempre
0, independente de t. No entanto, se W assume um valor diferente de zero em um dado
instante, ento A0 diferente de zero e portanto W nunca assumir o valor zero.
Para maior aprofundamento sobre as provas deste teorema e dos anteriores consultar
(Boyce e DiPrima, 2002).
14
3.4.2 Sistemas Lineares Homogneos com Coeficientes Constantes
Neste texto, este caso particular de sistemas lineares o mais fundamental e por isso ter
ateno especial.
x = Ax (3.6)
onde A uma matriz de constantes reais n x n.
Se n = 1, o sistema se reduz a uma equao de primeira ordem
dx
dt
= ax
cuja soluo x = ceat . Observe que x = 0 a nica soluo ou ponto de equilbrio se
a 6= 0. Outras solues tendem a x = 0 se a < 0 e, nesse caso, dizemos que x = 0 uma
soluo assintoticamente estvel. Por outro lado, se a > 0 , ento x = 0 instvel, j que os
outros pontos se distanciam deste. Para sistemas de ordem maior a situao anloga, porm
um pouco mais complicada. Solues de equilbrio so encontradas resolvendo Ax = 0.
Vamos supor que det(A) 6= 0, de modo que a nica soluo de equilbrio x = 0. Uma
pergunta importante a se investigar se outros pontos se aproximam ou afastam deste quando
t aumenta; ou em outras palavras, x = 0 assintoticamente estvel ou instvel? Existem
outras situaes?
O caso n = 2 particularmente importante e permite visualizao no plano x1 x2 , o
plano de fase. Calculando Ax em um grande nmero de pontos e fazendo o grfico dos
vetores resultantes, obtemos um campo de direes de vetores tangentes a solues do sis-
tema de equaes diferenciais. Deste grfico, pode-se obter um entendimento qualitativo do
comportamento de solues. Incluindo-se no grfico algumas curvas solues, ou trajetrias,
pode-se obter informao mais precisa. Um grfico que ilustra uma amostra representativa
de trajetrias para um sistema dado chamado retrato de fase.
Para encontar a soluo geral do sistema (3.6), procedemos por analogia com o trata-
mento de equaes lineares de segunda ordem, ou seja, procuramos solues da forma
x = ert (3.7)
1
onde o expoente r e o vetor constante = devem ser determinados. Substituindo
2
x e sua derivada em (3.6) , obtm-se
rert = Aert .
Cancelando o fator escalar no-nulo ert , obtm-se r = A, ou ainda
(A rI) = 0 (3.8)
onde I a matriz identidade n x n. Assim, para resolver o sistema de equaes diferen-
ciais (3.6), necessrio resolver o sistema de equaes algbricas (3.8). Desconsiderando a
soluo nula, quais so os vetores associados com valores r que satisfazem este sistema?
Bom, s existe soluo no-trivial para este sistema se det(A rI) = 0. Esse ltimo pro-
blema exatamente o de determinar os autovetores e autovalores da matriz de coeficientes
A. Portanto, o vetor x da equao (3.7) uma soluo da equao (3.6) desde que r seja um
autovalor e seja um autovetor associado da matriz de coeficientes A.
15
Exemplo 1 - Autovalores Reais
Encontrar a soluo geral para o sistema
x = Ax, (3.9)
onde
dx1
dt
1 1 x1
x =
dx2 ,A= ex= .
dt
4 1 x2
Soluo
Supondo x = ert e resolvendo passo a passo
rert = Aert
r = A
A r = 0
A rI = 0
(A rI) = 0
de onde obtemos
1r 1 1
= 0. (3.10)
4 1r 2
(1 r)2 4 = 0
r2 2r 3 = 0 r1 = 3 e r2 = 1
16
O wronskiano dessas solues
3t
e et
W [x(1) , x(2) ](t) = 3t = 4e2t
2e 2et
que nunca se anula. Portanto as solues x(1) e x(2) formam um conjunto fundamental
de solues e a soluo geral do sistema (3.9)
(1) (2) 1 3t 1
x(t) = c1 x (t) + c2 x (t) = c1 e + c2 et
2 2
x = Ax (3.11)
onde:
dx1
21 1
dt
x1
x =
,A= ex= .
dx2
dt
1 12 x2
Soluo
Supondo x = ert e resolvendo passo a passo obtemos
21 r
1 1
1 = 0. (3.12)
1 2 r 2
Para descobrir os autovalores e autovetores de A fazemos
1
2 r 1
det =0
1 21 r
( 12 r)2 + 1 = 0
5
r2 + r + 4
= 0 r1 = 21 + i e r2 = 12 i
17
(2) 1
= .
i
temos como resultado que ele jamais ser zero, independente do valor de t. Repare que
sempre que os autovalores e autovetores aparecerem em pares conjugados, este resultado se
repetir.
Portanto, x(1) e x(2) formam um conjunto fundamental de solues para o sistema (3.11).
No entanto, para obter um conjunto de solues reais, precisamos encontrar a parte real e
imaginria de x(1) ou x(2) . Assim
(1) 1 ( 21 +i)t 1 t
x (t) = e = e 2 [cos(t) + isen(t)]
i i
e finalmente
t t
(1) e 2 cos(t) e 2 sen(t)
x (t) = t +i t
e 2 sen(t) e 2 cos(t)
Portanto,
2t cos(t) 2t sen(t)
u(t) = e e v(t) = e
sen(t) cos(t)
um conjunto de solues reais. Para verificar que u(t) v(t) so linearmente indepen-
dentes, calcularemos o wronskiano
t
e 2 cos(t) e 2t sen(t)
W [u(t), v(t)](t) = t t
= et
e 2 sen(t) e 2 cos(t)
que nunca se anula. Dessa forma, u(t) e v(t) formam um conjunto fundamental de
solues reais do sistema (3.11).
18
3.5 Estabilidade em Sistemas Lineares
O estudo da estabilidade de sistemas lineares fornece a base para a anlise analtica de siste-
mas no-lineares. Nesta seo sero apresentados os critrios de classificao da estabilidade
de um sistema linear com base nos seus autovalores e autovetores.
Tabela 3.1: Propriedades da estabilidade de sistemas lineares x=Ax com det(A - rI) = 0 e
det A 6= 0.
Observe que a condio detA 6= 0 significa que o nico ponto crtico do sistema deve ser
o vetor x = 0.
til notar tambm que para uma situao de estabilidade assinttica se configure pre-
ciso que as partes reais dos autovalores existam e sejam negativas. Para que ocorra instabili-
dade, basta que a parte real de um dos autovetores seja positiva. Quando os dois autovalores
so imaginrios puros, ocorre estabilidade, porm no assinttica.
19
(a) (b)
4 4
x2 x2
2 2
4 2 0 2 4 4 2 0 2 4
x1 x1
2 2
4 4
(c) (d)
4 4
x2 x2
2 2
4 2 0 2 4 4 2 0 2 4
x1 x1
2 2
4 4
Figura 3.1: Ilustrao de trajetrias. (a) Ponto espiral assintoticamente estvel. (b) Ponto
espiral instvel. (c) N assintoticamente estvel. (d) N instvel.
20
(e) (f)
4 4
x2 x2
2 2
4 2 0 2 4 4 2 0 2 4
x1 x1
2 2
4 4
(g) (h)
4 4
x2 x2
2 2
4 2 0 2 4 4 2 0 2 4
x1 x1
2 2
4 4
Figura 3.2: Ilustrao de trajetrias. (e) Ponto de Sela. (f) Centro. (g) N imprprio instvel.
(h) N prprio instvel.
21
3.6 Estabilidade Local em Sistemas No-lineares
Nesta seo sero apresentados conceitos que tornam possvel analisar tanto a estabilidade
local como a estabilidade global de um sistema presa-predador sem ter que o solucionar de
fato.
x = Ax (3.13)
ficou claro que os autovalores da matriz de coeficientes A determinavam o tipo do ponto
crtico e as suas caractersticas de estabilidade. Quando um sistema desses aparece em um
problema aplicado, os coeficientes resultam em geral de medidas de determinadas grandezas
fsicas. Tais medidas esto sujeitas muitas vezes a pequenos erros, de modo que inte-
ressante investigar se pequenas mudanas (perturbaes) nos coeficientes podem afetar a
estabilidade ou instabilidade de um ponto crtico e/ou alterar de maneira significativa as suas
trajetrias.
possvel mostrar que pequenas perturbaes nos coeficientes implicam pequenas per-
turbaes nos autovalores. A situao mais sensvel ocorre quando os autovalores r1 e r2 so
imaginrios puros, ou seja, r1 = i e r2 = i, isto , quando o ponto crtico um centro
e as trajetrias so curvas fechadas em volta dele. Se feita uma ligeira mudana em A,
ento os autovalores provavelmente sero afetados de maneira que seus novos valores sejam
r1 = +i e r2 = i , onde pequeno em valor absoluto e . Se 6= 0, ento as
trajetrias que antes eram curvas fechadas e estveis passam a ser espirais e assintoticamente
estveis ( < 0) ou instveis ( > 0) conforme a Tabela 3.1. Assim, no caso de um centro,
pequenas perturbaes nos coeficientes podem tornar um sistema estvel em um instvel, e
muitas vezes, pode-se esperar um padro completamente diferente de trajetrias no espao
de fase.
Um outro caso, ligeiramente menos sensvel acontece se os autovalores r1 e r2 so iguais.
Neste caso, o ponto crtico um n. Normalmente, pequenas separaes fazem com que
razes iguais se separem (bifurquem). Se as razes separadas so reais, ento o ponto crtico
do sistema perturbado continua sendo um n. No entanto, se as razes separadas forem
complexas conjugadas, ento o ponto crtico torna-se um ponto espiral. Como o sinal da
parte real dos autovalores do sistema perturbado se mantm igual ao do sistema original para
pequenas perturbaes, a estabilidade do sistema original no afetada neste caso, porm as
trajetrias podem se tornar bastante diferentes.
Em todos os outros casos, perturbaes suficientemente pequenas dos coeficientes no
alteram a estabilidade ou instabilidade do sistema e o tipo de ponto crtico.
x = f (x) (3.14)
22
O objetivo principal investigar o comportamento das trajetrias do sistema 3.14 nas
vizinhanas de um ponto crtico x0 . Vamos tentar fazer isso aproximando o sistema 3.14 por
um sistema linear apropriado, cujas trajetrias sejam fceis de descrever. A pergunta crucial
se as trajetrias do sistema linear so boas aproximaes do no-linear . Tambm preciso
saber como encontrar o sistema linear apropriado.
conveniente tambm escolher o ponto crtico como sendo a origem. Isso no envolve
perda de generalidade, j que, se x0 6= 0, sempre pode-se fazer a substituio u = x x0 na
equao 3.14. Ento u satisfaz um sistema autnomo com um ponto crtico na origem.
Vamos considerar, primeiro, o que significa para o sistema no-linear 3.14 estar "pr-
ximo"ao sistema linear 3.13. Suponha, ento, que
x = Ax + g(x) (3.15)
e que x = 0 um ponto crtico isolado do sistema 3.15. Isso significa que existe algum
crculo em torno da origem no interior do qual no existem outros pontos crticos. Alm
disso, vamos supor que detA 6= 0, de modo que x = 0 tambm um ponto crtico isolado do
sistema linear x = Ax. Para que o sistema no-linear 3.15 seja prximo ao sistema linear
x = Ax, preciso que g(x) seja pequeno em relao a x quando x 0. Ou seja,
||g(x)||
0, (3.16)
||x||
quando x 0.
Um sistema que satisfaz esta condio denominado quase linear na vizinhana do
ponto crtico x=0.
Voltando ao sistema no-linear geral 3.14, que em forma escalar fica
dx dy
x = = F (x, y), y = = G(x, y) (3.17)
dt dt
pode ser mostrado usando a expanso de Taylor que ele ser quase linear em uma vi-
zinhana de um ponto (x0 , y0 ) sempre que as funes F e G tiverem derivadas parciais
contnuas at segunda a ordem. Expandindo 3.17 temos
F (x, y) = F (x0 , y0 ) + Fx (x0 , y0 )(x x0 ) + Fy (x0 , y0 )(y y0 ) + 1 (x, y) ,
G(x, y) = G(x0 , y0 ) + Gx (x0 , y0 )(x x0 ) + Gy (x0 , y0 )(y y0 ) + 2 (x, y)
onde 1 e 2 so os termos de segunda ordem e 1 (x, y)/[(x x0 )2 + (y y0 )2 ]1/2 0
quando (x, y) (x0 , y0 ), e analogamente para 2 (x, y). Note que F (x0 , y0 ) = G(x0 , y0 ) =
0 e que dx/dt = d(x x0 )/dt e dy/dt = d(y y0 )/dt. Ento, o sistema 3.17 pode ser
reescrito como
d x x0 Fx (x0 , y0 ) Fy (x0 , y0 ) x x0 1 (x, y)
= + (3.18)
dt y y0 Gx (x0 , y0 ) Gy (x0 , y0 ) y y0 2 (x, y)
ou ainda, em notao vetorial
du df
= (x0 )u + (x) (3.19)
dt dx
23
onde u = (x x0 , y y0 )T e = (1 , 2 )T .
Esse resultado tem duas consequncias. A primeira a que, se as funes F e G forem
duas vezes diferenciveis, ento o sistema 3.17 quase linear e no necessrio usar a prova
do limite. A segunda que o sistema linear que aproxima o no-linear nas vizinhanas de
(x0 , y0 ) dado pela parte linear das equaes 3.18 e 3.19, a saber
d u1 Fx (x0 , y0 ) Fy (x0 , y0 ) u1
= (3.20)
dt u2 Gx (x0 , y0 ) Gy (x0 , y0 ) u2
Repare que a tabela acima bastante parecida com a Tabela 3.1. As duas diferem em
apenas dois casos, quando os autovalores so reais e iguais e quando os autovalores so
imaginrios puros. Repare tambm, que as caractersticas da Tabela 3.2 so idnticas s
de um sistema linear ligeiramente perturbado, conforme discutido na Seo 3.6.1. Isto no
uma coincidncia. O termo no-linear de um sistema quase linear, em uma vizinhana
prxima a um ponto crtico, pode ser entendido como uma pequena pertubao ao sistema
linear correspondente. Logo, bastante razovel esperar que o comportamento do sistema
quase linear nas proximidades dos seus pontos crticos seja igual ao dos sistemas lineares
correspondentes ligeiramente perturbados.
24
O fato mais importante a ser considerado aqui que, exceto nos dois casos mais sensveis
a perturbaes, em todos os outros casos o termo no-linear no altera o tipo ou estabilidade
do ponto crtico. Assim, na maioria dos casos, o tipo e a estabilidade de um sistema no-
linear (quase linear) podem ser determinados pelo estudo de um sistema linear bem mais
simples.
Como este tipo de anlise s vlido para regies "prximas" dos pontos crticos, as
trajetrias do sistema quase linear podem ser bastante diferentes das trajetrias do sistema
linear correspondente em regies "mais distantes". No entanto, estudar as trajetrias do
sistema sabendo como se comportam todos ou grande parte dos seus pontos crticos de
grande ajuda para a construo do retrato de fase do sistema.
25
26
Captulo 4
Sistemas Presa-Predador
Nesta seo ser apresentado o modelo Lotka-Volterra, talvez o mais antigo dos modelos
presa-predador. Apesar de sua simplicidade, apresenta caractersticas interessantes e pode
ser utilizado para introduzir as idias bsicas da modelagem de ecossistemas.
du
dt
= au uv = u(a v)
dv
dt
= uv v = v(u )
Note que as equaes Lotka-Volterra formam um sistema no-linear.
Construdo o modelo, a prxima etapa extrair informaes dele. Uma maneira bvia
de faz-lo seria resolver as equaes diferenciais encontrando u(t) e v(t), atravs de uma
soluo numrica, por exemplo. Entretanto, possvel conseguir informao sobre o com-
portamento das solues de forma analtica sem necessariamente resolver as equaes, o que
constitui uma boa abordagem inicial para o problema, pois no existe uma abordagem nica
e sistematizada para resolver equaes no-lineares (diferentemente de equaes lineares).
A seguir, ser estudado um caso das equaes Lotka-Volterra, utilizando as tcnicas apre-
sentadas na Seo (3.6).
4.1.2 Exemplo
Neste exemplo, ser realizado um estudo sobre os tipos de ponto crtico e a estabilidade
destes para a seguinte instncia de modelo Lotka-Volterra
du
dt
= u 0.5uv = u(1 0.5v)
dv (4.1)
dt
= 0.25uv 0.75v = v(0.25u 0.75)
onde u(t) e v(t) representam, respectivamente, as populaes de presas e predadores.
O primeiro passo identificar os pontos crticos deste sistema. Para isso, fazemos
du
dt
= u(1 0.5v) = 0
dv
dt
= v(0.25u 0.75) = 0
Alm de p0 = (0, 0), temos p1 = (3, 2). A seguir, vamos examinar o comportamento
local das solues prximas a cada ponto crtico. Para que isso seja possvel preciso que
o sistema (4.10 seja quase linear, ou seja, tenha derivadas parciais contnuas at segunda
ordem. Como as funes F (u, t) = u(1 0.5v) e G(u, t) = v(0.25u 0.75) so to
diferenciveis quanto necessrio, o sistema 4.1 quase linear. Sendo assim, o prximo
passo encontrar o sistema linear correspondente
d x1 Fu (u0 , v0 ) Fv (u0 , v0 ) x1
= (4.2)
dt x2 Gu (u0 , v0 ) Gv (u0 , v0 ) x2
28
onde x1 = u u0 e x2 = v v0 .
Para o ponto crtico p0 = (u0 , v0 ) = (0, 0), temos
d u 1 0 u
= . (4.3)
dt v 0 0.75 v
Assim, o ponto (0,0) um ponto de sela tanto para o sistema linear (4.3) como para o
no-linear (4.1), e, portanto, instvel. Quando "prximas" de (0,0), um par de trajetrias
entra na origem ao longo do eixo dos predadores v. Todas as outras trajetrias se afastam
quando prximas ao ponto (0,0).
Para o ponto crtico p1 = (3, 2), temos
d u3 d u 0 1.5 u
= = . (4.4)
dt v2 dt v 0.5 0 v
29
6
4
v
6 4 2 0 2 4 6
30
Captulo 5
Todo o estudo ao longo das sees anteriores sobre sistemas presa-predador levou em conta
equaes nas quais a interao entre as espcies era considerada como acontecendo em uma
mesma regio ou stio do espao. Este tipo de modelo, dito sem estrutura espacial, trata a
populao de toda uma regio, que sabe-se ser extensa espacialmente, como uma entidade
nica, desprezando as variaes locais das populaes. Isto seria equivalente a supor que as
populaes se distribuem homogeneamente no espao. Assim, j que na natureza observa-se
a ocorrncia de populaes distribudas heterogeneamente nos seus habitats, estes modelos
deixam de lado duas questes importantes:
du u u
= au 1 v (5.1)
dt u1 u+H
dv u
= v v
dt a u+H
onde:
t - tempo,
u - presas, v - predadores,
a - taxa mxima de crescimento da populao de presas,
u1 - capacidade suporte de presas,
- taxa de predao,
H - nmero de meia saturao de presas.
Este modelo representa um sistema presa-predador um pouco mais rico e realista que o
Lotka-Volterra (4.1.1). Diferente das equaes Lotka-Volterra, o seu termo de crescimento
de presas logstico e no exponencial. Isto significa que existe uma populao mxima de
presas que o stio pode comportar. Alm disso, a interao entre presas e predadores se d
32
por um termo de resposta funcional do tipo Holling-II, o que significa que quando o nmero
de presas cresce para um valor superior ao de meio saturao H, o nmero de presas mortas
por cada predador pra de crescer tendendo a um valor constante.
Note que o modelo (5.1) no contempla a migrao de indviduos. Para acrescentar isto
modelagem, ser considerado que o movimento dos indivduos ocorre de forma aleatria,
o que corresponde a considerar que as densidades populacionais obedecem a equaes de
difuso. A rapidez com que a difuso ocorre est relacionada difusidade, ou constante de
difuso (D), que pode ser diferente para espcies diferentes. Devido s condies assumidas,
o modelo (5.1) pode ser expandido para o seguinte modelo
2u
u u u
= D1 2 + au 1 v (5.2)
t x u1 u+H
2 v
v u
= D2 2 + v v
t x a u+H
ut ut
ut+1 = ut + aut 1 h vt h (5.3)
u1 ut + H
ut
vt+1 = vt + vt h [vt ] h
a ut + H
33
onde:
t - ndice discreto de tempo; h - tamanho do intervalo de tempo.
34
Algoritmo 5.3.1 Algoritmo Discreto Estocstico Geral de Simulao
Enquanto numero_iteracoes M AXIM O_IT ERACOES
i reproduz();
fim Se
i morre();
i move();
fim Se
fim Para
numero_iteracoes = numero_iteracoes + 1;
fim Enquanto
Para que seja possvel a construo de um programa para executar o algoritmo (5.3.1),
ainda falta determinar como sero calculadas as probabilidades de morrer, reproduzir e mo-
ver dos indivduos. Isso ser feito usando como base os modelos contnuo (5.2) e discreto
(5.3). Abaixo, reescrito o modelo (5.3)
ut ut
ut+1 = ut + aut 1 h vt h
u1 ut + H
ut
vt+1 = vt + vt h [vt ] h
a ut + H
35
ut
ut a 1 Crescimento populacional (5.4)
u1
vt
ut M orte (5.5)
ut + H
De (5.4),
temos que cada presa contribui para o surgimento de mais presas com o termo
ut
a 1 u1 . Este termo pode assumir valores entre e a (taxa mxima de crescimento da
populao de presas). Podemos definir a probabilidade
de que uma presa gere uma outra ou
ut
"reproduza"como sendo o prprio termo a 1 u1 . Analogamente, podemos definir que a
probabilidade de que uma presa morra utv+H
t
.
Procedendo da mesma forma para a populao de predadores, temos:
ut
vt Crescimento populacional (5.6)
a ut + H
vt M orte (5.7)
De onde podemos definir a probabilidade de que um predador "reproduza"como a
ut
ut +H
e a probabilidade de que ele morra como .
As probabilidades de migrao de uma presa ou predador podem ser representadas, res-
pectivamente, pelas constantes 1 e 2 , as quais esto associadas indiretamente com as difusi-
dades D1 e D2 do modelo contnuo. Visto que o ambiente unidimensional, a probabilidade
de um indivduo mover para a esquerda ou a direita ser dada por x /2, onde x depende do
tipo de indivduo (presa ou predador).
Dessa forma, definimos as probabilidades de ocorrncia de todos os eventos aos quais
presas e predadores esto sujeitos. Um resumo feito nas tabelas a seguir.
Note que princpio, as funes expostas nas tabelas 5.1 e 5.2 no so por definio
funes de probabilidade, uma vez que podem assumir valores no contidos no intervalo
36
[0, 1]. Neste caso, pode acontecer do modelo discreto baseado em indivduos no ser esta-
tisticamente equivalente ao modelo contnuo. Dependendo dos objetivos da transformao
do modelo contnuo, isto pode ser um problema. No caso deste trabalho, a equivalncia
desejvel, porm no faz parte em si do objetivo do projeto.
Agora que as regras dinmicas obedecidas pelas duas populaes, em termos algortmi-
cos, foram estabelecidas, o prximo passo a sua implementao computacional.
37
5.5 Escolha de um caso base
O modelo discreto construdo possui duas varaveis (u e v) e cinco parmetros (a, , u1 , , H).
Em sistemas com mais de duas variveis comum o aparecimento de oscilaes caticas.
Porm em sistemas de duas variveis, o aparecimento de um regime catico bastante raro.
Seguindo as recomendaes encontradas no trabalho (Petrovskii, 1999), que apresenta um
modelo mnimo para a formao de padres em um sistema presa-predador, foi possvel
encontrar oscilaes caticas na dinmica populacional de presas e predadores resultantes
espontaneamente da interao entre os indivduos. Para isso, foi preciso usar um conjunto
adequado de parmetros, configurar inicialmente em cada stio a populao de presas como
sendo igual do ponto crtico do modelo contnuo e ainda perturbar linearmente a populao
inicial de predadores em torno do ponto crtico. Alm disso, teve-se que usar difusidades
iguais para presas e predadores. Isso faz com que no aparea no sistema padres irregula-
res do tipo Turing (Petrovskii, 1999). O conjunto de parmetros utilizados para encontrar o
regime catico foi:
38
(a) (d)
3000
8e+05
Predadores
t = 500
2000
Numero
6e+05
4e+05 1000
2e+05 6e+05 1e+06
Presas 0
(b)
8e+05 t = 1000
2500
Numero
Presas
6e+05
4e+05 1500
2e+05 500
0 500 1000 1500 2000
Turno
3000
(c)
t = 2000
2000
Numero
7e+05
Predadores
6e+05
5e+05 1000
4e+05
0
0 500 1000 1500 2000 0 200 400 600 800 1000
Turno Sitio
Figura 5.1: Sistema Presa-Predador com Difuso - CASO BASE. Padres irregulares pre-
dominam no sistema. Legenda: linha preta para presas e vermelha para predadores. (a)
Diagrama de Fase. (b) Dinmica temporal das presas. (c) Dinmica temporal dos predado-
res. (d) Distribuio espacial de presas e predadores em trs turnos diferentes.
39
5.6 Variao da taxa de morte
A taxa de morte dos predadores () um parmetro muito importante para o sistema, pois
regula o tempo mdio de vida de um predador. Nesta seo sero apresentados os casos mais
representativos encontrados mediante a variao desta taxa. Alm disso, ser mostrado um
quadro geral, caracterizando a dinmica do sistema em funo da mortalidade dos predado-
res.
(a) (d)
2000
Predadores
7e+05 t = 500
1500
Numero
5e+05
1000
3e+05 500
0 2e+05 4e+05
Presas 0
(b) 2000
5e+05 t = 1000
4e+05 1500
Numero
Presas
3e+05
2e+05 1000
1e+05 500
0
0 500 1000 1500 2000
0
Turno
2000
(c)
8e+05 t = 2000
1500
Numero
Predadores
1000
6e+05
500
4e+05 0
0 500 1000 1500 2000 0 200 400 600 800 1000
Turno Sitio
A Figura 5.3 representa um caso interessante, onde uma instabilidade espacial na popula-
o de presas, a medida em que se propaga, reduz drasticamente o nmero de predadores do
dominio. O sistema acaba se estabilizando em um ponto fixo, no qual a situao das presas
bastante confortavel.
40
(a) (d)
6e+05 6000
Predadores
t = 2000
4e+05
4000
Numero
2e+05
0 2000
2e+06 4e+06 6e+06 8e+06
Presas 0
(b) 20000
8e+06 t = 10000
15000
Numero
6e+06
Presas
10000
4e+06
5000
2e+06
0 20000 40000
Turno 0
20000
(c)
t = 20000
6e+05 Numero
15000
Predadores
4e+05 10000
2e+05 5000
0 0
0 20000 40000 0 200 400 600 800 1000
Turno Sitio
Figura 5.3: Aumento da taxa de mortalidade = 0.09. Sistema converge para um n estvel
aps aproximadamente 25 mil turnos. Linha preta para presas e vermelha para predado-
res. (a) Diagrama de Fase. (b) Dinmica temporal das presas. (c) Dinmica temporal dos
predadores. (d) Distribuio espacial de presas e predadores em trs turnos diferentes.
8e+05 0.01
0.03
0.06
0.08
0.09
6e+05
Predadores
4e+05
2e+05
0
0 2e+06 4e+06 6e+06 8e+06
Presas
Figura 5.4: Dinmica do modelo em funo da taxa de mortalidade dos predadores ().
41
5.7 Variao da taxa de predao
A taxa de predao o principal parmetro dos termos de interao entre presas e predadores.
A seguir, apresentado um quadro geral da dinmica do sistema em funo da taxa de
predao.
2e+06
0.2
0.3
0.5
0.9
1.5e+06
Predadores
1e+06
5e+05
0
0 5e+05 1e+06 1.5e+06 2e+06
Presas
Figura 5.5: Dinmica do modelo em funo da taxa de predao dos predadores ().
42
5.8 Variao do tamanho do domnio
Quanto ao tamanho do dominio, casos significativamente diferentes do caso base foram en-
contrados ao se reduzir bastante o nmero de stios do ambiente. Diminuindo-se suficien-
temente o dominio, os padres irregulares observados no caso base deixam de existir. O
sistema converge para um n estvel, sendo que a distribuicao espacial heterogenea.
(a) (d)
4000
45000
Predadores
3000 t = 500
35000
Numero
2000
25000
20000 40000 1000
Presas 0
(b) 4000
60000
3000 t = 1000
Numero
40000
Presas
2000
20000
1000
0
0 500 1000 1500 2000
0
Turno
4000
(c)
t = 2000
50000 3000
Numero
Predadores
40000 2000
30000 1000
20000 0
0 500 1000 1500 2000 0 10 20 30 40 50
Turno Sitio
Figura 5.6: Diminuio do domnio de 1000 para 50 stios. Linha preta para presas e verme-
lha para predadores. (a) Diagrama de Fase. (b) Dinmica temporal das presas. (c) Dinmica
temporal dos predadores. (d) Distribuio espacial de presas e predadores em trs turnos
diferentes.
43
5.9 Variao das condies de contorno
Variando as condies de contorno, um mesmo sistema pode apresentar caractersticas bas-
tante diferentes. Para ilustrar isso, ser mostrado o resultado de uma simulao que tem os
mesmos parmetros do caso da Figura 5.6, porm possui condies de contorno cclicas ao
invs de condies de fluxo zero.
(a) (d)
Predadores
Numero
40000
500
0
0 1e+05 2e+05 3e+05
Presas 0
(b)
2e+05
1000
Numero
Presas
t = 1000
1e+05
500
0
0 1000 2000 3000 4000
Turno 0
(c)
1000 t = 2000
Numero
Predadores
80000
500
40000
0 0
0 1000 2000 3000 4000 0 10 20 30 40 50
Turno Sitio
Figura 5.7: 50 stios e condies de contorno cclicas. Linha preta para presas e vermelha
para predadores. (a) Diagrama de Fase. (b) Dinmica temporal das presas. (c) Dinmica
temporal dos predadores. (d) Distribuio espacial de presas e predadores em trs turnos
diferentes.
44
Captulo 6
Evoluo Biolgica
1. Uso e desuso - indivduos perdem caractersticas que no precisam (ou usam) e desen-
volvem caractersticas que so teis.
Girafas esticando seus pescoos para alcanar rvores mais altas, fortalecendo e gra-
dualmente aumentando o tamanho dos seus pescoos. A prole dessas girafas teriam
pescoos ligeiramente maiores.
Pessoas expostas repetidamente aos fortes raios do sol adquirem uma colorao de pele
mais escura. Passando para seus descendentes esta modificao, ao longo de muitas
geraes, a cor da pele da populao seria sensivelmente mais escura do que a das
primeiras geraes.
46
Darwin possua um rico conjunto de dados de campo que mostrava que a suas idias
tinha fundamento. No entanto, sua teoria apresentava um ponto bastante frgil. Ele des-
conhecia tudo a respeito das causas da variao hereditria, e suas opinies a respeito no
eram nem lgicas e nem coerentes. Na poca, considerava-se as substncias hereditrias
como de natureza fluida e o carter intermedirio de hbridos entre raas ou criaes como
resultante da mistura, em seus corpos, de fluidos dos ascendentes. Com essa concepo de
hereditariedade, no era possvel explicar a variabilidade hereditria sugerida por Darwin.
2. recombinao gentica
3. mutao
(1) e (2) contribuem para a maior parte da variao encontrada em qualquer populao
natural. A modificao ambiental maior em organismos sujeitos a violentas flutuaes em
seus ambientes, sendo que na maioria das vezes as diferenas resultantes so estritamente
fenotpicas. Modificaes genticas por adaptao ao ambiente esto restritas a algumas
plantas e microrganismos nos quais no ocorre separao das clulas germinativas de clulas
e tecidos do corpo em um estgio inicial do desenvolvimento embrionrio. J em animais
superiores, esta separao ocorre, inviabilizando que mudanas em clulas somticas afetem
clulas germinativas. importante salientar que mesmo em organismos que sofrem variao
gentica por adaptao ao ambiente, esta variao bastante pequena e no significativa para
a evoluo da espcie.
Entende-se por mutao todos os tipos de alteraes nos genes, cromossomos, ou ou-
tras partculas hereditrias que tem efeito permanente no gentipo. Mutaes podem ocorrer
de forma espontnea ou induzida, atravs do uso de radiao ou substncias qumicas que
possuem efeitos especficos no cido desoxirribonuclico (DNA). Geralmente ocorrem com
47
baixssima frequncia e por isso s so relevantes para a variabilidade gentica de uma es-
pcie considerando um longo perodo de tempo (muitas geraes). As mutaes poderiam
ter uma influncia direta na taxa e na direo da evoluo exclusivamente se ocorressem
em um panorama gentico essencialmente homogneo, isto , em uma populao de indiv-
duos geneticamente semelhantes e homozigotos para os genes mais importantes referentes
adaptao.
Em cada espcie, todas as caractersticas inerentes espcie dependem cada uma de um
conjunto de genes e suas relaes. Dependendo das possveis combinaes de um conjunto
de genes e do relacionamento destes, os indivduos da espcie apresentam variaes na carac-
terstica em questo. O processo pelo qual a combinao de genes da prole se torna diferente
da combinao dos ascendentes denominado recombinao gentica e este processo o
grande fornecedor de variabilidade gentica para a seleo natural.
48
(a) (b) (c)
Numero de individuos
Numero de individuos
Figura 6.1: Tipos de seleo natural. A primeira linha mostra, em um tempo inicial, o
histograma dos indivduos de uma populao em relao a um fentipo. A segunda linha
mostra a situao em um tempo posterior. (a) Seleo estabilizadora (b) Seleo direcional.
(d) Seleo disruptiva.
49
50
Captulo 7
onde:
aleat - nmero aleatrio entre 1 e 1;
M AX - variao mxima na mobilidade de "pai"para "filho".
A Figura 7.1 mostra o comportamento do novo caso base. Ele parecido com a caso
base anterior, porm possui padres irregulares mais ricos.
52
(a) (d)
9e+05 4000
Predadores
t = 500
7e+05 3000
5e+05 Numero 2000
3e+05 1000
0 5e+05 1e+06 1.5e+06 2e+06
Presas 0
(b) 4000
1e+06 t = 1000
8e+05 3000
Numero
Presas
6e+05 2000
4e+05
1000
2e+05
0 1000 2000
Turno 0
4000
(c)
t = 2000
3000
Numero
Predadores
7e+05
2000
5e+05 1000
3e+05 0
0 1000 2000 0 200 400 600 800 1000
Turno Sitio
Figura 7.1: Sistema Presa-Predador com Difuso e Variabilidade Hereditaria - CASO BASE.
Padres irregulares predominam no sistema. Legenda: linha preta para presas e vermelha
para predadores. (a) Diagrama de Fase. (b) Dinmica temporal das presas. (c) Dinmica
temporal dos predadores. (d) Distribuio espacial de presas e predadores em trs turnos
diferentes.
53
Quanto mobilidade dos indivduos, foi observado no novo caso base uma presso se-
letiva no sentido de favorecer indivduos com maior mobilidade. Devido s caractersticas
do modelo, esta vantagem adaptativa conferida a indivduos mais rpidos completamente
espontnea. No modelo, a probabilidade com que um indivduo morre ou reproduz no de-
pende explicitamente da sua mobilidade. As probabilidades referidas dependem de onde
o indivduo est, ou seja, a sua posio. A relao entre mobilidade e posio indireta.
Quanto maior a mobilidade de um indivduo, maior ser a sua difuso no meio. Sendo
assim, se temos um grupo de indivduos com alta mobilidade, este grupo dever estar es-
palhado pelo ambiente de maneira mais uniforme que grupos com mobilidades menores.
Dessa forma, grupos de indivduos com maior mobilidade teriam mais chances de sobrevi-
ver a instabilidades locais do ambiente e, ao mesmo tempo, de estar em regies do ambiente
favorveis reproduo.
Apesar de j haver uma compreenso bsica de por que ocorre a seleo natural no mo-
delo, devemos investigar os outros casos pra entender melhor as suas particularidades e como
ela ocorre.
0.8
Mobilidade
0.6
0.4
0.2
0 100 200 300 400 500
Turno/100
Figura 7.2: Evoluo da mdia de mobilidade das populaes no caso base. Linha preta para
presas e vermelha para predadores.
54
7.3 Variao da taxa de morte
Quanto taxa de morte, comparando a dinmica dos sistemas sem variabilidade e com va-
riabilidade hereditria de mobilidade, pode-se observar diferenas em poucos casos. Um
destes casos ocorre quando = 0.09. Para esta configurao, a formao e propagao de
uma instabilidade na fase transiente do sistema, como observado na Figura 5.3, no ocorre
mais. Com a introduo da variabilidade, o sistema se estabiliza mais cedo e em um ponto
que favorece a populao de predadores em relao situao anterior.
9e+05
0.01
0.03
8e+05 0.06
0.08
0.09
7e+05
Predadores
6e+05
5e+05
4e+05
3e+05
0 5e+05 1e+06 1.5e+06 2e+06 2.5e+06 3e+06
Presas
55
Em relao mobilidade mdia das populaes, pode-se observar uma presso seletiva
completamente espontnea no sentido de favorecer os indivduos com maior mobilidade de
ambas as populaes. Aumentando-se a taxa de morte dos predadores, esta presso vai
diminuindo at praticamente deixar de existir, como evidenciado na Figura 7.4.
Presas
1
0.01
0.03
0.8 0.06
Mobilidade
0.08
0.6 0.09
0.4
0.2
0 100 200 300 400 500
Predadores
1
0.8
Mobilidade
0.6
0.4
0.2
0 100 200 300 400 500
turnos/100
Figura 7.4: Evoluo da mdia de mobilidade das populaes em funo da taxa de Morta-
lidade ().
56
7.4 Variao da taxa de predao
A taxa de predao est positivamente correlacionada com o valor mdio de mobilidade das
populaes. A populao de presas responde mais rapidamente ao aumento da taxa do que
a populao de predadores. Alm disso, a mobilidade das presas est restrita a duas fases
predominantes, uma de baixa mobilidade e uma de alta. Para valores de um pouco maiores
que 0.2, a mobilidade das presas tende a um valor alto e constante. Para valores de abaixo
de 0.2, praticamente no existe presso seletiva no sentido de aumentar a mobilidade das
presas.
Presas
1
0.113
0.2
0.8 0.3
Mobilidade
0.4
0.5
0.6 0.6
0.7
0.4 0.8
0.9
0.2
0 100 200 300 400 500
Predadores
1
0.8
Mobilidade
0.6
0.4
0.2
0 100 200 300 400 500
turnos/100
Figura 7.5: Evoluo da mdia de mobilidade das populaes em funo da taxa de Predao
().
57
2e+06
0.113
0.2
0.3
0.5
1.5e+06 0.9
Predadores
1e+06
5e+05
0
0 1e+06 2e+06 3e+06 4e+06 5e+06 6e+06
Presas
Figura 7.6: Dinmica do novo modelo em funo da taxa de predao dos predadores ().
58
Presas
1
0.8
Mobilidade
0.6
0.4
0.2
0 100 200 300 400 500
Predadores
1
Mobilidade
0.6
0.2
0 100 200 300 400 500
turnos/100
59
Presas
1
0.8
Mobilidade
0.6
0.4
0.2
Predadores
1
0.8
Mobilidade
0.6
0.4
0.2
0 100 200 300 400 500
turnos/100
Figura 7.8: Evoluo da mdia de mobilidade das populaes com vantagem inicial. Linha
azul indica o caso em que as presas tiveram vantagem inicial e, linha vermelha, os predado-
res.
60
Presas
1
0.8
Mobilidade
0.6
0.4
0.2
0 100 200 300 400 500
Predadores
1
0.8
Mobilidade
0.6
0.4
0.2
0 100 200 300 400 500
turnos/100
Figura 7.9: Evoluo da mdia de mobilidade das populaes em funo da variao mxima
de mobilidade (M AX ). Linha preta M AX = 0.001; linha verde M AX = 0.01 e linha
vermelha M AX = 0.1.
61
62
Captulo 8
Concluses
64
Referncias Bibliogrficas
KREBS, C. J. Ecology: The experimental analysis of distribution and abundance, Harper &
Row, Publishers, 1972.
ADDISON, P. S. Fractals and Caos: an illustrated course, IOP Publishing Ltd, 1997.
65